Современный бизнес и Big Data: анализ применений, результатов и перспектив в крупных компаниях и малом бизнесе

Логотип компании
Современный бизнес и Big Data: анализ применений, результатов и перспектив в крупных компаниях и малом бизнесе
Основные сферы применения Big Data в бизнесе – прогнозирование спроса и поведения клиентов, аналитика продаж, оптимизация производственных процессов, наём сотрудников, а также оценка платежеспособности будущих партнеров и выявление недобросовестных контрагентов.

В современных условиях анализ и обработка Big Data становятся все более важным инструментом для достижения успеха. В данной статье генеральный директор и основатель Тендерплана Максим Кузнецов рассмотрит опыт применения Big Data в крупных компаниях России и мира, затронет специфику ключевых тенденций использования массива больших данных, а также расскажет, как малый бизнес уже сегодня может извлечь выгоду из этой технологии.  

Big Data – один из главных ресурсов бизнеса сегодня

Основные сферы применения Big Data в бизнесе – прогнозирование спроса и поведения клиентов, аналитика продаж, оптимизация производственных процессов, наём сотрудников, а также оценка платежеспособности будущих партнеров и выявление недобросовестных контрагентов.

Big Data позволяет анализировать все больше аспектов бизнеса, а число технологий обработки массивов данных неуклонно растет с каждым днем. Использование облачных сервисов и интеграция в бизнес-системы ускоряет процесс внедрения механизмов обработки больших массивов данных в бизнес. А для части компаний этот инструмент служит катализатором роста, помогая бизнесу осваивать новые ниши. 

Высказываются об этом инструменте и первые лица государства – выступая 16 марта 2023 года на съезде Российского союза промышленников и предпринимателей, президент РФ призвал к повсеместному развитию цифровых решений и технологий Big Data. Это неудивительно, ведь для принятия ключевых решений на высоком уровне сегодня также активно используют аналитику большого массива данных. 

Опыт применения Big Data в бизнесе

Источники данных 

Для построения эффективной модели развития и принятия решений бизнесу необходим массив данных о потребителях. Среди его главных источников – цифровые данные корпораций, социальные данные, IoT. Например, Сбер предлагает всем желающим экономическую статистику, основанную на своих открытых данных. 

В России к этому списку добавляются данные открытых сервисов. Благодаря активному содействию со стороны правительства бизнес имеет доступ к большим объемам открытых данных как на специализированных порталах, так и через другие источники: Росстат, ЕГРЮЛ, ЕИС и др. Немалая часть информации аккумулируется посредством контрольно-кассовой техники, через которые можно получить емкую подборку потребительских данных. На основании таких данных бизнес может строить прогнозы и анализировать клиентов. 

Бизнес может использовать массивы данных с разными целями, например.

Прогнозирование спроса и увеличение объема продаж

Big Data позволяет персонализировать спрос, прогнозировать рыночные тенденции, провести аналитику конкурентов, понять предпочтения клиентов.

Самый простой пример – система рекомендаций крупнейших интернет-магазинов. На основе машинной обработки предыдущих заказов, предпочтений других покупателей, сезона и многих других факторов клиенту будет рекомендовано приобрести тот или иной продукт.

Общеизвестный пример Amazon – 35% всех продаж генерируют рекомендации, а 86% пользователей сервиса утверждают, что рекомендации влияют на их решения о покупке. 

Российский розничный бизнес не отстает от зарубежного – например, группа «М.Видео-Эльдорадо». Компания использует не просто технологии look-alike, а сложные рекомендательные механики на основе собранных массивов данных – поисковых запросов, историй покупок, откликов и незавершенных заказов. Big Data помогают персонализировать сообщения о промоакциях – покупатель получает информацию только о том товаре, который его заинтересует. Если клиент покинул сайт без покупки, система предложит альтернативу и уведомит о снижении цены.

Другой пример – фармацевтические компании в России используют Big Data для настройки таргетированной рекламы своих препаратов, исходя из погодных условий и уровня заболеваемости в регионе. Это помогает производителю спрогнозировать повышенный спрос на свою продукцию, а потребителю – оперативнее получить лечение. 

Оптимизация логистических процессов

Мониторинг остатков товаров на складах и построение оптимальных маршрутов на основе данных о дорожном движении и состоянии дорог – основные задачи сбора массива данных в логистике. Использование технологий Big Data логистическими компаниями сегодня – это необходимость, поскольку они позволяют уменьшить простои транспорта и сократить время доставки. 

Например, один из крупнейших грузоперевозчиков России – ПЭК, в 2019 году запустил Центр управления перевозками на базе аналитики Big Data. Каждую секунду там обрабатывается огромное количество операций – ЦУП аккумулирует все сведения для прогнозирования загрузки складов и эффективного управления операционной деятельностью. 

Но если частный бизнес активно работает с Big Data, то как обстоят дела у государственных компаний? Далеко не все знают, но большие данные используют и в логистическом центре Почты России. После анализа данных о приеме отправлений в отделениях почтовой связи был обнаружен источник дополнительной выручки в размере 250 млн руб. в год. Оказалось, что при приеме отправлений они иногда оформлялись некорректно и Почта взимала не полную стоимость доставки (она зависит от маршрута и веса отправления), а существенно меньшую сумму. Собранные данные позволили отследить весь путь любого отправления, который проходит из одной информационной системы Почты в другую, сопоставить атрибуты на старте отправления и финише, наладить бизнес-процессы.

Оптимизация производства

Big Data используют и для сокращения производственных расходов. Установленные в цехах датчики моделируют производственный процесс и предупреждают о возможных сбоях на производстве. Издержки также снижаются за счет анализа условий получения брака и эффективности тестирования продукции.

Например, компания Intel сократила тестирование своей продукции. Раньше перед поставкой в магазин каждый процессор должен был пройти примерно 19 000 тестов — это долго и дорого. Анализ данных всего производственного процесса помог понять, какие тесты избыточные. В итоге на них удалось сэкономить около $30 млн.

Российский кейс - на заводе «Микрон» тест одной из установок показывал сбой без видимых причин. Приходилось сливать дорогостоящие химикаты и перезапускать установку с различными настройками. Исследование данных позволило найти конкретную причину, которая мешала оборудованию выйти на штатный режим работы. Как результат, заметно сократились расходы на тестовые запуски, поскольку теперь нужно менять не десятки параметров, а только один.

Оптимизация работы HR-департаментов

Big Data помогает как нанимать новых сотрудников, так и анализировать эффективность действующих. Сбор резюме и других данных о соискателях, выявление закономерностей, а также ключевых навыков позволяют отсеять неподходящих и незаинтересованных в работе кандидатов. А анализируя поведение сотрудников, можно построить модель эффективности своих действующих сотрудников и выявить некомпетентных или выгоревших работников. 

Самый яркий пример здесь - Google. Отдел аналитики в компании на основе данных Big Data изучает текущее состояние сотрудников, рекомендует время отпуска или премирование, а также предупреждает вышестоящее руководство о намерении того или иного сотрудника уволиться в ближайшее время. 

Снижение финансовых рисков

Крупный бизнес просчитывает финансовые риски в работе с новыми партнерами, а банки оценивают финансовую состоятельность клиента при выдаче кредитного портфеля – в последнее время они активно пользуются аналитикой из социальных сетей для облегчения процесса скоринга.

Финансовые организации уже более 20 лет занимаются анализом больших данных для борьбы с фродом. Сегодня они создают целые отделы – AIDA (Artificial Intelligence and Data Analytics Office), объединяющие взаимодействие Big Data с ИИ. Такая технология позволяет существенно снизить риски невыполнения кредитных обязательств клиентов и максимизировать ценность данных.

Другой яркий пример – Центральный банк РФ, который призывает финансовый сектор использовать большие данные в своей работе: «Технологии больших данных дают финансовым институтам значительные преимущества в управлении рисками, помогают оптимизировать операционную деятельность и бизнес-процессы, усовершенствовать работу финансового рынка. Кроме того, большие данные дают возможность финансовым институтам предоставлять более персонализированные услуги потребителям и расширять объем клиентской базы». 

Малый бизнес: нужен ли ему data-based подход

Сегодня все больше компаний принимают data-driven решения. Мировыми лидерами по использованию Big Data являются компании США и Китая - около половины компаний в этих странах используют обработку Big Data. В России рынок больших данных пока только зарождается и используется в основном гигантами бизнес-индустрии, преимущественно относящимися к телекоммуникационным услугам и банковской сфере. А вот интеграция Big Data в малый бизнес происходит сложнее. Это дорогой и сложный процесс, для которого нужны не только финансовые, но и кадровые ресурсы. Малый бизнес зачастую не готов платить за собственную платформу, поэтому ему проще купить доступ к сервисам, которые предоставляют уже готовую аналитику. 

Предположим, что вы решили открыть заведение общепита. Вы знаете портрет своего потенциального клиента, конкурентов, просчитали основные издержки. Но вы не знаете, в каком месте будет наибольший трафик вашей целевой аудитории. Локация ресторана – одно из ключевых условий посещаемости вашего будущего заведения, а значит прибыльности бизнеса. 

Являясь одними из ключевых обладателей Big Data, банки анализируют транзакции всех своих клиентов и эквайринговых терминалов, которые обрабатывают платежи, в том числе, сторонних клиентов. На основании этой информации они могут предоставить вам сервис в виде тепловой карты, который подскажет лучшее место для открытия кафе. Анализируя конкурентную среду в разных точках, проходимость, наличие свободных площадей и другие параметры, алгоритм выдаст наиболее подходящие места для открытия будущего бизнеса.

Тенденции использования Big Data

Использование анализа массива данных все плотнее проникает в нашу жизнь. Например, статистика Google, основанная на Big Data, показывает интересную вещь. Перед тем, как медики объявляют о начале эпидемии заболевания в каком-то регионе, в этом регионе существенно возрастает количество поисковых запросов о лечении данного заболевания. Таким образом, правильное изучение данных может спрогнозировать начало эпидемии гораздо раньше, чем об этом объявят официальные органы здравоохранения.

Big Data будет приносить пользу не только бизнесу, но и каждому из нас. Не так давно компания Microsoft представила рынку свой новый продукт Copilot – «второго пилота» для работы. Новый интерфейс бизнес-чата, интегрированный в ежедневно используемые приложения, такие как Word, Excel, PowerPoint способен дать невероятный прирост ежедневной продуктивности. 

Например, основываясь на ранее проведенной работе, Copilot поможет вам дописать письмо для клиента в Outlook, подготовит креативную презентацию для команды, добавив в нее релевантный контент из созданного неделю назад документа, и составит план будущего совещания на основе утренних встреч.

Однако, на рынке Big Data есть ряд проблем, которые не позволяют ему развиваться еще быстрее. К таким проблемам можно отнести «грязные данные» (неоднородность собранных данных), необходимость обладать огромными вычислительными мощностями для их обработки, кибератаки и проблемы приватности информации.

Несмотря на это, мы наблюдаем стремительное развитие искусственного интеллекта и нейросети, появление новых алгоритмов их работы и упрощение использования. По оценке экспертов Fortune Business Insights, рынок больших данных ежегодно растет на 13,4%, а значит, что к 2029 году он увеличится до $655,53 млрд. Объем данных, накопленных человечеством, к 2025 году составит 180 зеттабайт. Усилится структуризация данных, компании научатся быстрее отсеивать ненужную информацию. Когнитивные системы позволят чаще и более гибко анализировать данные во многих отраслях и во многих ситуациях, а автоматизация и межмашинное взаимодействие станут основными конкурентами традиционных источников в области создания данных.

Опубликовано 24.05.2023

#COMMENTS_CACKLE##NAVIGATION_DETAIL#
Похожие статьи