通过分析大数据，公司学会发现隐藏的模式，从而提高他们的业务绩效。 方向很时髦，但由于缺乏与之合作的文化，并不是每个人都能从大数据中受益
“一个人的名字越常见，他们按时付款的可能性就越大。 你的房子的楼层越多，从统计数据来看，你越是一个更好的借款人。 星座对退款的可能性几乎没有影响，但心理类型却有显着影响，”捷信银行分析师 Stanislav Duzhinsky 在谈到借款人行为的意外模式时说。 他没有承诺解释其中的许多模式——它们是由人工智能揭示的，人工智能处理了数千份客户资料。
这就是大数据分析的力量：通过分析大量非结构化数据，程序可以发现许多最聪明的人类分析师甚至不知道的相关性。 任何公司都拥有大量非结构化数据（大数据）——关于员工、客户、合作伙伴、竞争对手，这些数据可用于商业利益：提高促销效果、实现销售增长、减少员工流动率等。
独联体德勤技术集成集团总监 Rafail Miftakhov 评论说，最先使用大数据的是大型技术和电信公司、金融机构和零售业。 现在许多行业都对此类解决方案感兴趣。 企业取得了什么成就？ 大数据分析是否总能得出有价值的结论？
不是一件容易的事
银行主要使用大数据算法来改善客户体验和优化成本，以及管理风险和打击欺诈。 “近年来，大数据分析领域发生了一场真正的革命，”Duzhinsky 说。 “机器学习的使用使我们能够更准确地预测贷款违约的可能性——我们银行的拖欠率仅为 3,9%。” 相比之下，根据中央银行的数据，截至 1 年 2019 月 90 日，逾期 5 天以上的个人贷款占比为 XNUMX%。
甚至小额信贷机构也对大数据的研究感到困惑。 在线借贷平台 Webbankir 的首席执行官安德烈·波诺马列夫 (Andrey Ponomarev) 表示：“如今，在不分析大数据的情况下提供金融服务就像在没有数字的情况下做数学。” “我们在网上发钱，既没有看到客户也没有看到他的护照，而且与传统贷款不同的是，我们不仅要评估一个人的偿付能力，还要确定他的性格。”
现在该公司的数据库存储了超过 500 万客户的信息。 每个新应用程序都会使用大约 800 个参数中的这些数据进行分析。 该程序不仅考虑了性别、年龄、婚姻状况和信用记录，还考虑了一个人进入平台的设备，以及他在网站上的行为。 例如，潜在借款人没有使用贷款计算器或没有查询贷款条款可能会令人担忧。 “除了一些停止因素——比如，我们不向 19 岁以下的人发放贷款——这些参数本身都不是拒绝或同意发放贷款的理由，”Ponomarev 解释道。 重要的是因素的组合。 在 95% 的情况下，决策是自动做出的，无需承保部门专家的参与。
今天提供金融服务而不分析大数据就像做没有数字的数学。
Ponomarev 表示，大数据分析使我们能够得出有趣的模式。 例如，事实证明，iPhone 用户是比 Android 设备所有者更自律的借款人——前者获得申请批准的频率是后者的 1,7 倍。 “军人偿还贷款的频率比普通借款人低近四分之一这一事实不足为奇，”Ponomarev 说。 “但学生通常不需要承担义务，但与此同时，信用违约案件的发生率比基地的平均水平低 10%。”
大数据研究也可以为保险公司评分。 IDX成立于2016年，从事文件的远程识别和在线验证。 对尽可能减少货物损失感兴趣的货运保险公司需要这些服务。 IDX 商务总监 Jan Sloka 解释说，在为货物运输投保之前，保险公司会在司机同意的情况下检查可靠性。 IDX 与合作伙伴——圣彼得堡“风险控制”公司——开发了一项服务，允许您检查司机的身份、护照数据和权利、参与与货物丢失相关的事件等。经过分析根据司机数据库，该公司确定了一个“风险群体”：最常发生货物丢失的司机年龄在 30 至 40 岁之间，驾驶经验很长，最近经常更换工作。 事实证明，货物最常被汽车司机偷走，汽车的使用寿命超过八年。
寻找
零售商有不同的任务——识别准备购买的顾客，并确定将他们带到网站或商店的最有效方式。 为此，程序会分析客户的个人资料、个人账户数据、购买历史、搜索查询和奖励积分的使用情况，以及他们开始填写和放弃的电子购物篮的内容。 M.Video-Eldorado 集团数据办公室主任基里尔·伊万诺夫 (Kirill Ivanov) 说，数据分析允许您对整个数据库进行细分，并确定可能对特定报价感兴趣的潜在买家群体。
例如，该程序可以识别客户群，每个客户群都喜欢不同的营销工具——无息贷款、现金返还或折扣促销代码。 这些买家会收到一封包含相应促销活动的电子邮件通讯。 伊万诺夫指出，在这种情况下，一个人打开这封信后访问公司网站的可能性会大大增加。
数据分析还可以让您增加相关产品和配件的销量。 该系统处理了其他客户的订单历史，为买家提供有关购买什么以及所选产品的建议。 根据 Ivanov 的说法，对这种工作方法的测试表明，配件订单数量增加了 12%，配件营业额增加了 15%。
零售商并不是唯一努力提高服务质量和增加销售额的人。 去年夏天，MegaFon 推出了一项基于数百万用户数据处理的“智能”报价服务。 在研究了他们的行为之后，人工智能学会了在关税范围内为每个客户形成个人报价。 例如，如果程序注意到一个人正在他的设备上积极观看视频，则该服务将为他提供扩大移动流量的机会。 考虑到用户的喜好，该公司为用户提供他们最喜欢的互联网休闲类型的无限流量——例如，使用即时通讯或在流媒体服务上听音乐、在社交网络上聊天或看电视节目。
“我们分析订户的行为并了解他们的兴趣如何变化，”MegaFon 大数据分析总监 Vitaly Shcherbakov 解释道。 “例如，今年全球速卖通流量比去年增长了 1,5 倍，总的来说，在线服装店的访问量也在增长：1,2-2 倍，具体取决于具体资源。”
大数据操作员工作的另一个例子是用于寻找失踪儿童和成人的 MegaFon Poisk 平台。 该系统分析哪些人可能在失踪人员所在地附近，并向他们发送带有失踪人员照片和迹象的信息。 运营商与内务部和 Lisa Alert 组织共同开发和测试了该系统：在定位到失踪人员后的两分钟内，超过 2 名用户收到，这大大增加了成功搜索结果的机会。
不要去酒吧
大数据分析也在工业中得到应用。 在这里，它允许您预测需求和计划销售。 因此，三年前，Cherkizovo 集团公司实施了一个基于 SAP BW 的解决方案，它允许您存储和处理所有销售信息：价格、分类、产品数量、促销、分销渠道，首席信息官 Vladislav Belyaev 说组”Cherkizovo。 对累计2TB信息的分析，不仅可以有效形成品类，优化产品组合，也方便了员工的工作。 例如，准备一份每日销售报告需要许多分析师一天的工作——每个产品细分需要两名分析师。 现在这份报告由机器人准备，所有环节只用了30分钟。
“在工业中，大数据与物联网有效结合，”Umbrella IT 首席执行官 Stanislav Meshkov 说。 “基于对设备配备的传感器数据的分析，可以识别其运行中的偏差并防止故障，并预测性能。”
在谢韦尔，在大数据的帮助下，他们也在尝试解决相当重要的任务——例如，降低受伤率。 2019 年，公司拨款约 1,1 亿卢布用于改善劳动安全的措施。 Severstal 预计将伤害率降低 2025% 至 50（与 2017 年相比）。 “如果生产线经理——工头、现场经理、车间经理——注意到一名员工不安全地执行某些操作（在工业现场爬楼梯时没有抓住扶手，或者没有穿戴所有个人防护装备），他会写下给他一个特别的提示——PAB（来自“行为安全审计”），”公司数据分析部门负责人 Boris Voskresensky 说。
在分析其中一个部门的 PAB 数量数据后，该公司的专家发现，最常违反安全规则的是那些之前已经发表过几次言论的人，以及那些刚刚请病假或休假的人事件。 从休假或病假返回后第一周的违规率是随后期间的两倍：1 对 0,55%。 但事实证明，上夜班并不会影响 PAB 的统计数据。
脱离现实
公司代表表示，创建用于处理大数据的算法并不是工作中最困难的部分。 理解如何将这些技术应用到每个特定业务的环境中要困难得多。 这就是公司分析师甚至外部供应商的致命弱点所在，这些供应商似乎在大数据领域积累了专业知识。
“我经常遇到大数据分析师，他们是优秀的数学家，但对业务流程没有必要的了解，”GoodsForecast 开发总监 Sergey Kotik 说。 他回忆起两年前他的公司如何有机会参加联邦零售连锁店的需求预测竞赛。 为参与者预测的所有商品和商店选择了一个试点区域。 然后将预测与实际销售额进行比较。 排名第一的是俄罗斯互联网巨头之一，以其在机器学习和数据分析方面的专业知识而闻名：在其预测中，它与实际销售额的偏差很小。
但当网络开始更详细地研究他的预测时，事实证明，从商业角度来看，它们是绝对不能接受的。 该公司引入了一种模型，该模型可以系统地轻描淡写地制定销售计划。 该程序想出了如何最小化预测错误的可能性：低估销售额更安全，因为最大误差可以是 100%（没有负销售额），但在高估的方向上，它可以任意大，科蒂克解释道。 换句话说，该公司提出了一个理想的数学模型，在实际情况下，这将导致商店半空和减价销售造成的巨大损失。 结果，另一家公司赢得了比赛，其计算可以付诸实践。
“也许”而不是大数据
Meshkov 指出，大数据技术与许多行业相关，但并非所有行业都在积极实施。 例如，在医疗保健领域存在数据存储问题：大量信息已经积累并定期更新，但大部分数据尚未数字化。 政府机构中也有很多数据，但它们并没有组合成一个共同的集群。 专家表示，国家数据管理系统（NCMS）统一信息平台的开发旨在解决这一问题。
然而，我国远非唯一一个大多数组织的重要决策都是根据直觉而不是大数据分析做出的国家。 去年 500 月，德勤对 63 多名美国大公司（员工人数在 37 人以上）的领导者进行了一项调查，发现 12% 的受访者熟悉大数据技术，但并不具备所有必要的技能。使用它们的基础设施。 与此同时，在 XNUMX% 的分析成熟度较高的公司中，近一半在过去 XNUMX 个月内显着超出了业务目标。
该研究表明，除了难以实施新技术解决方案外，公司的一个重要问题是缺乏使用数据的文化。 如果根据大数据做出决策的责任只分配给公司的分析师，而不是整个公司，那么你不应该期待好的结果。 “现在公司正在寻找有趣的大数据用例，”Miftakhov 说。 “与此同时，某些场景的实施需要对用于收集、处理和质量控制以前未分析过的额外数据的系统进行投资。” 唉，“分析还不是一项团队运动，”该研究的作者承认。