Accept like data: як компанії вчаться отримувати прибуток від великих даних

Аналізуючи великі дані, компанії вчаться виявляти приховані закономірності, покращуючи ефективність свого бізнесу. Напрямок модний, але отримати користь від великих даних можуть не всі через відсутність культури роботи з ними

«Чим частіше ім’я людини, тим більша ймовірність, що вона заплатить вчасно. Чим більше поверхів у вашому будинку, тим статистично ви кращий позичальник. Знак зодіаку майже не впливає на ймовірність повернення коштів, а ось психотип суттєво впливає», — розповідає про несподівані закономірності поведінки позичальників аналітик Хоум Кредит Банку Станіслав Дужинський. Він не береться пояснювати багато з цих закономірностей – їх виявив штучний інтелект, який обробив тисячі профілів клієнтів.

Це сила аналітики великих даних: аналізуючи величезну кількість неструктурованих даних, програма може виявити багато кореляцій, про які навіть не підозрює наймудріший аналітик-людина. Будь-яка компанія має величезну кількість неструктурованих даних (big data) – про співробітників, клієнтів, партнерів, конкурентів, які можна використовувати для користі для бізнесу: підвищити ефект від акцій, досягти зростання продажів, знизити плинність кадрів тощо.

Першими з великими даними почали працювати великі технологічні та телекомунікаційні компанії, фінансові установи та ритейл, коментує Рафаїл Міфтахов, директор Deloitte Technology Integration Group, CIS. Зараз до таких рішень є інтерес у багатьох галузях. Чого досягли компанії? І чи завжди аналіз великих даних призводить до цінних висновків?

Банки використовують алгоритми великих даних насамперед для покращення взаємодії з клієнтами та оптимізації витрат, а також для управління ризиками та боротьби з шахрайством. «За останні роки у сфері аналізу великих даних відбулася справжня революція, — каже Дужинський. «Використання машинного навчання дозволяє набагато точніше прогнозувати ймовірність непогашення кредиту — прострочення в нашому банку становить лише 3,9%». Для порівняння, станом на 1 січня 2019 року частка кредитів із простроченням понад 90 днів за кредитами, виданими фізичним особам, становила, за даними ЦБ, 5%.

Навіть мікрофінансові організації спантеличені вивченням великих даних. «Надання фінансових послуг без аналізу великих даних сьогодні — це все одно, що робити математику без чисел», — каже Андрій Пономарьов, генеральний директор Webbankir, платформи онлайн-кредитування. «Ми видаємо гроші онлайн, не бачачи ні клієнта, ні його паспорта, і на відміну від традиційного кредитування ми повинні не тільки оцінити платоспроможність людини, а й ідентифікувати її особистість».

Зараз в базі даних компанії зберігається інформація про понад 500 тисяч клієнтів. Кожен новий додаток аналізується з цими даними приблизно за 800 параметрами. Програма враховує не тільки стать, вік, сімейний стан і кредитну історію, а й пристрій, з якого людина заходила на платформу, як вона поводилася на сайті. Наприклад, може насторожити те, що потенційний позичальник не скористався кредитним калькулятором або не поцікавився умовами позики. «За винятком кількох стоп-факторів – скажімо, ми не видаємо кредити особам молодше 19 років – жоден із цих параметрів сам по собі не є підставою для відмови або згоди на видачу кредиту», – пояснює Пономарьов. Має значення поєднання факторів. У 95% випадків рішення приймається автоматично, без участі спеціалістів відділу андеррайтингу.

Аналіз великих даних дозволяє вивести цікаві закономірності, ділиться Пономарьов. Наприклад, користувачі iPhone виявилися більш дисциплінованими позичальниками, ніж власники Android-пристроїв – перші отримують схвалення заявок в 1,7 рази частіше. «Те, що військовослужбовці не повертають кредити майже на чверть рідше, ніж середній позичальник, не дивно», — каже Пономарьов. «Але від студентів зазвичай не очікують зобов’язань, але тим часом випадки прострочення кредитів на 10% рідше, ніж у середньому по базі».

Вивчення великих даних дозволяє скорингувати і страховикам. IDX, заснована в 2016 році, займається дистанційною ідентифікацією та онлайн перевіркою документів. Ці послуги користуються попитом серед страховиків вантажних перевезень, які зацікавлені в якнайменшій втраті вантажу. Перед страхуванням перевезення вантажу страховик за згодою водія перевіряє надійність, пояснює Ян Слока, комерційний директор IDX. Спільно з партнером – петербурзькою компанією «Риск Контроль» – IDX розробила сервіс, що дозволяє перевірити особу водія, паспортні дані та права, участь в інцидентах, пов’язаних із втратою вантажу, тощо. Після аналізу За базою даних водіїв компанія виділила «групу ризику»: найчастіше вантаж пропадає серед водіїв віком 30–40 років із великим стажем водіння, які останнім часом часто змінювали роботу. Також виявилося, що найчастіше вантаж викрадають водії автомобілів, термін служби яких перевищує вісім років.

У рітейлерів інше завдання – ідентифікувати клієнтів, які готові зробити покупку, і визначити найбільш ефективні способи залучення їх на сайт або в магазин. Для цього програми аналізують профіль клієнтів, дані з їх особистого кабінету, історію покупок, пошукові запити та використання бонусних балів, вміст електронних кошиків, які вони почали заповнювати та від яких відмовилися. «Аналітика даних» дозволяє сегментувати всю базу даних і виявляти групи потенційних покупців, яким може бути цікава та чи інша пропозиція, — розповідає Кирило Іванов, директор офісу даних групи «М.Відео-Ельдорадо».

Наприклад, програма визначає групи клієнтів, кожній з яких подобаються різні маркетингові інструменти – безвідсотковий кредит, кешбек або промокод на знижку. Ці покупці отримують електронну розсилку з відповідною акцією. Імовірність того, що людина, відкривши лист, перейде на сайт компанії, в цьому випадку значно зростає, зазначає Іванов.

Аналіз даних також дозволяє збільшити продажі супутніх товарів і аксесуарів. Система, яка обробила історію замовлень інших клієнтів, дає покупцеві рекомендації щодо того, що купити разом з вибраним товаром. Апробація такого методу роботи, за словами Іванова, показала збільшення кількості замовлень з комплектуючими на 12% і зростання товарообігу аксесуарів на 15%.

Підвищити якість обслуговування та збільшити продажі прагнуть не тільки рітейлери. Минулого літа Мегафон запустив сервіс «розумних» пропозицій, заснований на обробці даних мільйонів абонентів. Вивчивши їх поведінку, штучний інтелект навчився формувати індивідуальні пропозиції для кожного клієнта в рамках тарифів. Наприклад, якщо програма помітить, що людина активно дивиться відео на своєму пристрої, сервіс запропонує йому збільшити обсяг мобільного трафіку. Враховуючи переваги користувачів, компанія надає абонентам безлімітний трафік для улюблених видів інтернет-дозвілля – наприклад, користування месенджерами або прослуховування музики на стрімінгових сервісах, спілкування в соцмережах або перегляд серіалів.

«Ми аналізуємо поведінку абонентів і розуміємо, як змінюються їхні інтереси, — пояснює Віталій Щербаков, директор з аналітики великих даних «МегаФон». «Наприклад, цього року відвідуваність AliExpress зросла в 1,5 рази в порівнянні з минулим роком, а в цілому кількість відвідувань інтернет-магазинів одягу зростає: в 1,2-2 рази, в залежності від конкретного ресурсу».

Ще одним прикладом роботи оператора з великими даними є платформа «Мегафон Пошук» для пошуку зниклих дітей і дорослих. Система аналізує, які люди могли перебувати поблизу місця зниклого, і надсилає їм інформацію з фотографією та прикметами зниклого. Оператор розробив і протестував систему спільно з МВС і організацією Lisa Alert: за дві хвилини орієнтування на зниклого отримує понад 2 тисячі абонентів, що значно підвищує шанси на успішний результат пошуку.

Аналіз великих даних також знайшов застосування в промисловості. Тут він дозволяє прогнозувати попит і планувати продажі. Так, у групі компаній «Черкізово» три роки тому було впроваджено рішення на базі SAP BW, яке дозволяє зберігати та обробляти всю інформацію про продажі: ціни, асортимент, обсяги продукції, акції, канали збуту, — розповідає Владислав Бєляєв, CIO. групи ” Черкізово. Аналіз накопичених 2 ТБ інформації дозволив не тільки ефективно сформувати асортимент і оптимізувати товарний портфель, але й полегшив роботу співробітників. Наприклад, підготовка щоденного звіту про продажі вимагала б денної роботи багатьох аналітиків – по два на кожен товарний сегмент. Тепер цей звіт готує робот, витрачаючи на всі сегменти лише 30 хвилин.

«У промисловості великі дані ефективно працюють у поєднанні з Інтернетом речей», — говорить Станіслав Мєшков, генеральний директор Umbrella IT. «На основі аналізу даних датчиків, якими оснащене обладнання, можна виявити відхилення в його роботі та запобігти поломкам, спрогнозувати продуктивність».

У «Северсталі» за допомогою big data також намагаються вирішувати досить нетривіальні завдання – наприклад, знизити рівень травматизму. У 2019 році компанія спрямувала близько 1,1 млрд рублів на заходи з підвищення безпеки праці. «Северсталь» розраховує знизити рівень травматизму на 2025% на 50 (порівняно з 2017 роком). «Якщо лінійний керівник — майстер, начальник дільниці, начальник цеху — помітив, що працівник виконує певні операції небезпечно (не тримається за поручні під час підйому по сходах на проммайданчику або не одягає всі засоби індивідуального захисту), він виписує йому окрема примітка – PAB (від «поведінковий аудит безпеки»)», — розповідає начальник відділу аналізу даних компанії Борис Воскресенський.

Проаналізувавши дані про кількість ПАВ в одному з підрозділів, спеціалісти компанії встановили, що правила безпеки найчастіше порушували ті, у кого раніше вже були неодноразові зауваження, а також ті, хто незадовго до цього був на лікарняному або у відпустці. інцидент. Порушень у перший тиждень після повернення з відпустки чи лікарняного вдвічі більше, ніж у наступний період: 1 проти 0,55%. Але робота в нічну зміну, як виявилося, не впливає на статистику ПАБ.

Створення алгоритмів обробки великих даних – не найскладніша частина роботи, кажуть представники компанії. Набагато складніше зрозуміти, як ці технології можна застосувати в контексті кожного конкретного бізнесу. Ось тут і криється ахіллесова п’ята аналітиків компаній і навіть зовнішніх провайдерів, які, здавалося б, накопичили досвід у сфері великих даних.

«Я часто зустрічав аналітиків великих даних, які були чудовими математиками, але не мали необхідного розуміння бізнес-процесів, — говорить Сергій Котик, директор із розвитку GoodsForecast. Він згадує, як два роки тому його компанія мала можливість взяти участь у конкурсі на прогнозування попиту для федеральної торгової мережі. Був обраний пілотний регіон, для всіх товарів і магазинів якого учасники зробили прогнози. Потім прогнози порівнювали з фактичними продажами. Перше місце зайняв один із російських інтернет-гігантів, відомий своєю експертизою в машинному навчанні та аналізі даних: у своїх прогнозах він показав мінімальне відхилення від реальних продажів.

Але коли в мережі почали більш детально вивчати його прогнози, виявилося, що з точки зору бізнесу вони абсолютно неприйнятні. Компанія запровадила модель, яка створювала плани продажів із систематичним заниженням. Програма придумала, як мінімізувати ймовірність помилки в прогнозах: безпечніше занижувати продажі, оскільки максимальна похибка може становити 100% (негативних продажів немає), а ось у бік перепрогнозування вона може бути як завгодно велика, Котик пояснює. Іншими словами, компанія представила ідеальну математичну модель, яка в реальних умовах призведе до напівпорожніх магазинів і величезних збитків від недопродажів. У підсумку конкурс виграла інша компанія, розрахунки якої можна було втілити в життя.

Технології великих даних актуальні для багатьох галузей, але їх активне впровадження відбувається не скрізь, зазначає Мєшков. Наприклад, в охороні здоров’я є проблема зі зберіганням даних: накопичено багато інформації, вона регулярно оновлюється, але здебільшого ці дані ще не оцифровані. Даних в державних установах теж багато, але вони не об’єднані в загальний кластер. На вирішення цієї проблеми спрямована розробка єдиної інформаційної платформи Національної системи управління даними (НСУД), каже експерт.

Однак наша країна далеко не єдина, де в більшості організацій важливі рішення приймаються на основі інтуїції, а не аналізу великих даних. У квітні минулого року Deloitte провів опитування понад тисячі керівників великих американських компаній (зі штатом від 500 осіб) і виявив, що 63% опитаних знайомі з технологіями великих даних, але не володіють усім необхідним інфраструктура для їх використання. Водночас серед 37% компаній з високим рівнем аналітичної зрілості майже половина значно перевищили бізнес-цілі за останні 12 місяців.

Дослідження виявило, що крім складності впровадження нових технічних рішень, важливою проблемою в компаніях є відсутність культури роботи з даними. Не варто очікувати хороших результатів, якщо відповідальність за рішення, прийняті на основі великих даних, покладається тільки на аналітиків компанії, а не на всю компанію в цілому. «Зараз компанії шукають цікаві випадки використання великих даних», — каже Міфтахов. «У той же час реалізація деяких сценаріїв вимагає інвестицій в системи збору, обробки та контролю якості додаткових даних, які раніше не аналізувалися». На жаль, «аналітика ще не є командним видом спорту», ​​визнають автори дослідження.