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.
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:
- Понять клиента
- Понять рынок
- 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:
- Исследование предпочтений рынка;
- Анализ реакции рынка на выпуск новых продуктов и услуг;
- 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:
- Мониторинг ИТ и Бизнес ресурсов, выявление корреляций и прогнозирование сбоев;
- Построение модели «хорошего» сотрудника, выявление определяющих факторов и поиск будущих «звезд»;
- 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?