Accetta come i dati: come le aziende imparano a trarre profitto dai big data

Analizzando i big data, le aziende imparano a scoprire schemi nascosti, migliorando le proprie prestazioni aziendali. La direzione è di moda, ma non tutti possono beneficiare dei big data a causa della mancanza di una cultura del lavoro con loro

“Più il nome di una persona è comune, più è probabile che paghi in tempo. Più piani ha la tua casa, più statisticamente sei un mutuatario migliore. Il segno dello zodiaco non ha quasi alcun effetto sulla probabilità di un rimborso, ma lo psicotipo lo fa in modo significativo ", afferma Stanislav Duzhinsky, analista di Home Credit Bank, sui modelli inaspettati nel comportamento dei mutuatari. Non si impegna a spiegare molti di questi schemi: sono stati rivelati dall'intelligenza artificiale, che ha elaborato migliaia di profili dei clienti.

Questo è il potere dell'analisi dei big data: analizzando un'enorme quantità di dati non strutturati, il programma può scoprire molte correlazioni che l'analista umano più saggio non conosce nemmeno. Ogni azienda dispone di un'enorme quantità di dati non strutturati (big data) - su dipendenti, clienti, partner, concorrenti, che possono essere utilizzati a vantaggio aziendale: migliorare l'effetto delle promozioni, ottenere una crescita delle vendite, ridurre il turnover del personale, ecc.

I primi a lavorare con i big data sono stati grandi società di tecnologia e telecomunicazioni, istituzioni finanziarie e retail, commenta Rafail Miftakhov, direttore del Deloitte Technology Integration Group, CIS. Ora c'è interesse per tali soluzioni in molti settori. Cosa hanno ottenuto le aziende? E l'analisi dei big data porta sempre a conclusioni preziose?

Un carico non facile

Le banche utilizzano algoritmi di big data principalmente per migliorare l'esperienza del cliente e ottimizzare i costi, nonché per gestire i rischi e combattere le frodi. "Negli ultimi anni è avvenuta una vera rivoluzione nel campo dell'analisi dei big data", afferma Duzhinsky. "L'uso dell'apprendimento automatico ci consente di prevedere la probabilità di inadempienza del prestito in modo molto più accurato: la delinquenza nella nostra banca è solo del 3,9%". Per confronto, al 1 gennaio 2019, la quota di prestiti con pagamenti scaduti oltre 90 giorni sui prestiti erogati a privati ​​era, secondo la Banca Centrale, del 5%.

Anche le organizzazioni di microfinanza sono perplesse dallo studio dei big data. "Fornire servizi finanziari senza analizzare i big data oggi è come fare calcoli senza numeri", afferma Andrey Ponomarev, CEO di Webbankir, una piattaforma di prestito online. "Emettiamo denaro online senza vedere né il cliente né il suo passaporto e, a differenza del prestito tradizionale, non dobbiamo solo valutare la solvibilità di una persona, ma anche identificare la sua personalità".

Ora il database dell'azienda memorizza informazioni su oltre 500mila clienti. Ogni nuova applicazione viene analizzata con questi dati in circa 800 parametri. Il programma tiene conto non solo di genere, età, stato civile e storia creditizia, ma anche del dispositivo da cui una persona è entrata nella piattaforma, di come si è comportata sul sito. Ad esempio, potrebbe essere allarmante che un potenziale mutuatario non abbia utilizzato un calcolatore di prestiti o non abbia chiesto informazioni sui termini di un prestito. "Con l'eccezione di alcuni fattori di arresto - ad esempio, non concediamo prestiti a persone di età inferiore ai 19 anni - nessuno di questi parametri è di per sé un motivo per rifiutare o accettare di emettere un prestito", spiega Ponomarev. È la combinazione di fattori che conta. Nel 95% dei casi la decisione viene presa automaticamente, senza la partecipazione di specialisti del dipartimento di sottoscrizione.

Fornire servizi finanziari senza analizzare i big data oggi è come fare calcoli senza numeri.

L'analisi dei big data ci consente di derivare modelli interessanti, condivide Ponomarev. Ad esempio, gli utenti di iPhone si sono rivelati mutuatari più disciplinati rispetto ai proprietari di dispositivi Android: i primi ricevono l'approvazione delle applicazioni 1,7 volte più spesso. "Il fatto che il personale militare non ripaghi i prestiti quasi un quarto in meno rispetto al mutuatario medio non è stata una sorpresa", afferma Ponomarev. "Ma di solito non ci si aspetta che gli studenti siano obbligati, ma nel frattempo i casi di inadempienza del credito sono il 10% meno comuni rispetto alla media per la base."

Lo studio dei big data consente di ottenere punteggi anche per gli assicuratori. Fondata nel 2016, IDX è impegnata nell'identificazione remota e nella verifica online dei documenti. Questi servizi sono richiesti dagli assicuratori merci che sono interessati alla perdita di merci il meno possibile. Prima di assicurare il trasporto di merci, l'assicuratore, con il consenso dell'autista, verifica l'affidabilità, spiega Jan Sloka, direttore commerciale di IDX. Insieme a un partner - la società di San Pietroburgo "Risk Control" - IDX ha sviluppato un servizio che consente di verificare l'identità del conducente, i dati e i diritti del passaporto, la partecipazione a incidenti relativi alla perdita del carico, ecc. Dopo aver analizzato Nel database dei conducenti, l'azienda ha identificato un "gruppo a rischio": molto spesso, il carico viene perso tra conducenti di età compresa tra 30 e 40 anni con una lunga esperienza di guida, che hanno spesso cambiato lavoro di recente. Si è anche scoperto che il carico viene spesso rubato dai conducenti di automobili, la cui durata supera gli otto anni.

Alla ricerca di

I rivenditori hanno un compito diverso: identificare i clienti pronti a effettuare un acquisto e determinare i modi più efficaci per portarli al sito o al negozio. A tal fine, i programmi analizzano il profilo dei clienti, i dati del loro account personale, lo storico degli acquisti, le query di ricerca e l'utilizzo dei punti bonus, il contenuto dei carrelli elettronici che hanno iniziato a compilare e abbandonato. L'analisi dei dati consente di segmentare l'intero database e identificare gruppi di potenziali acquirenti che potrebbero essere interessati a una particolare offerta, afferma Kirill Ivanov, direttore dell'ufficio dati del gruppo M.Video-Eldorado.

Ad esempio, il programma identifica gruppi di clienti, a ciascuno dei quali piacciono diversi strumenti di marketing: un prestito senza interessi, un cashback o un codice promozionale di sconto. Questi acquirenti ricevono una newsletter via e-mail con la promozione corrispondente. La probabilità che una persona, dopo aver aperto la lettera, vada sul sito web dell'azienda, in questo caso aumenta notevolmente, osserva Ivanov.

L'analisi dei dati consente inoltre di aumentare le vendite di prodotti e accessori correlati. Il sistema, che ha elaborato lo storico degli ordini di altri clienti, fornisce all'acquirente consigli su cosa acquistare insieme al prodotto selezionato. I test di questo metodo di lavoro, secondo Ivanov, hanno mostrato un aumento del numero di ordini con accessori del 12% e un aumento del fatturato degli accessori del 15%.

I rivenditori non sono gli unici a cercare di migliorare la qualità del servizio e aumentare le vendite. La scorsa estate, MegaFon ha lanciato un servizio di offerta "intelligente" basato sull'elaborazione dei dati di milioni di abbonati. Dopo aver studiato il loro comportamento, l'intelligenza artificiale ha imparato a formare offerte personali per ogni cliente all'interno delle tariffe. Ad esempio, se il programma rileva che una persona sta guardando attivamente video sul suo dispositivo, il servizio gli offrirà di espandere la quantità di traffico mobile. Tenendo conto delle preferenze degli utenti, l'azienda offre agli abbonati traffico illimitato per i loro tipi preferiti di svago su Internet, ad esempio utilizzando la messaggistica istantanea o ascoltando musica sui servizi di streaming, chattando sui social network o guardando programmi TV.

"Analizziamo il comportamento degli abbonati e capiamo come stanno cambiando i loro interessi", spiega Vitaly Shcherbakov, direttore dell'analisi dei big data presso MegaFon. "Ad esempio, quest'anno il traffico AliExpress è cresciuto di 1,5 volte rispetto allo scorso anno e, in generale, il numero di visite ai negozi di abbigliamento online è in crescita: 1,2-2 volte, a seconda della risorsa specifica".

Un altro esempio del lavoro di un operatore con i big data è la piattaforma MegaFon Poisk per la ricerca di bambini e adulti scomparsi. Il sistema analizza quali persone potrebbero essere vicine al luogo della persona scomparsa e invia loro informazioni con foto e segni della persona scomparsa. L'operatore ha sviluppato e testato il sistema insieme al Ministero dell'Interno e all'organizzazione Lisa Alert: entro due minuti dall'orientamento alla persona scomparsa, ricevono più di 2mila abbonati, il che aumenta notevolmente le possibilità di un risultato di ricerca riuscito.

Non andare al PUB

L'analisi dei big data ha trovato applicazione anche nell'industria. Qui ti consente di prevedere la domanda e pianificare le vendite. Quindi, nel gruppo di società Cherkizovo, tre anni fa è stata implementata una soluzione basata su SAP BW, che consente di archiviare ed elaborare tutte le informazioni di vendita: prezzi, assortimento, volumi di prodotti, promozioni, canali di distribuzione, afferma Vladislav Belyaev, CIO del gruppo "Cherkizovo. L'analisi dei 2 TB di informazioni accumulati non solo ha permesso di formare efficacemente l'assortimento e ottimizzare il portafoglio prodotti, ma ha anche facilitato il lavoro dei dipendenti. Ad esempio, la preparazione di un report giornaliero sulle vendite richiederebbe una giornata di lavoro di molti analisti, due per ogni segmento di prodotto. Ora questo rapporto viene preparato dal robot, impiegando solo 30 minuti su tutti i segmenti.

"Nell'industria, i big data funzionano efficacemente insieme all'Internet delle cose", afferma Stanislav Meshkov, CEO di Umbrella IT. "Sulla base dell'analisi dei dati provenienti dai sensori di cui è dotata l'apparecchiatura, è possibile identificare deviazioni nel suo funzionamento e prevenire guasti e prevedere le prestazioni."

A Severstal, con l'aiuto dei big data, stanno anche cercando di risolvere compiti piuttosto non banali, ad esempio ridurre i tassi di infortunio. Nel 2019, la società ha stanziato circa 1,1 miliardi di RUB per misure volte a migliorare la sicurezza sul lavoro. Severstal prevede di ridurre il tasso di infortuni del 2025% del 50% (rispetto al 2017). “Se un responsabile di linea – caposquadra, capocantiere, direttore di negozio – si accorge che un dipendente esegue determinate operazioni in modo non sicuro (non si aggrappa al corrimano quando sale le scale nel sito industriale o non indossa tutti i dispositivi di protezione individuale), scrive una nota speciale per lui - PAB (da "audit di sicurezza comportamentale")", afferma Boris Voskresensky, capo del dipartimento di analisi dei dati dell'azienda.

Dopo aver analizzato i dati sul numero di PAB in una delle divisioni, gli specialisti dell'azienda hanno scoperto che le regole di sicurezza venivano spesso violate da coloro che avevano già avuto diverse osservazioni in precedenza, nonché da coloro che erano in congedo per malattia o in vacanza poco prima l'incidente. Le violazioni nella prima settimana dopo il rientro dalle ferie o dal congedo per malattia sono state il doppio rispetto al periodo successivo: 1 contro 0,55%. Ma lavorare nel turno di notte, come si è scoperto, non influisce sulle statistiche dei PAB.

Fuori dal contatto con la realtà

La creazione di algoritmi per l'elaborazione di big data non è la parte più difficile del lavoro, affermano i rappresentanti dell'azienda. È molto più difficile capire come queste tecnologie possano essere applicate nell'ambito di ogni specifico business. È qui che risiede il tallone d'Achille degli analisti aziendali e persino dei fornitori esterni, che, a quanto pare, hanno accumulato esperienza nel campo dei big data.

"Ho incontrato spesso analisti di big data che erano eccellenti matematici, ma non avevano la necessaria comprensione dei processi aziendali", afferma Sergey Kotik, direttore dello sviluppo di GoodsForecast. Ricorda come due anni fa la sua azienda ha avuto l'opportunità di partecipare a un concorso di previsione della domanda per una catena di vendita al dettaglio federale. È stata scelta una regione pilota, per tutti i beni e negozi di cui i partecipanti hanno fatto previsioni. Le previsioni sono state poi confrontate con le vendite effettive. Il primo posto è stato preso da uno dei giganti russi di Internet, noto per la sua esperienza nell'apprendimento automatico e nell'analisi dei dati: nelle sue previsioni ha mostrato uno scostamento minimo dalle vendite effettive.

Ma quando la rete ha iniziato a studiare le sue previsioni in modo più dettagliato, si è scoperto che dal punto di vista aziendale erano assolutamente inaccettabili. L'azienda ha introdotto un modello che produceva piani di vendita con un understatement sistematico. Il programma ha capito come ridurre al minimo la probabilità di errori nelle previsioni: è più sicuro sottovalutare le vendite, poiché l'errore massimo può essere del 100% (non ci sono vendite negative), ma nella direzione di una previsione eccessiva può essere arbitrariamente grande, Kotik spiega. In altre parole, l'azienda ha presentato un modello matematico ideale, che in condizioni reali porterebbe a negozi semivuoti e enormi perdite per sottovendita. Di conseguenza, un'altra società ha vinto il concorso, i cui calcoli potrebbero essere messi in pratica.

"Forse" invece di big data

Le tecnologie dei big data sono rilevanti per molti settori, ma la loro implementazione attiva non avviene ovunque, osserva Meshkov. Ad esempio, nella sanità c'è un problema con l'archiviazione dei dati: molte informazioni sono state accumulate e vengono regolarmente aggiornate, ma per la maggior parte questi dati non sono ancora stati digitalizzati. Ci sono anche molti dati nelle agenzie governative, ma non sono combinati in un cluster comune. Lo sviluppo di una piattaforma informativa unificata del Sistema nazionale di gestione dei dati (NCMS) mira a risolvere questo problema, afferma l'esperto.

Tuttavia, il nostro Paese è tutt'altro che l'unico Paese in cui nella maggior parte delle organizzazioni le decisioni importanti vengono prese sulla base dell'intuizione e non dell'analisi dei big data. Nell'aprile dello scorso anno, Deloitte ha condotto un sondaggio tra più di mille leader di grandi aziende americane (con uno staff di 500 o più dipendenti) e ha scoperto che il 63% degli intervistati ha familiarità con le tecnologie dei big data, ma non ha tutto il necessario infrastrutture per utilizzarli. Nel frattempo, tra il 37% delle aziende con un alto livello di maturità analitica, quasi la metà ha superato significativamente gli obiettivi di business negli ultimi 12 mesi.

Lo studio ha rivelato che oltre alla difficoltà di implementare nuove soluzioni tecniche, un problema importante nelle aziende è la mancanza di una cultura del lavoro con i dati. Non dovresti aspettarti buoni risultati se la responsabilità delle decisioni prese sulla base dei big data è assegnata solo agli analisti dell'azienda e non all'intera azienda nel suo insieme. "Ora le aziende sono alla ricerca di casi d'uso interessanti per i big data", afferma Miftakhov. "Allo stesso tempo, l'implementazione di alcuni scenari richiede investimenti in sistemi per la raccolta, l'elaborazione e il controllo della qualità di dati aggiuntivi che non sono stati analizzati prima". Purtroppo, "l'analisi non è ancora uno sport di squadra", ammettono gli autori dello studio.

Lascia un Commento