Aceptar datos similares: cómo las empresas aprenden a sacar provecho de los grandes datos

Mediante el análisis de big data, las empresas aprenden a descubrir patrones ocultos, mejorando el rendimiento de su negocio. La dirección está de moda, pero no todo el mundo puede beneficiarse del big data por la falta de cultura de trabajar con ellos

“Cuanto más común sea el nombre de una persona, más probable es que pague a tiempo. Cuantos más pisos tenga su casa, más estadísticamente será un mejor prestatario. El signo del zodiaco casi no tiene efecto sobre la probabilidad de un reembolso, pero el psicotipo sí lo hace de manera significativa”, dice Stanislav Duzhinsky, analista de Home Credit Bank, sobre patrones inesperados en el comportamiento de los prestatarios. No se compromete a explicar muchos de estos patrones: fueron revelados por la inteligencia artificial, que procesó miles de perfiles de clientes.

Este es el poder del análisis de big data: al analizar una gran cantidad de datos no estructurados, el programa puede descubrir muchas correlaciones que el analista humano más sabio ni siquiera conoce. Cualquier empresa tiene una gran cantidad de datos no estructurados (big data), sobre empleados, clientes, socios, competidores, que pueden usarse para beneficio comercial: mejorar el efecto de las promociones, lograr un crecimiento de las ventas, reducir la rotación de personal, etc.

Los primeros en trabajar con big data fueron las grandes empresas de tecnología y telecomunicaciones, instituciones financieras y retail, comenta Rafail Miftakhov, director del Deloitte Technology Integration Group, CIS. Ahora hay interés en tales soluciones en muchas industrias. ¿Qué han logrado las empresas? ¿Y el análisis de big data siempre conduce a conclusiones valiosas?

No es una carga fácil

Los bancos utilizan algoritmos de big data principalmente para mejorar la experiencia del cliente y optimizar los costos, así como para administrar el riesgo y combatir el fraude. “En los últimos años, se ha producido una verdadera revolución en el campo del análisis de big data”, dice Duzhinsky. "El uso del aprendizaje automático nos permite predecir la probabilidad de impago de un préstamo con mucha más precisión: la morosidad en nuestro banco es solo del 3,9 %". A modo de comparación, al 1 de enero de 2019, la proporción de préstamos con pagos atrasados ​​de más de 90 días sobre préstamos emitidos a personas físicas era, según el Banco Central, del 5%.

Incluso las organizaciones de microfinanzas están desconcertadas por el estudio de los grandes datos. “Proporcionar servicios financieros sin analizar big data hoy es como hacer matemáticas sin números”, dice Andrey Ponomarev, director ejecutivo de Webbankir, una plataforma de préstamos en línea. “Emitimos dinero en línea sin ver ni al cliente ni su pasaporte y, a diferencia de los préstamos tradicionales, no solo debemos evaluar la solvencia de una persona, sino también identificar su personalidad”.

Ahora la base de datos de la empresa almacena información sobre más de 500 mil clientes. Cada nueva aplicación se analiza con estos datos en unos 800 parámetros. El programa tiene en cuenta no solo el sexo, la edad, el estado civil y el historial crediticio, sino también el dispositivo desde el que una persona ingresó a la plataforma, cómo se comportó en el sitio. Por ejemplo, puede ser alarmante que un posible prestatario no haya utilizado una calculadora de préstamos o no haya consultado las condiciones de un préstamo. “Con la excepción de algunos factores de detención, por ejemplo, no otorgamos préstamos a personas menores de 19 años, ninguno de estos parámetros en sí mismo es una razón para rechazar o aceptar otorgar un préstamo”, explica Ponomarev. Es la combinación de factores lo que importa. En el 95% de los casos, la decisión se toma automáticamente, sin la participación de especialistas del departamento de suscripción.

Brindar servicios financieros sin analizar big data hoy en día es como hacer matemáticas sin números.

El análisis de big data nos permite derivar patrones interesantes, comparte Ponomarev. Por ejemplo, los usuarios de iPhone resultaron ser prestatarios más disciplinados que los propietarios de dispositivos Android: los primeros reciben aprobación de aplicaciones 1,7 veces más a menudo. “El hecho de que el personal militar no pague los préstamos con casi una cuarta parte menos que el prestatario promedio no fue una sorpresa”, dice Ponomarev. “Pero por lo general no se espera que los estudiantes estén obligados, pero mientras tanto, los casos de incumplimiento crediticio son un 10% menos comunes que el promedio de la base”.

El estudio de big data también permite la puntuación para las aseguradoras. Establecida en 2016, IDX se dedica a la identificación remota y la verificación en línea de documentos. Estos servicios están en demanda entre las aseguradoras de carga que están interesadas en la pérdida de bienes lo menos posible. Antes de asegurar el transporte de mercancías, la aseguradora, con el consentimiento del conductor, comprueba la fiabilidad, explica Jan Sloka, director comercial de IDX. Junto con un socio, la empresa "Risk Control" de San Petersburgo, IDX ha desarrollado un servicio que le permite verificar la identidad del conductor, los datos y derechos del pasaporte, la participación en incidentes relacionados con la pérdida de carga, etc. Después de analizar En la base de datos de los conductores, la empresa identificó un “grupo de riesgo”: la mayoría de las veces, la carga se pierde entre los conductores de 30 a 40 años con una larga experiencia de conducción, que a menudo han cambiado de trabajo recientemente. También resultó que la carga es robada con mayor frecuencia por los conductores de automóviles, cuya vida útil supera los ocho años.

En busca de

Los minoristas tienen una tarea diferente: identificar a los clientes que están listos para realizar una compra y determinar las formas más efectivas de llevarlos al sitio o la tienda. Para ello, los programas analizan el perfil de los clientes, los datos de su cuenta personal, el historial de compras, las consultas de búsqueda y el uso de puntos de bonificación, el contenido de las cestas electrónicas que comenzaron a llenar y abandonaron. El análisis de datos le permite segmentar toda la base de datos e identificar grupos de compradores potenciales que pueden estar interesados ​​en una oferta en particular, dice Kirill Ivanov, director de la oficina de datos del grupo M.Video-Eldorado.

Por ejemplo, el programa identifica grupos de clientes, a cada uno de los cuales le gustan diferentes herramientas de marketing: un préstamo sin intereses, un reembolso o un código promocional de descuento. Estos compradores reciben un boletín de correo electrónico con la promoción correspondiente. La probabilidad de que una persona, después de abrir la carta, vaya al sitio web de la empresa, en este caso aumenta significativamente, señala Ivanov.

El análisis de datos también le permite aumentar las ventas de productos y accesorios relacionados. El sistema, que ha procesado el historial de pedidos de otros clientes, da recomendaciones al comprador sobre qué comprar junto con el producto seleccionado. La prueba de este método de trabajo, según Ivanov, mostró un aumento en el número de pedidos con accesorios en un 12 % y un aumento en la facturación de accesorios en un 15 %.

Los minoristas no son los únicos que se esfuerzan por mejorar la calidad del servicio y aumentar las ventas. El verano pasado, MegaFon lanzó un servicio de oferta “inteligente” basado en el procesamiento de datos de millones de suscriptores. Tras estudiar su comportamiento, la inteligencia artificial ha aprendido a formar ofertas personales para cada cliente dentro de las tarifas. Por ejemplo, si el programa nota que una persona está viendo videos activamente en su dispositivo, el servicio le ofrecerá ampliar la cantidad de tráfico móvil. Teniendo en cuenta las preferencias de los usuarios, la compañía proporciona a los suscriptores tráfico ilimitado para sus tipos favoritos de ocio en Internet, por ejemplo, usar mensajería instantánea o escuchar música en servicios de transmisión, chatear en redes sociales o ver programas de televisión.

“Analizamos el comportamiento de los suscriptores y entendemos cómo están cambiando sus intereses”, explica Vitaly Shcherbakov, director de análisis de big data en MegaFon. "Por ejemplo, este año, el tráfico de AliExpress ha crecido 1,5 veces en comparación con el año pasado y, en general, la cantidad de visitas a las tiendas de ropa en línea está creciendo: 1,2 o 2 veces, según el recurso específico".

Otro ejemplo del trabajo de un operador con big data es la plataforma MegaFon Poisk para la búsqueda de niños y adultos desaparecidos. El sistema analiza qué personas podrían estar cerca del lugar de la persona desaparecida y les envía información con una foto y señales de la persona desaparecida. El operador desarrolló y probó el sistema junto con el Ministerio del Interior y la organización Lisa Alert: dentro de los dos minutos posteriores a la orientación a la persona desaparecida, reciben más de 2 mil suscriptores, lo que aumenta significativamente las posibilidades de un resultado de búsqueda exitoso.

no vayas al pub

El análisis de big data también ha encontrado aplicación en la industria. Aquí le permite pronosticar la demanda y planificar las ventas. Entonces, en el grupo de empresas Cherkizovo, hace tres años, se implementó una solución basada en SAP BW, que le permite almacenar y procesar toda la información de ventas: precios, surtido, volúmenes de productos, promociones, canales de distribución, dice Vladislav Belyaev, CIO del grupo ” Cherkizovo. El análisis de los 2 TB de información acumulados no solo permitió conformar efectivamente el surtido y optimizar el portafolio de productos, sino que también facilitó el trabajo de los empleados. Por ejemplo, preparar un informe de ventas diario requeriría el trabajo de un día de muchos analistas, dos para cada segmento de producto. Ahora, este informe lo prepara el robot, dedicando solo 30 minutos a todos los segmentos.

“En la industria, los grandes datos funcionan de manera eficaz junto con el Internet de las cosas”, dice Stanislav Meshkov, director ejecutivo de Umbrella IT. “Con base en el análisis de los datos de los sensores con los que está equipado el equipo, es posible identificar desviaciones en su funcionamiento y prevenir averías, y predecir el rendimiento”.

En Severstal, con la ayuda de big data, también están tratando de resolver tareas bastante no triviales, por ejemplo, para reducir las tasas de lesiones. En 2019, la empresa destinó cerca de RUB 1,1 millones a medidas para mejorar la seguridad laboral. Severstal espera reducir la tasa de lesiones en un 2025% en 50 (en comparación con 2017). “Si un gerente de línea (capataz, gerente de sitio, gerente de tienda) notó que un empleado realiza ciertas operaciones de manera insegura (no se agarra de los pasamanos cuando sube las escaleras en el sitio industrial o no usa todo el equipo de protección personal), escribe una nota especial para él: PAB (de “auditoría de seguridad del comportamiento”)”, dice Boris Voskresensky, jefe del departamento de análisis de datos de la empresa.

Después de analizar los datos sobre la cantidad de PAB en una de las divisiones, los especialistas de la compañía encontraron que las reglas de seguridad fueron violadas con mayor frecuencia por aquellos que ya habían tenido varios comentarios antes, así como por aquellos que estaban de baja por enfermedad o de vacaciones poco antes. el incidente. Las infracciones en la primera semana después de regresar de vacaciones o de baja por enfermedad fueron el doble que en el período posterior: 1 frente a 0,55%. Pero resultó que trabajar en el turno de noche no afecta las estadísticas de los PAB.

Fuera de contacto con la realidad

La creación de algoritmos para procesar big data no es la parte más difícil del trabajo, dicen los representantes de la empresa. Es mucho más difícil entender cómo se pueden aplicar estas tecnologías en el contexto de cada negocio específico. Aquí es donde reside el talón de Aquiles de los analistas de la empresa e incluso de los proveedores externos, que, al parecer, han acumulado experiencia en el campo del big data.

“A menudo me reuní con analistas de big data que eran excelentes matemáticos, pero que no tenían la comprensión necesaria de los procesos comerciales”, dice Sergey Kotik, director de desarrollo de GoodsForecast. Recuerda cómo hace dos años su empresa tuvo la oportunidad de participar en una competencia de pronóstico de demanda para una cadena minorista federal. Se eligió una región piloto, para todos los bienes y almacenes de los cuales los participantes hicieron previsiones. Luego se compararon las previsiones con las ventas reales. El primer lugar lo ocupó uno de los gigantes rusos de Internet, conocido por su experiencia en aprendizaje automático y análisis de datos: en sus pronósticos, mostró una desviación mínima de las ventas reales.

Pero cuando la red comenzó a estudiar sus pronósticos con más detalle, resultó que, desde el punto de vista comercial, son absolutamente inaceptables. La empresa introdujo un modelo que producía planes de ventas con una subestimación sistemática. El programa descubrió cómo minimizar la probabilidad de errores en los pronósticos: es más seguro subestimar las ventas, ya que el error máximo puede ser del 100 % (no hay ventas negativas), pero en la dirección de sobrepronosticar, puede ser arbitrariamente grande, Kotik explica. En otras palabras, la empresa presentó un modelo matemático ideal, que en condiciones reales conduciría a tiendas medio vacías y enormes pérdidas por ventas insuficientes. Como resultado, otra empresa ganó la competencia, cuyos cálculos se pudieron poner en práctica.

“Quizás” en lugar de big data

Las tecnologías de big data son relevantes para muchas industrias, pero su implementación activa no ocurre en todas partes, señala Meshkov. Por ejemplo, en salud hay un problema con el almacenamiento de datos: se ha acumulado mucha información y se actualiza regularmente, pero en su mayor parte estos datos aún no se han digitalizado. También hay una gran cantidad de datos en las agencias gubernamentales, pero no se combinan en un grupo común. El desarrollo de una plataforma de información unificada del Sistema Nacional de Gestión de Datos (NCMS) tiene como objetivo resolver este problema, dice el experto.

Sin embargo, nuestro país está lejos de ser el único país donde en la mayoría de las organizaciones las decisiones importantes se toman en base a la intuición, y no al análisis de big data. En abril del año pasado, Deloitte realizó una encuesta entre más de mil líderes de grandes empresas estadounidenses (con una plantilla de 500 o más) y encontró que el 63% de los encuestados están familiarizados con las tecnologías de big data, pero no tienen todo lo necesario. infraestructura para utilizarlos. Mientras tanto, entre el 37% de las empresas con un alto nivel de madurez analítica, casi la mitad ha superado significativamente las metas comerciales en los últimos 12 meses.

El estudio reveló que además de la dificultad de implementar nuevas soluciones técnicas, un problema importante en las empresas es la falta de una cultura de trabajo con datos. No debe esperar buenos resultados si la responsabilidad de las decisiones tomadas en base a big data se asigna solo a los analistas de la empresa, y no a toda la empresa en su conjunto. “Ahora las empresas están buscando casos de uso interesantes para big data”, dice Miftakhov. “Al mismo tiempo, la implementación de algunos escenarios requiere inversiones en sistemas de recolección, procesamiento y control de calidad de datos adicionales que no han sido analizados antes”. Por desgracia, "el análisis aún no es un deporte de equipo", admiten los autores del estudio.

Deje un comentario