ЛАНИТ

Группа компаний ЛАНИТ

rus | eng
+7 (495) 967-66-50
форма обратной связи

Денис Афанасьев: Чем большие данные могут быть полезны бизнесу и архивам

07.12.2016 Денис АфанасьевВыживает не самый сильный, а самый адаптивный, как уверяют в инновационной компании CleverDATA, созданной в 2014 году при участии ЛАНИТа. Не уметь извлекать пользу из больших и не очень данных — признак слабости. Денис Афанасьев, генеральный директор «умных данных», рассказал о том, почему нельзя пренебрегать данными и как заставить их работать на себя. 

Большие данные везде, где машина помогает человеку принимать решения


Историки технологий говорят, что у нас на глазах происходит второй бум данных. От бумажных энциклопедий, справочников и каталогов мы перешли к базам данных, электронным архивам и большим данным. С первыми и со вторыми рынок уже знаком. С большими данными отношения сложились не у всех. Для начала поясните: большие данные — это что?

Понятие «большие данные» довольно обтекаемое. Сейчас рынок сходится на том, что это скорее подход к работе с данными, чем обозначение технологий. Те, кто читает исследования Gartner, знает, что агентство, которое изначально давало количественную оценку термина big data (это большие объемы, высокая скорость и т.п.), отказалось от количественного определения и заменило «большие данные» в своих аналитических материалах на технологию машинного обучения. И рынок на это отреагировал. В современном понимании большие данные везде, где машина помогает человеку принимать решения: покупать или не покупать компанию, выдавать кредит или нет. Когда человек садится и думает, машина может ему в этом помочь. В этом суть подхода big data.


Большие данные — для большого бизнеса? 


Обычно о больших данных говорят применительно к крупному бизнесу. С ними работают банки и страховые компании. Есть ли интерес к big data со стороны малого и среднего бизнеса? 

Действительно все началось с крупных телекоммуникационных и интернет-компаний. Они создали технологии, которые позволили им освоить большие массивы информации. Как правило, это было недорогое ПО с открытым кодом. Малому и среднему бизнесу идея понравилась. Они начали внедрять похожие подходы для обработки данных. По своему опыту скажу, что объем данных больше зависит не от размера компании, а от политики хранения данных. Например, если у розничного магазина есть история детальных покупок (какой товар с чем покупают, в какое время суток) — это уже хороший массив данных для анализа, из которого можно извлечь пользу. При этом для сбора информации подойдут обычные программы. Но нужен исторический период. Это проблема для компаний малого и среднего бизнеса. Часто они не хранят весь массив информации, а, например, только данные за последний год. Остальное удаляют. В банках и телекоме дела обстоят лучше, потому что закон обязывает их сохранять всю информацию в течение пяти лет. Для того чтобы данные анализировать, их надо копить. По-другому не получится. Малый и средний бизнес только сейчас это начал понимать.

Big data и бизнес-анализ


Мощности ИТ-сектора активно собираются под куполом больших данных. Центром внимания профессионального сообщества также является бизнес-анализ. Как они соотносятся между собой? Есть ли отличия алгоритмов big data от бизнес-анализа? 

Существует такая аналогия: бизнес-аналитика — это как зеркало заднего вида в машине. Мы смотрим назад и анализируем происшедшее. Big data — это всегда взгляд в будущее. Если бизнес-аналитика помогает оценить, сколько у нас купили и сколько осталось, то с помощью подходов big data мы пытаемся понять, сколько у нас купят, если мы поставим скидку, каким будет спрос на товар. Для наглядности приведу популярный кейс с распределением денег по банкоматам. Банк прогнозирует, сколько нужно наличности для каждого банкомата, чтобы оптимально распределить денежную массу. Если деньги не будут лежать без дела, а обращаться, банк неплохо сэкономит. Попытка прогнозирования — это подход big data. В остальном алгоритмы похожие. Во многом потому, что большие данные развивались из алгоритмов бизнес-аналитики. В организациях ими часто занимается один и тот же отдел. 

Решаем бизнес-задачи


Какие задачи позволяют решить технологии big data? 

Если говорить в общем, подходы big data уместны в ситуациях, когда человек принимает решения. Это одинаково справедливо и для повседневной жизни, и для бизнеса. В повседневной жизни мы даже не замечаем, как алгоритмы больших данных помогают нам жить: выбирать билеты, книги или фильмы, распознавать лица, сортировать документы. В бизнесе внедряются аналогичные подходы. Я не видел ни одной бизнес-области, где big data не могли бы работать. Предприятия топливно-энергетического комплекса делают прогнозы по добыче нефти и ее продаже. Для промышленных и строительных объектов (электростанций, дамб, мостов) актуален мониторинг состояния, например, для предупреждения аварий. У больших данных очень широкое поле применения.

Среди решений CleverDATA есть те, которые позволяют достигать маркетинговых целей: привлекать новых клиентов, удерживать старых. В этом непосредственно участвуют большие данные. Как это реализуется на практике? 

Наша задача заключается в том, что мы создаем внутри организации «мозг» для маркетологов. Он все время думает о клиентах и об аудитории, составляет рекомендации по каждому человеку, то есть помогает компании решить, как с ним работать. Если раньше исходили из того, что товар нужно во что бы то ни стало продать, то сейчас применяется подход customer centric, когда в центре — человек, и мы пытаемся понять, в чем он нуждается. Big data в маркетинге позволяют конкретизировать клиента и сделать ему персональное предложение. Вместо того чтобы показывать рекламу для всех, мы уменьшаем сегмент до конкретного человека. Это делается с помощью цифровых каналов коммуникации. Вы зашли на сайт, зарегистрировались в мобильном приложении, позвонили в кол-центр, сняли деньги в банкомате — и оставили цифровые следы. Все это позволяет идентифицировать вас, составить ваш профиль и понять, что с ним делать. 

Что можно узнать о человеке по его цифровым следам?

Мы можем предсказать несколько базовых вещей: что он склонен купить, по какому каналу коммуникации до него лучше достучаться и в какое время. Сейчас появляется техническая возможность рассчитать это практически в реальном времени для каждого человека. На западном рынке такой подход очень развит, а у нас пока только начинает внедряться. Например, видеорекламу с детальной аналитикой запустил «МегаФон». Когда человек с мобильным устройством подходит к рекламному щиту, оператор связи знает, что это за абонент и у какого щита он находится. Данные «склеиваются», и на видеоэкран выводится то, что нужно показать конкретно этому человеку.

А как с помощью big data компании могут удержать старых клиентов?

Если изначально внедрен подход customer centric, то цифровые следы уже собраны. На их основе можно сформировать так называемый next best offer — новое предложение или дополнительную скидку, которая позволит его удержать. Концепция с ориентацией на клиента помогает, с одной стороны, увеличить life time value каждого клиента (совокупную прибыль за время сотрудничества с ним. — Прим. НААР), а с другой — управлять оттоком, потому что эти задачи взаимосвязаны.

В компании Xerox заявляют, что отбор кандидатов на собеседование можно проводить без резюме. Привычную практику заменяют на HR-скоринг, который позволяет оценить соискателей на основе внешних данных. Каким образом работают алгоритмы скоринга и насколько они эффективны? 

Если маркетинг — передовик подходов big data, то скоринг идет на втором месте. Как и маркетинг, скоринг-подходы тоже работают. У нас было несколько пилотных проектов в этой области. Мы разработали систему с несколькими индикаторами, которая помогает рекрутеру принять решение, брать человека на работу или нет. Если на основе анализа данных мы считаем, что кандидат не подходит, он подсвечивается красным. В этом случае рекрутер должен внимательнее к нему присмотреться: например, назначить дополнительное собеседование. Зеленый цвет означает, что цикл принятия решения можно сократить и соответственно потратить меньше денег. Процесс скоринга не сильно отличается от процесса маркетинга с единственной разницей: данные по клиенту у нас уже есть, на соискателя же необходимо собирать внешние данные. Для этого есть биржи данных, которые позволяют получить доступ к данным других компаний, социальных сетей, платежных систем. Плюс к этому для оценки кандидата используется метод look alike. Он позволяет оценить его похожесть на основе собственной базы сотрудников: на тех, кто показал хорошие и плохие результаты работы. Единственное ограничение для скоринга — он работает для массовых позиций: продавца-консультанта, оператора кол-центра и прочих, как это было в случае с Xerox. Подбором топ-менеджеров должен заниматься человек.


Чем могут быть полезны большие данные для архивов


Какие задачи помогает решить подход big data архивистам и делопроизводителям?

Если компания ведет электронный документооборот и этот массив данных доступен для анализа, то из него можно почерпнуть много информации, которой нет в учетных системах. ERP-система может упустить специальные соглашения (договоры с особыми условиями, штрафными санкциями), и они выпадут из анализа. Подход big data позволяет выявить малозаметные всплески, которые в конечном итоге могут выстрелить. Другая хорошая точка приложения больших данных — настройка поиска в оцифрованных архивах. Например, проект Google Books, открывающий доступ к книгам для больших аудиторий. Однако это лишь видимая часть айсберга. Google также помогает автоматически анализировать тексты в исторической перспективе, поднимаясь на большую высоту. Если этот подход применить в бизнесе, то можно узнать много нового о компании и спрогнозировать ее развитие.


Данные — это ценность


В чем на сегодняшний день вы видите миссию CleverDATA? 

Миссия CleverDATA заключается в том, чтобы монетизировать данные. Мы работаем с компаниями коммерческого сектора и пытаемся их научить извлекать бизнес-выгоды из данных. Это возможно двумя способами. Данные могут быть проданы, например, через биржу данных. Менее очевидный, но более результативный способ — использование данных в своей работе: как заработать на них с помощью собственной компании. Предложить клиентам новые продукты и улучшить показатели бизнес-процессов — все это решаемые задачи в случае применения подхода big data.


Источник:  naar.ru, № 5, 2016
Ссылка на источник:  http://naar.ru/journal/naar_05.pdf
Яндекс.Метрика