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?
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.
Как большие данные спасут малый бизнес?
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.
Сергей Чернов
Директор по разработке программного обеспечения компании CTI
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.
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: www.cti.ru
Что такое Big Data
12 кейсов по биг дате: подтвержденные примеры из индустрии, когда биг дата приносит деньги
Хабр, привет! Проанализировали кейсы по big data, в которых технологии больших данных помогли компаниям более эффективно работать с клиентами или оптимизировать внутренние процессы.
Кстати, совсем скоро у нас стартует первый набор программы Big Data for Executives, цель которой подготовить руководителя или владельца бизнеса к использованию данных в своей деятельности. Почитать о ней подробнее можно здесь.
Ориентация на клиента
1.Компания: Bookmate.
Отрасль: предоставление контента по подписке — электронные книги.
Bookmate – российский сервис для чтения электронных книг по подписке на мобильных устройствах, имеет более 3 млн. пользователей по всему миру. Совместно с компанией E-Contenta компании удалось решить проблему «холодного старта» — рекомендаций новым пользователям, которые еще не выбирали никаких книг в приложении. Для предложения книг новым пользователям была разработана рекомендательная система, использующая внешние данные – данные социальных сетей и DMP (история кликов, поисковых запросов в Интернете и другие данные о поведении пользователей).
Результат: число просмотров рекомендованных книг новыми пользователями выросло в 2,17 раз, конверсия в платных пользователей выросла в 1,4 раза.
2. Компания: BikeBerry.
Отрасль: розничная торговля, интернет-магазин.
BikeBerry.com – американский интернет-магазин велосипедов, мотоциклов и запчастей и аксессуаров к ним. При помощи компании RetentionScience были внедрены сложные алгоритмы машинного обучения и статистические модели для отслеживания и предсказания покупательского поведения. Используемые технологии позволили выявлять и использовать в моделях схемы поведения на сайте, также использовались данные по истории покупок, демографическая и поведенческая информация. В результате магазин смог рекомендовать клиентам наиболее релевантные для них товары и делать персонализированные предложения о скидках только тем клиентам, которые действительно в них нуждались, что позволило увеличить прибыльность, более чем удвоить объем продаж и улучшить ряд других показателей.
Результат: увеличение продаж на 133%, прирост активности пользователей на 200%, удвоение числа клиентов, совершающих повторные покупки, увеличение среднего чека таких клиентов на 30%.
3. Компания: Red Roof Inn.
Отрасль: гостиничный бизнес.
Зимой 2014 г. американская сеть гостиниц Red Roof Inn столкнулась со снижением потока туристов в связи с суровой зимой и неблагоприятными погодными условиями. Однако из-за таких погодных условий в аэропортах ежедневно отменяли большое количество рейсов, пассажиры надолго оставались в аэропортах и нуждались в гостинице. Используя открытые данные о погодных условиях и отмене рейсов, компания смогла отправлять пассажирам задержанных рейсов персонализированные предложения с контактными данными ближайшей к аэропорту гостиницы сети как раз тогда, когда они были наиболее востребованы.
Результат: дополнительный прирост выручки на 10% к предыдущему году даже в условиях сниженного потока туристов.
4. Компания: Skillsoft.
Отрасль: образование.
Skillsoft – американская компания, разрабатывающая образовательное программное обеспечение и контент, один из мировых лидеров в сфере корпоративных образовательных программ. В партнерстве с IBM компания использовала внутренние данные о взаимодействии пользователей с системой, напрямую через программу и через e-mail рассылки, чтобы персонализировать их опыт, увеличить вовлеченность и улучшить результаты обучения. Данные о поведении пользователя в программе использовались для контроля вовлеченности, для определения лучшего времени и канала коммуникации, с помощью которого можно привлечь внимание пользователя. Также на основе предпочтений данного и других пользователей была построена рекомендательная система образовательного контента (84% пользователей оценили рекомендации как релевантные), были предложены оптимальные для каждого пользователя способы визуализации материала.
Результат: рост вовлеченности пользователей во взаимодействие с контентом на 128%.
5. Компания: Huffington Post.
Отрасль: медиа, журналистика.
Huffington Post – популярное американское интернет-издание, агрегатор и блог, имеющее множество локализованных версий для различных территорий и языков. Компания использует A-B тестирование для выбора лучших заголовков статей, изучает поведение и предпочтения целевой аудитории, чтобы публиковать материалы, интересные отдельным группам, в часы их наибольшей активности (например, материалы для родителей публикуются поздно вечером по будням, когда дети уже уснули). Компания использует анализ поведения пользователя в браузере и рекомендательные системы, чтобы предлагать пользователям наиболее интересный им контент и делать его наиболее доступным и привлекательным начиная с главной страницы сайта (технология Gravity).
Результат: в августе 2014 г. превышен порог в 100 млн. уникальных посетителей в месяц, достигнуто первое место по популярности в США среди интернет-изданий, среднее число просматриваемых статей за одну сессию возросло до 10-12.
6. Компания: VidiMax.
Отрасль: предоставление контента – фильмы.
VidiMax – российский сервис, предоставляющий лицензированный доступ к художественному и документальному кино, сериалам, мультфильмам, спортивным трансляциям и телешоу. Доступен через смарт-ТВ, имеет около 1 млн. пользователей. Для повышения лояльности пользователей во время бесплатного пробного двухнедельного использования сервиса совместно с компанией E-Contenta была внедрена рекомендательная система, появился блок персональных рекомендаций.
Результат: фильмы в блоке персональных рекомендаций смотрят в 2,5 раза чаще, чем фильмы в подборке из самых популярных фильмов.
Внутренняя оптимизация
1.Компания: Сбербанк.
Отрасль: банки.
Сбербанк использует большие данные и машинное обучение во многих областях, в том числе в кредитном скоринге. Для решения этой задачи компания использует не только традиционные данные, такие как социально-демографические параметры, кредитная история, история трансакций, финансовая отчетность, но и ряд других.
Для кредитного скоринга Сбербанк использует также графы связей клиентов, построенные на основе данных о денежных переводах и данных социальных сетей. Для кредитного скоринга компаний используются тексты новостей с их упоминанием, для которых проводится автоматический анализ тональности. В 2015 году компания добавила в модели данные сотовых операторов, что позволило улучшить качество классификатора на 7 п.п. по коэффициенту Джини. Большое число активных сим-карт и небольшое время их работы, мелкие и многочисленные пополнения счетов, подозрительная география звонков указывают на мошенничество и снижают вероятность одобрения кредитной заявки. Для розничных клиентов использование алгоритмов машинного обучения позволило повысить качество скоринговых моделей на 4 п.п. по коэффициенту Джини за счет более точного отбора факторов.
Результат: постоянный рост качества скоринговых моделей, в том числе за счет последних нововведений.
2. Компания: Union Pacific Railroad
Отрасль: транспорт.
Union Pacific Railroad – крупнейшая железнодорожная компания США, имеет более 8 тыс. локомотивов и владеет крупнейшей в США сетью железных дорог. На дне каждого состава компании были установлены термометры, акустические и визуальные сенсоры и другие датчики. Данные от них передаются в центр обработки по волоконно-оптическим кабелям, протянутым вдоль сети железных дорог.
Центр обработки также получает данные о погодных условиях, данные о состоянии тормозных и других систем, GPS-координаты составов. Собранные данные и построенные по ним предиктивные модели позволяют отслеживать состояние колес и железнодорожного полотна и предсказывать сход составов с рельсов за несколько дней или даже недель до возможного инцидента. Этого времени достаточно для того, чтобы оперативно устранить проблемы, избежать повреждений состава и задержки остальных поездов.
Результат: компании удалось снизить число схождений составов с рельсов на 75% и избежать значительных потерь (ранее потери от одного схода с рельсов могли достигать 40 млн. $).
3. Компания: Los Angeles Police Department.
Отрасль: государственный сектор – полиция.
Используя решения, разработанные компанией PredPol, полиция Лос-Анджелеса смогла получать наиболее вероятное время и районы (с высокой точностью, порядка 50 кв. м) совершения различных типов преступлений и для их предотвращения направлять туда дополнительные силы полиции. Система использует исторические данные о времени, типе и районе совершения преступлений, обрабатывает их с помощью алгоритмов кластеризации в пространстве и во времени. Предсказательное моделирование осуществляется с помощью математических моделей точечных процессов (Self-Exciting Point Process Modeling). Никакие персональные данные находящихся в городе людей и данные об их местонахождении при этом не используются, что позволяет соблюсти требования приватности частной жизни. Снижение числа преступлений привело к сокращению затрат в полиции, судебной системе и системе исполнения наказаний.
Результат: сокращение числа краж на 33%, снижение числа насильственных преступлений на 21%.
4. Компания: Entro.py.
Отрасль: эксплуатация зданий.
St. Vincent’s – крупная австралийская сеть государственных и частных клиник, расположенных преимущественно в Сиднее и Мельбурне. Управляющая зданиями клиник компания Entro.py совместно с компанией BuildingIQ провела внедрение решения, анализирующего текущие данные по использованию помещений, температурному режиму и погодным условиям, а также характеристики зданий и исторические данные по энергопотреблению для снижения затрат на отопление и охлаждение зданий.
Результат: в 2014 г. затраты на климат-контроль снизились на 12%.
5. Компания: United Parcel Service (UPS).
Отрасль: логистика.
UPS – американская логистическая компания, крупнейшая в мире по доставке посылок и управлению цепями поставок, доставляет более 16,9 миллионов грузов в день в более чем 220 странах мира. UPS использует большие данные для оптимизации маршрутов, сокращения затрат топлива и нагрузки на окружающую среду.
Компания применяет радиолокацию для отслеживания грузов, собирает и анализирует показатели множества датчиков для контроля состояния транспортных средств и поведения водителей, использует данные мобильных CRM для мониторинга доставки и качества обслуживания клиентов. Для оптимизации маршрутов и сокращения затрат в компании внедрена система ORION – одна из крупнейших в мире систем, основанных на результатах математической теории исследования операций. Построение оптимальных маршрутов производится в реальном времени с использованием огромных вычислительных мощностей. Для решения этой задачи система использует картографические данные, данные о пунктах отправления и прибытия, размерах и требуемых сроках доставки грузов.
Результат: экономия порядка 6 млн. литров топлива в год, сокращение выбросов углерода в атмосферу на 13 тыс. тонн ежегодно, повышение скорости доставки.
6. Компания: ThyssenKrupp AG.
Отрасль: машиностроение.
ThyssenKrupp AG – один из ведущих мировых производителей лифтов, обслуживает более 1,1 млн. лифтов по всему миру. В партнерстве с Microsoft компания запустила систему MAX, которая через Интернет вещей собирает данные от множества датчиков, установленных в лифтах компании (отслеживают скорость кабины, функционирование дверей, температуру мотора и др.) и по ним строит предиктивные модели на платформе Azure Machine Learning. Модели позволяют предупредить инцидент до его возникновения и передать технику конкретный код поломки, один из 400 возможных, чтобы сократить время обслуживания. В результате сокращаются затраты на обслуживание и ремонт (одна поломка обходится минимум в 300$) и создается дополнительная ценность для клиентов: лифты становятся более надежными, безопасными, владельцы расположенных в зданиях магазинов, гостиниц и других организаций не несут убытки.
Результат: время бесперебойной работы лифтов выросло в среднем на 50%.
Узнать о нашей программе Big Data for Executives можно здесь. А тут новый набор на программу «Специалист по большим данным», и до 15 ноября действует скидка 15%.
- большие данные
- big data
- data science
- Блог компании New Professions Lab
- Data Mining
- Big Data
- Машинное обучение
Источник: habr.com
Big Data — что это и как использовать в своем бизнесе
Источником больших данных могут являться интернет-ресурсы (например, сайты, социальные сети, форумы), данные считывающих устройств (например, метеорологических зондов, датчиков связи), базы данных компаний, архивы и так далее.
Преимущества и недостатки использования больших данных
Big Data может быть ценным инструментов для бизнеса при условии грамотного использования. С помощью больших данных можно узнавать ценные сведения о клиентах, анализировать конкурентов, оптимизировать внутренние бизнес-процессы, выстраивать эффективные стратегии продвижения и многое другое.
Положительные стороны Big Data:
- Высокая скорость обработки и принятия решений. С помощью современных технологий можно обрабатывать огромные массивы информации за доли секунды, что позволяет принимать взвешенные и своевременные решения. Например, это применяется в области беспилотных перевозок – системы анализируют окружающую среду, дорожный трафик и множество других факторов, реагируя на любые изменения менее чем за 0,1 секунды. Ни один опытный водитель не имеет подобной скорости реакции.
- Надежная основа для принятия решений. Большие данные основаны на цифрах и фактах, поэтому отражают реальную картину мира. Благодаря этому вы сможете принимать обоснованные решения. Например, на основе покупательской активности в том или ином районе города компании принимают решение о расширении точек продаж.
- Результативность. Точная информация, получаемая при анализе Big Data, позволяет определять целевую аудиторию и влиять на нее в нужный момент. Например, через контекстную рекламу можно анализировать поведение пользователей и делать им персонализированные предложения.
- Выявление закономерностей. Огромный массив информации, ее хаотичность и разрозненность усложняют выявление причинно-следственных связей. Big Data позволяет определять эти закономерности.
Тем не менее, работа с Big Data имеет и ряд недостатков. Во-первых, она требует реорганизации бизнес-процессов. Чтобы собирать и обрабатывать огромные массивы данных, компании нужна хорошая техническая основа (ПО, мощные серверы, объемные хранилища) и сильная команда (в первую очередь, аналитики). А во-вторых, при работе с большими данными возникает риск их утечки, что грозит компании серьезными финансовыми и репутационными потерями.
Использование Big Data в бизнесе
Рассмотрим несколько примеров использования больших данных в современном бизнесе:
1. Составление портрета клиента
Каждый пользователь ежедневно оставляет «цифровые следы» – это лайки и публикации в социальных сетях, поисковые запросы, подборки товаров в интернет-магазинах. Благодаря Big Data можно упростить сбор и обработку этих данных. Информация о пользователе позволит создавать контент, который гарантированно привлечет внимание и вызовет заинтересованность, создавать персонализированные предложения для каждого, точно настраивать рекламные объявления и многое другое. Например, голосовой робот МТТ, действуя в паре с Big Data, делает индивидуальные предложения клиентам, что повышает конверсию в несколько раз.
2. Рост эффективности маркетинговых кампаний
Настраивая очередную кампанию в рекламном кабинете и анализируя ее результаты с помощью систем аналитики мы даже не задумываемся о том, что используем инструменты Big Data. А ведь именно они позволяют собирать, хранить и анализировать информацию, что позволяет из огромной аудитории настраивать показ рекламы на конкретных пользователей, фиксировать их действия (переходы, показы, длительность сессии), а затем оценивать эффективность кампании. За счет определения зависимости между разными показателями можно выявлять причины, оценивать тенденции, в результате чего повышать эффективность этих самых кампаний.
3. Отслеживание упоминаний
Вы наверняка не раз видели, как представители крупных брендов общаются с пользователями социальных сетей и форумов, реагируют на их критику, дают обратную связь и т.д. Разумеется, у этих компаний нет специальных отделов, в которых сотни сотрудников ежедневно мониторят все площадки – здесь используются технологии Big Data. С их помощью можно отслеживать упоминание бренда (а в некоторых случаях – еще и тональность этого упоминания) в соцсетях, на форумах, в СМИ, что позволяет своевременно реагировать и повышать лояльность среди клиентов.
Источник: www.mtt.ru