Acceptera som data: hur företag lär sig att dra nytta av big data

Genom att analysera big data lär sig företag att upptäcka dolda mönster, vilket förbättrar sina affärsresultat. Riktningen är på modet, men inte alla kan dra nytta av big data på grund av bristen på en kultur att arbeta med dem

”Ju vanligare en person heter, desto mer sannolikt är det att de betalar i tid. Ju fler våningar ditt hus har, desto mer statistiskt sett är du en bättre låntagare. Stjärntecknet har nästan ingen effekt på sannolikheten för en återbetalning, men psykotypen gör det betydligt, säger Stanislav Duzhinsky, analytiker på Home Credit Bank, om oväntade mönster i låntagares beteende. Han åtar sig inte att förklara många av dessa mönster – de avslöjades av artificiell intelligens, som bearbetade tusentals kundprofiler.

Detta är kraften i big data-analys: genom att analysera en enorm mängd ostrukturerad data kan programmet upptäcka många samband som den klokaste mänskliga analytikern inte ens känner till. Alla företag har en enorm mängd ostrukturerad data (big data) – om anställda, kunder, partners, konkurrenter, som kan användas för affärsnytta: förbättra effekten av kampanjer, uppnå försäljningstillväxt, minska personalomsättningen, etc.

De första som arbetade med big data var stora teknik- och telekommunikationsföretag, finansiella institutioner och detaljhandel, kommenterar Rafail Miftakhov, chef för Deloitte Technology Integration Group, CIS. Nu finns det intresse för sådana lösningar i många branscher. Vad har företagen uppnått? Och leder big data-analys alltid till värdefulla slutsatser?

Banker använder big data-algoritmer främst för att förbättra kundupplevelsen och optimera kostnaderna, samt för att hantera risker och bekämpa bedrägerier. "Under de senaste åren har en verklig revolution skett inom området för big data-analys", säger Duzhinsky. "Användningen av maskininlärning gör det möjligt för oss att förutsäga sannolikheten för betalningsförsummelser mycket mer exakt – brottsligheten i vår bank är bara 3,9 %." Som jämförelse, från och med den 1 januari 2019 var andelen lån med försenade betalningar över 90 dagar på lån utfärdade till privatpersoner, enligt centralbanken, 5 %.

Även mikrofinansorganisationer är förbryllade över studiet av big data. "Att tillhandahålla finansiella tjänster utan att analysera big data idag är som att göra matematik utan siffror", säger Andrey Ponomarev, VD för Webbankir, en onlineutlåningsplattform. "Vi ger ut pengar online utan att se vare sig kunden eller hans pass, och till skillnad från traditionell utlåning måste vi inte bara bedöma en persons solvens, utan också identifiera hans personlighet."

Nu lagrar företagets databas information om mer än 500 tusen kunder. Varje ny applikation analyseras med dessa data i cirka 800 parametrar. Programmet tar inte bara hänsyn till kön, ålder, civilstånd och kredithistorik, utan också enheten från vilken en person gick in på plattformen, hur han betedde sig på webbplatsen. Det kan till exempel vara oroande att en potentiell låntagare inte använde en lånekalkylator eller inte frågade om villkoren för ett lån. "Med undantag för några få stoppfaktorer - säg att vi inte ger ut lån till personer under 19 år - är ingen av dessa parametrar i sig en anledning till att vägra eller gå med på att ge ut ett lån", förklarar Ponomarev. Det är kombinationen av faktorer som spelar roll. I 95% av fallen fattas beslutet automatiskt, utan medverkan av specialister från underwriting-avdelningen.

Big data-analys gör att vi kan härleda intressanta mönster, delar Ponomarev. Till exempel visade sig iPhone-användare vara mer disciplinerade låntagare än ägare av Android-enheter – de förra får godkännande av ansökningar 1,7 gånger oftare. "Det faktum att militär personal inte betalar tillbaka lån nästan en fjärdedel mindre ofta än en genomsnittlig låntagare var inte en överraskning", säger Ponomarev. "Men studenter förväntas vanligtvis inte vara skyldiga, men under tiden är fall av kreditvärdighet 10% mindre vanliga än genomsnittet för basen."

Studiet av big data möjliggör poängsättning även för försäkringsbolag. IDX, som grundades 2016, är engagerat i fjärridentifiering och onlineverifiering av dokument. Dessa tjänster är efterfrågade bland fraktförsäkringsbolag som är intresserade av att förlora gods så lite som möjligt. Innan godstransporten försäkras kontrollerar försäkringsgivaren, med chaufförens samtycke, tillförlitligheten, förklarar Jan Sloka, kommersiell direktör för IDX. Tillsammans med en partner – St. Petersburg-företaget “Risk Control” – har IDX utvecklat en tjänst som låter dig kontrollera förarens identitet, passdata och rättigheter, deltagande i incidenter relaterade till förlust av last etc. Efter analys databasen över förare identifierade företaget en ”riskgrupp”: oftast går last bort bland förare i åldern 30–40 år med lång körerfarenhet, som ofta har bytt jobb på senare tid. Det visade sig också att lasten oftast stjäls av förare av bilar vars livslängd överstiger åtta år.

Återförsäljare har en annan uppgift – att identifiera kunder som är redo att göra ett köp, och bestämma de mest effektiva sätten att ta dem till webbplatsen eller butiken. För detta ändamål analyserar programmen kundernas profil, data från deras personliga konto, köphistoriken, sökfrågor och användningen av bonuspoäng, innehållet i elektroniska korgar som de började fylla i och övergav. Dataanalys låter dig segmentera hela databasen och identifiera grupper av potentiella köpare som kan vara intresserade av ett visst erbjudande, säger Kirill Ivanov, chef för M.Video-Eldorado-gruppens datakontor.

Till exempel identifierar programmet grupper av kunder, som var och en gillar olika marknadsföringsverktyg – ett räntefritt lån, cashback eller en rabattkod. Dessa köpare får ett nyhetsbrev via e-post med motsvarande kampanj. Sannolikheten att en person, efter att ha öppnat brevet, kommer att gå till företagets webbplats, i det här fallet ökar avsevärt, noterar Ivanov.

Dataanalys låter dig också öka försäljningen av relaterade produkter och tillbehör. Systemet, som har bearbetat andra kunders orderhistorik, ger köparen rekommendationer om vad som ska köpas tillsammans med den valda produkten. Testning av denna arbetsmetod visade enligt Ivanov en ökning av antalet beställningar med tillbehör med 12% och en ökning av omsättningen av tillbehör med 15%.

Återförsäljare är inte de enda som strävar efter att förbättra kvaliteten på tjänsterna och öka försäljningen. Förra sommaren lanserade MegaFon en "smart" erbjudandetjänst baserad på bearbetning av data från miljontals abonnenter. Efter att ha studerat deras beteende har artificiell intelligens lärt sig att skapa personliga erbjudanden för varje kund inom taxorna. Till exempel, om programmet noterar att en person aktivt tittar på video på sin enhet, kommer tjänsten att erbjuda honom att utöka mängden mobiltrafik. Med hänsyn till användarnas preferenser ger företaget abonnenter obegränsad trafik för deras favorittyper av internetfritid – till exempel genom att använda snabbmeddelanden eller lyssna på musik på streamingtjänster, chatta på sociala nätverk eller titta på TV-program.

"Vi analyserar prenumeranters beteende och förstår hur deras intressen förändras", förklarar Vitaly Shcherbakov, chef för big data analytics på MegaFon. "Till exempel, i år har AliExpress-trafiken vuxit 1,5 gånger jämfört med förra året, och i allmänhet växer antalet besök i klädbutiker online: 1,2–2 gånger, beroende på den specifika resursen."

Ett annat exempel på en operatörs arbete med big data är MegaFon Poisk-plattformen för att söka efter försvunna barn och vuxna. Systemet analyserar vilka personer som kan befinna sig i närheten av den försvunna personens plats och skickar information till dem med foto och tecken på den försvunne. Operatören utvecklade och testade systemet tillsammans med inrikesministeriet och organisationen Lisa Alert: inom två minuter efter orientering till den saknade personen får mer än 2 tusen abonnenter, vilket avsevärt ökar chanserna för ett framgångsrikt sökresultat.

Big data-analys har också funnit tillämpning inom industrin. Här kan du prognostisera efterfrågan och planera försäljningen. Så, i Cherkizovo-gruppen av företag, för tre år sedan, implementerades en lösning baserad på SAP BW, som låter dig lagra och bearbeta all försäljningsinformation: priser, sortiment, produktvolymer, kampanjer, distributionskanaler, säger Vladislav Belyaev, CIO i gruppen "Cherkizovo. Analysen av den ackumulerade informationen på 2 TB gjorde det inte bara möjligt att effektivt bilda sortimentet och optimera produktportföljen, utan underlättade också de anställdas arbete. Att förbereda en daglig försäljningsrapport skulle till exempel kräva en dags arbete av många analytiker – två för varje produktsegment. Nu är den här rapporten förberedd av roboten, som bara spenderar 30 minuter på alla segment.

"Inom industrin fungerar big data effektivt tillsammans med Internet of things", säger Stanislav Meshkov, VD för Umbrella IT. "Baserat på analys av data från sensorerna som utrustningen är utrustad med är det möjligt att identifiera avvikelser i dess funktion och förhindra haverier och förutsäga prestanda."

I Severstal försöker man med hjälp av big data också lösa ganska icke-triviala uppgifter – till exempel att minska skadefrekvensen. Under 2019 anslog företaget cirka 1,1 miljarder RUB för åtgärder för att förbättra arbetssäkerheten. Severstal räknar med att minska skadefrekvensen med 2025 % med 50 (jämfört med 2017). ”Om en linjechef – arbetsledare, platschef, butikschef – märkt att en anställd utför vissa arbetsmoment otryggt (håller inte i ledstänger när man går i trappor på industriplatsen eller inte bär all personlig skyddsutrustning) skriver han ut en särskild notering till honom – PAB (från "behavioural security audit")", säger Boris Voskresensky, chef för företagets dataanalysavdelning.

Efter att ha analyserat uppgifter om antalet PAB i en av divisionerna fann företagets specialister att säkerhetsreglerna oftast bröts av de som redan haft flera anmärkningar tidigare, samt av de som var sjukskrivna eller på semester kort innan. olyckan. Överträdelserna under den första veckan efter återkomst från semester eller sjukskrivning var dubbelt så höga som under den efterföljande perioden: 1 mot 0,55 %. Men att arbeta på nattskiftet, som det visade sig, påverkar inte statistiken över PAB.

Att skapa algoritmer för att bearbeta big data är inte den svåraste delen av arbetet, säger företagsrepresentanter. Det är mycket svårare att förstå hur dessa tekniker kan tillämpas i samband med varje specifik verksamhet. Det är här akilleshälen för företagsanalytiker och till och med externa leverantörer ligger, som, det verkar, har samlat på sig expertis inom området big data.

"Jag träffade ofta big data-analytiker som var utmärkta matematiker, men som inte hade den nödvändiga förståelsen för affärsprocesser", säger Sergey Kotik, utvecklingschef på GoodsForecast. Han minns hur hans företag för två år sedan hade möjligheten att delta i en efterfrågeprognostävling för en federal detaljhandelskedja. En pilotregion valdes, för alla varor och butiker som deltagarna gjort prognoser för. Därefter jämfördes prognoserna med faktisk försäljning. Förstaplatsen togs av en av de ryska internetjättarna, känd för sin expertis inom maskininlärning och dataanalys: i sina prognoser visade den en minimal avvikelse från den faktiska försäljningen.

Men när nätverket började studera hans prognoser mer i detalj, visade det sig att ur affärssynpunkt är de absolut oacceptabla. Företaget introducerade en modell som producerade försäljningsplaner med en systematisk underdrift. Programmet kom på hur man minimerar sannolikheten för fel i prognoser: det är säkrare att underskatta försäljningen, eftersom det maximala felet kan vara 100% (det finns ingen negativ försäljning), men i riktning mot överprognoser kan det vara godtyckligt stort, Kotik förklarar. Med andra ord presenterade företaget en idealisk matematisk modell, som under verkliga förhållanden skulle leda till halvtomma butiker och enorma förluster från underrea. Som ett resultat vann ett annat företag tävlingen, vars beräkningar kunde omsättas i praktiken.

Big data-teknik är relevant för många branscher, men deras aktiva implementering sker inte överallt, noterar Meshkov. Till exempel inom vården finns det ett problem med datalagring: mycket information har samlats och den uppdateras regelbundet, men för det mesta har denna data ännu inte digitaliserats. Det finns också mycket data i statliga myndigheter, men de är inte sammanslagna till ett gemensamt kluster. Utvecklingen av en enhetlig informationsplattform för National Data Management System (NCMS) syftar till att lösa detta problem, säger experten.

Vårt land är dock långt ifrån det enda landet där i de flesta organisationer viktiga beslut fattas utifrån intuition, och inte analys av big data. I april förra året genomförde Deloitte en undersökning bland mer än tusen ledare för stora amerikanska företag (med en personal på 500 eller fler) och fann att 63 % av de tillfrågade är bekanta med big data-teknik, men inte har allt som behövs infrastruktur för att använda dem. Samtidigt, bland de 37 % av företagen med en hög nivå av analytisk mognad, har nästan hälften avsevärt överträffat affärsmålen under de senaste 12 månaderna.

Studien visade att förutom svårigheten att implementera nya tekniska lösningar, är ett viktigt problem i företag bristen på en kultur att arbeta med data. Du bör inte förvänta dig goda resultat om ansvaret för beslut som fattas på grundval av big data endast tilldelas företagets analytiker och inte hela företaget som helhet. "Nu letar företag efter intressanta användningsfall för big data", säger Miftakhov. "Samtidigt kräver implementeringen av vissa scenarier investeringar i system för insamling, bearbetning och kvalitetskontroll av ytterligare data som inte har analyserats tidigare." Tyvärr, "analytik är ännu inte en lagsport", erkänner författarna till studien.