Бизнес кейс поиск информации

Это статья для маркетологов и руководителей компаний, которые ведут длинные и сложные проекты в IT, digital, обучении, строительстве и т.д.

1246 просмотров

Чтобы продать, вам нужно:

• Убедить клиента в ценности своего предложения;
• Снять возможные возражения и;
• Объяснить клиенту, за что он платит.

В этом помогут кейсы — истории о том, как вы решили задачу клиента, справились со всеми трудностями и вообще были молодцом. Ни один копирайтер не сможет написать такой рассказ убедительно без данных с вашей стороны — фальш будет заметна сразу.

Меня зовут Светлана Ковалева, я специалист по экспертному контенту и за последние 4 года написала десятки кейсов для digital-агентств, разработчиков, строительных компаний.

Я расскажу, как писать кейсы не раз в год, а про каждый интересный проект. Для этого нужно вести дневник-летопись. Что в него записывать и как потом использовать — далее в статье.

Что делает кейс интересным

Бизнес с Китаем. Урок 3. Поиск клиентов. Клиентская база. Как и где искать клиентов под свой товар.

Мало кого заинтересует прямой хвалебный текст в духе: «Мы сделали проект, и он вышел удивительно хорош».

Для кейса нужна драматическая история, в которой есть:

• Герой — вы или клиент, которому будет сопереживать читатель;
• Цель — бизнес-задача, которую вы решили;
• Враг — препятствие, которое мешает герою достичь цели;
• Перипетии — дополнительные сложности, которые появляются в ходе истории и не дают читателю «уснуть».

Конфликт — основа любой истории. Когда он есть, кейс получается интересным и убедительным.

Где взять фактуру для конфликта

Фактура — это исходные данные, которые копирайтер превратит в текст. Понятие пришло из журналистики. Журналисты сначала имеют дело с фактами, а уже потом оформляют текст. Так же должен поступать и контент-маркетолог — перед тем, как писать или ставить ТЗ копирайтеру, нужно добыть фактуру.

Найти ее непросто:

• Не понятно, что можно считать фактурой, а что — нет.Понадобится ли информация из брифа клиента? Какие промежуточные итоги будут полезны читателю в кейсе? Нужно ли писать о том, что заказчик попросил сделать что-то, что мы были не должны?
• Никто не помнит уже, что и как было.Прошло несколько месяцев, проект завершился. Вряд ли кто-то вспомнит интересные факты о том, почему заказчик решил делать этот проект и почему выбрал вас.
• Данные хранятся в переписке у разных менеджеров и специалистов.Аккаунт-менеджер договаривался по срокам, таргетолог уточнял аудиторию, SMMщик согласовывал креативы — каждый общался с клиентом о своем.

Чтобы собрать все в одном месте, контент-маркетологу придется бегать и отвлекать специалистов от их прямых обязанностей. А они будут невольно саботировать процесс: зачем им копаться в давно закрытом проекте, если на столе лежит десяток нерешенных задач?

Регулярно преодолевать сопротивление коллектива и добывать фактуру сложно. Поэтому многие компании пишут один-два кейса и останавливаются, откладывают эту затею в долгий ящик. И отказываются от мощного инструмента привлечения клиентов.

Репутация компании и владельца бизнеса — Кейсы Управления Репутацией | SERM Советы Решения Книга

Как поставить сбор фактуры на поток

Контент-маркетолог и сотрудники должны вести дневник по каждому проекту. В него записывают, что происходит на каждом этапе работы сразу, пока информация актуальна и свежа в памяти.

Для этого нужно:

• Разбить проект на этапы;
• Определить, какие материалы на каждом этапе можно использовать как фактуру;
• Понять, что именно искать в материалах;
• Составить наводящие вопросы, которые помогут искать.

Вот как это может выглядеть на примере разработчика мобильных приложений. Представьте, вам нужно написать кейс о том, как вы создавали мобильное приложение.

Этап 1. Presale

На этой стадии обратите внимание на:

• Бриф после созвона с клиентом.
• Коммерческое предложение, если оно оформлено текстом, и там проговариваются возможные возражения клиента.

Ищите интересные факты о том, почему заказчик решил делать этот проект, почему выбрал вас.

Помогут ответы на вопросы:

• Как клиенту пришла идея проекта, в связи с чем?
• Как можно описать энтузиазм клиента по поводу проекта?
• Откуда у него деньги на реализацию?
• Есть ли опыт в стартапах?
• Как выглядит бизнес-модель проекта?
• Почему верит в успех?
• Какие у него критерии выбора подрядчика?
• Какой опыт/скилы разработчика подтверждают, что вы справитесь с этим проектом?

С этого вы начнете рассказывать историю в кейсе.

Этап 2. Планирование проекта

На этой стадии можно найти иллюстрации к кейсу и попытаться описать, как была устроена работа, как планировали техническую реализацию.

• Mindmap — файл где визуализировано, как будет работать продукт, или как команда будет работать над продуктом.
• Анализ конкурентов — какие есть аналогичные продукты, что можно взять у них, и как отстроиться.
• Техническое заключение — где сравнивали разные платформы и варианты реализации и пришли к выводу, как лучше сделать.

• Из каких этапов состояла разработка?
• Что вошло в scope проекта?
• Что изменилось по ходу — что выкинули, а что добавили?
• Почему выбрали именно этот тех.стек?

Впоследствии используйте эту информацию для построения конфликта: что хотели сделать, но что мешало?

Этап 3. Реализация

На этой стадии вы найдете перипетии — подробности истории в формате ожидание/реальность, микро факты, инсайты, которые находили участники в процессе, и эмоции, которые они при этом испытывали. Истории типа «мы 5 раз двигали логотип, потому что заказчику казалось, что он не по центру».

Они оживляют историю, помогают удерживать внимание читателя и заставляют его сопереживать. Контент-маркетолог должен присутствовать на всех планерках и записывать такие вещи на диктофон или в виде текста.

Вопросы, которые его будут интересовать на еженедельной планерке:

• Что самое сложное в проекте?
• Что надо было сделать иначе с самого начала?
• Какие неожиданности случились на этой неделе?
• Какое открытие на этой неделе продвинуло нас вперед?

Не забывайте о визуале. Можно сделать фото, где эксперт рисует на доске какую-то схему. Это покажет развитие сюжета.

Также попросите проджект-менеджера отслеживать триггеры, когда:

• Клиент попросил сделать что-то, что мы не обязаны делать.В ответ надо просить как минимум отзыв (лучше видео), как максимум — согласие написать кейс и дать подробные комментарии со своей стороны.
• Клиент в восторге от чего-то по ходу реализации: ему предложили классную идею или помогли сэкономить.Важно фиксировать отзывы именно в этот момент. Удовлетворенность подрядчика работой — вещь переменчивая. Сегодня он в восторге, а завтра — недоволен.

Этап 4. Финал

Контент-маркетолог должен записать, как прошла презентация продукта заказчику, какие эмоции они испытывали, на чем заостряли внимание.

Такая фактура помогает написать красивое заключение к кейсу и отвечает на вопросы:

• Соответствует ли демо ожиданиям клиента?
• Если что-то нужно доработать, то что?
• Как клиент оценивает процесс сотрудничества и будущий результат?

Скачать шаблон дневника

Напишите чат боту по ссылке и скачайте шаблон дневника по сбору фактуры. Вы сможете адаптировать его под собственные задачи и использовать в работе над каждым проектом.

Кейсы — мощный инструмент убеждения, который многие игнорируют, потому что не могут непрерывно собирать достаточно материала.

Ведите дневник по каждому проекту, чтобы вам было проще:

• Разобраться, где есть интересная фактура, а где — нет;
• После завершения проекта не мучать специалистов и клиента множеством отвлекающих вопросов;
• Создавать контент на потоке, а не «раз в год» героическими усилиями.

Источник: vc.ru

Поиск инновационных приложений для работы с большими данными. Кейс Банка Даляня

Привет, Хабр! Команда Business Intelligence GlowByte уже рассказывала, что в этом году стала партнёром китайского разработчика ПО для бизнес-аналитики FanRuan. В рамках сотрудничества вендор любезно поделился статьёй, в которой подробно рассказывает об успешном внедрении платформы FineBI в крупном коммерческом банке Китая. Мы перевели материал, нашли этот кейс полезным и показательным и хотим рассказать о нём вам.

Для желающих взглянуть на первоисточник – ссылка на оригинал. Итак, дальше по тексту – кейс Банка Даляня: “Поиск инновационных приложений для работы с большими данными в рамках усиления технологического и операционного взаимодействия”.

С переходом к полномасштабной цифровой трансформации банков вопросы использования передовых инструментов повышения производительности и их сочетания с глубоким осознанием ценности данных внутри банка, совершенствованием управления банковскими процессами на уровне ведения деятельности и принятия решений в будущем станут важнейшими факторами их становления и развития.

ПРОФИЛЬ КОМПАНИИ

Банк Даляня является дочерней компанией China Orient Asset Management Co., Ltd. с уставным капиталом 6,8 млрд юаней. Банк имеет восемь филиалов, которые находятся в городах: Пекин, Шанхай, Тяньцзинь, Чунцин, Чэнду, Шэньян, Даньдун и Инкоу. Головной офис банка и десять его отделений расположены в самом Даляне и районах города.

Операционная сеть банка представлена 187 отделениями, в которых работают свыше 5900 сотрудников. По состоянию на конец 2019 года общие активы Банка Даляня составляли 413,1 млрд юаней, остаток задолженности по различным видам кредитов равнялся 201,3 млрд юаней, а остаток на различных видах вкладов составлял 278,7 млрд юаней. В июле 2019 года Банк Даляня занял 305-е место в рейтинге 1000 крупнейших банков мира по версии британского журнала Banker.

ПРЕДЫСТОРИЯ ПРОЕКТА

Подобно большинству банков в отрасли, Банк Даляня также столкнулся со сложностями в начале работы с приложениями баз данных. Например, множество разнообразных источников данных порождало трудности управления, нечёткость требований к бизнес-процессам, повторяемость отчётов, низкую частоту повторного использования, сложности с распределением прав доступа при организации управления, длительные периоды создания и т. д.

Для окончательного решения различных проблем при работе с данными в 2018 году в банке стартовал проект создания платформы по работе с BigData путём внедрения двух видов продуктов – FineReport и FineBI. Это позволило создать в Банке Даляня платформу для принятия решений по работе с данными. В результате персонал получил возможность удобно и гибко управлять данными и использовать их для разработки, управления, эксплуатации и обслуживания данных, а также оказания услуг.

1. Особенности платформы принятия решений Банка Даляня:

1. Подготовка отчётности банковским персоналом осуществляется с помощью стандартизированных процессов.
2. Составление отчётности техническими специалистами и запрос данных осуществляется с помощью SQL- и быстрых запросов.
3. Управление правами доступа осуществляется иерархично и линейно с распределением прав и полномочий между системными администраторами, лицами, управляющими выдачей разрешений, и обычными пользователями.
4. Системный контроль строится таким образом, что у пользователя появляется возможность управлять данными на детальном уровне.
5. Безопасность данных строится на строгом контроле информации о распределении функций по правам просмотра и экспорта данных.

2. С операционной точки зрения ввод в эксплуатацию платформы принятия решений позволил:

1) Реализовать self-service запроса данных, персоналу банка стало проще и удобнее получать данные.

2) Сократить время сбора и получения данных.

3) Унифицировать и сделать более точным управление представлением различных видов данных.

4) Реализовать функцию подачи онлайн-запроса для основного массива данных.

5) Предоставить внешние услуги за счёт унификации данных и при помощи модели, обеспечить единое отображение отчётности, а также реализовать совместное использование ресурсов.

6) Повысить навыки персонала по поиску и получению данных за счёт обучения пользованию платформой.

3. С технической точки зрения:

1. Снизилось количество запросов на привлечение технического персонала и IT-специалистов к составлению отчётности.
2. Появилась возможность с помощью SQL непосредственно обращаться к пользовательскому интерфейсу, отпала необходимость напрямую работать с базами данных.
3. IT-специалисты высвободили ресурсы, что позволило сосредоточиться на планировании и построении таких данных низшего уровня, как «витрины данных».
4. Сократились сроки разработки отчётности.

В целом благодаря открытому использованию данных повысилась ценность содержащихся в хранилищах данных, в то же время гарантированно контролируется безопасность пользования данными. Наконец, улучшились связи взаимодействия между IT-специалистами, техническим и банковским персоналом, в результате чего каждый может сконцентрироваться на решении своих бизнес-задач.

БИЗНЕС-СЦЕНАРИИ

1. Интеллектуальный анализ на основе внутренних и внешних данных

Банк Даляня имеет в общей сложности 109 рабочих отделений, в некоторые из которых ежедневно выстраиваются большие очереди, при этом другие относительно свободны. Как оценить операционную нагрузку каждого из отделений и соответствует ли такая нагрузка окружающим условиям? Полностью ли учтён поток клиентов в банковской сети при распределении сетевых ресурсов?

На основе картографических данных, полученных с помощью приложения Baidu Map API (API – наиболее популярное приложение веб-карт в Китае – прим. GlowByte) были получены географические координаты отделений Банка Даляня, информация об окружающих микрорайонах и местоположении офисных зданий.

Исходя из подготовленной на основе внешних данных информации и разработанной «тепловой» карты следует, что концентрация офисных зданий достаточна велика в таких местах размещения отделений банка, как площадь Ганвань, мост Циннива, Народная площадь и площадь Свободы. Источником клиентов для этих отделений в основном являются служащие компаний, т. н. «белые воротнички».

Информация о близлежащих к отделениям микрорайонах

Отделения банка размещены в районе Чжуншань у восточного порта, на площади Саньба, улице Циннива, площади Чжуншань, по улице Таоюаньцзе; в районе Сиган на Народной площади; в районе Шахэкоу на улице Сианьлу, площади Свободы, Люйбо, Синхай; в районе Ганьцзинцзы на площади Хуанань, по улице Шаньдун. К отделениям в этих районах примыкает достаточно большое количество микрорайонов, в связи с чем клиентская база этих отделений высока.

На основе обобщения внутренних и внешних данных и при помощи FineReport составляется таблица, в которой отражаются сравнительные данные по показателям работы отделений Банка Даляня и их связи с окружающей средой.

На основе данной сравнительной таблицы производится классификация банковских сетевых отделений и в соответствии с их категорией делаются предложения по улучшению обслуживания.

2. Оценка результатов

Основываясь на данных платформы и потребностях индивидуальной оценки филиалов и отделений, FineReport используется для разработки системы оценки результатов работы отделений банковской сети, тем самым решается проблема оценки и аттестации.

• Оценка результатов работы отделениями проводится по таким направлениям, как клиенты, счета, субсчета и т. п., поддержка со стороны центральной системы, мобильного банкинга и иных каналов позволяет подключиться к оценке результатов работы.
• Реализована возможность просмотра результатов работы менеджера по работе с клиентами, внедрена модель бонусной оценки по результатам работы.
• Сфера оценки охватывает и розничный бизнес, включая операции с депозитами, кредитами, по управлению активами, фондами, трастами, работе с государственными облигациями, VIP-картами, кредитными картами.
• Имеются функции оценки по таким различным параметрам, как организации, отделы и персонал.
• Предоставлены хранилище индикаторов оценки и различные виды оценочной отчётности для проведения учёта и оценки.

Онлайн-версия системы результатов работы филиалов была принята во втором квартале 2017 года, на предыдущем этапе пилотное развертывание было проведено на базе филиала банка в Чэнду. Перед запуском в эксплуатацию онлайн-версии филиал жаловался на нехватку отработанных и устоявшихся инструментов оценки, поэтому расчёт многих показателей результатов работы производился вручную. Несвоевременность статистического учёта зачастую приводила к пропускам, усложняла проведение ручного расчёта, что с течением времени привело к снижению активности менеджеров по работе с клиентами и серьёзному падению результативности работы филиала.

С запуском онлайн-версии системы оценки результатов работы руководство филиала придало большое значению её освоению. Весь персонал загрузил систему для проверки результатов собственной работы. Это позволило сравнить показатели результативности каждого сотрудника, вскрыть недоработки, установить мотивацию, задать ориентиры в работе, чтобы последовательно сформировать в рамках банка сверху донизу уверенность и решимость.

Всего за год показатели работы филиала стремительно выросли, из нижней части рейтинга он вошёл в тройку лидеров среди банковских филиалов. Помимо высокого внимания, которое новое руководство филиала уделило системе FineReport, ключевую роль сыграли удобство и гибкость платформы. Использование FineReport облегчило реализацию потребностей филиала в проведении персонализированной оценки, более не требовалось за счёт программирования осуществлять подготовку громоздких и сложных отчётов. Наоборот, удобство выведения и отображения информации позволило улучшить аттестацию сотрудников филиала.

«РУБКА УПРАВЛЕНИЯ»

Чтобы руководители банка в режиме реального времени и в динамике могли визуально представлять операционные данные, процесс принятия бизнес-решений в банке был направлен на переход к «интеллектуальной и усовершенствованной» бизнес-модели. В 2017 году разработана система «Рубка управления», бэкенд которой проводит извлечение данных из базовой платформы. После их обработки на рабочем уровне данные применяются во фронтенде конструктора FineReport, а также за счёт использования графических элементов управления отображаются в виде бизнес-показателей.

СИСТЕМА МЕЖБАНКОВСКИХ БИРЖЕВЫХ ТОРГОВ

На основе платформы FineReport в Банке Даляня создана система биржевых торгов межбанковскими депозитами, которая позволяет всем филиалам банка каждый рабочий день в установленное время проводить торги межбанковскими активами. Головной офис, исходя из информации банка-контрагента, сумм межбанковских депозитов, котировок процентных ставок и другой необходимой информации, в соответствии с потребностями в капитале и стратегией ценообразования осуществляет ранжирование, а отдел финансового рынка головного офиса в итоге объявляет победителя торгов для ведения бизнеса.

За счёт использования системы межбанковских биржевых торгов происходит эффективное использование ценового механизма, обоснованно контролируется стоимость межбанковских депозитов, исключаются ценовые войны между филиалами, что обеспечивает сбалансированное развитие бизнеса.

• Блог компании GlowByte
• Big Data
• Управление продуктом
• Бизнес-модели

Источник: habr.com

Практический пример монетизации Big Data с помощью Elasticsearch и Kibana

Недавно мы рассказывали, что аналитика больших данных с помощью технологий Big Data – это необязательно удел только крупных корпораций. В этой статье мы рассмотрим реальный бизнес-кейс, как извлечь выгоду из накопленных данных о своих пользователях, применяя для этого возможности NoSQL-СУБД Elasticsearch для полнотекстового поиска по полуструктурированным данным и веб-интерфейс визуализации результатов Kibana.

Постановка задачи с точки зрения бизнеса

Рассмотрим кейс небольшого интернет-магазина зоотоваров, где есть партия кормов для кошек и собак, у которой через несколько месяцев истекает срок годности. Чтобы оперативно реализовать его в пределах этого срока, компания решила объявить распродажу, сообщив об этом своим покупателям, общая база которых насчитывает около миллиона клиентов. Однако, корма для кошек и собак будут интересны только владельцам этих животных, а не, например, хозяевам рептилий или птиц. Поэтому нужно из всей базы клиентов выбрать именно тех, кто попадает в нужную категорию. Далее этим пользователям будет отправлена адресная email-рассылка с описанием акции и персональным маркетинговым предложением.

Выявить искомую категорию клиентов можно, проанализировав покупки пользователей. К примеру, если человек приобрел ошейник, поводок, шлейку, шампунь от блох, корм или игрушку для собаки/кота, то с большой вероятностью он является владельцем этого животного и входит в целевую аудиторию данного маркетингового кейса.

Пусть данные о пользовательских покупках хранятся в формате JSON и выглядят следующим образом:

Полнотекстовый поиск по названию товара (productName) позволит выявить клиентов, приобретавших нужную продукцию, а данные об имени покупателя (clientName) и его email-адресе (clientEmail) помогут сформировать персональное письмо с маркетинговым предложением. Далее рассмотрим, как получить эту информацию с помощью Elasticsearch.

Как найти иголку в стоге сена: примеры полнотекстового поиска в Elasticsearch

В Elasticsearch существует два контекста, в которых работает поиск [1]:

• Query, который работает как полнотекстовый поиск и позволяет находить похожие на запрашиваемые значения в больших объемах текста. Благодаря анализаторам query-запросы позволяют искать по словоформам (так называемый «нечеткий поиск»), исключать стоп-слова и пр. При выполнении query-запросов для каждого документа вычисляется рейтинг – численное значение того, насколько документ подходит под запрос. Результаты в выдаче сортируются в порядке убывания этого рейтинга.
• Filter, который позволяет выполнять поиск по точному значению для фильтрации документов. Filter-запросы кешируются и отрабатывают быстрее, чем query-запросы.

Примечательно, что полнотекстовый поиск позволяет находить документы не по точному совпадению значений определенных полей с заданным в запросе, а именно по текстовому содержимому всех полей. В рассматриваемом кейсе интернет-магазина это особенно важно, т.к. в названии товаров могут встречаться опечатки, например, «корушка» вместо «кормушка» и т.д.

В Elasticsearch полнотекстовый поиск основан на инвертированном индексе — структуре данных, которая содержит все слова из датасета и списки с документами, где встречаются эти слова – термы, что выдает анализатор после обработки входного текста. При полнотекстовом поиске движок ES обращается только к инвертированному индексу, поэтому не получится найти точное совпадение фразы без использования анализаторов по строкам целиком.

Поэтому еще на этапе создания маппинга (схемы) индекса следует предусмотреть назначение рассматриваемых полей. В частности, числа или даты индексировать без анализаторов, а для текстовых полей, которые не являются перечислением небольшого набора значений, стоит тщательно выбирать метод анализ, который напрямую влияет на результаты поиска [1].

Проводя аналогию с реляционными СУБД, можно сказать, что индекс — это база данных, а тип — это отдельная таблица в ней. Каждый тип имеет свою схему (маппинг, mapping), который генерируется автоматически при индексации документа [2]. Тем не менее, при формировании поисковых запросов к Elasticsearch индекс не является обязательным параметром, но он ускоряет поиск. При отсутствии указания конкретного индекса поиск будет осуществлять по всем данным, что есть в базе, а это долго.

Возвращаясь к рассматриваемому примеру, посмотрим, как будет выглядеть запрос к Elasticsearch, которой вернет список имен и емейлов именно тех клиентов, кто покупал товары для кошек и собак. Зададим все возможные словоформы: «кошк» (для слов «кошка», «кошки», «кошек»), «кот» (для слов «кот», «кота», коты), аналогично «собак», «пс» («пса», «псов», «псы»), «пес», «пёс»).

Избежать ручного перечисления возможных словоформ позволят специальные морфологические плагины, которые приводят близкие слова к одному и тому же токену, например, «люди/человек», «пес/собака» и пр. В частности, для русского языка это плагин russian_morphology [2].

Параметр fuzziness позволит найти слова с опечатками, задав число возможных несовпадающих символов в терме [1].

«query»: «fulltext search»,

Результаты поиска отобразятся в виде таблицы в веб-интерфейсе Kibana, которые можно экспортировать как CSV-файл, чтобы затем загрузить его в сервис почтовых рассылок для отправки персонального маркетингового предложения. А наличие функции геопоиска позволит сделать рекламу еще более персональной, например, включив в письмо упоминание о местонахождении близких к клиенту пунктов выдачи товаров.

В заключение отметим еще одну возможность Kibana, особенно полезную с точки зрения прикладной аналитики больших данных – панель Холст (Canvas), которая позволяет формировать собственные дэшборды подобно интерактивным панелям BI-систем. Такие отчеты помогают руководителям, а также аналитикам, маркетологам и другим специалистам получить полную картину по прошлым периодам и выявить текущие тренды [3]. Главное, при таком глубоком анализе этом не нарушить приватность частных лиц, о чем мы рассказываем здесь.

Как еще использовать возможности ELK-стека и других технологий Big Data в реальных проектах цифровизации вашего бизнеса или цифровой трансформации государственных и муниципальных предприятий, вы узнаете на нашем обновленным курсе «Аналитика больших данных для руководителей» в лицензированном учебном центре обучения и повышения квалификации разработчиков, менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data в Москве.

Источники

1. https://alexeykalina.github.io/technologies/elasticsearch-fulltextsearch.html
2. https://habr.com/ru/post/280488/
3. https://coderlessons.com/tutorials/bolshie-dannye-i-analitika/vyuchit-kibanu/kibana-rabota-s-kholstom

Источник: bigdataschool.ru