Бизнес задачи которые можно решить используя бд

Big Data (большие данные) стали наступившим будущем. Одни определяют их как революцию, другие отводят им роль оптимизаторов бизнес-процессов. Но все сходятся в одном: большие данные важны. Встает главный вопрос — как можно эффективно применять большие данные в бизнесе?

12 505 просмотров
Что говорит статистика?

Последние 10 лет происходит непрерывный рост числа компаний, использующих большие данные.

В 2011 г. большие данные уже использовались гигантами бизнеса — Hewlett-Packard, IBM, Microsoft.

В 2015 г. доля компаний, использующих большие данные, составляла 17% в мире.

Сегодня доля таких компаний — 50%.

И это неудивительно — сбор и анализ больших данных дает важные преимущества:

• Информация поступает из разных источников, что делает ее достоверней;
• Информация поступает постоянно, что делает ее актуальной;
• Данные не анализируются вручную, что уменьшает количество ошибок и увеличивает объем информации, возможный для обработки;
• У компании есть централизованный доступ к информации.

Что происходит на российском рынке?

Российский рынок больших данных уступает своим масштабом западному, но 55,4% отечественных компаний уже начали инвестировать в аналитику Big Data. На практике мы видим не один пример успешной попытки интегрировать большие данные в бизнес. Например, Сбербанк с его ботами-операторами, заменяющими консультантов. Или гипермаркет Hoff, который на основе больших данных формирует персональные предложения клиентам.

С малым бизнесом и большими данными сложнее. Процесс интеграции больших данных в бизнес — удовольствие дорогое и сложное. Встает вопрос, способен ли малый бизнес на такие подвиги? Что говорят специалисты?

Малый бизнес может данные купить, интегрировать и экстраполировать в свои задачи. Например, есть сеть магазинов по продаже настольных игр «Мосигра». Каждая торговая точка продаж — отдельный малый бизнес. В своей работе они используют big data от торгового центра, где представлен магазин. На основе этих данных корректируют продажи и способы привлечении аудитории.

У каждого ТЦ эти данные разные, что позволяет каждому магазину быть востребованным.

Дмитрий Спиридонов, Сооснователь, генеральный директор CloudPayments

Есть смысл с самого старта бизнеса собирать максимальное количество данных, накопить как можно больше метрик. Когда бизнес начнет стагнировать, будет достаточно информации, чтобы понять, что происходит.

Константин Баев,

IT-директор компании Domino’s Pizza

Малый бизнес более динамичен, конкуренция в разы больше, чем «у больших». Сложность вызывает стоимость, которую малый бизнес не готов платить за собственную платформу. Поэтому вариант для небольших компаний — покупать сервисы, которые продают готовую аналитику.

Сергей Чернов, Директор по разработке программного обеспечения компании CTI
Что показывает практика?

Сервис: Google BigQuery + Alytics

Бизнес-задачи:

• Рост конверсии внутри сайта;
• Увеличение узнаваемости бренда онлайн;
• Увеличение доли мультиканальных покупателей.

Способ: все данные были собраны в одном месте, на их основе по собственным параметрам были построены необходимые отчеты, затем полученные данные были переданы в Alytics для управления ставками.

Результат: показатель ROI вырос в нескольких категориях товаров до 17%. Показатели Email-рассылки продемонстрировали, что на 1 руб. онлайн-выручки приходится 4 руб. в оффлайне. Роль мультиканальных пользователей увеличилась, а 1/3 прибыли московских гипермаркетов приходятся на посетителей сайта Hoff.ru.

Кейс CarPrice

Сервис: Mail.ru Cloud Solutions

Бизнес-задачи:

• Оптимизация расходов на трафик;
• Увеличения скорости передачи контента.

Способы: все данные были собраны в одном месте, а оперативность службы поддержки позволяла быстро решить все технические вопросы и проблемы сервиса.

Результат: расходы на сервис сократились примерно в 4 раза, при этом возросло его качество. Пользователи благодаря быстрой загрузке контента сократили время на принятие решений.

Кейс Zarina

Бизнес-задачи:

• Персонализация разделов сайта интернет-магазина;
• Создание персонализированных рекомендаций дополнительных товаров.

Способы: на основе анализа больших данных были персонализированы рекомендации в категориях товаров, корзине, были созданы карточки товаров и персонализированы рекомендации в них.

Результат: выручка увеличилась более чем на 28%.

Кейс S7 Airlines

Бизнес-задачи:

• Увеличение конверсий;
• Снижение стоимости расходов на конверсии.

Способы: на основе больших данных были созданы персонализированные креативы. Накапливание информации позволило системе увеличить точность прогнозов.

Результат: увеличились в 2 раза конверсии (за тот же бюджет), при этом стоимость конверсии снизилась на 40 %.

Кейс AllTime.ru

• Увеличение интереса пользователей к карточкам товаров и странице поиска;
• Создание разнообразных персонализированных предложений;
• Увеличение вовлеченности пользователи, что должно привести к росту ключевых метрик.

Способы: на основе больших данных были созданы персонализированные карточки товаров, подобрано оптимальное расположение блоков, персонализированы страница поиска, рекомендации сопутствующих товаров.

Результат: каждое действие дало рост конверсии и прирост среднего чека:

• Блоки рекомендаций: 3,1% (конверсия) + 1,5 (ср. чек) = рост выручки на 4,7%.
• Сопутствующие товары: 2,4% (конверсия) + 10,6 (ср. чек) = рост выручки на 13,2%.
• Поисковые рекомендации: 17,3% (конверсия) + 13,2% (ср. чек) = рост выручки на 32,7% .

Взгляд специалистов

Большие данные оказывают революционный эффект на бизнес, потому что современная бизнес-аналитика базируется на анализе big data. Например, в маркетинге и рекламе: клиентам могут быть направлены целевые офферы, которые соответствуют их же потребностям. Благодаря аналитике больших данных предложение бизнеса не вызывает у потребителя раздражение, потому что формируется на основе его предпочтений и прошлых покупок.

Илья Соломатин, Руководитель проектов цифровой экосистемы all.me

Нужно понять, что мы включаем в понятие «Большие Данные» с позиции бизнеса. Для нас, практиков, это прежде всего постулат, что идти нужно не от данных, а от решаемых задач. Сбор данных ради самих данных в отрыве от реальной потребности заводит в тупик. Мы видим перспективы от использования Big Data в области предсказательной аналитики, а также операционной аналитики (распределенная обработка данных, потоков и событий). В таком ключе Big data способны превратить «мёртвые» информационные терабайты данных компании в главный бизнес-актив.

Андрей Крехов, Заместитель директора по специальным программам ICL Services

Технологии больших данных способны перевернуть всю суть бизнеса и по-новому взглянуть на ситуацию на рынке. Например, выстроить новую модель продаж, как это сделала Kaeser Kompressoren, производитель сложных компрессоров. Благодаря анализу данных с датчиков на оборудовании компания создала новый подход к продажам: поставка сжатого воздуха вместо продаж самого оборудования. Поставка готового продукта сделала возможным закладывать более высокую маржу, чем при продаже самого оборудования. Kaeser Kompressoren получила контролируемый постоянный денежный поток и зарабатывает больше на поставке кубометров сжатого воздуха.

Юрий Бондарь, Заместитель генерального директора SAP CIS

Наличие больших массивов информации ни в одной компании не гарантирует их ценности, если на их основе не будут приняты стратегические решения.

Какие шаги подготовки предпринять для проекта по big data?

1. Определить проблему;

2. Оценить стоимость использования Big Data: з/п специалистов, затраты на сервера;

3. Поставить KPI на проект;

4. Посчитать ROI на использование Big Data.

Елена Герасимова, Руководитель направления Data Science в «Нетологии»
Цифры из практики

Сервисы на основе больших данных могут существенно сэкономить рабочее время сотрудников, занятых в выполнении рутинных операций. Например, время на заведение бумажных ТТН сокращается примерно в 3 раза, и это ежедневные операции. Процесс заведения нового товара в каталог позволяет экономить минимум 50% времени операциониста.

Раис Хальфиев, Эксперт компании СКБ Контур

Внедрение анализа больших данных увеличивает средний чек на 7-15% и серьезно влияет на возвратность потребителя (частоту посещения магазина).

Денис Царев, Генеральный директор Моризо Диджитал

Разберем применение больших данных на примере компании «Утконос». «Утконос» создает автоматизированные и триггерные маркетинговые кампании по различным каналам с возможностью получения аналитических данных. В результате использования технологии рост доходов по e-mail каналу составил 41%, а по sms — 8 %, причем количество заказов увеличилось на 2%. А в канале Viber на 18% увеличилась конверсия в покупку. Что касается больших данных в сфере производства — их применение повышают эффективность оборудования на 5-10%.

Юрий Бондарь, Заместитель генерального директора SAP CIS
Что в итоге?

Анализ Big Data разрешает следующие бизнес-задачи:

• Составление более детализированного портрета ЦА и клиента, сбор информации о причинах оттока посетителей, сегментирование клиентов;
• Персонализация предложений, оптимизация таргетинга;

• Создание единой актуальной базы данных с вычислением ошибок и нахождением связей;
• Сбор информации о пользе продукта и его безопасности;

• Расчет рисков, борьба с мошенничеством (например, в банковской сфере);
• Оптимизация логистики, использования оборудования, выявление качества сервиса;
• Обеспечение более упорядоченного и дешевого метода хранения данных с возможностью составить отчет по нужным параметрам.

Использование больших данных в большей степени влияет на маркетинг, сервис, устранение «слабых» звеньев в производстве, выявление множества зависимостей при продаже продукта или услуги.

Практика показывает, что большие данные можно использовать эффективно (и даже очень), но их интеграция — это не волшебная таблетка, превращающая любой проект в прибыльное дело. Нужно понять, как большие данные помогут конкретно вам.

Источник: vc.ru

Задачи, решаемые с помощью баз данных

Автоматизированные информационные системы (АИС), основу которых составляют базы данных (БД), появились в 60-х годах в военной промышленности и бизнесе – там, где были накоплены значительные объемы полезных данных. Первоначально БД были ориентированы лишь на работу с информацией фактического характера – числовыми или текстовыми характеристиками объектов. Затем, по мере развития техники, появилась возможность обрабатывать и другие виды информации.

Принципы хранения разных видов информации в БД сходны, но алгоритмы ее обработки определяются характером информационных ресурсов. Выделяются два класса БД: документальные и фактографические.

Документальные БД служат для работы с текстовыми документами. Наиболее распространенный тип документальных БД – информационно-поисковые системы, предназначенные для накопления и подбора документов, удовлетворяющих заданным критериям.

Фактографические БД оперируют фактическими сведениями, представленными в формализованном виде. Фактографические БД используются для решения задач обработки данных.

Обработка данных – это специальный класс решаемых на ЭВМ задач, связанных с вводом, хранением, сортировкой, отбором и группировкой записей данных однородной структуры. Задачи этого класса решаются при учете товаров в магазинах и на складах, начислении зарплаты, управлении производством, финансами, телекоммуникациями.

Применение БД характеризуется следующими задачами:

Организация хранилищ данных; системы анализа данных; системы принятия решений; мобильные и персональные БД; географические базы данных; мультимедиа базы данных; распределенные информационные системы; базы данных для всемирных сетей (W W W).

Пользователями базы данных могут быть различные прикладные программы, программные комплексы, а также специалисты предметной области, выступающие в роли потребителей или источников данных, называемые конечными пользователями.

В современной технологии баз данных предполагается, что создание базы данных, ее поддержка и обеспечение доступа пользователей к ней осуществляется централизованно с помощью специального программного инструментария – системы управления базами данных (СУБД).

База данных (БД) – это поименованная совокупность структурированных данных, относящихся к определенной предметной области.

Система управления базами данных (СУБД) – это комплекс программных и языковых средств, необходимых для создания баз данных, поддержания их в актуальном состоянии и организации поиска в них необходимой информации.

Классификация баз данных

По технологии обработки данных БД подразделяются на централизованные и распределенные.

Централизованная БД хранится в памяти одной вычислительной системы. Такой способ использования баз данных часто применяют в локальных сетях ПК.

Распределенная БД состоит из нескольких частей, хранимых в различных ЭВМ вычислительной сети.

По способу доступа к данным БД разделяются на базы данных с локальным доступом и базы данных с удаленным (сетевым) доступом.

Системы централизованных БД с сетевым доступом предполагают различные архитектуры подобных систем: файл-сервер и клиент-сервер.

Файл-сервер. Архитектура систем БД с сетевым доступом предполагает выделение одной из машин сети в качестве центральной (сервер файлов). На такой машине хранится совместно используемая централизованная БД. Все другие машины сети выполняют функции рабочих станций, с помощью которых поддерживается доступ пользовательской системы к централизованной базе данных.

Файлы БД, в соответствии с пользовательскими запросами, передаются на рабочие станции, где и производится их обработка. При большой интенсивности доступа к одним и тем же данным производительность информационной системы падает. Концепция файл-сервера условно изображена на рис.6.1.

Рис. 7.1. Схема обработки информации в БД по принципу файл-сервер

Клиент-сервер. В этой концепции подразумевается, что помимо хранения централизованной БД центральная машина (сервер БД) должна обеспечить выполнение основного объема обработки данных. Запрос на данные, выдаваемый клиентом (рабочей станцией), порождает поиск и извлечение данных на сервере. Извлеченные данные (но не файлы) транспортируются по сети к клиенту.

Спецификой архитектуры клиент-сервер является использование языка запросов SQL. Концепция клиент-сервер изображена на рис.6.2.

Рис.7.2.Схема обработки информации в БД по принципу клиент-сервер

Источник: cyberpedia.su

Задачи, решаемые с помощью баз данных

В истории развития вычислительной техники наблюдалось два основных направления ее применения. Первое связано с выполнением больших численных расчетов, которые трудно или невозможно произвести вручную. Развитие этой области способствовало ускорению развития методов математического моделирования, численных методов, языков программирования высокого уровня, рассчитанных на удобное представление вычислительных алгоритмов. Для задач такого типа характерны большие объемы вычислительной работы при относительно небольших потребностях в памяти.

Второе направление связано с использованием вычислительной техники для создания, хранения и обработки больших массивов данных. Такие задачи решают информационные системы (ИС). К ним относятся поисковые, справочные, банковские системы, автоматизированные системы управления предприятием. Задачи такого типа требуют больших объемов внешней памяти при относительно небольших расчетах.

Вторая область применения возникла несколько позже первой. Это связано с тем, что на первых этапах внешняя память вычислительных систем была несовершенной, поэтому надежное хранение больших объемов данных не представлялось возможным.

Информационная система представляет собой аппаратно-программный комплекс, обеспечивающий выполнение следующих функций:

− ввод данных об объектах некоторой предметной области;

− надежное хранение и защита данных во внешней памяти вычислительной системы;

− дополнение, удаление, изменение данных;

− сортировка, выборка данных по запросам пользователей;

− выполнение специфических для данной предметной области преобразований информации;

− предоставление пользователям удобного интерфейса;

− обобщение данных и составление отчетов.

Успешное решение этих задач в условиях большого количества пользователей и значительных объёмов данных в ИС возможно, если данные в информационной системе структурированы. Структурирование данных рассмотрим на примере студенческой группы.

Каждый студент во многом индивидуален, и характеризовать его можно с разных сторон. Но деканат, в основном, интересуют следующие данные студента (предметная область): фамилия, имя, отчество, курс, наименование группы, массив оценок по изучаемым дисциплинам и др. Таким образом, из всего многообразия данных выбираются только существенные, т.е. создается информационная модель объекта — совокупность взаимосвязанных данных, называемых структурой данных.

Приведём пример неструктурированных данных:

Студент по фамилии Петров с именем Петр и отчеством Петрович учится в группе ОБД-Р11, а Иванов Иван Иванович – в ЭТС-Р11. Сидор Сидорович Сидоров учится в группе БМП-Р11.

А теперь, для сравнения, приведём пример структурированных данных, в котором представлена, практически та же самая информация:

Совокупность структурированных данных, относящихся к одной предметной области, называется базой данных (БД). То есть БД – организованная структура, предназначенная для хранения информации. Совокупность программ, реализующих в БД функции ИС в удобной для пользователя форме, называется системой управления базой данных (СУБД). Иными словами, СУБД – комплекс программ, предназначенных для создания структуры новой базы, ведению данных и визуализации информации.

Ведение (сопровождение, поддержка) данных – термин, объединяющий действия по добавлению, удалению или изменению хранимых данных. Под визуализацией информации БД понимается отбор отображаемых данных в соответствии с заданным критерием, упорядочение, оформление и последующая выдача на устройство вывода или передача по каналам связи.

Современные ИС представляют собой организационное объединение аппаратного обеспечения, одной или нескольких баз данных, системы управления базами данных и пакетов прикладных программ, производящих специфическую обработку данных в базе.

Классификация БД

По технологии обработки данных БД подразделяются на централизованные и распределенные.

Централизованная БД хранится целиком в памяти одной вычислительной системы. Если система входит в состав сети, то возможен доступ к этой БД других систем.

Распределенная БД состоит из нескольких, возможно пересекающихся или дублирующих друг друга БД, хранимых в памяти разных вычислительных систем, объединенных в сеть.

По способу доступа к данным БД различают локальный (автономный) и удаленный (сетевой) доступ.

Локальный доступ предполагает, что СУБД обрабатывает БД, которая хранится на том же компьютере.

Удаленный доступ – это обращение к БД, которая хранится на одном из компьютеров, входящих в компьютерную сеть. Удаленный доступ может быть выполнен по принципу файл-сервер или клиент-сервер.

Архитектура файл-сервер (толстый клиент) предполагает выделение одного из компьютеров сети (сервер) для хранения централизованной БД. Все остальные компьютеры сети (клиенты) исполняют роль рабочих станций, которые копируют требуемую часть централизованной БД в свою память, где и происходит обработка. Однако при большой интенсивности запросов к централизованной БД увеличивается нагрузка на каналы сети, что приводит к снижению производительности ИС в целом.

При одновременном обращении нескольких клиентов к одному файлу, например, с целью его обновления, могут возникнуть проблемы, связанные с неоднозначностью определения его содержимого. Поэтому каждое изменение общедоступного файла выделяется в транзакцию – элементарную операцию по обработке данных, имеющую фиксированные начало, конец (успешное или неуспешное завершение) и ряд других характеристик.

Архитектура клиент-сервер (тонкий клиент) предполагает, что сервер, выделенный для хранения централизованной БД, дополнительно производит обработку клиентских запросов. Клиенты получают по сети уже обработанные данные.

Учитывая широкое распространение БД в самых различных областях, в последнее время архитектура клиент-сервер применяется и на одиночных вычислительных системах. В этом случае клиент — программа, которой понадобились данные из БД, посылает запрос серверу — программе, управляющей ведением БД, на специальном универсальном языке запросов.

Сервер пересылает программе данные, являющиеся результатом поиска в БД по ее запросу. Этот способ удобен тем, что программа-клиент не обязана содержать все функции поддержания и ведения БД, этим занимается сервер. В результате упрощается написание программ-клиентов. Кроме того, к серверу может обращаться любое количество клиентов.

Многозвенная архитектура предполагает наличие сервера приложений, на котором выполняется вся вычислительная работа, что позволяет уменьшить нагрузку на сервер БД.

Ещё более высокой надёжностью обладает распределенная архитектура, в которой вычислительная система состоит из нескольких компонент, распределённых по разным серверам. Специальные программы-мониторы следят за корректностью работы каждого из компонентов и, при необходимости, запускают дублирующие компоненты на других компьютерах.

Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:

Источник: studopedia.ru