В 2017 году мировой доход на рынке больших данных и бизнес-аналитики достигнет 150,8 млрд долларов. Этот «пирог» будут делить между собой как провайдеры аналитики данных, так и компании, которые внедряют инструменты big data в бизнес-процессы. На конференции «Цифровая трансформация бизнеса» Максим Павловский, руководитель отдела решений Microsoft компании Softline, рассказал, как анализ больших данных уже помогает решать задачи бизнеса.
Для чего можно использовать big data
Сведения трансформируют в решения, а решения в действия. Современные инструменты, которые анализируют информацию и прогнозируют события, используют для любого сегмента рынка. Вот несколько сценариев применения big data-сервисов.
Анализ эффективности рекламы
До цифровой трансформации бизнеса эффективность рекламных кампаний не отслеживалась. Компании проверяли, насколько увеличивался объём бизнеса за определённый период времени. Вероятно, что люди не видели рекламу, а были попросту заинтересованы в товаре.
Сейчас же рекламодатели собирают и анализируют данные, после чего оценивают, насколько действенной оказалась кампания. Существуют программы, которые на основании демографических данных, истории посещений сайта (прошлых покупок) и статистики показов баннеров отображают персонализированную рекламу. Это сегментирует клиентов, компания выделяет целевые аудитории для конкретной маркетинговой компании – эффективность увеличивается, а затраты уменьшаются. Например, компания OTTO выводила контекстную рекламу в Hotmail, после чего доля переходов по персонализированным баннерам составила 8%.
Big data для маркетинговых кампаний
Требуется много времени, чтобы запланировать маркетинговую кампанию. Как правило, они не персонализированы, хотя компании обладают большим запасом данных о клиентах.
Компании собирают статические данные: дни рождения, семейное положение, место рождения и место жительства и т.д. Есть динамические факторы, которые используют для маркетинговых кампаний. Например, состояние карт-счёта в банке – на его основе анализируют поведение клиента, строят прогнозы и выдают индивидуальную информацию. Рассматривают историю покупок и баланс счёта (человек получил зарплату), мониторят социальные сети (женился или вышла замуж), фиксируют операции (закончились деньги на мобильном телефоне). После этого выдаются рекомендации: например, ссылка на сервис, где можно связать банковские аккаунты или пополнить счёт в одно касание.
Персональные рекомендации клиентам по остатку и оптимизации расхода средств
С помощью инструментов машинного анализа формируют поведенческую модель типичных пользователей и на её основе предлагают пользователям оптимизировать средства. Существуют инструменты, которые агрегируют счета и предлагают пользователям установить финансовые цели. После того, как человек вводит данные, банк выдаёт рекомендации, которые помогают оптимизировать затраты. Одновременно банк рекламирует товары и услуги.
Отток клиентов и борьба с этим
Задача – предугадать, какой клиент станет «отточным» и наладить с ним общение.
Важно разделять клиентов, которые отказываются от услуг и тех, кто переходит на улучшенную версию продукта или сервиса.Клиенты уходят по разным причинам: например, человека не устроило невысокое качество товара (обслуживания) или он выбрал новый продукт, предложенный конкурентом. Статистика показывает, что случается минимум 2 негативных момента, прежде чем человек отказывается от услуг компании.
Чем больше компания знает о клиенте, тем раньше она может заметить признаки недовольства. Своевременные профилактические меры удерживают потребителя. Опираясь на big data, можно прогнозировать, какие клиенты уйдут из компании (откажутся от сервиса), чтобы заранее предложить им альтернативный продукт.
Позиционно зависимые услуги
9 млрд долларов – объём рынка потребительских позиционно-зависимых услуг к 2017 году. Уже сейчас можно собирать данные GPS, уличных камер, базовых станций, дорожных датчиков, чтобы оперативно предоставлять потенциальным заказчикам интересные предложения – например, выгодные покупки в близлежащих магазинах.
Компании комбинируют данные GPS с информацией о меню ресторанов и ассортименте магазинов, чтобы помогать потребителям. Можно напоминать о расположенных поблизости ресторанах и магазинах и предоставлять хозяевам магазинов и ресторанов услуги по продвижению их продукции в Интернете; рекомендовать скидки и специальные предложения тем, кто находится рядом. Например, человек проходит мимо ресторана, и ему выдаёт push-уведомление, что в нескольких метрах есть заведение, где на обед 30% скидка. Возрастает лояльность клиента и удовлетворенность сервисом.
Когнитивные сервисы
Ещё одна часть современного анализа данных – это набор современных API-интерфейсов, которые в режиме реального времени анализируют видео, речь или язык.
В Skype общаются на разных языках в режиме реального времени. Uber использует когнитивные сервисы, чтобы распознавать лица водителей – они подтверждают свою личность селфи, которое загружают в приложение.
Законодательные проблемы
Существует законодательный акт, который мешает использовать облачные сервисы без ограничений. Это указ президента, по которому нельзя хранить конфиденциальные данные за пределами РБ. В то же время, все современные инструменты анализа информации – облачные центры.
Проблему можно решить законным путём. Например, один российский банк прогнозировал, сколько денег остаётся в банкоматах, чтобы экономить на этом деньги. Что было сделано в этом случае? Остаток денег – безусловно, конфиденциальные данные. Они обезличивались, и в режиме реального времени цифры передавали в облачную базу. На основе полученной информации и модели, которую строили, банк делал прогноз – сколько снимают денег в банкоматах. Далее прогнозные данные с облачного сервиса загружались в локальную базу, где сопоставлялись по идентификаторам.
Становилось видно, какой трафик привязан к конкретному банкомату. Банк проводил инкассацию, опираясь на полученную информацию, и экономил ресурсы: банкоматы не загружались каждый день, а оставшиеся деньги использовались для других нужд, например, выдачи кредитов. Таким образом, конфиденциальные данные не передавали в «облако», но при этом компания использовала облачные инструменты современной аналитики.
