تقبل مثل البيانات: كيف تتعلم الشركات الاستفادة من البيانات الضخمة

من خلال تحليل البيانات الضخمة ، تتعلم الشركات الكشف عن الأنماط المخفية وتحسين أداء أعمالها. الاتجاه عصري ، ولكن لا يمكن للجميع الاستفادة من البيانات الضخمة بسبب عدم وجود ثقافة العمل معهم

"كلما كان اسم الشخص أكثر شيوعًا ، زادت احتمالية دفعه في الوقت المحدد. كلما زاد عدد الطوابق في منزلك ، زادت إحصائية أنك مقترض أفضل. يقول ستانيسلاف دوزينسكي ، المحلل في بنك الائتمان المنزلي ، حول الأنماط غير المتوقعة في سلوك المقترضين: "إن علامة البروج ليس لها أي تأثير تقريبًا على احتمالية استرداد الأموال ، ولكن النمط النفسي له تأثير كبير". إنه لا يتعهد بشرح العديد من هذه الأنماط - فقد تم الكشف عنها بواسطة الذكاء الاصطناعي ، الذي عالج الآلاف من ملفات تعريف العملاء.

هذه هي قوة تحليلات البيانات الضخمة: من خلال تحليل كمية هائلة من البيانات غير المهيكلة ، يمكن للبرنامج اكتشاف العديد من الارتباطات التي لا يعرفها حتى المحلل البشري الأكثر حكمة. تمتلك أي شركة قدرًا هائلاً من البيانات غير المنظمة (البيانات الضخمة) - حول الموظفين والعملاء والشركاء والمنافسين ، والتي يمكن استخدامها لمنفعة الأعمال: تحسين تأثير الترقيات ، وتحقيق نمو المبيعات ، وتقليل معدل دوران الموظفين ، إلخ.

كان أول من عمل مع البيانات الضخمة هو شركات التكنولوجيا والاتصالات الكبيرة والمؤسسات المالية والتجزئة ، كما يعلق رافيل مفتخوف ، مدير مجموعة ديلويت للتكنولوجيا المتكاملة ، رابطة الدول المستقلة. الآن هناك اهتمام بمثل هذه الحلول في العديد من الصناعات. ما الذي حققته الشركات؟ وهل يؤدي تحليل البيانات الضخمة دائمًا إلى استنتاجات قيمة؟

ليس من السهل تحميل

تستخدم البنوك خوارزميات البيانات الضخمة في المقام الأول لتحسين تجربة العملاء وتحسين التكاليف ، وكذلك لإدارة المخاطر ومكافحة الاحتيال. يقول دوزينسكي: "في السنوات الأخيرة ، حدثت ثورة حقيقية في مجال تحليل البيانات الضخمة". "يسمح لنا استخدام التعلم الآلي بالتنبؤ باحتمالية التخلف عن سداد القروض بشكل أكثر دقة - التأخر في السداد في مصرفنا هو 3,9،1٪ فقط." للمقارنة ، اعتبارًا من 2019 يناير 90 ، كانت حصة القروض ذات المدفوعات المتأخرة على مدى 5 يومًا على القروض الصادرة للأفراد ، وفقًا للبنك المركزي ، XNUMX ٪.

حتى مؤسسات التمويل الأصغر تحيرها دراسة البيانات الضخمة. يقول أندري بونوماريف ، الرئيس التنفيذي لشركة Webbankir ، وهي منصة إقراض عبر الإنترنت: "إن تقديم الخدمات المالية دون تحليل البيانات الضخمة اليوم يشبه إجراء العمليات الحسابية بدون أرقام". "نصدر الأموال عبر الإنترنت دون رؤية العميل أو جواز سفره ، وعلى عكس الإقراض التقليدي ، لا يجب علينا فقط تقييم ملاءة الشخص ، ولكن أيضًا تحديد شخصيته".

الآن تخزن قاعدة بيانات الشركة معلومات عن أكثر من 500 ألف عميل. يتم تحليل كل تطبيق جديد باستخدام هذه البيانات في حوالي 800 معلمة. لا يأخذ البرنامج في الاعتبار الجنس والعمر والحالة الاجتماعية والتاريخ الائتماني فحسب ، بل يأخذ أيضًا في الاعتبار الجهاز الذي دخل منه الشخص إلى المنصة ، وكيف يتصرف على الموقع. على سبيل المثال ، قد يكون من المثير للقلق أن المقترض المحتمل لم يستخدم آلة حاسبة للقرض أو لم يستفسر عن شروط القرض. يوضح بونوماريف قائلاً: "باستثناء بعض عوامل التوقف - لنقل ، لا نصدر قروضًا للأشخاص الذين تقل أعمارهم عن 19 عامًا - لا يعد أي من هذه المعايير في حد ذاته سببًا لرفض أو الموافقة على إصدار قرض". إنه مزيج من العوامل التي تهم. في 95٪ من الحالات يتم اتخاذ القرار بشكل آلي دون مشاركة مختصين من دائرة الاكتتاب.

إن تقديم الخدمات المالية دون تحليل البيانات الضخمة اليوم يشبه إجراء العمليات الحسابية بدون أرقام.

يسمح لنا تحليل البيانات الضخمة باشتقاق أنماط مثيرة للاهتمام ، كما يشارك بونوماريف. على سبيل المثال ، تبين أن مستخدمو iPhone هم أكثر انضباطًا في الاقتراض من أصحاب أجهزة Android - يتلقى المستخدمون السابقون الموافقة على التطبيقات بمعدل 1,7 مرة أكثر. يقول بونوماريف: "حقيقة أن الأفراد العسكريين لا يسددون قروضًا بمعدل الربع تقريبًا أقل من المقترض العادي لم تكن مفاجأة". "ولكن لا يُتوقع عادةً من الطلاب أن يكونوا ملزمين ، ولكن في الوقت نفسه ، تكون حالات التخلف عن السداد الائتماني أقل شيوعًا بنسبة 10٪ من متوسط ​​القاعدة."

تتيح دراسة البيانات الضخمة تسجيل النقاط لشركات التأمين أيضًا. تأسست IDX في عام 2016 ، وتشارك في تحديد الهوية والتحقق من المستندات عبر الإنترنت. هذه الخدمات مطلوبة بين شركات تأمين الشحن المهتمة بخسارة البضائع بأقل قدر ممكن. قبل التأمين على نقل البضائع ، تقوم شركة التأمين ، بموافقة السائق ، بفحص الموثوقية ، كما يوضح جان سلوكا ، المدير التجاري لشركة IDX. بالتعاون مع شريك - شركة "Risk Control" في سانت بطرسبرغ - طورت IDX خدمة تتيح لك التحقق من هوية السائق وبيانات جواز السفر والحقوق والمشاركة في الحوادث المتعلقة بفقدان البضائع وما إلى ذلك. بعد التحليل في قاعدة بيانات السائقين ، حددت الشركة "مجموعة مخاطر": في أغلب الأحيان ، تُفقد البضائع بين السائقين الذين تتراوح أعمارهم بين 30 و 40 عامًا ممن لديهم خبرة طويلة في القيادة ، والذين غالبًا ما غيّروا وظائفهم مؤخرًا. اتضح أيضًا أن الشحنة غالبًا ما يسرقها سائقي السيارات ، والتي تتجاوز مدة خدمتها ثماني سنوات.

بحثا عن

لدى بائعي التجزئة مهمة مختلفة - تحديد العملاء المستعدين لإجراء عملية شراء ، وتحديد أكثر الطرق فعالية لإحضارهم إلى الموقع أو المتجر. تحقيقا لهذه الغاية ، تقوم البرامج بتحليل ملف تعريف العملاء ، والبيانات من حساباتهم الشخصية ، وسجل المشتريات ، واستعلامات البحث واستخدام نقاط المكافأة ، ومحتويات السلال الإلكترونية التي بدأوا في تعبئتها والتخلي عنها. تسمح لك تحليلات البيانات بتقسيم قاعدة البيانات بأكملها وتحديد مجموعات المشترين المحتملين الذين قد يكونون مهتمين بعرض معين ، كما يقول كيريل إيفانوف ، مدير مكتب البيانات لمجموعة M.Video-Eldorado.

على سبيل المثال ، يحدد البرنامج مجموعات من العملاء ، كل منهم يحب أدوات تسويق مختلفة - قرض بدون فوائد أو استرداد نقدي أو رمز ترويجي للخصم. يتلقى هؤلاء المشترون رسالة إخبارية بالبريد الإلكتروني مع العرض الترويجي المقابل. يلاحظ إيفانوف أن احتمال انتقال الشخص ، بعد فتح الرسالة ، إلى موقع الشركة على الويب ، في هذه الحالة يزداد بشكل كبير.

يسمح لك تحليل البيانات أيضًا بزيادة مبيعات المنتجات والملحقات ذات الصلة. يعطي النظام ، الذي قام بمعالجة سجل الطلبات للعملاء الآخرين ، توصيات للمشتري بشأن ما يجب شراؤه مع المنتج المحدد. أظهر اختبار طريقة العمل هذه ، وفقًا لإيفانوف ، زيادة في عدد الطلبات مع الملحقات بنسبة 12٪ وزيادة في معدل دوران الملحقات بنسبة 15٪.

تجار التجزئة ليسوا وحدهم الذين يسعون جاهدين لتحسين جودة الخدمة وزيادة المبيعات. في الصيف الماضي ، أطلقت MegaFon خدمة عرض "ذكية" تعتمد على معالجة البيانات من ملايين المشتركين. بعد دراسة سلوكهم ، تعلم الذكاء الاصطناعي تشكيل عروض شخصية لكل عميل ضمن التعريفات. على سبيل المثال ، إذا لاحظ البرنامج أن شخصًا ما يشاهد الفيديو بنشاط على جهازه ، فستعرض عليه الخدمة زيادة مقدار حركة مرور الهاتف المحمول. مع الأخذ في الاعتبار تفضيلات المستخدمين ، توفر الشركة للمشتركين حركة مرور غير محدودة لأنواعهم المفضلة من الترفيه عبر الإنترنت - على سبيل المثال ، استخدام برامج المراسلة الفورية أو الاستماع إلى الموسيقى على خدمات البث أو الدردشة على الشبكات الاجتماعية أو مشاهدة البرامج التلفزيونية.

يوضح فيتالي شيرباكوف ، مدير تحليلات البيانات الضخمة في MegaFon: "نحن نحلل سلوك المشتركين ونفهم كيف تتغير اهتماماتهم". "على سبيل المثال ، هذا العام ، نمت حركة المرور على AliExpress 1,5 مرة مقارنة بالعام الماضي ، وبشكل عام ، فإن عدد الزيارات إلى متاجر الملابس عبر الإنترنت يتزايد: 1,2-2 مرات ، اعتمادًا على المورد المحدد."

مثال آخر على عمل عامل لديه بيانات ضخمة هو منصة MegaFon Poisk للبحث عن الأطفال والبالغين المفقودين. يقوم النظام بتحليل الأشخاص الذين يمكن أن يكونوا بالقرب من مكان الشخص المفقود ، ويرسل إليهم معلومات مع صورة وعلامات الشخص المفقود. قام المشغل بتطوير النظام واختباره مع وزارة الشؤون الداخلية ومنظمة Lisa Alert: في غضون دقيقتين من التوجيه إلى الشخص المفقود ، يتلقى أكثر من ألفي مشترك ، مما يزيد بشكل كبير من فرص الحصول على نتيجة بحث ناجحة.

لا تذهب إلى PUB

وجد تحليل البيانات الضخمة أيضًا تطبيقًا في الصناعة. هنا يسمح لك بالتنبؤ بالطلب وتخطيط المبيعات. لذلك ، في مجموعة شركات Cherkizovo ، قبل ثلاث سنوات ، تم تنفيذ حل يعتمد على SAP BW ، والذي يسمح لك بتخزين ومعالجة جميع معلومات المبيعات: الأسعار ، والتشكيلة ، وحجم المنتجات ، والعروض الترويجية ، وقنوات التوزيع ، كما يقول فلاديسلاف بيلييف ، رئيس قسم المعلومات. المجموعة "تشيركيزوفو. إن تحليل 2 تيرابايت من المعلومات المتراكمة لم يجعل من الممكن فقط تشكيل مجموعة متنوعة وتحسين حافظة المنتجات بشكل فعال ، ولكن أيضًا سهّل عمل الموظفين. على سبيل المثال ، قد يتطلب إعداد تقرير مبيعات يومي عملًا يوميًا للعديد من المحللين - اثنان لكل قطاع منتج. الآن تم إعداد هذا التقرير بواسطة الروبوت ، حيث يقضي 30 دقيقة فقط على جميع القطاعات.

يقول ستانيسلاف ميشكوف ، الرئيس التنفيذي لشركة Umbrella IT: "في الصناعة ، تعمل البيانات الضخمة بشكل فعال مع إنترنت الأشياء". "استنادًا إلى تحليل البيانات من المستشعرات التي تم تجهيز الجهاز بها ، من الممكن تحديد الانحرافات في تشغيلها ومنع الأعطال والتنبؤ بالأداء."

في Severstal ، بمساعدة البيانات الضخمة ، يحاولون أيضًا حل المهام غير التافهة - على سبيل المثال ، لتقليل معدلات الإصابة. في عام 2019 ، خصصت الشركة حوالي 1,1،2025 مليار روبل لإجراءات تحسين سلامة العمال. يتوقع Severstal خفض معدل الإصابة بنسبة 50٪ بنسبة 2017 (مقارنة بعام XNUMX). "إذا لاحظ المدير المباشر - فورمان ، مدير الموقع ، مدير المتجر - أن الموظف يؤدي عمليات معينة بشكل غير آمن (لا يتمسك بالدرابزين عند صعود السلالم في الموقع الصناعي أو لا يرتدي جميع معدات الحماية الشخصية) ، يكتب ذلك ملاحظة خاصة له - PAB (من "تدقيق الأمان السلوكي") ، كما يقول بوريس فوسكريسينسكي ، رئيس قسم تحليل البيانات في الشركة.

بعد تحليل البيانات المتعلقة بعدد PABs في أحد الأقسام ، وجد متخصصو الشركة أن قواعد السلامة غالبًا ما يتم انتهاكها من قبل أولئك الذين كانت لديهم بالفعل ملاحظات عديدة من قبل ، وكذلك من قبل أولئك الذين كانوا في إجازة مرضية أو في إجازة قبل فترة وجيزة. الحادث. كانت الانتهاكات في الأسبوع الأول بعد العودة من الإجازة أو الإجازة المرضية ضعف ما كانت عليه في الفترة اللاحقة: 1 مقابل 0,55،XNUMX٪. لكن العمل في النوبة الليلية ، كما اتضح ، لا يؤثر على إحصائيات PABs.

بعيدة كل البعد عن الواقع

يقول ممثلو الشركة إن إنشاء خوارزميات لمعالجة البيانات الضخمة ليس أصعب جزء في العمل. من الصعب فهم كيفية تطبيق هذه التقنيات في سياق كل عمل محدد. هذا هو المكان الذي يكمن فيه كعب أخيل لمحللي الشركات وحتى المزودين الخارجيين ، والذين ، على ما يبدو ، قد اكتسبوا خبرة متراكمة في مجال البيانات الضخمة.

يقول سيرجي كوتيك ، مدير التطوير في GoodsForecast: "كثيرًا ما التقيت بمحللي البيانات الضخمة الذين كانوا علماء رياضيات ممتازين ، لكن لم يكن لديهم الفهم اللازم لعمليات الأعمال". يتذكر كيف أتيحت لشركته قبل عامين الفرصة للمشاركة في مسابقة التنبؤ بالطلب لسلسلة البيع بالتجزئة الفيدرالية. تم اختيار منطقة تجريبية لجميع السلع والمخازن التي قام المشاركون بعمل توقعات لها. ثم تمت مقارنة التوقعات بالمبيعات الفعلية. احتل المركز الأول أحد عمالقة الإنترنت الروس ، المعروف بخبرته في التعلم الآلي وتحليل البيانات: فقد أظهر في توقعاته انحرافًا طفيفًا عن المبيعات الفعلية.

ولكن عندما بدأت الشبكة في دراسة توقعاته بمزيد من التفصيل ، اتضح أنها غير مقبولة على الإطلاق من وجهة نظر الأعمال. قدمت الشركة نموذجًا أنتج خطط مبيعات بتخفيض منهجي. اكتشف البرنامج كيفية تقليل احتمالية حدوث أخطاء في التنبؤات: من الأكثر أمانًا التقليل من قيمة المبيعات ، نظرًا لأن الحد الأقصى للخطأ يمكن أن يكون 100٪ (لا توجد مبيعات سلبية) ، ولكن في اتجاه الإفراط في التنبؤ ، يمكن أن يكون كبيرًا بشكل تعسفي ، يشرح Kotik. بمعنى آخر ، قدمت الشركة نموذجًا رياضيًا مثاليًا ، والذي سيؤدي في الظروف الحقيقية إلى مخازن نصف فارغة وخسائر فادحة من البيع الناقص. ونتيجة لذلك ، فازت شركة أخرى بالمنافسة ، والتي يمكن وضع حساباتها موضع التنفيذ.

"ربما" بدلاً من البيانات الضخمة

يلاحظ ميشكوف أن تقنيات البيانات الضخمة ذات صلة بالعديد من الصناعات ، لكن تنفيذها النشط لا يحدث في كل مكان. على سبيل المثال ، توجد مشكلة في تخزين البيانات في مجال الرعاية الصحية: فقد تم تجميع الكثير من المعلومات ويتم تحديثها بانتظام ، ولكن في الغالب لم يتم تحويل هذه البيانات إلى صيغة رقمية. هناك أيضًا الكثير من البيانات في الوكالات الحكومية ، لكن لم يتم دمجها في مجموعة مشتركة. يقول الخبير إن تطوير منصة معلومات موحدة للنظام الوطني لإدارة البيانات (NCMS) يهدف إلى حل هذه المشكلة.

ومع ذلك ، فإن بلدنا ليس البلد الوحيد الذي يتم فيه اتخاذ القرارات المهمة في معظم المنظمات على أساس الحدس ، وليس على أساس تحليل البيانات الضخمة. في أبريل من العام الماضي ، أجرت شركة Deloitte استطلاعًا بين أكثر من ألف من قادة الشركات الأمريكية الكبيرة (مع 500 موظف أو أكثر) ووجدت أن 63٪ ممن شملهم الاستطلاع على دراية بتقنيات البيانات الضخمة ، لكن ليس لديهم كل ما يلزم البنية التحتية لاستخدامها. وفي الوقت نفسه ، من بين 37٪ من الشركات التي تتمتع بمستوى عالٍ من النضج التحليلي ، تجاوز نصفها تقريبًا أهداف العمل بشكل كبير في الأشهر الـ 12 الماضية.

وكشفت الدراسة أنه بالإضافة إلى صعوبة تنفيذ حلول تقنية جديدة ، هناك مشكلة مهمة في الشركات تتمثل في عدم وجود ثقافة التعامل مع البيانات. يجب ألا تتوقع نتائج جيدة إذا تم إسناد مسؤولية القرارات المتخذة على أساس البيانات الضخمة إلى محللي الشركة فقط ، وليس للشركة بأكملها. يقول مفتاخوف: "تبحث الشركات الآن عن حالات استخدام مثيرة للاهتمام للبيانات الضخمة". "في الوقت نفسه ، يتطلب تنفيذ بعض السيناريوهات استثمارات في أنظمة جمع ومعالجة ومراقبة جودة البيانات الإضافية التي لم يتم تحليلها من قبل." يعترف مؤلفو الدراسة ، مع الأسف ، أن "التحليلات ليست رياضة جماعية بعد".

اترك تعليق