Новость о слиянии мессенджеров Facebook, WhatsApp и Instagram вызвала среди экспертов по анализу данных настоящую панику: это еще один шаг к созданию агрегатора не просто больших, а огромных данных. Но беспокоиться не стоит: сама по себе такая информация не всегда представляет ценность — важно то, как она применяется. Сегодня слишком много внимания уделяют механике больших данных («соберем побольше, а потом придумаем стратегию»), но стоит задуматься о более разумных подходах к их использованию.
Вопреки всеобщему убеждению, анализ данных и поиск скрытых закономерностей — это только верхушка айсберга. Одни выводы не сделают компанию более эффективной. Аналитика не может улучшить рабочие процессы, повысить производительность и освободить время системных администраторов. Вместо того чтобы просто анализировать имеющиеся данные, сперва надо разобраться, чего вы хотите достичь. Так вы сможете использовать нужную информацию, как только она появится.
Так, транспортная и логистическая компания UPS оснастила свои фургоны продвинутой телематикой, отслеживающей такие показатели, как пробег, время работы двигателя вхолостую и расход топлива. Им нужно было снизить углеродные выбросы и повысить эффективность транспортного парка. Чтобы найти решение, компания начала собирать данные с транспортных средств. Благодаря лучшему планированию маршрутов и уменьшению времени простоя фургонов проект позволил снизить углеродные выбросы на 100 000 метрических тонн в год. Кроме того, пробег сократился на 100 млн миль[1], а значит снизился и износ автомобилей.
Увы, подобных примеров не так много, как хотелось бы при том уровне технологий, которые есть сейчас. Отсутствие конкретных целей — серьезная проблема для многих организаций и ИТ-подразделений. По данным Harvard Business Review, около 70% компаний заявляют о принятии решений на основе данных как о приоритете, но только 40% движутся к этой цели[2]. Это показывает, насколько трудно поставить данные во главу угла, если не включить подобную задачу в корпоративную философию.
Еще один пример — опыт British Airways. Компания показала, что анализ данных, ориентированный на конкретные действия, приводит к реальным изменениям в работе. В ходе исследования компания выяснила, что ее клиенты раздражаются, когда им приходят нерелевантные предложения. За год компания создала персонализированную программу лояльности Know Me, в рамках которой клиенты получают подходящие предложения перелетов и путешествий. Для этого авиаоператор использовал данные о поведении клиентов в интернете. Схема оказалась настолько успешной, что пассажиры стали писать авиаперевозчику, сообщая, как им приятно, что British Airways так хорошо понимает их потребности. [3]
В России «большие данные» взяли на вооружение компании из сферы телекоммуникаций. Согласно недавним исследованиям, бюджет на аналитику Big Data имеется более чем у половины местных компаний. Так, например, с помощью подобной аналитики «МегаФон» оптимизирует свои инвестиции — в частности, чтобы для удобства дробить на микрорынки отдельные регионы. МТС планирует строительство базовых станций и ассортимент в розничных салонах, а Tele2 вкладывается в развитие технологии анализа видео и распознавания голоса.
Эксперты отмечают, что подобные инвестиции окупаются максимум через 14 месяцев, что делает аналитику данных выгодным вложением для компаний, которые уже сегодня выходят на рынок будущего. Выводы подкрепляются внушительными цифрами: в прошлом году та же МТС заработала более 3,5 млрд рублей, а телеком-гигант «ВымпелКом», использующий результаты анализа данных для реализации внутренних проектов, получил 8 млрд рублей.
Расширение наборов данных без увеличения объемов
Хорошая новость: подобная методология работы с большими данными подходит не только крупным корпорациям. К существующим инструментам их сбора можно подключить целый ряд платформ, позволяющих получать аналитику для принятия решений. Например, ClearStory Data помогает сравнивать внутренние данные с общедоступной информацией. С ее помощью компании могут обнаруживать слабые места и превращать их в преимущества.[4] Ориентированность на действия означает, что можно работать даже с небольшими наборами данных, привлекая сторонние инструменты для получения внешней аналитики[5]. Извлекая релевантные блоки данных из множества источников, небольшие организации смогут подкрепить каждое свое действие контекстом, полученным на основе анализа более широкого бизнес-ландшафта.
Например, инструмент Google Trends позволяет анализировать поисковые запросы, а на платформе Microsoft Azure доступны самые разнообразные открытые данные — от показателей сельского хозяйства до статистики поездок на такси.[6] Использование внешних данных для планирования позволит развивающимся компаниям прогнозировать состояние рынка или поведение потребителей — и работать на опережение. Например, ресторан может использовать данные о сезонных колебаниях спроса для прогнозирования того, какие блюда будут пользоваться спросом в определенные дни месяца. Таким образом можно регулировать интенсивность рекламных кампаний по конкретным позициям.[7]
Использование внутренних и внешних данных в рамках методологии, ориентированной на действия, — это следующий этап революции больших данных. Он позволит нарастить наборы данных, разобраться, каких результатов компании хотят достичь и как это сделать. Применяя аналитические данные на практике таким образом, даже самые мелкие компании смогут обратить популярность больших данных себе на пользу.
Хотя подход, при котором во главу угла ставится исключительно аналитика, и вызывает интерес, он почти наверняка не позволит компании провести важные изменения процессов и дать импульс для преобразований. Для изменений нужны действия. Для компаний, которые только ищут подход к своим наборам данных, оптимальная стратегия — подумать о том, чего они хотят достичь в первую очередь. Будущее анализа данных связано не с тем, что вы получите, а с тем, как вы сможете это использовать.
[1] https://www.zdnet.com/article/big-data-case-study-how-ups-is-using-analytics-to-improve-performance/
[2] https://www.itproportal.com/features/unlocking-the-potential-of-big-data/
[3] https://www.digitaldoughnut.com/articles/2017/march/how-airlines-are-using-big-data
[4] https://www.clearstorydata.com/
[5] https://www.revelx.co/blog/how-external-data-can-help-grow-your-business/
[6] https://www.forbes.com/sites/bernardmarr/2018/02/26/big-data-and-ai-30-amazing-and-free-public-data-sources-for-2018/#7aff196a5f8a
[7] https://www.business2community.com/strategy/predictive-analytics-in-2018-whats-possible-whos-doing-it-and-how-02127016