Теория и практика Больших данных в отраслях

Проблема больших данных в различных отраслях

К 2015 году несмотря на малый срок существования сектора Big Data, уже есть оценки эффективного использования этих технологий, основанные на реальных примерах. Один из самых высоких показателей относится к энергетике – по оценкам аналитиков, аналитические технологии Big Data способны на 99% повысить точность распределения мощностей генераторов.

Анализ неудачных проектов Big data

Анализ неудачных проектов Big data^[1]

Big data в госсекторе

Основная статья: Большие данные в государственном секторе

Big data для операторов связи

Если говорить о методах больших данных, направленных на получение эффекта для бизнеса оператора связи, то здесь в общем случае рассматриваются четыре основные направления — первые три нацелены на улучшение внутренней работы самой компании, а последнее является дополнительным рыночными продуктом для внешних клиентов^[2]:

• высокоточный маркетинг (рrecise marketing) — адресное предложение продуктов и услуг тем потребителям, которые наиболее готовы к их приобретению (новые тарифные планы, дополнительные сервисы, платежные терминалы и пр.);
• управление качеством услуг для клиента (Customer Experience Management) для повышения его удовлетворенности с целью предотвращения оттока пользователей;
• оптимизация внутренней работы оператора и планирование развития (ROI-based Network Optimization and Planning) на основе учета всех объективных факторов и мнений потребителей с целью максимальных гарантий возврата инвестиций в кратчайшие сроки;
• монетизация информационных активов (Data Asset Monetization) — продажа в той или иной форме (в том числе в виде долевого участия в проектах) имеющихся у оператора данных своим партнерам, чтобы они могли с их помощью решать свои задачи.

Развернув решение больших данных, мобильный оператор смог начать собирать и анализировать существенно больше информации о поведении и интересах своих клиентов, в том числе об интенсивности использования связи и географическом местоположении. Причем все эти сведения можно было увязывать с данными о работе самой сотовой сети, в том числе о ее загрузке, о возникающих сбоях и пр.

Возможности применения подобных методов видны по полученным результатам. Так, в начале 2013 г. эффективность маркетинговых предложений (для клиентов, которые их приняли) при общей массовой рассылке составляла 0,7%. К концу года за счет простой сегментации абонентов (по возрасту, полу, сроку подписки) эта величина была доведена до 4%, а в течение 2014-го повышена сначала до 11% (учет интенсивности использования услуг и местоположение клиентов) и затем до 24% (учет предпочтительных вариантов получения предложения — голосовые звонки, SMS, э-почта, социальные сети и пр.). За год удалось сократить число нерезультативных обращений к клиентам на 11 млн., существенно снизив затраты на рекламные кампании.

На основе анализа 85 параметров поведения абонентов была выделена «группа риска», потенциально готовая к уходу от услуг оператора. Внутри нее также была проведена определенная сегментация, и для каждой категории клиентов выработан комплекс мероприятий по повышению уровня их лояльности (скидки, другие тарифные планы, подарки и пр.). Заказчик провел исследование, разделив «группу риска» на две подгруппы: с первой проводились специальные действия по удержанию, с другой ничего не делалось. Анализ такой работы за год показал, что компания смогла существенно сократить отток своих действующих потребителей, удержав более 200 тыс. абонентов; при этом нужно учитывать, что стоимость удержания клиента всегда значительно ниже, чем привлечения нового пользователя.

До использования больших данных расширение географической сети оператора фактически выполнялось только на основе информации о плотности застройки и населения, но внедрив это решение, China Unicom перешел к развитию свой деятельности на базе многофакторного анализа, который учитывал такие показатели, как реальная загруженность трафика и востребованность услуг (например, с учетом места работы людей), «ценность» клиентов (по уровню жизни), требования к качеству связи (расстояние между станциями приема), востребованность разных категорий услуг (от этого зависит использование различной аппаратуры) и пр.

В плане монетизации клиентских данных для внешних партнеров были приведены два примера: во-первых, оптимизация размещения наружной рекламы, причем как в географическом плане (место проживания, работа или транспортные коммуникации нужных клиентов), так и с учетом времени для динамической рекламы (в зависимости от времени суток, дней недели и сезонов года состав публики может меняться), а во-вторых, аналогичные предложения по развитию торговых сетей (с учётом местоположения и ассортимента). Кроме того, очень выгодным оказывается целевая рассылка мобильной рекламы в реальном времени в соответствии с графиком занятости человека, его интересов и физического пребывания (например, рассылка информации о фильмах-боевиках, которыми клиент интересуется, именно в его свободное время и с учетом близлежащих кинотеатров). Общий отраслевой опыт показывает, что такие адресные методы позволяют повышать доходы от распространения рекламы в разы.

Big data в банках

«Аналитика больших данных позволит банковским организациям лучше контролировать информацию внутри компании и выявлять признаки мошенничества намного быстрее, чем это было возможно раньше», – заявила в начале 2014 года Авива Литан (Avivah Litan), ведущий аналитик и вице-президент Gartner Research.

Массовое внедрение технологий анализа больших данных осложнено тем, что банки зачастую используют разрозненные или просто устаревшие платформы. Тем не менее, уже есть примеры того, как сотрудники, отвечающие за информационную безопасность, предотвращали мошеннические операции. Помимо технологии Big Data эксперты также считают, что бороться с мошенниками позволяет внедрение современных систем идентификации пользователей. Одним из примеров является так называемая непрерывная поведенческая идентификация, анализирующая поведение клиентов на протяжении длительного времени. Это делается при помощи привязки счета к мобильному телефону.

Большие данные способны решать практически все ключевые задачи банков: привлечение клиентов, повышение качества услуг, оценка заемщиков, противодействие мошенничеству и др. Повышая скорость и качество формирования отчетности, увеличивая глубину анализа данных, участвуя в противодействии отмыванию незаконных средств, эти технологии помогают банкам соответствовать требованиям регуляторов^[3].

Основные задачи, для которых банки используют технологии анализа больших данных, – это оперативное получение отчетности, скоринг, недопущение проведения сомнительных операций, мошенничества и отмывания денег, а также персонализация предлагаемых клиентам банковских продуктов.

Технологии больших данных применяются в основном для анализа клиентской среды. Дмитрий Шепелявый, заместитель генерального директора SAP CIS (САП СНГ), приводит несколько примеров: «Американский банк PNC данные о поведении своих клиентов на сайтах, информацию о покупках и образе жизни конвертирует в политику гибкого начисления процентных ставок, которая в итоге выражается в цифрах роста капитализации. Commonwealth Bank of Australia (CBA) анализирует все транзакции своих вкладчиков, дополняя этот анализ сбором данных о них в социальных сетях. Связав эти потоки данных, банк добился значительного снижения процента неуплаты по кредитам. А в России интересен опыт Уральского банка реконструкции и развития – они стали работать с информацией по клиентской базе для создания кредитных предложений, вкладов и других услуг, которые могут максимально заинтересовать конкретного клиента. Примерно за год применения ИТ-решений розничный кредитный портфель УБРиР вырос примерно на 55%»^[4].

В «Альфа-банке», в 2013 г. в банке была успешно завершена разработка прототипа решения по взаимодействию с социальными сетями, сейчас идет несколько пилотных проектов, исследующих различные бизнес-гипотезы.

«Банки обладают колоссальным объемом структурированной клиентской информации, которая может быть успешно обработана с применением технологий больших данных. Это позволяет на основании анализа клиентского поведения, клиентской активности и клиентских операций быстро принимать решения и делать высоко релевантные предложения банковских продуктов», – об этом рассказал Максим Азрильян, главный технический архитектор центра инноваций и технологий электронного бизнеса «Альфа-банка».

Big data в страховании

Страховые компании заинтересованы в том, чтобы применять технологии Big Data, однако лишь немногие начали активно работать в этом направлении. Такие данные в совместном исследовании приводят компании Bravura Solutions и Financial Services Council (весна 2014 года). Исследователи опросили ряд ведущих страховых компаний об их планах по модернизации и внедрению решений Big Data.

Согласно результатам опроса, 67% страховых компаний считают, что у них есть лишь ограниченный доступ к пользовательским данным. По мнению респондентов, этих данных достаточно, чтобы персонализировать взаимодействие с клиентами, но недостаточно, чтобы прогнозировать их поведение. Впрочем, для более чем 56% респондентов именно создание персонализированных кампаний является основной целью развития маркетинговых коммуникаций.

Около 30% опрошенных страховых компаний уже сегодня используют технологии Big Data и аналитику для того, чтобы предугадывать нужды клиентов и создавать персонализированные сообщения. Главной проблемой для тех компаний, которые пока не делают этого, становится отсутствие необходимых систем, говорится в исследовании. У страховых компаний есть массивы данных, однако пока нет возможности в полной мере воспользоваться ими. Большинство страховых компаний так или иначе заинтересованы в модернизации своих ИТ-систем в ближайшие пять лет. Однако для 23,7% организаций вопрос о модернизации пока не стоит.

Big data в здравоохранении (фармацевтике)

Области использования Big Data

Внедрение мобильных технологий в сфере здравоохранения и распространение M2M-устройств будет способствовать расширению практики применения Big Data в медицинской сфере, однако лишь немногие учреждения здравоохранения готовы к работе с большими данными. К такому выводу пришли эксперты компании MeriTalk, которая провела опрос среди 150 топ-менеджеров из сферы государственного здравоохранения США. Авторы исследования (весна 2014 года) MeriTalk попытались выяснить, насколько руководители медицинской сферы готовы работать с Big Data и какие шаги уже сделали навстречу этим новым технологиям.

Менее 25% топ-менеджеров государственных медицинских учреждений считают, что их ведомства готовы работать с Big Data. Только 34% опрошенных отметили, что их ведомство вложило средства в технологии, позволяющие оптимизировать процесс сбора данных. Еще меньше руководителей (29%) наняли ИТ-специалистов, которые занимаются управлением данных и их анализом. 29% провели обучение ключевых менеджеров работе с Big Data.

При этом более половины опрошенных (59%) уверены, что успешная работа с Big Data станет ключевым фактором повышения эффективности работы их учреждения в ближайшие пять лет. 63% топ-менеджеров считают, что технологии больших данных позволят более эффективно отслеживать состояние здоровья пациентов, а 60% отмечают, что благодаря большим данным улучшится профилактическая работа.

В медицинских учреждениях технологии M2M пока не нашли широкого применения: их освоили всего 15% топ-менеджеров. Впрочем, 53% опрошенных планируют исправить эту ситуацию в ближайшие два года. По словам аналитиков MeriTalk, именно технологии M2M могут сыграть наибольшую роль в улучшении качества заботы о пациентах и удаленного мониторинга состояния их здоровья.

Частные и государственные учреждения уже активно используют большие данные для создания персонифицированных предложений для своих клиентов. Но актуально ли это для такой отрасли как здравоохранение? Ответ утвердительный! Ведь понимание потребностей пациентов напрямую зависит от того, насколько активно применяются новые технологии в медицине^[5].

Согласно исследованию, проведенному компанией McKinsey&Company в 2014 г., 75% опрошенных пациентов хотели бы использовать цифровые сервисы – вопреки устоявшемуся мнению о том, что большинство населения неохотно обращается к ним при лечении.

Чтобы удовлетворить потребность пациентов в качественном медицинском обслуживании, во многих странах здравоохранение все больше обращается в сторону smart технологий. В Германии, например, уже сегодня благодаря технологиям Больших данных онкологические заболевания либо предрасположенность к ним выявляются по анализу крови пациентов и доноров. В результате своевременной диагностики существенно снижаются затраты государства и самих людей, а также невероятно повышается эффективность лечения. Ведь один из самых главных врагов пациента, запустившего болезнь – время. Обратимся к упомянутой ранее онкологии. Диагностика и подбор нужной схемы лечения может забрать драгоценные минуты, которые так важны в оперативном реагировании при обнаружении злокачественных образований

Большие данные, помимо уже известных и распространенных задач, можно использовать в том числе для борьбы с заболеваниями и отслеживания роста эпидемий, считают эксперты. Так, еще за девять дней до того, как вспышка вируса Эбола была официально объявлена эпидемией, группа исследователей и ученых из Бостона при помощи больших данных смогла обнаружить распространение геморрагической лихорадки в Гвинее.

Картину движения по Западной Африке эпидемии смертельного вируса составил стартап HealthMap, работающий на базе алгоритма, учитывающего упоминания в социальных медиа, сводки местных новостей и другие данные, доступные в Сети^[6].

Системы больших данных могут оказаться полезными в первую очередь не для обнаружения уже проявившихся вспышек тех или иных заболеваний, а для предсказания потенциально возможных эпидемий такого рода благодаря анализу доступной информации. В этом случае практически те же технологии, которые помогают маркетологам демонстрировать потребителям таргетированную рекламу или предлагать музыку и видео для просмотра, могут быть использованы для борьбы против инфекционных заболеваний, таких как Эбола.

Big data в автомобилестроении

Big data в электронной коммерции

Основная статья: Большие данные в электронной коммерции

Big data в розничной торговле

Оффлайн-розница использует большие данные, чтобы анализировать поведение покупателей, проектировать маршруты следования по торговому залу, правильно расставить товары, планировать закупки, и, в конечном итоге, повысить продажи. В онлайн-рознице на больших данных строится сам механизм продаж: пользователям предлагают товары на базе предыдущих покупок и их персональных предпочтений, информация о которых собирается, например, в соцсетях. В обоих случаях анализ больших данных помогает сократить издержки, повысить лояльность клиентов и охватить большую аудиторию. Все это – лишь базовые возможности, которые можно реализовать с помощью технологий больших данных^[7].

Несмотря на экономический кризис, ожидается рост числа проектов по внедрению больших данных, в том числе и в ритейле. Хотя внедрение новых технологий грозит не только прибылью, но и высокими рисками, компании уже ознакомились с успехами более решительных коллег по бизнесу. В сложной экономической ситуации на первый план выходит необходимость экономить и повышать лояльность клиентов. Как раз с этими задачами и призваны справляться решения для работы с большими данными.

В борьбе за клиента ритейлеры все чаще обращаются к инновационным технологиям, таким как анализ больших данных, электронная коммерция, омниканальные сервисы, технологии RFID и т.д. В Корее, например, недавно был открыт первый в мире виртуальный магазин прямо на платформе метрополитена. Сканируя QR-коды с панелей, оклеенных изображениями различных товаров, жители Сеула складывают в свою виртуальную корзину выбранный товар, который затем доставляют им домой в удобное время. Подобные технологии, вероятно, нашли бы отклик у вечно спешащих москвичей^[8].

Крупнейший ритейлер Великобритании Tesco экспериментирует с дополненной реальностью. Для покупателей было разработано приложение, которое позволяет им оперативно получать информацию о калорийности тех или иных продуктов и прочие сведения, не уместившиеся на ценнике, просто наводя камеру планшета на полку и делая снимок.

Еще один пример: до недавнего времени интернет-продажи одежды и обуви не были достаточно распространены именно из-за невозможности осуществить примерку в виртуальном пространстве. У покупателя был высокий риск ошибиться с размером или фасоном. Но ситуация меняется. Скоро в интернет-магазине eBay станет доступна виртуальная примерочная, позволяющая покупателям «примерять» понравившуюся из сетевого каталога одежду на трехмерную модель собственного тела. Аналогичный проект виртуальной примерочной был представлен компанией SAP на выставке «Открытые Инновации» в 2013 г. и получил высокую оценку экспертов. Благодаря таким технологиям человек может с помощью своей фотографии и введенных параметров (в т.ч. рост, размер) примерить и заказать новую одежду, оплатив ее с помощью мобильного телефона.

Развитие мобильных технологий можно назвать одним из главных трендов, оказывающих влияние на развитие ритейла. Смартфон стал самым важным инструментом в торговле, считают аналитики IDC, и его значение будет только расти. 69% потребителей уже считают, что смартфон просто необходим для совершения покупок и намного увеличивает удовольствие от процесса. Никто не может отрицать удобство заказа из любой точки мира и оплаты с помощью интернета или телефона любым подходящим способом. В результате активно развивается концепция «Omni Channel» – когда реальные и виртуальные каналы продаж объединяются в единый бизнес-процесс. Уже сегодня любой покупатель хочет иметь возможность, например, начать покупку в интернете, сделав там заказ, а закончить оплатой в магазине и наоборот.

Нельзя отрицать и тот факт, что конкуренция в ритейле увеличивается за счет появления «цифровых покупателей». Этот новый класс клиентов привык выбирать лучшие предложения на рынке одним нажатием кнопки и находится в постоянном поиске персонализированных акций и промо-цен. Ритейлеры вынуждены искать инструменты, которые позволят создавать персонализированные предложения и направленно продвигать товар. Покупательский интерфейс Amazon.com – хрестоматийный пример такого сервиса. Каждый раз, заходя на сайт, клиент получает разнообразные предложения, основанные на анализе истории прошлых покупок, просмотренных страниц, оставленных отзывов и т.п. Огромные объемы информации система обрабатывает за доли секунды, каждый раз преобразуя их в таргетированное предложение, ведущее в итоге к росту продаж.

Big data для медиа-индустрии

Требования к хранению больших данных в индустрии медиа и развлечений по мере роста разрешения видео возрастают очень быстро (июль 2012 г). Распространение стандарта HD и мобильного видео потребления стимулируют возникновение лавинообразного спроса на соответствующий цифровой контент. В связи с этим растет и спрос на решения хранения данных и на HDD для создания архивных видиотек, по данным аналитиков Coughlin Associates^[9].

Значительно выросло проникновение конкретно в этой индустрии флеш-накопителей – до 37% в 2012 году. Флеш-память играет одну из ключевых ролей в распространении контента и пост продакшене, отмечают исследователи. В период с 2012 по 2017 год требования к емкости цифровых хранилищ данных в индустрии развлечений вырастет в 5,6 раз, а требования к задействованному объему хранилищ данных в год – в 4 раза (с 22425 Пб до 87152 Пб).

Выручка от реализации систем хранения в отрасли медиа и развлечений вырастут более чем в 1,4 раза в период с 2012 по 2017 годы с $5,6 млрд до $7,8 млрд. Максимально решения для хранения данных в 2012 году были задействованы для сохранения и архивирования нового контента (98%).

По оценкам Coughlin Associates, в 2012 году от общего объема поставленной памяти 43% пришлось на ленточный формат, 41% на HDD, 16% на оптические диски и 0,2% на флеш (которая используется в основном в цифровых камерах и некоторых системах дистрибуции медиа). К 2017 году на ленты будет приходиться только 38%, а на HDD – уже 59%, на оптические диски – 3% и на флеш – 0,3%.

Общая выручка от реализации носителей и устройств, используемых в медиа и индустрии развлечений, вырастет в период с 2012 по 2017 год в 1,3 раза с $774 млн до $974 млн.

Big data в маркетинге

Когда конкуренция обостряется, для компаний важно предлагать клиентам свои услуги в тот момент, когда они наиболее востребованы, причем делать это быстро. Поэтому роль маркетинга возрастает - это уже не побочная ветвь бизнеса, как было раньше. Согласно данным исследования IBM, 63% главных исполнительных директоров пользуются помощью директоров по маркетингу (CMO) в выработке своей бизнес-стратегии. По уровню вовлеченности в этот процесс CMO опережают только главные финансовые директора с показателем 72%.

Теперь маркетологи могут воспользоваться современными технологиями big data и мощной аналитикой, что многократно усиливает возможности маркетинговых подразделений. Если раньше в их распоряжении были небольшие фрагменты данных, на основном которых приходилось выстраивать картину целого, да и сами данные подчас хранились там, откуда извлечь их было проблематично, то теперь положение дел изменилось.

Директора по маркетингу комбинируют данные из внутренних и внешних источников. Во-первых, люди сами о себе сообщают много информации, например, в социальных сетях. Там можно отслеживать их предпочтения или критику услуг. Анализ таких данных позволяет делать клиентам персонифицированные предложения. Особенно важно это для организаций, относящихся к сектору СМБ. Более того, небольшие компании подчас вынуждены открывать у себя новые направления бизнеса, если это требуется их клиентам.

Корпорация IBM ежегодно, начиная с 2004 года, проводит исследование, в котором опрашиваются директора компаний. В новом исследовании, которое назвали «Принимая вызов: Каким образом CMO могут начать заполнение информационных брешей» приняли участие более пятисот главных директоров по маркетингу компаний из 56 стран и 19 отраслей со всего мира.

Результаты исследования показали, что 94% опрошенных считают, что аналитика будет играть важную роль в достижении поставленных целей. Вместе с тем, возросло число директоров (82% респондентов по сравнению с 71% тремя годами ранее), которые полагают, что их организации недостаточно подготовлены к извлечению реальной экономической выгоды из взрывного роста данных.

Исследование также показало - когда директор по маркетингу тесно взаимодействует с директором по информационным технологиям, предприятие, как правило, функционирует более успешно. Приоритеты директоров по маркетингу сейчас соответствуют потребностям цифровой экономики. В 2013 году впервые на 1 место в числе приоритетов вышел пункт «развитие технологий».

Еще один факт: 94% руководителей отделов маркетинга считают, что ключевым фактором будущего успеха будут мобильные технологии. Три года назад такое мнение высказали 80% респондентов. Многие участники опроса – 58% респондентов заявили, что могут заниматься делами бизнеса независимо от своего местонахождения или используемого устройства.

Большие данные гражданской авиации

Согласно прогнозу аналитиков, 67% компаний из аэрокосмической отрасли реализуют проекты на основе Big Data, ещё 10% планируют такие проекты. Что касается авиакомпаний, то здесь реализация проектов на февраль 2019 года заявлена у 44% компаний, а планы на такие проекты анонсировали 25%.

Это результаты исследования, которое провела в декабре 2017 года компания FlightGlobal относительно роли Big Data для аэрокосмических предприятий и авиакомпаний. Аналитики также выяснили мнение по поводу совместного использования данных по состоянию самолётов с производителями и компаниями, осуществляющими ремонт и техническое обслуживание (ТО)^[10]. В исследовании приняли участие 300 профессионалов из аэрокосмической и авиационной отрасли. Большинство из них уверены, что технологии Big Data способны повысить операционную надёжность и эффективность авиакомпаний.

Инфографика с результатами исследования

Приблизительно половина респондентов ответила, что их компании используют массивы данных о состоянии самолётов, что помогает им принимать более выверенные решения. В ближайшей перспективе доля таких компаний вырастет до 75%.

Совместное использование данных с OEM/MRO всё ещё остаётся проблематичным. Однако 38% авиакомпаний полагают, что такая модель может обеспечить им значительные бизнес-преимущества.

Согласно данным из опубликованного в мае 2018 года обзора компании Honeywell "Connected Aircraft"^[11], 47% опрошенных авиакомпаний планируют потратить в целях подключения воздушных судов к Сети до 1 млн. долларов в течение следующего года на каждый самолёт, эксплуатируемый ими. Большинство этих компаний планирует уложиться в суммы от 0.1 до 0.5 млн. долларов. Однако, в пятилетней перспективе 38% авиаперевозчиков анонсировали инвестиции уже в размере 1-10 млн. долларов на каждый самолёт.

До февраля 2019 года при инвестировании авиакомпаниями в смежные к авиации технологии (connected technologies) речь шла, прежде всего, об обеспечении спутниковой связи и Wi-Fi. Теперь же компании готовы извлекать выгоду из тех данных, которые они могут получать путем использования оборудования непосредственно на борту самолётов. Например, такие данные могут обеспечить им экономию в размере 1% от потребляемого топлива, что эквивалентно 50 000 долларов на самолёт в год, подсчитали аналитики Honeywell. Подробнее здесь.

Big data в логистике

• Как использовать Big Data для прогнозной аналитики в логистике

Смотрите также

• Каталог BI-решений и проектов доступен на TAdviser
• Большие данные (Big Data)
• Большие данные (Big Data) в России
• Большие данные (Big Data) мировой рынок
• Большие данные: первые итоги