Систематизируем кейсы Big Data

Big Data все еще остается загадкой для рынка. Компании пытаются найти бизнес-кейс, который произведет всеобщий ВАУ!-эффект и позволит им опередить конкурентов. Поиск усложняется еще и тем, что для каждой отрасли, да и для каждой компании, удачный опыт использования больших данных остается уникальным.

Систематизируем кейсы Big Data

Что означает Big Data для организации, очень сильно зависит от типа компании, накопленных данных, внутренних процессов, технологической зрелости и многих других переменных. В каждом случае можно придумать несколько кейсов для старта и пилотного проекта. Как выбрать правильный кейс? Мы в CleverDATA используем следующую модель.

С точки зрения организации можно выделить 3 ключевых направления, в которых необходимо постоянно совершенствоваться:

  1. Понять клиента
  2. Понять рынок
  3. Понять себя

Понять клиента

Применение больших данных для улучшения взаимоотношений с клиентом — один из первых кейсов, который активно используется крупнейшими ритэйл игроками. Накопленная история покупок позволяет прогнозировать спрос и предпочтения клиентов, подбирать корзину товаров и многое другое.

Но при обогащении накопленных данных о клиентах, информацией из внешних источников, таких как социальные сети, посещения web-сайтов, данные от партнеров (банки, БКИ, торговые сети, платежные и мобильные операторы), открываются неограниченные возможности для понимания намерений и предпочтений клиента в реальном времени.

В последнее время заметно повысился интерес к пониманию клиента со стороны других игроков B2C рынка — среди банков, страховых компаний и телеком операторов.

Когда у организации получается собрать полный профиль клиента (3D-профиль) открываются следующие кейсы, которые могут быть успешно решены с помощью методов машинного обучения:

  • Прогнозирование оттока клиентов. Модели позволяют определить ключевые сигналы оттока и найти в общей массе клиентов, похожих на тех, кто перестал пользоваться услугами организации. Если организация знает кто может ее покинуть, она может провести точечные коммуникации, чтобы удержать клиента.
  • Скоринг клиента (оценка кредитного риска) В современном скоринге применяются аналогичные модели поиска похожих клиентов. Обучив модель на данных о клиентах, про которых мы знаем, является ли клиент «хорошим» или «плохим», мы с большой точностью можем сказать насколько «хорош» будет новый клиент.
  • Прогнозирование отклика на предложение. Все то же машинное обучение позволяет построить модели, предсказывающие наступление события, которые при этом будут продолжать обучаться в процессе работы (за счет подтверждения или опровержения самого факта события) и предлагать клиентские сегменты, которые с большей вероятностью воспользуются предложением.

Все кейсы по «пониманию клиента» позволяют не только сократить расходы на коммуникации, снизить риски по принятию решений, но и существенно повышают доверие клиентов к бренду.

Понять рынок

С тех пор как клиент стремительно перемещается в Digital сегмент и активно использует социальные сети для принятия решений о выборе товаров и  услуг, бренды вынуждены следовать за своим клиентом и, как минимум, успевать реагировать на негатив, связанный с их именем.

Но, понимание, что о тебе думают твои клиенты, это только малая часть возможностей, которые открываются при объединении всей доступной информации о клиентах и конкурентах — из социальных сетей, медиа-пространства, собственных маркетинговых кампаний. И снова машинное обучение для построения моделей и поиска зависимостей между различными массивами данных позволяет по новому подойти к решению таких задач, как:

  1. Исследование предпочтений рынка;
  2. Анализ реакции рынка на выпуск новых продуктов и услуг;
  3. Анализ конкурентов.

Понять себя

Один из самых важных вопросов на текущем рынке, когда многие организации свернули бюджеты на инновации — как повысить эффективность?

Задача бизнеса — обеспечить доставку ценности клиенту наиболее эффективным способом.

Большие данные позволяют по новому посмотреть на решение задач оптимизации внутренних процессов.

Приведу несколько примеров применения машинного обучения на обогащенных данных:

  1. Мониторинг ИТ и Бизнес ресурсов, выявление корреляций и прогнозирование сбоев;
  2. Построение модели «хорошего» сотрудника, выявление определяющих факторов и поиск будущих «звезд»;
  3. Оптимизация внутренних процессов — Process Mining. Понимание работы организации по «следам» в ИТ-системах, выявление и оптимизация «реальных» процессов. На этом кейсе, обещаю, остановлюсь подробнее в одной из ближайших публикаций.

Использование больших данных для понимания рынка, своего клиента и внутренних процессов работы позволить выйти на новый уровень для любого бизнеса. Для этого нужно уметь решать 3 ключевые задачи

  • Уметь слушать свои данные — собирать, сохранять;
  • Подбирать внешние данные, способные добавить новую ценность к внутренним данным;
  • Применять машинное обучение на обогащенных массивах данных.

Вопрос:  А вы готовы попробовать «понять», что действительно происходит вокруг вас?

Вы можете оставить комментарий здесь

Я оставляю за собой право удалять комментарии, которые считаю неуместными, грубыми или оскорбительными.