Хабр, привет! На сегодняшний день технологии Big Data нашли свое применение практически в любых отраслях: ритейл, банкинг, здравоохранение, и, в свою очередь, сфера производства не стала исключением. Оптимизация производственной цепочки, выявление дефектов и контроль качества продукции, улучшение удобства использования продукта на основе поведения потребителей – неполный список результатов, которых можно достичь в производственной сфере благодаря Big Data. Рассмотрим несколько кейсов зарубежных и отечественных компаний, внедривших технологии больших данных в свою деятельность.
Зарубежные компании
1. Apple
Цель внедрения Big Data: использование данных о поведении потребителей для улучшения дизайна и удобства использования продукта.
Компания Apple всегда находилась на вершине технологического прогресса, поэтому неудивительно, что она повсеместно использует технологии Big Data. Более того, компания изначально находится в выигрышном положении, не только в связи с огромной популярностью ее продукции, но и потому что все девайсы Apple буквально созданы для того, чтобы собирать ценную информацию. Сейчас Apple имеет огромное количество данных о том, как мы используем Iphone, Ipad и Macbook, и может делать выводы о том, каким должен быть дизайн и характеристики последней версии девайса.
БОЛЬШИЕ ДАННЫЕ В ОФД 📈 КАК ИСПОЛЬЗОВАТЬ BIG DATA В БИЗНЕСЕ
Более того, кардинальным образом меняется подход к дизайну приложений: теперь не приложение диктует пользователю условия его использования, а потребители дают компании знать, что именно требует исправления в новой версии.
Кульминацией успешного использования Big Data компанией Apple является распространение Apple Watch, ведь теперь возможности сбора данных о пользователе становятся практически безграничными: в компании знают, что носитель часов ел, сколько шагов он прошел, какая у него температура. На данный момент эти данные используются в основном для улучшения здоровья потребителей.
Компания IBM также выразила заинтересованность в данной технологии и заключила с Apple партнёрское соглашение. Вместе компании собираются использовать Big Data для предотвращения распространения болезней, их лечения и профилактики.
Результат: повышение лояльности и уровня удовлетворенности клиентов.
2. GE Oil Gas – одно из подразделений многоотраслевой корпорации GE, которое занимается производством высокотехнологичного оборудования для нефтегазового сектора. В условиях, когда снижаются цены на энергоресурсы, а сутки «простоя» могут обойтись в 7 миллионов долларов, жизненно важно минимизировать время незапланированной остановки производства, необходимо увеличивать эффективность нефтедобычи.
Благодаря сенсорам, установленным на продаваемом оборудовании, аналитики компании получают оперативную информацию о состоянии нефтедобычи, а для анализа массивов данных в 2012 году была разработана облачная платформа Predix, которая, используя алгоритмы машинного обучения, позволяла инженерам составлять расписания диагностических проверок, улучшать эффективность использования оборудования и снижать время «простоя», выявляя возможные неисправности до того, как они произойдут.
Как большие данные помогают бизнесу привлекать клиентов, и сложно ли их использовать?
Результат: увеличение ежегодной добычи энергоресурсов и снижение убытков от неэффективного использования оборудования.
3. Nestlé
Цель внедрения Big Data: оптимизация производственной цепочки.
Nestlé — швейцарская компания, крупнейший в мире производитель продуктов питания. Для фабрик Nestlé очень важно соблюдать точность в планировании поставок, так как любое несовпадение во времени либо количестве приобретаемого сырья может привести к задержке производства продукции и неудовлетворенному спросу. Менеджер по продажам компании Davis Wu говорит: “Мы должны точнее планировать поставки, для того, чтобы наша продукция была как можно более свежей, когда она попадет на прилавки магазинов“.
Именно поэтому, компания обратилась к SAS для совместного внедрения SAS Forecast Server, который, используя данные по продажам за предыдущие периоды и оптимизационные алгоритмы, автоматически определяет спрос на материалы и формирует логистические цепочки поставок.
Результат: снижение ошибки при прогнозировании спроса на материалы вдвое, снижение убытков от хранения избыточных оборотных средств, убытков от задержек в производстве и т.д.
4. Intel
Цель внедрения Big Data: снижение себестоимости продукции.
Компания Intel занимается производством компьютерных компонентов, в частности, микропроцессоров, каждый из которых, перед тем как выйти на рынок, должен пройти около 19000 тестов. Анализируя данные по всему производственному процессу, аналитическая платформа способна выявлять, какие тесты проводить не потребуется, оставляя лишь часть необходимых проверок. Таким образом, существенно уменьшилось время тестирования микропроцессоров, а также затраты на проведение тестов.
Результат: экономия 3 миллионов долларов на одной линейке процессоров Intel Core. За счет увеличения использования технологии Big Data в производстве компания ожидает сэкономить еще 30 млн долларов.
Отечественные компании
1. Магнитогорский металлургический комбинат (ММК)
Цель внедрения Big Data: оптимизация расходов материалов при производстве стали.
ОАО «Магнитогорский металлургический комбинат» входит в число крупнейших мировых производителей стали и занимает лидирующие позиции среди предприятий черной металлургии России. В конце июня 2016 года в опытнопромышленную эксплуатацию был внедрен рекомендательный сервис от Yandex Data Factory – «Снайпер», который предназначается для оптимизации расхода ферросплавов и добавочных материалов при производстве стали. Аналитическая платформа обрабатывает параметры плавки: данные по исходному составу и массе шихты, требования по содержанию химических элементов в готовой стали и другие, а затем выдает соответствующие рекомендации.
Результат: предварительное тестирование сервиса показало, что экономия при его использовании составляет в среднем 5% или 275 млн рублей в год.
2. Газпром нефть
Цель внедрения Big Data: выявление причин сбоя работы оборудования.
«Газпром нефть» совместно с Teradata (американская компания специализируется на программно-аппаратных комплексах для обработки и анализа данных) реализовали проект внедрения предиктивной аналитики в процессы управления электроцентробежными насосами. Целью проекта, интеграция которого завершилась в августе 2015 г., стало выявление причин сбоя автоматического перезапуска насосов после аварийного отключения электропитания. В процессе анализа были использованы более 200 млн записей с контроллеров систем управления на 1649 скважинах и, в результате были созданы визуализированные модели цепочек событий, влияющие на самозапуск насосов и карты вероятностного распределения причинно-следственных связей.
Результат: получение информации о ранее неизвестных взаимосвязях в работе насосного оборудования и устранение возникших неполадок.
3. Сургутнефтегаз
Цель внедрения Big Data: оптимизация бизнес-процессов, сокращение времени подготовки отчетов и обработки данных.
«Сургутнефтегаз» — одно из крупнейших предприятий российской нефтегазовой отрасли, первым из российских компаний в 2012 году перешел на SAP HANA — платформу данных и приложений «in-memory» для ведения бизнеса в реальном времени. В результате, внедрение данной платформы привело к масштабным изменениям бизнес-процессов кампании. Разработчикам удалось автоматизировать учет продукции, расчет скользящих цен онлайн, обеспечив специалистов наиболее актуальной информацией, при этом запросы, которые ранее обрабатывались несколько часов, SAP HANA выполняет за несколько секунд. Также происходит значительная экономия аппаратных ресурсов благодаря вышеуказанному in-memory computing, при котором основным хранилищем данных является центральная память сервера, обеспечивающая значительно более высокую скорость операций чем отдельные диски, а также линейной масштабируемости, позволяющей параллельно обрабатывать запросы пользователей в оперативной памяти всех серверов.
Результат: Значительное увеличение эффективности бизнес-процессов в компании.
21 сентября стартует программа «Специалист по большим данным», при предоплате до 21 мая вы получите скидку 15% на обучение.
- 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
Как крупные компании используют big data: 5 направлений и 12 кейсов
Большие данные уже перестали быть просто трендом. Сейчас для крупных компаний это незаменимый драйвер бизнеса, который позволяет прокачать все его составляющие: от пользовательского пути до поиска перспективных отраслей масштабирования дела.
6951 просмотров
Big data плотно исследуют уже больше десяти лет, но и сейчас многие эксперты утверждают, что компании даже близко не подобрались к раскрытию реальных возможностей технологии. И мы в Platforma с этим согласны, поэтому сегодня делимся с вами большим материалом, который подготовила команда ProjectPro. Они собрали более 20 кейсов, как бизнес использует большие данные, и выделили 5 основных направлений. Специально для вас мы адаптировали перевод на русский и выделили 12 самых интересных проектов с big data, а также рассказали об одном бонусном кейсе в сфере MedTech. Поехали!
- Как Amazon отслеживает цены на товары
- ФК Atlanta Falcons следит за передвижением игроков
- Как авиакомпания Delta отслеживает негатив в медиа
- Универмаг Macy’s предугадывает спрос на куртки с помощью Twitter
- Bank of America рассчитывает персонифицированный кэшбек
- Как компания Target узнает о беременности клиенток
- McDonald’s уменьшает издержки
- WarnerMedia узнает о политических взглядах зрителей
- Как Amazon формирует персонифицированную ленту предложений
- Университет Пёрдью следит за успеваемостью студентов
- Прогнозирование заболеваний в Ayasdi
- Как K Health определяет болезни клиентов
- Страховое бюро Канады (IBC) вычисляет мошенников
Начнем с кейсов, которые эксперты ProjectPro решили не классифицировать, но хотели о них рассказать.
Как компания Amazon использует большие данные
У компании Amazon около 1 млн кластеров Hadoop, которые обеспечивают управление рисками, работу партнерских сетей, обновление веб-сайтов, работу систем машинного обучения и многое другое. И в 2011 году концерн запустил рекламную акцию со словами: «Amazon платит покупателю пять долларов, если он уходит из магазина без покупки». Необычно, правда?
Amazon и сейчас дает скидку в пять долларов всем, кто пользуется мобильным приложением Amazon Price Check. Оно служит для сканирования и фотографирования товаров в магазинах, а также поиска самых выгодных предложений. Но еще покупатель может отмечать цены на товары, которые продают в других магазинах.
Так в Amazon следят за тем, чтобы цены были выгодными для покупателей, а сама компания получала конкурентное преимущество. Amazon собирает информацию о ценообразовании своих конкурентов. И эти данные используются для эффективной работы в быстро меняющейся и высококонкурентной среде онлайн-торговли, где главные факторы успеха – это цена и реклама.
Как лидеры среди спортивных компаний используют большие данные
Футбольный клуб Atlanta Falcons, входящий в NFL (Национальную лигу американского футбола), использует технологию GPS для сбора и анализа данных о передвижении игроков по полю во время тренировок. Используя аналитику на основе этих данных, тренер может выстроить оптимальную тактику игры.
Интересная ситуация также и в мире виртуального спорта. Количество геймеров в мире выросло с 200 млн до 1,5 млрд. Компании Electronic Arts и Riot Games используют большие данные, чтобы следить за ходом реальных спортивных состязаний и предсказывать характеристики и развитие игроков. Чтобы сделать один успешный анализ, нужно обработать около 4 терабайт операционных журналов и 500 гигабайт структурированных данных.
1. Анализ публикаций и комментариев в соцсетях
Мир больших данных среди прочего включает в себя общение людей в сети, различные обзоры, отзывы и комментарии. Количество каналов коммуникации постоянно растет, а компании все чаще общаются со своими потребителями с помощью социальных сетей.
Чтобы удовлетворять потребности клиентов, крайне важно грамотно анализировать их мнение о товарах и услугах. Big data социальных сетей дают достаточно информации для анализа настроений пользователей. В свою очередь, это обеспечивает четкое понимание — что нужно делать, чтобы победить в конкурентной борьбе.
Компании часто задействуют большие данные, полученные при помощи различных коммерческих решений, например, данные о просмотренных страницах, посещаемых сайтах и другие. Они также анализируют комментарии в социальных сетях, обзоры и отзывы на разных форумах. С помощью собранных данных специалисты могут быстро и адекватно реагировать на позитивные или негативные комментарии, оперативно решать возникающие проблемы. Таким образом, анализ онлайн-публикаций потребителей получается более объективным и его результаты можно использовать при разработке продуктов и планировании рекламных кампаний.
Работа с негативом от авиакомпании Delta
Авиакомпании достаточно часто используют анализ отзывов для повышения качества своих услуг. К примеру, компания Delta следит за сообщениями в Twitter, чтобы узнать, как их клиенты реагируют на задержки рейсов, изменения в графиках, процесс перелета и многое другое. И если клиент публикует негативный твит — например, о потере багажа при пересадке на другой рейс — авиакомпания мгновенно отслеживает его и отправляет запрос в службу поддержки.
В свою очередь, служба поддержки отправляет своего представителя в пункт пересадки пассажира и предлагает решение проблемы. К примеру, клиент продолжит полет в первом классе и получит обещание, что ему доставят багаж к моменту, когда путешествие будет закончено. После этого всю оставшуюся часть полета пассажир пишет уже положительные твиты, укрепляя репутацию и узнаваемость компании.
Анализ трендов и тенденций от бренда Macy’s
Американская сеть универмагов Macy’s собирает большие данные об интересах клиентов на основе покупок сезонных товаров, динамики цен, демографических показателей, цветовых предпочтений, места проживания и еще целого ряда характеристик. Далее специалисты отслеживают положительные и отрицательные отзывы о товарах в социальных сетях. И как результат, с помощью систем прогностического анализа они могут предугадывать тенденции, которые способны повлиять на доход компании.
К примеру, с помощью анализа публикаций в соцсетях компания Macy’s узнала, что люди, которые пишут в Twitter о куртках, часто используют названия Michael Kors и Louis Vuitton. Подобная информация помогает определить, какие бренды курток стоит предлагать со скидкой, чтобы привлечь больше клиентов.
Аналитические системы Macy’s даже могут предугадывать желания клиентов, благодаря грамотной сегментации. Более точные предложения лучше привлекают внимание и вовлекают потенциальных потребителей, что в конечном итоге приводит к покупке товара.
2. Анализ поведения клиентов
48% организаций используют big data, чтобы получить максимально полное представление о клиентском опыте.
Главная прелесть больших данных — с их помощью можно с высокой точностью понять поведение клиента. Причем не только понять, но и предугадать в будущем. Этот механизм уже помог некоторым компаниям в десятки раз повысить свои доходы.
Компания Amazon одной из первых внедрила рекомендации товаров на основе интересов посетителей. А сейчас то же самое делают и десятки других компаний: Spotify, Pinterest, Netflix и многих других.
Кэшбэк от Bank of America
Bank of America анализирует истории покупок по кредитным и дебетовым картам своих клиентов. А затем формирует персонифицированные cashback-предложения с помощью собственной системы бонусов BankAmeriDeals.
Прогноз жизненных событий клиентов от Target
Компания Target анализирует поведение клиентов, чтобы предугадывать разные события в их жизни.
К примеру, с помощью big data специалисты компании Target выявили 25 товаров, заказ которых с высокой долей вероятности позволяет определить, что покупательница беременна. Среди них витаминные добавки, лосьоны без запаха и другие неочевидные товары.
На основе сделанных выводов компания Target формирует специальную рассылку для женщин. Так компания смогла значительно увеличить продажи товаров для новорожденных, особенно после запуска рекламной кампании, созданной на основе результатов анализа покупательского поведения клиентов.
Оптимизация работы ресторанов McDonald’s
Рестораны быстрого питания McDonald’s ежедневно посещают 62 млн людей. Только вдумайтесь, каждую секунду компания продает 75 бургеров. А ежегодная выручка компании составляет 27 млрд долларов.
McDonald’s активно использует анализ big data, чтобы оптимизировать работу ресторанов и улучшить качество обслуживания клиентов. Аналитики собирают и учитывают десятки факторов, среди которых время ожидания и размер заказа клиентов, предпочитаемые блюда и разнообразные привычки покупателей. Всё это позволяет улучшить работу ресторанов в каждой конкретной локации. Например, компания может повысить число продавцов на точке, в которой наблюдались очереди покупателей, поставить больше продуктов туда, где они пользуются большим спросом.
3. Сегментация клиентов
Расходы на привлечение клиентов постоянно растут, поэтому для компаний важно правильно сегментировать аудитории и проводить более результативные рекламные кампании.
Бренды получают информацию о клиентах из самых разных источников: от социальных сетей до биллинга банковских операций. Также специалисты анализируют данные учетных записей клиентов, отслеживают историю покупок. Все это помогает компаниям с высокой точностью определять интересы клиентов и формировать для них персонализированные рекламные предложения. А это, в свою очередь, значительно снижает расходы на привлечение новых покупателей.
Благодаря анализу big data, расходы на привлечение клиентов можно уменьшить на 30%. Эксперты издания Harvard Business Review отмечают, что с помощью персонифицированной рекламы некоторые компании смогли на 70% повысить показатели конверсии. И это круто.
Детальная работа с аудиторией в WarnerMedia
WarnerMedia – это огромная медийная компания, которая работает в более чем 150 странах. У нее почти 14 млн клиентов, из которых 7,9 млн — ее постоянные подписчики.
Каждый день компания собирает около 0,6 терабайт данных. И они в полной мере используются для создания персонализированных рекламных кампаний. Системы анализа WarnerMedia учитывают данные о просмотрах программ на локальном уровне, демографические показатели, регистрационную информацию пользователей и даже данные из реестра владельцев недвижимости. Обработка этой информации позволяет понять индивидуальные предпочтения клиентов, их политические взгляды, информацию о доходах. Так WarnerMedia может оперативно корректировать рекламу в зависимости от того, как люди реагируют на нее на разных платформах.
Персонифицированная лента рекомендованных товаров в Amazon
Зайдите на сайт Amazon и посмотрите, какие товары вам порекомендуют купить. Гарантируем, что они точно будут отличаться от тех, которые Amazon предложит вашему другу. Как они это делают? Очень просто.
Каждый раз, когда пользователь заходит в свою учетную запись на сайте Amazon, совершает покупку или просто смотрит товары на сайте, система собирает всю эту информацию. Когда клиент приходит еще раз, то сайт предлагает ему товары, учитывая его предыдущие покупки и историю поиска.
Такой подход позволяет компании Amazon находить тенденции среди клиентов, совершающих похожие покупки. К примеру, если 75% покупателей iPhone заказывают портативный внешний аккумулятор, то Amazon начинает предлагать этот аккумулятор всем, кто выбирает iPhone. Сегментируя клиентов по интересам и покупательским привычкам, Amazon предлагает им больший выбор товаров и подталкивает сделать дополнительную покупку.
4. Использование прогностического анализа
Сегодня компании хотят знать будущее, чтобы увеличить свои продажи. В разных отраслях экономики разработка моделей прогнозирования на основе больших данных становится одним из главных приоритетов.
Повышение успеваемости студентов в университете Пёрдью, штат Индиана
Американский университет Пёрдью использует анализ big data, чтобы повышать уровень успеваемости собственных студентов.
Специальная система Signals отслеживает и анализирует уровень успеваемости студентов по разным предметам. Она позволяет находить отстающих студентов и на основе полученных данных формирует и отправляет студентам сообщения. Также Signals предупреждает учащихся о пробелах в знаниях и рассказывает о негативных последствиях, которые могут у них возникнуть на дальнейших этапах обучения.
Прогнозирование заболеваний в Ayasdi
В своей работе компания Ayasdi использует анонимизированные данные пациентов, которые болели раком груди в последние 20 лет. Массивы информации обрабатываются с помощью специальной технологии на основе машинного обучения IRIS.
Ayasdi разработала специальные структуры данных, полученных от пациентов с раком груди или лейкемией. И благодаря их анализу были обнаружены общие черты, которые могут помочь в прогнозировании и поиске новых способов лечения раковых заболеваний.
К слову, MedTech — это молодая и быстроразвивающаяся отрасль. Ежегодно на рынке появляются новые сервисы и продукты, способные по-настоящему улучшить жизнь людей. Мы хотим поделиться с вами отдельным кейсом, не вошедшим в подборку издания, но заслужившим наше восхищение.
Анализ заболеваний от K Health
Мобильное приложение K Health помогает определить заболевание по его симптомам. Оно подключено к нейронной сети, обученной на сотнях тысячах историй болезней. Принадлежит разработка второй второй по величине больничной кассой Израиля Maccabi Health Care Services.
Механизм его работы простой: пользователи должны ответить на несколько вопросов о своем самочувствии и об имеющихся симптомах, после чего они получают выгрузку по схожим случаям заболеваний и оценку вероятности их совпадения со своей ситуацией. Сервис помогает пользователям быстро определить возможные заболевания и методы их лечения, а также при необходимости получить назначение лекарств или встречи с врачом.
5. Выявление мошенничества
Финансовые преступления, мошеннические иски и несанкционированный доступ к данным – это наиболее распространенные проблемы, с которыми сталкиваются компании в самых разных отраслях.
Выявление и предотвращение мошенничества было крупной общемировой проблемой для всех отраслей экономики задолго до появления big data. Но именно анализ больших данных помогает компаниям находить, предотвращать и пресекать любые внутренние и внешние виды мошенничества.
К примеру, аналитические алгоритмы могут предупредить банк о том, что у пользователя была украдена кредитная или дебетовая карта, если обнаружат нехарактерные для этой карты операции. Таким образом, банк может временно приостановить обслуживание, чтобы связаться с держателем карты и выяснить, что происходит.
Страховое бюро Канады (IBC) борется с мошенническими исками
Страховое бюро Канады (IBC) представляет интересы владельцев автомобилей, жилой недвижимости и бизнеса. Оно пользуется решениями компании IBM для анализа больших данных, которые позволяют выявлять подозрительные страховые иски.
За последние 6 лет аналитические системы IBC обработали свыше 233 тыс. страховых исков. Так бюро смогло обнаружить попытки мошенничества на сумму около 41 млн канадских долларов. В Страховом бюро Канады считают, что программные решения для анализа big data позволяют автомобильной промышленности Онтарио экономить около 200 млн канадских долларов ежегодно, например, за счет предотвращения мошенничеств со страховкой.
Анализ big data уже давно превратился из популярного тренда в must-have инструмент для среднего и крупного бизнеса. При правильном использовании и достаточном количестве информации big data способна прокачать абсолютно любую сферу бизнеса или его отдельные составляющие: от клиентского пути и маркетинга до стратегического планирования и масштабирования.
Эти кейсы, которые собрала команда ProjectPro — лишь крайне малая часть примеров, как большие данные на самом деле используются предпринимателями. Согласно данным агентства Statista, 57% компаний крупного и среднего бизнеса во всем мире используют анализ больших данных в работе. Это тысячи компаний по всему земному шару. А 27% топ-менеджеров считают их проекты big data сверхуспешными для бизнеса.
Большие данные — это не будущее, это уже настоящее. И от того, насколько эффективно компании и бренды будут их использовать, во многом будет зависеть их место на глобальном рынке.
Источник: vc.ru