«Большие данные дают конкурентное преимущество, поэтому не все хотят о них рассказывать»

Светлана Зыкова

Главный редактор Rusbase

Расскажите друзьям
Светлана Зыкова

Rusbase и радио Megapolis (89,5 FM) начинают совместно публиковать интервью из программы «Силиконовые Дали», в которой ведущий Владимир Смеркис обсуждает с героями digital-рынка последние тренды и актуальные вопросы отрасли. Слушайте каждую среду в 15.00 на Megapolis или читайте на Rusbase через несколько дней!

22 марта Владимир Смеркис и менеджер по продуктам Orange Business Services Мирослав Шестернин говорили о возможностях, которые дают Big Data бизнесу, разобрались в принципах работы «умных данных», а также дали свои прогнозы по развитию этого направления в будущем.

Тема разговора – Big Data. Многие об этом слышали, кто-то работает с этим, но не все знакомы близко. Расскажите об этом термине поподробнее, пожалуйста. Что это такое?

История данного термина началась не так давно. Впервые его использовал редактор журнала Nature Клифорд Линч в 2008 году в статье, посвященной быстрому росту количества данных в мире. После этого возрос интерес к термину, и он стал использоваться в деловой среде. В 2010 году возникли продукты, способствовавшие появлению возможности структурирования и обработки данных. А с 2011 года большие компании, такие как IBM, Microsoft, Oracle, уже начали разрабатывать софт, который должен был структурировать данные.


То есть суть его была в обработке и анализе?

Все верно. Я для себя разделил Big Data на составляющие.

Во-первых, это аппаратно-программная часть, которая включает в себя облачную структуру, CPU и RАM для обработки информации, а также программное обеспечение. Как правило, это open sourсe решения, либо решения за дополнительную плату, которые помогают структурировать, обрабатывать и хранить информацию, приводить ее к единому формату.

Во-вторых, необходимо анализировать данные, получить из них некий benefit. В этом случае задействуются специальные люди – data scientists.


Люди, которые занимаются исследованием данных?

Да, это специалисты по данным, которые проходят специальное обучение, получают дипломы. Они прекрасно ориентируются в математических средах, соответственно, изучают клиентский бизнес и помогают составить тот алгоритм анализа данных, который необходим заказчику.


А кому Big Data может быть полезна? В каких случаях можно использовать эти данные?

В теории это интересно всем, кто стремится к прибыли и оптимизации своего производства.


Бизнес должен быть большого масштаба?

Совсем нет. Big Data многие почему-то воспринимают как «большие данные», но я бы назвал это «умными данными». Тренд – в том, что количество данных растет, и компании на них больше тратят, чем зарабатывают. В России за год количество данных увеличится на сотни эксабайт – это миллиарды гигабайт. Приходится тратить деньги на железные диски, на облачную структуру, на хранение и охрану данных.

Так почему бы не подумать, что может быть за этими данными? Вы можете их монетизировать, получать прибыль, оптимизировать производство. Возьмем, к примеру, банки. Им интересно сейчас улучшение систем скоринга.

Скоринг – это оценка заемщиков для того, чтобы они могли взять кредит. Объясняя простым языком, вы знакомитесь с клиентом – и уже через минуту можете понимать, давать ли ему кредит и в каком размере.


В этом сегменте тоже используется технологии Big Data?

Да. Или же возьмем другой пример в той же финансовой отрасли – предложение инвестиций. В этом случае с помощью решений Big Data компания понимает, какие инвестиционные направления перспективны. 


То есть получается, что только финансы? А как же медицина, социальные сферы?

В медицине сейчас без этого никуда. Если заметили – когда вы приходите в поликлинику, ваши данные вносят в компьютер. В скором времени система решений Big Data позволит автоматически ставить пациентам диагноз, следить в реальном времени за состоянием здоровья и сразу реагировать на изменения, используя специальные датчики.


То есть Big Data повышает эффективность в разных сферах жизнедеятельности человека?

Да, то же и в ритейле, когда мы персонализируем предложения для клиента. Если вы 65-летняя бабушка, вряд ли вам интересен одеколон для мужчин, но вам все равно в виде рассылки приходит реклама скидки на этот одеколон. Было бы интересно и выгодно, если бы бабушка получала рекламу очков, а подросток – рекламу средства от прыщей.

Есть два основных направления, в которых Orange оценивает движения рынка. Одно из основных – это омниканальность, использование Big Data во всех каналах общения с потребителями или во всех каналах жизнедеятельности человека, с которыми коммуницирует компания или клиент.

С точки зрения омниканальности – это также обслуживание клиентов как единый сервис. Неважно, по какому каналу клиент обратится к вам – он получит единый сервис.



Если мы говорим про магазин, то это может быть онлайн или офлайн-магазин? Или, к примеру, телефонный центр?

Да, точкой входа может быть и простое смс-сообщение, и технологии интернета вещей.

Омниканальность в большей степени связана с теми же контактными центрами, центрами обслуживания. Предположим, у вас есть крупный интернет-магазин и точки продаж. Клиент обращается к вам в контактный центр – через соцсети, по email, веб-чату, смс, а вы также совершаете исходящие звонки. Вся эта активность анализируется, записывается и хранится. Вопрос: как это привести к единому виду?

Еще вопрос: надо ли анализировать эмоции клиента при посещении какого-то отделения банка? С точки зрения анализа Big Data можно понять, доволен ли клиент обслуживанием, не потеряем ли мы его. Дать бонус, решение, кэшбэк, дополнительную карту и так далее.

Интересно анализировать всю информацию со всех каналов и понимать требования каждого клиента, доставлять персональное решение. Big Data как раз позволяют это сделать.


А причины персонализации – наибольшая конвертация клиента в какие-то действия? Оформление кредитов, покупки и так далее?

Мы это делаем для того, чтобы понимать рынок и клиентский опыт. Если мы понимаем клиентский опыт, мы можем им управлять. Мы можем подготовить специальное предложение, которое в дальнейшем будет популярно. Мы можем анализировать наши ошибки.


Чуть подробнее про «интернет вещей». Как взаимодействуют эти две сущности?

Когда у нас есть решение Big Data, мы сталкиваемся с проблемой сбора этих данных. И тут нам помогает IoT.


Большой брат – вот он где.

Самое основное: мы помогаем оцифровывать сущности. Допустим, если к кондиционеру подключить датчик, можно дистанционно управлять им, получать с него данные, изменять настройки температуры, режимы.

У нас есть опыт работы с одной из крупнейших компаний по производству кондиционеров и оборудования по управлению климатом. Тогда мы помогли создать продукт индустрии 4.0. Полностью оборудовали производство датчиками, которые помогли клиенту управлять производством. Big Data сыграла важную роль, собирая клиентский опыт. В каждом кондиционере был датчик, который передавал нам данные о состоянии и исправности прибора, и с помощью данных мы могли предсказать поломки и предотвратить их.


А где граница между персональными данными и сбором Big Data? Не конфликтуют ли эти вещи?

Если в реальности рассматривать персональные данные, то это – когда мы берем телефон и фамилию человека. Когда мы собираем данные с оборудования, это не считается персональными данными. Но в любом случае клиенты компаний знают, что в их кондиционере есть датчик, который помогает поддерживать данное решение.

Возьмем Health Care – это крупная компания по производству протезов. Они устанавливают в свою продукцию датчики, чтобы сделать протезы максимально удобными.


Но мы еще в самом начале пути использования Big Data?

Я бы не сказал. Существует много компаний, которые пользуются Big Data. Вы спросите: а почему мы не слышим об этом? Дело в том, что большие данные дают конкурентное преимущество, поэтому не все хотят о своем опыте рассказывать.


Какое будущее у Big Data через 5-10 лет? Все ведь эволюционирует. Данные накапливаются, становится больше носимых гаджетов, таких как смарт часы, браслеты, кольца и все остальное. К чему это все стремится? На сколько эффективнее это будет в будущем?

По моему мнению, рынок стремится к оптимизации и автоматизации процессов. Возьмем решение контактного центра, там уже не интересно использование оператора. Логичнее сделать чат-бота, виртуального оператора, который будет общаться с клиентами, как реальный оператор, но вы не будете на это тратить деньги. Они становятся умнее, потому что обучаются. Здесь стоит упомянуть о решении machine learning, которое сейчас тоже набирает обороты.


Сейчас machine learning активно используется  в поисковых машинах, верно?

Да, как один из вариантов использования. Есть общее понятие, мы знаем про М2M (machine to machine), когда две машины общаются без участия человека.

Я писал дипломную работу о том, как «Аэрофлот» обучала своих пилотов. Мы писали программу обучения для действия пилотов в нештатной ситуации. Представьте, что мы исключаем пилота совсем. Каждая машина, которая настроена на отказоустойчивость, каждую секунду снимает данные со счетчиков с параметров, с панелей и так далее. Когда происходят какие-то изменения, она сразу предпринимает действия по стабилизации. Мы закладываем в машину алгоритм, по которому она стремится стабилизировать самолет. И мы убираем пилота, убираем возможность человеческой ошибки, все делает машина.


В принципе в автомобилестроении уже работает эта история, хотя были и не очень счастливые кейсы.

Но это же опять индустрия 4.0, когда мы убираем человека и меняем его на машину. Момент, когда что-то криво лежало, она стабилизирует. Конечно, без человека эта система работать не будет, он должен ее настроить. Но все больше и больше машины становятся искусственным интеллектом, начинают самообучаться.


Давайте подытожим нашу беседу. Основные тезисы: что такое Big Data, как мы будем их использовать и в чем будущее?

Изначально Big Data – это умные данные, большие данные. Причем вы можете работать не обязательно с большими данными, а с маленькими по количеству и по объему, но важно, что вы получите по ним некий benefit.

Далее, решение Big Data состоит из 3 частей:

  • технологии (аппаратно-программная часть),
  • data scientist – человек, который пишет вам алгоритмы и понимает ваш бизнес,
  • и визуализация – интерфейс, по которому вы будете считывать данные. Будь то красивый график или программа, которая обычно пишется под клиента, чтобы он получал именно те данные, которые хочет.

По основным преимуществам, которые вы получаете:

  • вы перестаете тратить деньги на данные,
  • вы начинаете получать прибыль,
  • вы можете оптимизировать производство, экономить на операционных расходах,
  • вы можете экономить на самой системе поддержания данных, можете оптимизировать схемы своего сервиса, что позволяет получать вам дополнительный доход.

Приведите пару кейсов, как зарабатывать на своих данных?

Очень известный кейс по прогнозированию потери клиента: система по математической модели определяет, уйдет ли в скором времени от вас клиент. Это может использоваться не только в банках, но и у мобильных операторов: клиент стал меньше звонить, стал опаздывать с платежами, не заходит к вам в офис? Программа дает индикацию. Соответственно, вы подключаете менеджера, который предлагает новый сервис и уговаривает клиента остаться. Но как посчитать прибыль от этого? Предположим, вы таким способом оставили 100 клиентов, которые вам приносили по $1000 в месяц. Соответственно вы не потеряли $100 тысяч.

Ну и что в дальнейшем? Мы говорили о machine learning, за этим будущее.

Обращаясь к тем компаниям, которые еще на начале пути Big Data: не бойтесь привлекать партнеров, специалистов, аналитиков, аудиторов и консалтинг-агентства, которые помогут вам в этом направлении.

Тут очень важно правильно применить решение, тогда вы действительно получите бонусы, о которых мечтаете.


Но какие первые шаги надо сделать маленьким компаниям, в которых работает 50 человек?

Главный шаг – изучение своего бизнеса. Вы должны понимать, какие данные у вас есть, где вы их можете применить и какие параметры вы можете улучшить. Когда вы придете в компанию, которая занимается Big Data, вряд ли они будут полноценно решать за вас, что вам оптимизировать. Скорее всего вы должны прийти к ним с определенной проблемой: «Мне надо уменьшить отток клиентов, у меня есть такие данные, помогите». Вы им даете эти данные, они говорят, как можно получить результат для анализа.



15 сентября в Москве состоится конференция по большим данным Big Data Conference. В программе — бизнес-кейсы, технические решения и научные достижения лучших специалистов в этой области.

Приглашаем всех, кто заинтересован в работе с большими данными и хочет их применять в реальном бизнесе.

Следите за Big Data Conference в Telegram, на Facebook и «ВКонтакте».




Материалы по теме:

Жизнь в оранжевом цвете: новый офис Orange Business Services

Специалист по большим данным: где учиться и куда пойти работать

Как FinTech использует большие данные — хрестоматийные примеры

Семь шагов – семь кейсов: как использовать большие данные в бизнесе

Мои данные могут использовать для того, чтобы управлять моими интересами?


Комментарии

  • Nickolay Dotsenko 12:20, 3.04.2017
    0
    Очень пространное интервью, все это уже было. и много писали. 1) Но по факту, ответ тех же Яндексоводов: оптимизация идет на 3-5% после внедрения, и при том, что должны быть данные, нормализованные и точные, что по сути огромный труд. Иногда проще открыть новое направление или привлечь специалистов по оптимизации бизнес процессов, чтобы получить эффект до 10-20%. 2) И причем связь биг-даты и омниканальности, раньше до биг-даты разве не было омниканальности, или как-то биг-дата позволила ее открыть? 3) А биг-дата и машинное обучение нужно там, где идет рутина, где мы готовы отдать риски принятия решения или разделить их с решением от машины.
  • Algis Jurgelevicius
    Algis Jurgelevicius 12:19, 24.07.2017
    0
    Fortunately, there are a number of options to choose from, many of which can be installed black stainless steel sink with little to no prior experience
Комментарии могут оставлять только авторизованные пользователи.
Money2020
22 октября 2017
Ещё события