Accepteer als data: hoe bedrijven leren profiteren van big data

Door big data te analyseren, leren bedrijven verborgen patronen bloot te leggen, waardoor hun bedrijfsprestaties verbeteren. De richting is in de mode, maar niet iedereen kan profiteren van big data vanwege het ontbreken van een cultuur om ermee te werken

“Hoe vaker iemands naam voorkomt, hoe groter de kans dat ze op tijd betalen. Hoe meer verdiepingen uw huis heeft, hoe meer u statistisch gezien een betere lener bent. Het sterrenbeeld heeft bijna geen invloed op de kans op terugbetaling, maar het psychotype wel aanzienlijk”, zegt Stanislav Duzhinsky, analist bij Home Credit Bank, over onverwachte patronen in het gedrag van leners. Veel van deze patronen legt hij niet uit – ze werden onthuld door kunstmatige intelligentie, die duizenden klantprofielen verwerkte.

Dit is de kracht van big data-analyse: door een enorme hoeveelheid ongestructureerde gegevens te analyseren, kan het programma veel correlaties ontdekken die de meest wijze menselijke analist niet eens weet. Elk bedrijf heeft een enorme hoeveelheid ongestructureerde gegevens (big data) – over werknemers, klanten, partners, concurrenten, die kunnen worden gebruikt voor zakelijk voordeel: het effect van promoties verbeteren, omzetgroei realiseren, personeelsverloop verminderen, enz.

De eersten die met big data werkten, waren grote technologie- en telecommunicatiebedrijven, financiële instellingen en de detailhandel, zegt Rafail Miftakhov, directeur van de Deloitte Technology Integration Group, CIS. Nu is er in veel industrieën belangstelling voor dergelijke oplossingen. Wat hebben bedrijven bereikt? En leidt big data-analyse altijd tot waardevolle conclusies?

Banken gebruiken big data-algoritmen voornamelijk om de klantervaring te verbeteren en de kosten te optimaliseren, maar ook om risico's te beheersen en fraude tegen te gaan. “De afgelopen jaren heeft er een ware revolutie plaatsgevonden op het gebied van big data-analyse”, zegt Duzhinsky. "Het gebruik van machine learning stelt ons in staat om de kans op het in gebreke blijven van een lening veel nauwkeuriger te voorspellen - delinquentie bij onze bank is slechts 3,9%." Ter vergelijking: vanaf 1 januari 2019 bedroeg het aandeel van leningen met achterstallige betalingen van meer dan 90 dagen op leningen aan particulieren, volgens de Centrale Bank, 5%.

Zelfs microfinancieringsorganisaties staan ​​voor een raadsel door de studie van big data. "Vandaag de dag financiële diensten verlenen zonder big data te analyseren, is als rekenen zonder cijfers", zegt Andrey Ponomarev, CEO van Webbankir, een online leningplatform. "We geven online geld uit zonder de klant of zijn paspoort te zien, en in tegenstelling tot traditionele leningen moeten we niet alleen de solvabiliteit van een persoon beoordelen, maar ook zijn persoonlijkheid identificeren."

Nu slaat de database van het bedrijf informatie op over meer dan 500 duizend klanten. Elke nieuwe toepassing wordt met deze gegevens in ongeveer 800 parameters geanalyseerd. Het programma houdt niet alleen rekening met geslacht, leeftijd, burgerlijke staat en kredietgeschiedenis, maar ook met het apparaat waarmee een persoon het platform betrad, hoe hij zich op de site gedroeg. Het kan bijvoorbeeld alarmerend zijn dat een potentiële lener geen leningcalculator heeft gebruikt of niet heeft geïnformeerd naar de voorwaarden van een lening. “Met uitzondering van enkele stopfactoren – wij verstrekken bijvoorbeeld geen leningen aan personen onder de 19 jaar – is geen van deze parameters op zichzelf een reden om een ​​lening te weigeren of ermee in te stemmen”, legt Ponomarev uit. Het is de combinatie van factoren die telt. In 95% van de gevallen wordt de beslissing automatisch genomen, zonder tussenkomst van specialisten van de acceptatieafdeling.

Met big data-analyse kunnen we interessante patronen afleiden, deelt Ponomarev. Zo bleken iPhone-gebruikers meer gedisciplineerde leners te zijn dan bezitters van Android-toestellen – eerstgenoemden krijgen 1,7 keer vaker goedkeuring van aanvragen. "Het feit dat militairen leningen bijna een kwart minder vaak niet terugbetalen dan de gemiddelde lener, was geen verrassing", zegt Ponomarev. "Maar van studenten wordt meestal niet verwacht dat ze verplicht zijn, maar ondertussen komen gevallen van kredietverzuim 10% minder vaak voor dan het gemiddelde voor de basis."

De studie van big data maakt het ook voor verzekeraars mogelijk om te scoren. IDX, opgericht in 2016, houdt zich bezig met identificatie op afstand en online verificatie van documenten. Deze diensten zijn in trek bij vrachtverzekeraars die geïnteresseerd zijn in zo min mogelijk verlies van goederen. Alvorens het vervoer van goederen te verzekeren, controleert de verzekeraar, met toestemming van de chauffeur, op betrouwbaarheid, legt Jan Sloka, commercieel directeur van IDX, uit. Samen met een partner – het Sint-Petersburgse bedrijf “Risk Control” – heeft IDX een dienst ontwikkeld waarmee u de identiteit van de chauffeur, paspoortgegevens en rechten, deelname aan incidenten met betrekking tot het verlies van lading, enz. kunt controleren. Na analyse uit de database van chauffeurs identificeerde het bedrijf een "risicogroep": meestal gaat er vracht verloren onder chauffeurs van 30-40 jaar met een lange rijervaring, die recentelijk vaak van baan zijn veranderd. Het bleek ook dat de lading het vaakst wordt gestolen door bestuurders van auto's met een levensduur van meer dan acht jaar.

Winkeliers hebben een andere taak: klanten identificeren die klaar zijn om een ​​aankoop te doen en de meest effectieve manieren bepalen om ze naar de site of winkel te halen. Daartoe analyseren de programma's het profiel van klanten, gegevens van hun persoonlijke account, de geschiedenis van aankopen, zoekopdrachten en het gebruik van bonuspunten, de inhoud van elektronische mandjes die ze zijn gaan invullen en verlaten. Met data-analyse kun je de hele database segmenteren en groepen potentiële kopers identificeren die mogelijk geïnteresseerd zijn in een bepaald aanbod, zegt Kirill Ivanov, directeur van het databureau van de M.Video-Eldorado-groep.

Het programma identificeert bijvoorbeeld groepen klanten, die allemaal verschillende marketingtools leuk vinden: een renteloze lening, cashback of een kortingscode. Deze kopers ontvangen een e-mailnieuwsbrief met de bijbehorende actie. De kans dat een persoon die de brief heeft geopend, naar de website van het bedrijf gaat, neemt in dit geval aanzienlijk toe, merkt Ivanov op.

Met data-analyse kunt u ook de verkoop van gerelateerde producten en accessoires verhogen. Het systeem, dat de bestelgeschiedenis van andere klanten heeft verwerkt, geeft de koper aanbevelingen over wat hij samen met het geselecteerde product moet kopen. Testen van deze werkwijze toonde volgens Ivanov een toename van het aantal bestellingen met accessoires met 12% en een toename van de omzet van accessoires met 15%.

Retailers zijn niet de enigen die ernaar streven de kwaliteit van de dienstverlening te verbeteren en de verkoop te verhogen. Afgelopen zomer lanceerde MegaFon een 'slimme' aanbiedingsservice op basis van de verwerking van gegevens van miljoenen abonnees. Na hun gedrag te hebben bestudeerd, heeft kunstmatige intelligentie geleerd om binnen de tarieven persoonlijke aanbiedingen voor elke klant te formuleren. Als het programma bijvoorbeeld merkt dat een persoon actief naar video op zijn apparaat kijkt, biedt de service hem de mogelijkheid om de hoeveelheid mobiel verkeer uit te breiden. Rekening houdend met de voorkeuren van gebruikers, biedt het bedrijf abonnees onbeperkt verkeer voor hun favoriete vormen van internetrecreatie, bijvoorbeeld door instant messengers te gebruiken of naar muziek te luisteren op streamingdiensten, te chatten op sociale netwerken of tv-programma's te kijken.

"We analyseren het gedrag van abonnees en begrijpen hoe hun interesses veranderen", legt Vitaly Shcherbakov, directeur big data-analyse bij MegaFon, uit. "Dit jaar is het AliExpress-verkeer bijvoorbeeld 1,5 keer zo groot als vorig jaar, en in het algemeen groeit het aantal bezoeken aan online kledingwinkels: 1,2 à 2 keer, afhankelijk van de specifieke bron."

Een ander voorbeeld van het werk van een operator met big data is het MegaFon Poisk-platform voor het zoeken naar vermiste kinderen en volwassenen. Het systeem analyseert welke mensen zich in de buurt van de vermiste persoon kunnen bevinden en stuurt hen informatie met een foto en tekenen van de vermiste persoon. De telefoniste ontwikkelde en testte het systeem samen met het ministerie van Binnenlandse Zaken en de Lisa Alert-organisatie: binnen twee minuten na oriëntatie op de vermissing ontvangen ruim tweeduizend abonnees, wat de kans op een succesvol zoekresultaat aanzienlijk vergroot.

Big data-analyse heeft ook toepassing gevonden in de industrie. Hier kunt u de vraag voorspellen en de verkoop plannen. Dus werd in de Cherkizovo-bedrijvengroep drie jaar geleden een oplossing op basis van SAP BW geïmplementeerd, waarmee u alle verkoopinformatie kunt opslaan en verwerken: prijzen, assortiment, productvolumes, promoties, distributiekanalen, zegt Vladislav Belyaev, CIO van de groep ” Cherkizovo. De analyse van de verzamelde 2 TB aan informatie maakte het niet alleen mogelijk om het assortiment effectief te vormen en het productportfolio te optimaliseren, maar vergemakkelijkte ook het werk van de medewerkers. Het opstellen van een dagelijks verkooprapport zou bijvoorbeeld een dagtaak van veel analisten vergen - twee voor elk productsegment. Nu wordt dit rapport opgesteld door de robot, die slechts 30 minuten besteedt aan alle segmenten.

"In de industrie werken big data effectief samen met het internet der dingen", zegt Stanislav Meshkov, CEO van Umbrella IT. “Op basis van de analyse van data van de sensoren waarmee de apparatuur is uitgerust, is het mogelijk afwijkingen in de werking te signaleren en storingen te voorkomen en prestaties te voorspellen.”

In Severstal proberen ze met behulp van big data ook niet-triviale taken op te lossen, bijvoorbeeld om het aantal ongevallen terug te dringen. In 2019 trok het bedrijf ongeveer RUB 1,1 miljard uit voor maatregelen om de arbeidsveiligheid te verbeteren. Severstal verwacht het letselpercentage met 2025% met 50 te verminderen (vergeleken met 2017). “Als een lijnmanager – voorman, werfleider, winkelmanager – merkt dat een medewerker bepaalde handelingen onveilig uitvoert (houdt zich niet vast aan de leuningen bij traplopen op het industrieterrein of draagt ​​niet alle persoonlijke beschermingsmiddelen), schrijft hij uit een speciale opmerking voor hem - PAB (van "behavioral security audit")", zegt Boris Voskresensky, hoofd van de afdeling gegevensanalyse van het bedrijf.

Na analyse van gegevens over het aantal PAB's in een van de divisies, ontdekten de specialisten van het bedrijf dat veiligheidsregels het vaakst werden overtreden door degenen die al eerder meerdere opmerkingen hadden gemaakt, maar ook door degenen die kort daarvoor met ziekteverlof of vakantie waren het incident. Overtredingen in de eerste week na terugkeer van vakantie of ziekte waren twee keer zo hoog als in de periode erna: 1 versus 0,55%. Maar werken in de nachtdienst, zo bleek, heeft geen invloed op de statistieken van PAB's.

Het maken van algoritmen voor het verwerken van big data is niet het moeilijkste deel van het werk, zeggen bedrijfsvertegenwoordigers. Het is veel moeilijker te begrijpen hoe deze technologieën kunnen worden toegepast in de context van elk specifiek bedrijf. Hier ligt de achilleshiel van bedrijfsanalisten en zelfs externe providers, die naar het schijnt expertise hebben opgebouwd op het gebied van big data.

"Ik ontmoette vaak big data-analisten die uitstekende wiskundigen waren, maar niet de nodige kennis van bedrijfsprocessen hadden", zegt Sergey Kotik, ontwikkelingsdirecteur bij GoodsForecast. Hij herinnert zich hoe zijn bedrijf twee jaar geleden de kans kreeg om deel te nemen aan een vraagvoorspellingswedstrijd voor een federale winkelketen. Er is gekozen voor een pilotregio, voor alle goederen en winkels waarvan de deelnemers prognoses hebben gemaakt. De prognoses werden vervolgens vergeleken met de werkelijke verkopen. De eerste plaats werd ingenomen door een van de Russische internetreuzen, bekend om zijn expertise op het gebied van machine learning en data-analyse: in zijn prognoses vertoonde het een minimale afwijking van de daadwerkelijke verkoop.

Maar toen het netwerk zijn voorspellingen in meer detail begon te bestuderen, bleek dat ze vanuit zakelijk oogpunt absoluut onaanvaardbaar zijn. Het bedrijf introduceerde een model dat verkoopplannen produceerde met een systematisch understatement. Het programma bedacht hoe de kans op fouten in prognoses kan worden geminimaliseerd: het is veiliger om de verkoop te onderschatten, aangezien de maximale fout 100% kan zijn (er zijn geen negatieve verkopen), maar in de richting van overvoorspelling kan deze willekeurig groot zijn, legt Kotik uit. Met andere woorden, het bedrijf presenteerde een ideaal wiskundig model, dat in reële omstandigheden zou leiden tot halflege winkels en enorme verliezen door onderverkoop. Als resultaat won een ander bedrijf de wedstrijd, wiens berekeningen in de praktijk konden worden gebracht.

Big data-technologieën zijn relevant voor veel industrieën, maar hun actieve implementatie vindt niet overal plaats, merkt Meshkov op. In de zorg is bijvoorbeeld een probleem met de opslag van gegevens: er is veel informatie verzameld en regelmatig bijgewerkt, maar het grootste deel van deze gegevens is nog niet gedigitaliseerd. Er zijn ook veel gegevens bij overheidsinstanties, maar die zijn niet gecombineerd tot een gemeenschappelijk cluster. De ontwikkeling van een uniform informatieplatform van het Nationaal Data Management Systeem (NCMS) moet dit probleem oplossen, zegt de expert.

Ons land is echter lang niet het enige land waar in de meeste organisaties belangrijke beslissingen worden genomen op basis van intuïtie, en niet op basis van analyse van big data. In april vorig jaar deed Deloitte een onderzoek onder meer dan duizend leiders van grote Amerikaanse bedrijven (met 500 medewerkers of meer) en ontdekte dat 63% van de ondervraagden bekend is met big data-technologieën, maar niet over alle benodigde infrastructuur om ze te gebruiken. Ondertussen heeft bijna de helft van de 37% bedrijven met een hoge mate van analytische maturiteit de bedrijfsdoelstellingen in de afgelopen 12 maanden aanzienlijk overtroffen.

Uit het onderzoek bleek dat naast de moeilijkheid om nieuwe technische oplossingen te implementeren, een belangrijk probleem bij bedrijven het ontbreken van een cultuur van werken met data is. Je mag geen goede resultaten verwachten als de verantwoordelijkheid voor beslissingen op basis van big data alleen bij de analisten van het bedrijf wordt gelegd, en niet bij het hele bedrijf als geheel. "Bedrijven zijn nu op zoek naar interessante use cases voor big data", zegt Miftakhov. "Tegelijkertijd vereist de implementatie van sommige scenario's investeringen in systemen voor het verzamelen, verwerken en kwaliteitscontrole van aanvullende gegevens die nog niet eerder zijn geanalyseerd." Helaas, "analyse is nog geen teamsport", geven de auteurs van het onderzoek toe.