Terima seperti data: bagaimana bisnis belajar untuk mendapatkan keuntungan dari data besar

Dengan menganalisis data besar, perusahaan belajar mengungkap pola tersembunyi, meningkatkan kinerja bisnis mereka. Arahannya modis, tetapi tidak semua orang bisa mendapatkan keuntungan dari data besar karena kurangnya budaya untuk bekerja dengannya

“Semakin umum nama seseorang, semakin besar kemungkinan mereka membayar tepat waktu. Semakin banyak lantai yang dimiliki rumah Anda, semakin baik secara statistik Anda menjadi peminjam. Tanda zodiak hampir tidak berpengaruh pada kemungkinan pengembalian uang, tetapi psikotipe berpengaruh secara signifikan, ”kata Stanislav Duzhinsky, seorang analis di Home Credit Bank, tentang pola tak terduga dalam perilaku peminjam. Dia tidak menjelaskan banyak dari pola-pola ini – mereka diungkapkan oleh kecerdasan buatan, yang memproses ribuan profil pelanggan.

Inilah kekuatan analitik data besar: dengan menganalisis sejumlah besar data tidak terstruktur, program ini dapat menemukan banyak korelasi yang bahkan tidak diketahui oleh analis manusia yang paling bijak. Setiap perusahaan memiliki sejumlah besar data tidak terstruktur (big data) – tentang karyawan, pelanggan, mitra, pesaing, yang dapat digunakan untuk keuntungan bisnis: meningkatkan efek promosi, mencapai pertumbuhan penjualan, mengurangi pergantian staf, dll.

Yang pertama bekerja dengan data besar adalah perusahaan teknologi dan telekomunikasi besar, lembaga keuangan dan ritel, komentar Rafail Miftakhov, direktur Deloitte Technology Integration Group, CIS. Sekarang ada minat pada solusi semacam itu di banyak industri. Apa yang telah dicapai perusahaan? Dan apakah analisis big data selalu menghasilkan kesimpulan yang berharga?

Bank menggunakan algoritme data besar terutama untuk meningkatkan pengalaman pelanggan dan mengoptimalkan biaya, serta untuk mengelola risiko dan memerangi penipuan. “Dalam beberapa tahun terakhir, revolusi nyata telah terjadi di bidang analisis data besar,” kata Duzhinsky. “Penggunaan pembelajaran mesin memungkinkan kami memprediksi kemungkinan gagal bayar pinjaman jauh lebih akurat – tunggakan di bank kami hanya 3,9%.” Sebagai perbandingan, pada 1 Januari 2019, bagian pinjaman dengan pembayaran jatuh tempo lebih dari 90 hari untuk pinjaman yang diberikan kepada individu, menurut Bank Sentral, adalah 5%.

Bahkan organisasi keuangan mikro bingung dengan studi tentang data besar. “Menyediakan layanan keuangan tanpa menganalisis big data saat ini seperti mengerjakan matematika tanpa angka,” kata Andrey Ponomarev, CEO Webbankir, platform pinjaman online. “Kami mengeluarkan uang secara online tanpa melihat klien atau paspornya, dan tidak seperti pinjaman tradisional, kami tidak hanya menilai solvabilitas seseorang, tetapi juga mengidentifikasi kepribadiannya.”

Sekarang database perusahaan menyimpan informasi lebih dari 500 ribu pelanggan. Setiap aplikasi baru dianalisis dengan data ini di sekitar 800 parameter. Program ini memperhitungkan tidak hanya jenis kelamin, usia, status perkawinan, dan riwayat kredit, tetapi juga perangkat tempat seseorang memasuki platform, bagaimana perilakunya di situs. Misalnya, mungkin mengkhawatirkan bahwa calon peminjam tidak menggunakan kalkulator pinjaman atau tidak menanyakan persyaratan pinjaman. “Dengan pengecualian beberapa faktor penghentian – katakanlah, kami tidak memberikan pinjaman kepada orang di bawah 19 tahun – tidak satu pun dari parameter ini yang menjadi alasan untuk menolak atau setuju mengeluarkan pinjaman,” jelas Ponomarev. Kombinasi faktor itulah yang penting. Dalam 95% kasus, keputusan dibuat secara otomatis, tanpa partisipasi spesialis dari departemen penjamin emisi.

Analisis data besar memungkinkan kita memperoleh pola yang menarik, kata Ponomarev. Misalnya, pengguna iPhone ternyata menjadi peminjam yang lebih disiplin daripada pemilik perangkat Android - yang pertama menerima persetujuan aplikasi 1,7 kali lebih sering. “Fakta bahwa personel militer tidak membayar pinjaman hampir seperempat lebih jarang daripada rata-rata peminjam bukanlah suatu kejutan,” kata Ponomarev. “Tetapi siswa biasanya tidak diharapkan untuk diwajibkan, tetapi sementara itu, kasus gagal bayar kredit 10% lebih jarang daripada rata-rata untuk pangkalan.”

Studi tentang data besar memungkinkan penilaian untuk perusahaan asuransi juga. Didirikan pada tahun 2016, BEI bergerak dalam bidang identifikasi jarak jauh dan verifikasi dokumen secara online. Layanan ini diminati oleh perusahaan asuransi pengangkutan yang tertarik dengan kerugian barang sesedikit mungkin. Sebelum mengasuransikan pengangkutan barang, pihak asuransi, dengan persetujuan pengemudi, memeriksa keandalannya, jelas Jan Sloka, direktur komersial BEI. Bersama dengan mitra – perusahaan St. Petersburg “Risk Control” – BEI telah mengembangkan layanan yang memungkinkan Anda untuk memeriksa identitas pengemudi, data dan hak paspor, partisipasi dalam insiden terkait kehilangan kargo, dll. database pengemudi, perusahaan mengidentifikasi "kelompok risiko": paling sering, kargo hilang di antara pengemudi berusia 30-40 tahun dengan pengalaman mengemudi yang panjang, yang sering berganti pekerjaan baru-baru ini. Ternyata kargo tersebut paling sering dicuri oleh pengemudi mobil yang masa pakainya melebihi delapan tahun.

Pengecer memiliki tugas yang berbeda – untuk mengidentifikasi pelanggan yang siap melakukan pembelian, dan menentukan cara paling efektif untuk membawa mereka ke situs atau toko. Untuk tujuan ini, program menganalisis profil pelanggan, data dari akun pribadi mereka, riwayat pembelian, permintaan pencarian dan penggunaan poin bonus, isi keranjang elektronik yang mulai diisi dan ditinggalkan. Analitik data memungkinkan Anda untuk mengelompokkan seluruh basis data dan mengidentifikasi kelompok pembeli potensial yang mungkin tertarik dengan penawaran tertentu, kata Kirill Ivanov, direktur kantor data grup M.Video-Eldorado.

Misalnya, program mengidentifikasi kelompok pelanggan, yang masing-masing menyukai alat pemasaran yang berbeda – pinjaman tanpa bunga, cashback, atau kode promo diskon. Pembeli ini menerima buletin email dengan promosi yang sesuai. Kemungkinan seseorang, setelah membuka surat itu, akan membuka situs web perusahaan, dalam hal ini meningkat secara signifikan, catat Ivanov.

Analisis data juga memungkinkan Anda meningkatkan penjualan produk dan aksesori terkait. Sistem yang telah memproses riwayat pesanan pelanggan lain, memberikan rekomendasi kepada pembeli tentang apa yang harus dibeli bersama dengan produk yang dipilih. Pengujian cara kerja ini, menurut Ivanov, menunjukkan peningkatan jumlah pesanan aksesoris sebesar 12% dan peningkatan omzet aksesoris sebesar 15%.

Pengecer bukan satu-satunya yang berjuang untuk meningkatkan kualitas layanan dan meningkatkan penjualan. Musim panas lalu, MegaFon meluncurkan layanan penawaran "pintar" berdasarkan pemrosesan data dari jutaan pelanggan. Setelah mempelajari perilaku mereka, kecerdasan buatan belajar membentuk penawaran pribadi untuk setiap klien dalam tarif. Misalnya, jika program mencatat bahwa seseorang secara aktif menonton video di perangkatnya, layanan tersebut akan menawarkannya untuk meningkatkan jumlah lalu lintas seluler. Mempertimbangkan preferensi pengguna, perusahaan menyediakan lalu lintas tak terbatas kepada pelanggan untuk jenis hiburan Internet favorit mereka - misalnya, menggunakan pesan instan atau mendengarkan musik di layanan streaming, mengobrol di jejaring sosial, atau menonton acara TV.

“Kami menganalisis perilaku pelanggan dan memahami bagaimana minat mereka berubah,” jelas Vitaly Shcherbakov, direktur analitik data besar di MegaFon. “Misalnya, tahun ini, lalu lintas AliExpress tumbuh 1,5 kali lipat dibandingkan tahun lalu, dan secara umum, jumlah kunjungan ke toko pakaian online tumbuh: 1,2–2 kali lipat, bergantung pada sumber daya tertentu.”

Contoh lain dari pekerjaan operator dengan data besar adalah platform MegaFon Poisk untuk mencari anak dan orang dewasa yang hilang. Sistem menganalisis orang mana yang mungkin berada di dekat tempat orang hilang, dan mengirimkan informasi dengan foto dan tanda orang hilang kepada mereka. Operator mengembangkan dan menguji sistem bersama dengan Kementerian Dalam Negeri dan organisasi Lisa Alert: dalam dua menit orientasi ke orang hilang, lebih dari 2 ribu pelanggan menerima, yang secara signifikan meningkatkan peluang hasil pencarian yang berhasil.

Analisis data besar juga menemukan aplikasi dalam industri. Di sini Anda dapat memperkirakan permintaan dan merencanakan penjualan. Jadi, di grup perusahaan Cherkizovo, tiga tahun lalu, solusi berdasarkan SAP BW diimplementasikan, yang memungkinkan Anda menyimpan dan memproses semua informasi penjualan: harga, bermacam-macam, volume produk, promosi, saluran distribusi, kata Vladislav Belyaev, CIO dari grup ” Cherkizovo. Analisis akumulasi informasi 2 TB tidak hanya memungkinkan untuk secara efektif membentuk bermacam-macam dan mengoptimalkan portofolio produk, tetapi juga memfasilitasi pekerjaan karyawan. Misalnya, menyiapkan laporan penjualan harian akan membutuhkan pekerjaan sehari dari banyak analis – dua untuk setiap segmen produk. Sekarang laporan ini disiapkan oleh robot, hanya menghabiskan waktu 30 menit di semua segmen.

“Dalam industri, big data bekerja secara efektif bersama dengan Internet of things,” kata Stanislav Meshkov, CEO Umbrella IT. “Berdasarkan analisis data dari sensor yang dilengkapi dengan peralatan, adalah mungkin untuk mengidentifikasi penyimpangan dalam pengoperasiannya dan mencegah kerusakan, serta memprediksi kinerja.”

Di Severstal, dengan bantuan data besar, mereka juga mencoba menyelesaikan tugas yang agak tidak sepele – misalnya, untuk mengurangi tingkat cedera. Pada 2019, perusahaan mengalokasikan sekitar RUB 1,1 miliar untuk langkah-langkah peningkatan keselamatan tenaga kerja. Severstal mengharapkan untuk mengurangi tingkat cedera sebesar 2025% sebesar 50 (dibandingkan dengan 2017). “Jika manajer lini - mandor, manajer lokasi, manajer toko - memperhatikan bahwa seorang karyawan melakukan operasi tertentu dengan tidak aman (tidak berpegangan pada pegangan tangan saat menaiki tangga di lokasi industri atau tidak memakai semua alat pelindung diri), tulisnya catatan khusus untuknya – PAB (dari “behavioral security audit”),” kata Boris Voskresensky, kepala departemen analisis data perusahaan.

Setelah menganalisis data jumlah PAB di salah satu divisi, spesialis perusahaan menemukan bahwa aturan keselamatan paling sering dilanggar oleh mereka yang telah memiliki beberapa komentar sebelumnya, serta mereka yang sedang cuti sakit atau berlibur sesaat sebelumnya. kecelakaan. Pelanggaran pada minggu pertama setelah kembali dari liburan atau cuti sakit dua kali lebih tinggi dibandingkan periode berikutnya: 1 berbanding 0,55%. Namun bekerja pada shift malam ternyata tidak mempengaruhi statistik PAB.

Membuat algoritme untuk memproses data besar bukanlah bagian tersulit dari pekerjaan, kata perwakilan perusahaan. Jauh lebih sulit untuk memahami bagaimana teknologi ini dapat diterapkan dalam konteks setiap bisnis tertentu. Di sinilah letak kelemahan analis perusahaan dan bahkan penyedia eksternal, yang tampaknya telah mengumpulkan keahlian di bidang data besar.

“Saya sering bertemu dengan analis data besar yang merupakan ahli matematika hebat, tetapi tidak memiliki pemahaman yang diperlukan tentang proses bisnis,” kata Sergey Kotik, direktur pengembangan di GoodsForecast. Dia ingat bagaimana dua tahun lalu perusahaannya memiliki kesempatan untuk berpartisipasi dalam kompetisi peramalan permintaan untuk rantai ritel federal. Sebuah wilayah percontohan dipilih, untuk semua barang dan toko yang diramalkan oleh para peserta. Perkiraan tersebut kemudian dibandingkan dengan penjualan aktual. Tempat pertama diambil oleh salah satu raksasa Internet Rusia, yang dikenal karena keahliannya dalam pembelajaran mesin dan analisis data: dalam prakiraannya, ini menunjukkan penyimpangan minimal dari penjualan sebenarnya.

Tetapi ketika jaringan mulai mempelajari ramalannya lebih detail, ternyata dari sudut pandang bisnis, ramalan itu sama sekali tidak dapat diterima. Perusahaan memperkenalkan model yang menghasilkan rencana penjualan dengan pernyataan yang sistematis. Program ini menemukan cara meminimalkan kemungkinan kesalahan dalam perkiraan: lebih aman untuk meremehkan penjualan, karena kesalahan maksimum bisa 100% (tidak ada penjualan negatif), tetapi ke arah perkiraan yang berlebihan, itu bisa menjadi besar secara sewenang-wenang, Kotik menjelaskan. Dengan kata lain, perusahaan menyajikan model matematis yang ideal, yang dalam kondisi nyata akan menyebabkan toko setengah kosong dan kerugian besar akibat penjualan yang rendah. Hasilnya, perusahaan lain memenangkan persaingan, yang perhitungannya dapat dipraktikkan.

Teknologi data besar relevan untuk banyak industri, tetapi implementasi aktifnya tidak terjadi di mana-mana, catat Meshkov. Misalnya, dalam perawatan kesehatan ada masalah dengan penyimpanan data: banyak informasi telah terkumpul dan diperbarui secara berkala, tetapi sebagian besar data ini belum didigitalkan. Ada juga banyak data di instansi pemerintah, tetapi tidak digabungkan menjadi satu cluster. Pengembangan platform informasi terpadu dari Sistem Manajemen Data Nasional (NCMS) ditujukan untuk memecahkan masalah ini, kata pakar tersebut.

Namun, negara kita jauh dari satu-satunya negara di mana sebagian besar organisasi membuat keputusan penting berdasarkan intuisi, dan bukan analisis data besar. Pada bulan April tahun lalu, Deloitte melakukan survei di antara lebih dari seribu pemimpin perusahaan besar Amerika (dengan staf 500 orang atau lebih) dan menemukan bahwa 63% dari mereka yang disurvei akrab dengan teknologi data besar, tetapi tidak memiliki semua yang diperlukan. infrastruktur untuk menggunakannya. Sementara itu, di antara 37% perusahaan dengan tingkat kematangan analitis yang tinggi, hampir setengahnya telah melampaui target bisnis secara signifikan dalam 12 bulan terakhir.

Studi tersebut mengungkapkan bahwa selain kesulitan menerapkan solusi teknis baru, masalah penting di perusahaan adalah kurangnya budaya bekerja dengan data. Anda seharusnya tidak mengharapkan hasil yang baik jika tanggung jawab atas keputusan yang dibuat berdasarkan data besar hanya diberikan kepada analis perusahaan, dan bukan kepada seluruh perusahaan secara keseluruhan. “Sekarang perusahaan sedang mencari kasus penggunaan yang menarik untuk big data,” kata Miftakhov. “Pada saat yang sama, penerapan beberapa skenario memerlukan investasi dalam sistem untuk mengumpulkan, memproses, dan mengontrol kualitas data tambahan yang belum pernah dianalisis sebelumnya.” Sayangnya, "analitik belum menjadi olahraga tim," penulis studi tersebut mengakui.