მიიღე მსგავსი მონაცემები: როგორ სწავლობენ ბიზნესები დიდი მონაცემებისგან მოგებას

დიდი მონაცემების ანალიზით, კომპანიები სწავლობენ ფარული შაბლონების გამოვლენას, აუმჯობესებენ თავიანთ ბიზნესს. მიმართულება მოდურია, მაგრამ ყველას არ შეუძლია ისარგებლოს დიდი მონაცემებით მათთან მუშაობის კულტურის არარსებობის გამო

„რაც უფრო გავრცელებულია ადამიანის სახელი, მით მეტია იმის ალბათობა, რომ დროულად გადაიხადოს. რაც უფრო მეტი სართული აქვს თქვენს სახლს, მით უფრო სტატისტიკურად უკეთესი მსესხებელი ხართ. ზოდიაქოს ნიშანი თითქმის არ მოქმედებს თანხის დაბრუნების ალბათობაზე, მაგრამ ფსიქოტიპი მნიშვნელოვნად მოქმედებს, ”- ამბობს სტანისლავ დუჟინსკი, Home Credit Bank-ის ანალიტიკოსი, მსესხებლების ქცევის მოულოდნელ ნიმუშებზე. ის არ იღებს ვალდებულებას ახსნას მრავალი ასეთი ნიმუში - ისინი გამოვლინდა ხელოვნური ინტელექტის მიერ, რომელიც ამუშავებდა ათასობით მომხმარებლის პროფილს.

ეს არის დიდი მონაცემების ანალიტიკის ძალა: უზარმაზარი რაოდენობის არასტრუქტურირებული მონაცემების გაანალიზებით, პროგრამას შეუძლია აღმოაჩინოს მრავალი კორელაცია, რომლის შესახებ ყველაზე ბრძენმა ანალიტიკოსმა არც კი იცის. ნებისმიერ კომპანიას აქვს უზარმაზარი არასტრუქტურირებული მონაცემები (დიდი მონაცემები) - თანამშრომლების, მომხმარებლების, პარტნიორების, კონკურენტების შესახებ, რომლებიც შეიძლება გამოყენებულ იქნას ბიზნეს სარგებლობისთვის: გააუმჯობესოს აქციების ეფექტი, მიაღწიოს გაყიდვების ზრდას, შეამციროს პერსონალის ბრუნვა და ა.შ.

პირველები, ვინც დიდ მონაცემებთან მუშაობდნენ, იყვნენ მსხვილი ტექნოლოგიური და სატელეკომუნიკაციო კომპანიები, ფინანსური ინსტიტუტები და საცალო ვაჭრობა, კომენტარს აკეთებს რაფაილ მიფტახოვი, Deloitte Technology Integration Group-ის დირექტორი, დსთ. ახლა ასეთი გადაწყვეტილებების მიმართ ინტერესი ბევრ ინდუსტრიაშია. რას მიაღწიეს კომპანიებმა? და დიდი მონაცემების ანალიზი ყოველთვის იწვევს ღირებულ დასკვნებს?

ბანკები იყენებენ დიდი მონაცემების ალგორითმებს ძირითადად მომხმარებლის გამოცდილების გასაუმჯობესებლად და ხარჯების ოპტიმიზაციისთვის, ასევე რისკის მართვისა და თაღლითობის წინააღმდეგ საბრძოლველად. „ბოლო წლებში დიდი მონაცემების ანალიზის სფეროში ნამდვილი რევოლუცია მოხდა“, - ამბობს დუჟინსკი. „მანქანური სწავლების გამოყენება საშუალებას გვაძლევს ვიწინასწარმეტყველოთ სესხის დაფარვის ალბათობა ბევრად უფრო ზუსტად – ჩვენს ბანკში ვადაგადაცილება მხოლოდ 3,9%-ია“. შედარებისთვის, 1 წლის 2019 იანვრის მდგომარეობით, ფიზიკურ პირებზე გაცემულ სესხებზე 90 დღეზე მეტი ვადაგადაცილებული სესხების წილი, ცენტრალური ბანკის მონაცემებით, 5% იყო.

მიკროსაფინანსო ორგანიზაციებიც კი გაკვირვებულები არიან დიდი მონაცემების შესწავლით. „საფინანსო სერვისების მიწოდება დიდი მონაცემების ანალიზის გარეშე დღეს ჰგავს მათემატიკის კეთებას რიცხვების გარეშე“, - ამბობს ანდრეი პონომარევი, ვებბანკირის, ონლაინ დაკრედიტების პლატფორმის აღმასრულებელი დირექტორი. „ჩვენ გავცემთ ფულს ონლაინ რეჟიმში კლიენტის და მისი პასპორტის ნახვის გარეშე და ტრადიციული სესხებისგან განსხვავებით, არა მხოლოდ უნდა შევაფასოთ პირის გადახდისუნარიანობა, არამედ მისი პიროვნების იდენტიფიცირებაც.

ახლა კომპანიის მონაცემთა ბაზა ინახავს ინფორმაციას 500 ათასზე მეტი მომხმარებლის შესახებ. ყოველი ახალი აპლიკაცია ამ მონაცემებით გაანალიზებულია დაახლოებით 800 პარამეტრში. პროგრამა ითვალისწინებს არა მხოლოდ სქესს, ასაკს, ოჯახურ მდგომარეობას და საკრედიტო ისტორიას, არამედ იმ მოწყობილობას, საიდანაც ადამიანი შევიდა პლატფორმაზე, როგორ მოიქცა საიტზე. მაგალითად, შეიძლება საგანგაშო იყოს, რომ პოტენციურმა მსესხებელმა არ გამოიყენა სესხის კალკულატორი ან არ დაინტერესდა სესხის პირობების შესახებ. „გარდა რამდენიმე შეჩერების ფაქტორისა – ვთქვათ, ჩვენ არ გავცემთ სესხს 19 წლამდე პირებზე – არცერთი ეს პარამეტრი თავისთავად არ არის სესხის გაცემაზე უარის თქმის ან თანხმობის მიზეზი“, განმარტავს პონომარევი. მნიშვნელოვანია ფაქტორების ერთობლიობა. 95% შემთხვევაში გადაწყვეტილება მიიღება ავტომატურად, ანდერაიტინგის განყოფილების სპეციალისტების მონაწილეობის გარეშე.

დიდი მონაცემთა ანალიზი საშუალებას გვაძლევს გამოვიტანოთ საინტერესო შაბლონები, იზიარებს პონომარევი. მაგალითად, iPhone-ის მომხმარებლები უფრო დისციპლინირებული მსესხებლები აღმოჩნდნენ, ვიდრე Android მოწყობილობების მფლობელები - პირველები აპლიკაციების დამტკიცებას 1,7-ჯერ უფრო ხშირად იღებენ. ”ის ფაქტი, რომ სამხედრო მოსამსახურეები საშუალო მსესხებელზე თითქმის მეოთხედით ნაკლებად ხშირად არ იხდიან სესხებს, არ იყო გასაკვირი,” - ამბობს პონომარევი. ”მაგრამ, როგორც წესი, სტუდენტების ვალდებულება არ არის მოსალოდნელი, მაგრამ იმავდროულად, საკრედიტო დავალიანების შემთხვევები 10% -ით ნაკლებია, ვიდრე საშუალო ბაზისთვის.”

დიდი მონაცემების შესწავლა მზღვეველებისთვისაც იძლევა ქულების შეგროვების საშუალებას. IDX დაარსებული 2016 წელს, ეწევა დოკუმენტების დისტანციური იდენტიფიკაციისა და ონლაინ გადამოწმებას. ეს სერვისები მოთხოვნადია ტვირთების მზღვეველთა შორის, რომლებიც დაინტერესებულნი არიან საქონლის რაც შეიძლება ნაკლები დაკარგვით. საქონლის ტრანსპორტირების დაზღვევამდე მზღვეველი მძღოლის თანხმობით ამოწმებს სანდოობას, განმარტავს IDX-ის კომერციული დირექტორი იან სლოკა. პარტნიორთან – სანკტ-პეტერბურგის კომპანია „Risk Control“-თან ერთად – IDX-მა შეიმუშავა სერვისი, რომელიც საშუალებას გაძლევთ შეამოწმოთ მძღოლის ვინაობა, პასპორტის მონაცემები და უფლებები, მონაწილეობა ინციდენტებში ტვირთის დაკარგვასთან და ა.შ. ანალიზის შემდეგ. მძღოლების მონაცემთა ბაზაში კომპანიამ გამოავლინა „რისკის ჯგუფი“: ყველაზე ხშირად ტვირთი იკარგება 30-40 წლის ასაკის მძღოლებში, რომლებსაც აქვთ მართვის დიდი გამოცდილება, რომლებიც ბოლო დროს ხშირად იცვლიდნენ სამუშაოს. ასევე გაირკვა, რომ ტვირთს ყველაზე ხშირად იპარავენ მანქანების მძღოლები, რომელთა მომსახურების ვადა რვა წელს აჭარბებს.

საცალო მოვაჭრეებს განსხვავებული ამოცანა აქვთ - დაადგინონ მომხმარებლები, რომლებიც მზად არიან შესყიდვისთვის და განსაზღვრონ ყველაზე ეფექტური გზები მათ საიტზე ან მაღაზიაში მიტანისთვის. ამ მიზნით, პროგრამები აანალიზებენ მომხმარებელთა პროფილს, მონაცემებს მათი პირადი ანგარიშიდან, შესყიდვების ისტორიას, ძიების მოთხოვნებს და ბონუს ქულების გამოყენებას, ელექტრონული კალათების შიგთავსს, რომელიც მათ დაიწყეს და მიატოვეს. მონაცემთა ანალიტიკა საშუალებას გაძლევთ მოაწყოთ მთელი მონაცემთა ბაზა და დაადგინოთ პოტენციური მყიდველების ჯგუფები, რომლებიც შეიძლება დაინტერესდნენ კონკრეტული შეთავაზებით, ამბობს კირილ ივანოვი, M.Video-Eldorado ჯგუფის მონაცემთა ოფისის დირექტორი.

მაგალითად, პროგრამა განსაზღვრავს მომხმარებელთა ჯგუფებს, რომელთაგან თითოეულს მოსწონს სხვადასხვა მარკეტინგული ინსტრუმენტი - უპროცენტო სესხი, ქეშბექი ან ფასდაკლების პრომო კოდი. ეს მყიდველები იღებენ ელ.ფოსტის ბიულეტენს შესაბამისი აქციით. ალბათობა იმისა, რომ პირი, რომელმაც წერილი გახსნა, გადავა კომპანიის ვებგვერდზე, ამ შემთხვევაში საგრძნობლად იზრდება, აღნიშნავს ივანოვი.

მონაცემთა ანალიზი ასევე საშუალებას გაძლევთ გაზარდოთ დაკავშირებული პროდუქტებისა და აქსესუარების გაყიდვები. სისტემა, რომელმაც დაამუშავა სხვა მომხმარებლების შეკვეთების ისტორია, აძლევს მყიდველს რეკომენდაციებს, თუ რა უნდა იყიდოს შერჩეულ პროდუქტთან ერთად. მუშაობის ამ მეთოდის ტესტირებამ, ივანოვის თქმით, აჩვენა აქსესუარებით შეკვეთების რაოდენობის ზრდა 12%-ით და აქსესუარების ბრუნვის ზრდა 15%-ით.

საცალო მოვაჭრეები არ არიან ერთადერთი, ვინც ცდილობს გააუმჯობესოს მომსახურების ხარისხი და გაიზარდოს გაყიდვები. გასულ ზაფხულს, მეგაფონმა გამოუშვა "ჭკვიანი" შეთავაზების სერვისი, რომელიც დაფუძნებულია მილიონობით აბონენტის მონაცემების დამუშავებაზე. მათი ქცევის შესწავლის შემდეგ, ხელოვნურმა ინტელექტმა ისწავლა თითოეული კლიენტისთვის პერსონალური შეთავაზებების შექმნა ტარიფების ფარგლებში. მაგალითად, თუ პროგრამა აღნიშნავს, რომ ადამიანი აქტიურად უყურებს ვიდეოს თავის მოწყობილობაზე, სერვისი შესთავაზებს მას მობილური ტრაფიკის რაოდენობის გაფართოებას. მომხმარებლების პრეფერენციების გათვალისწინებით, კომპანია აბონენტებს უზრუნველჰყოფს შეუზღუდავი ტრაფიკით მათი საყვარელი ინტერნეტ დასვენებისთვის - მაგალითად, მყისიერი მესინჯერების გამოყენებით ან მუსიკის მოსმენით სტრიმინგ სერვისებზე, ჩეთში სოციალურ ქსელებში ან სატელევიზიო შოუს ყურებაში.

„ჩვენ ვაანალიზებთ აბონენტების ქცევას და გვესმის, როგორ იცვლება მათი ინტერესები“, განმარტავს ვიტალი შჩერბაკოვი, დიდი მონაცემების ანალიტიკის დირექტორი MegaFon-ში. „მაგალითად, წელს AliExpress-ის ტრაფიკი შარშანდელთან შედარებით 1,5-ჯერ გაიზარდა და ზოგადად, ტანსაცმლის ონლაინ მაღაზიებში ვიზიტების რაოდენობა იზრდება: 1,2-2-ჯერ, კონკრეტული რესურსის მიხედვით.

დიდი მონაცემების მქონე ოპერატორის მუშაობის კიდევ ერთი მაგალითია MegaFon Poisk პლატფორმა დაკარგული ბავშვებისა და მოზრდილების საძიებლად. სისტემა აანალიზებს, თუ რომელი ადამიანი შეიძლება იყოს დაკარგული ადამიანის ადგილთან და უგზავნის მათ ინფორმაციას დაკარგული ადამიანის ფოტოთი და ნიშნებით. ოპერატორმა შეიმუშავა და გამოსცადა სისტემა შინაგან საქმეთა სამინისტროსთან და Lisa Alert ორგანიზაციასთან ერთად: დაკარგული ადამიანზე ორიენტირებიდან ორ წუთში იღებს 2 ათასზე მეტი აბონენტი, რაც საგრძნობლად ზრდის წარმატებული ძიების შედეგის შანსებს.

დიდი მონაცემების ანალიზმა ასევე იპოვა გამოყენება ინდუსტრიაში. აქ ის საშუალებას გაძლევთ წინასწარ განსაზღვროთ მოთხოვნა და დაგეგმოთ გაყიდვები. ასე რომ, Cherkizovo კომპანიების ჯგუფში, სამი წლის წინ, განხორციელდა SAP BW-ზე დაფუძნებული გადაწყვეტა, რომელიც საშუალებას გაძლევთ შეინახოთ და დაამუშავოთ გაყიდვების ყველა ინფორმაცია: ფასები, ასორტიმენტი, პროდუქტის მოცულობა, აქციები, სადისტრიბუციო არხები, ამბობს ვლადისლავ ბელიაევი, CIO. ჯგუფის ”ჩერკიზოვო. დაგროვილი 2 ტბ ინფორმაციის ანალიზმა არა მხოლოდ შესაძლებელი გახადა ასორტიმენტის ეფექტურად ფორმირება და პროდუქციის პორტფელის ოპტიმიზაცია, არამედ ხელი შეუწყო თანამშრომლების მუშაობას. მაგალითად, ყოველდღიური გაყიდვების ანგარიშის მომზადება მოითხოვს მრავალი ანალიტიკოსის ერთდღიან მუშაობას – ორი პროდუქტის თითოეული სეგმენტისთვის. ახლა ეს ანგარიში მომზადებულია რობოტის მიერ, ყველა სეგმენტზე მხოლოდ 30 წუთს ხარჯავს.

„ინდუსტრიაში დიდი მონაცემები ეფექტურად მუშაობს ნივთების ინტერნეტთან ერთად“, ამბობს სტანისლავ მეშკოვი, Umbrella IT-ის აღმასრულებელი დირექტორი. ”სენსორების მონაცემების ანალიზის საფუძველზე, რომლითაც მოწყობილობა აღჭურვილია, შესაძლებელია მისი მუშაობის დროს გადახრების იდენტიფიცირება და ავარიების თავიდან აცილება და შესრულების პროგნოზირება.”

Severstal-ში, დიდი მონაცემების დახმარებით, ისინი ასევე ცდილობენ გადაჭრას საკმაოდ არა ტრივიალური ამოცანები - მაგალითად, შეამცირონ ტრავმების მაჩვენებელი. 2019 წელს კომპანიამ გამოყო დაახლოებით 1,1 მილიარდი რუბლი შრომის უსაფრთხოების გაუმჯობესების ღონისძიებებისთვის. Severstal ელოდება ტრავმების მაჩვენებლის შემცირებას 2025%-ით 50-ით (2017 წელთან შედარებით). „თუ ხაზის მენეჯერმა - ოსტატმა, საიტის მენეჯერმა, მაღაზიის მენეჯერმა - შენიშნა, რომ თანამშრომელი გარკვეულ ოპერაციებს არასაიმედოდ ასრულებს (არ ეკიდება ხელსაკილებს სამრეწველო ობიექტზე კიბეებზე ასვლისას ან არ ატარებს ყველა პერსონალურ დამცავ აღჭურვილობას), ის წერს. სპეციალური შენიშვნა მისთვის - PAB („ქცევითი უსაფრთხოების აუდიტიდან“)“ - ამბობს ბორის ვოკრესენსკი, კომპანიის მონაცემთა ანალიზის დეპარტამენტის ხელმძღვანელი.

ერთ-ერთ განყოფილებაში PAB-ების რაოდენობის შესახებ მონაცემების გაანალიზების შემდეგ, კომპანიის სპეციალისტებმა დაადგინეს, რომ უსაფრთხოების წესებს ყველაზე ხშირად არღვევდნენ ისინი, ვისაც მანამდე ჰქონდა რამდენიმე შენიშვნა, ასევე მათ, ვინც ცოტა ხნით ადრე იმყოფებოდა ავადმყოფობის შვებულებაში ან შვებულებაში. ინციდენტი. შვებულებიდან დაბრუნების ან ავადმყოფობის შვებულებიდან პირველ კვირაში დარღვევები ორჯერ მეტი იყო, ვიდრე შემდგომ პერიოდში: 1 წინააღმდეგ 0,55%. მაგრამ ღამის ცვლაში მუშაობა, როგორც გაირკვა, არ მოქმედებს PAB-ების სტატისტიკაზე.

კომპანიის წარმომადგენლები ამბობენ, რომ დიდი მონაცემების დამუშავების ალგორითმების შექმნა არ არის სამუშაოს ყველაზე რთული ნაწილი. გაცილებით რთულია იმის გაგება, თუ როგორ შეიძლება ამ ტექნოლოგიების გამოყენება თითოეული კონკრეტული ბიზნესის კონტექსტში. სწორედ აქ დევს კომპანიის ანალიტიკოსების და თუნდაც გარე პროვაიდერების აქილევსის ქუსლი, რომლებმაც, როგორც ჩანს, დაგროვილი გამოცდილება დიდი მონაცემების სფეროში.

”მე ხშირად ვხვდებოდი დიდი მონაცემების ანალიტიკოსებს, რომლებიც იყვნენ შესანიშნავი მათემატიკოსები, მაგრამ არ ჰქონდათ ბიზნეს პროცესების საჭირო ცოდნა,” - ამბობს სერგეი კოტიკი, GoodsForecast-ის განვითარების დირექტორი. ის იხსენებს, თუ როგორ ჰქონდა მის კომპანიას ორი წლის წინ შესაძლებლობა მონაწილეობა მიეღო მოთხოვნის პროგნოზირების კონკურსში ფედერალური საცალო ქსელისთვის. არჩეული იქნა საპილოტე რეგიონი, ყველა საქონლისა და მაღაზიისთვის, რომლის მონაწილეებმა გააკეთეს პროგნოზები. შემდეგ პროგნოზები შეადარეს რეალურ გაყიდვებს. პირველი ადგილი დაიკავა ერთ-ერთმა რუსმა ინტერნეტ გიგანტმა, რომელიც ცნობილია მანქანური სწავლებისა და მონაცემთა ანალიზის გამოცდილებით: მის პროგნოზებში მან აჩვენა მინიმალური გადახრა რეალური გაყიდვებისგან.

მაგრამ როდესაც ქსელმა დაიწყო მისი პროგნოზების უფრო დეტალურად შესწავლა, აღმოჩნდა, რომ ბიზნესის თვალსაზრისით, ისინი აბსოლუტურად მიუღებელია. კომპანიამ წარმოადგინა მოდელი, რომელიც აწარმოებდა გაყიდვების გეგმებს სისტემატური შემცირებით. პროგრამამ გაარკვია, თუ როგორ უნდა შემცირდეს პროგნოზებში შეცდომების ალბათობა: უფრო უსაფრთხოა გაყიდვების არდაფასება, რადგან მაქსიმალური შეცდომა შეიძლება იყოს 100% (არ არსებობს უარყოფითი გაყიდვები), მაგრამ გადაჭარბებული პროგნოზირების მიმართულებით, ის შეიძლება იყოს თვითნებურად დიდი, კოტიკი განმარტავს. სხვა სიტყვებით რომ ვთქვათ, კომპანიამ წარმოადგინა იდეალური მათემატიკური მოდელი, რომელიც რეალურ პირობებში გამოიწვევს ნახევრად დაცარიელებულ მაღაზიებს და უზარმაზარ ზარალს მცირე გაყიდვიდან. შედეგად, კონკურსში გაიმარჯვა კიდევ ერთმა კომპანიამ, რომლის გათვლები პრაქტიკაშიც განხორციელდა.

დიდი მონაცემთა ტექნოლოგიები აქტუალურია მრავალი ინდუსტრიისთვის, მაგრამ მათი აქტიური განხორციელება ყველგან არ ხდება, აღნიშნავს მეშკოვი. მაგალითად, ჯანდაცვაში არის მონაცემთა შენახვის პრობლემა: უამრავი ინფორმაციაა დაგროვილი და ის რეგულარულად ახლდება, მაგრამ უმეტესწილად ეს მონაცემები ჯერ არ არის ციფრული. ასევე ბევრი მონაცემია სამთავრობო უწყებებში, მაგრამ ისინი არ არის გაერთიანებული საერთო კლასტერში. ამ პრობლემის მოგვარებისკენ არის მიმართული მონაცემთა მართვის ეროვნული სისტემის (NCMS) ერთიანი საინფორმაციო პლატფორმის შემუშავება, ამბობს ექსპერტი.

თუმცა, ჩვენი ქვეყანა შორს არის ერთადერთი ქვეყნისგან, სადაც ორგანიზაციების უმეტესობაში მნიშვნელოვანი გადაწყვეტილებები მიიღება ინტუიციის საფუძველზე და არა დიდი მონაცემების ანალიზით. გასული წლის აპრილში Deloitte-მა ჩაატარა გამოკითხვა მსხვილი ამერიკული კომპანიების ათასზე მეტ ლიდერს შორის (500 ან მეტი პერსონალით) და დაადგინა, რომ გამოკითხულთა 63% იცნობს დიდი მონაცემთა ტექნოლოგიებს, მაგრამ არ გააჩნია ყველა საჭირო. მათი გამოყენების ინფრასტრუქტურა. იმავდროულად, ანალიტიკური სიმწიფის მაღალი დონის მქონე კომპანიების 37%-ს შორის, თითქმის ნახევარმა მნიშვნელოვნად გადააჭარბა ბიზნეს მიზნებს ბოლო 12 თვის განმავლობაში.

კვლევამ აჩვენა, რომ ახალი ტექნიკური გადაწყვეტილებების დანერგვის სირთულის გარდა, კომპანიებში მნიშვნელოვანი პრობლემაა მონაცემებით მუშაობის კულტურის არარსებობა. არ უნდა ელოდოთ კარგ შედეგებს, თუ დიდი მონაცემების საფუძველზე მიღებულ გადაწყვეტილებებზე პასუხისმგებლობა ენიჭება მხოლოდ კომპანიის ანალიტიკოსებს და არა მთლიანად კომპანიას. „ახლა კომპანიები ეძებენ დიდი მონაცემების გამოყენების საინტერესო შემთხვევებს“, - ამბობს მიფტახოვი. „ამავდროულად, ზოგიერთი სცენარის განხორციელება მოითხოვს ინვესტიციებს სისტემებში დამატებითი მონაცემების შეგროვების, დამუშავებისა და ხარისხის კონტროლისთვის, რომლებიც აქამდე არ იყო გაანალიზებული. სამწუხაროდ, „ანალიტიკა ჯერ არ არის გუნდური სპორტი“, აღიარებენ კვლევის ავტორები.