/  Большие возможности Больших Данных
63.87 € 68.69

Большие возможности Больших Данных

Большие возможности Больших Данных

Согласно данным IDC, в 2014 году по расходам на технологии анализа Больших Данных лидировали дискретное производство, банковская сфера и непрерывное производство. Big Data используется для привлечения новых клиентов и сокращению оттока нынешних, помогает оптимизировать проведение маркетинговых компаний, получать больший урожай с одного гектара, предсказывать валовый сбор агрокультур, ситуацию на дорогах, тренировать любителей фитнеса и многое другое.


Объемы рынка

Согласно данным Frost & Sullivan, опубликованном в декабре 2015 года, на долю России пришлось менее 1% от мирового рынка технологий анализа Больших Данных. Аналитики исследовательской компании тогда спрогнозировали, что годовой рост рассматриваемого глобального рынка составит 32% или $21 млрд в денежном выражении. В октябре и ноябре 2015 года аналитики Frost & Sullivan совместно с PC Week провели опрос топ-менеджеров, ИТ-директоров, профильных руководителей, результаты которого показали, насколько для бизнеса в России сегодня важны обработка и визуализация информации.

Выяснилось, что около половины опрошенных не используют технологии анализа Больших Данных, 39% находятся на начальном этапе внедрения подобных решений. 12% респондентов активно используют рассматриваемые технологии по разным причинам.

Как выяснилось в ходе исследования, большинство компаний (29%), использующие Big Data, задействовали такие технологии для анализа удовлетворенности клиентов и потребительских предпочтений. 22% респондентов используют Big Data для управления производственным процессом.

По данным IDC, в 2014 году по расходам на технологии анализа Больших Данных лидировали дискретное производство ($2,1 млрд), банковская сфера ($1,8 млрд) и непрерывное производство ($1,5 млрд). По прогнозам аналитиков этой консалтинговой компании, в сфере инвестиций и ценных бумаг, банковской сфере и медиа среднегодовые темпы расходов на технологии Big Data составят по 25-26% по каждому из секторов. Рассмотрим некоторые из секторов более детально.

 

Транспортная отрасль

Простейшим примером Big Data в транспортной отрасли можно считать отчет по анализу загрузки маршрутов на определённый временной промежуток.

Более сложную систему прогнозирования дорожных заторов и ДТП в 2015 году по заказу Росавтодора разработала компания Yandex Data Factory, (проект Яндекса по работе с Большими Данными). Система охватывает более 2 тыс. км. дорог. Она предсказывает ситуацию на дорогах, показывает прогноз на интерактивной карте и обновляет его в реальном времени. Так, предсказания Росавтодору помогут предотвратить или минимизировать последствия различных дорожных ситуаций. Например, при снегопадах сервис «Яндекса» позволит оптимальным образом распределить загрузку спецтехники.

Дороги поделены в системе по километровым участкам, на каждом из которых прогнозируется скорость передвижения транспорта на час вперед, а аварий – на четыре часа вперед. Для работы системы используются разнородные данные: сведения о загруженности дорог, метеосводки, база меток ДТП на Яндекс.Картах, информация о качестве дорожного покрытия, количестве полос и разметке.


Сельское хозяйство

Более десяти лет назад в США внедрили систему, которая с помощью датчиков анализирует состав почвы, ее кислотность и т.д. Благодаря этому фермеры могут производить гибридный посев, когда на одном и том же поле выращиваются различные агрокультуры. Таким образом аграрии минимизируют затраты на удобрение почвы.

Фермеры в США активно используют технологии Big Data для прогнозирования сбора урожая. «Сельхозпроизводители на несколько лет вперед знают, что, в каких количествах и, условно, "на какой грядке вырастет". Например, по данным авторитетной аналитической службы Минсельхоза США (USDA). В 2016/17 сельхозгоду, который только начался, Россия может обойти все страны Евросоюза по экспорту пшеницы, и, тем самым стать крупнейшим в мире экспортером. Урожай зерновых по итогам 2016 календарного года по прогнозу USDA и данным российских ведомств, составит порядка 114 млн т. «В этой ситуации крайне необходимо заблаговременно готовить логистику и хранилища, чтобы максимально утилизировать урожай – для этого и нужна, так сказать «Сельхоз Big Data», - отмечает Игорь Хереш – директор по развитию бизнеса АО «Группа Т-1»

Так, в Российском зерновом союзе отмечают, что только 40% мощностей могут обеспечить сохранность зерна. Совокупные мощности для хранения зерна составляют только 120 млн т., 38 млн т. из которых – элеваторные мощности.


Ритейл

Большие Данные помогают департаментам маркетинга ритейлеров грамотно выстраивать общение с потребителем. Например, огромное количество данных (информация о картах лояльности, чеках, использованию банковских карт, спрос на товарные позиции, предпочтение способа доставки товара и т.д.) позволяют разрабатывать множество вариантов в сфере сценарного планирования для достижения своих целей. Так, в «Юлмарте», изучив предпочтения покупателей, выяснили, что доставка товаров до двери в Москве популярнее, чем в регионах. Поэтому в компании запустили сервис «Доставка 2.0», который гарантирует, что москвичи получат свои покупки в течение выбранного двухчасового интервала.

Зачастую супермаркеты сталкиваются с избытком товара, который поставляется по промо-акциям. Поэтому Yandex Data Factory (YDF) тестирует систему предсказания спроса на товары со скидкой для X5 Retail Group, а именно – магазинов «Пятерочка».

Сервис базируется на технологиях машинного обучения. Так, представители «Пятерочки» в 2015 году предоставили YDF данные о потребительском спросе на акционные товары за второй квартал 2014 года. В начале 2016 года прошло тестирование системы. «В 87% случаев прогноз оказался верен с точностью до одной упаковки, а в 61% случаев число упаковок было предсказано безошибочно», – сообщил «Ведомостям» представитель YDF. В X5 Retail Group отмечают, что более точное планирование спроса на товары, реализуемые по акциям, позволяет сократить фактические потери на 2–10% в зависимости от вида товара.

 

Банки

Сегодня банкам доступен обширный спектр информации о своих клиентах: данные кредитной анкеты и договоров, данные бюро кредитных историй, данные по карточным транзакциям, в том числе тип, название и геолокация точки, где произошла покупка, и многое другое. Кроме того, из-за экономической ситуации эффективная работа с текущей клиентской базой у банков особенно актуальна, так становится сложнее привлекать качественных кредитных клиентов с открытого рынка.

«Мы давно поняли, что необходимо правильно использовать эту информацию. Исторически работа по прогнозированию поведения клиента, (которая основана на обработке больших массивов данных) в банках развивалась в направлении кредитных рисков. Например, используя математические методы, прогнозируется платежная дисциплина клиентов, вероятность мошенничества, вероятность дефолта по кредиту, кредитной карте и т.д. Это позволяет снизить потенциальные риски потерь по выданному кредиту. Второе направление, в котором мы сейчас активно используем Big Data, это целевой маркетинг. В целевом маркетинге основная задача предложить клиенту максимально релевантные дополнительные продукты и сервисы, в правильный момент времени, через правильный канал коммуникации», - рассказал Григорий Цомык, начальник управления CRM и интернет-маркетинга Бинбанка.

По его словам, для прогнозирования используются статистические методы обработки Больших Данных (линейная и логистическая регрессия, нейронные сети, деревья решений и т.д.). Технологии анализа Big Data могут также помочь в прогнозировании оттока клиентов и превентивно влиять на него.

«От 45% до 60% розничных кредитных продуктов продаётся через целевой маркетинг, больше 20% продаж таких высоко маржинальных продуктов как накопительное и инвестиционное страхование жизни, хорошо работают кампании по удержанию вкладчиков. Помимо существенной доли в продажах, правильные инструменты прогнозирования отклика клиента на предложение и на канал коммуникации позволяют снизить расходы на привлечение, соответственно продажи через данный канал имеют очень низкую стоимость привлечения клиента», - пояснил Григорий Цомык.


Промышленное производство

Летом 2016 года специально для Магнитогорского металлургического комбината (ММК), рекомендательный сервис, разработанный YDF, прошёл испытания в одном из цехов предприятия был введен в опытно-промышленную эксплуатацию. 

«Для ММК мы разработали сервис оптимизации расхода ферросплавов при производстве стали. Используя технологии машинного обучения для анализа исторических данных о совершенных плавках, мы разработали модель процесса, которая — в отличие от физических моделей — учитывает особенности конкретного оборудования и завода и за счет этого имеет более высокую точность. На основе этой модели мы создали сервис, который в автоматическом режиме дает рекомендации по количеству ферросплавов, которые надо добавить на разных этапах процесса - таким образом, чтобы получить необходимое качество стали, но при этом сократить общий расход. По оценкам заказчика, годовая экономия может превысить 275 млн рублей», - рассказал Александр Хайтин, исполнительный директор Yandex Data Factory.

 

Мобильная связь

«МегаФон» создал отдельное направление по разработкам в области Big Data в 2011 году. Данные геопространственной аналитики «МегаФона» могут использоваться для задач эффективного планирования городской среды и решения бизнес-задач коммерческими организациями. Первая практическая демонстрация этих возможностей состоялась в декабре 2013 года в Москве в рамках презентации результатов исследования Thomson Reuters на Международном урбанистическом форуме. Изначально геоаналитика «МегаФона» использовалась для прогнозирования нагрузок на сеть, а сейчас оператор предлагает анализ Больших Данных и своим корпоративным клиентам.

«Десятки миллионов абонентов оператора мобильной связи, перемещаясь по городу, переходят из зоны действия одной базовой станции к другой, создавая нагрузку на сеть. Системы оператора видят данные о создаваемой нагрузке на базовые станции, собирают и хранят их. ИТ-платформа может анализировать данные о перераспределении нагрузки в привязке к географическим точкам и формировать картину транспортного потока. При этом поток можно анализировать по различным качественным характеристикам — например, социально-демографическим. В таких системах используются обезличенные данные: оператор видит лишь модель поведения устройства и предоставляет конечный результат только в виде агрегированного отчета», - рассказал iot.ru Влад Вольфсон, директор по развитию корпоративного бизнеса.

С геоаналитикой «МегаФона» можно оценить точный объем пассажиропотока, получить информацию о маршрутах (кто, когда, откуда и куда направляется), раскладку по видам транспорта. Сервис также оценивает платежеспособность пассажиров и характер путешествий (деловые поездки, туризм, личные нужды). Решение оператора позволяет с детализацией до нескольких минут замерять объем перевозок по всем видам транспорта - от авиа до автомобилей и автобусов, а также перетоки между ними.

Например, в прошлом году сервис «МегаФона» проанализировал маршрут Москва — Волгоград — Москва для РЖД в майские праздники. Анализ показал, что пассажиропоток вырос на 6,8% по сравнению с аналогичным периодом 2014 года. Добираться автотранспортом предпочитают 70% путешествующих — и этот показатель немного вырос, так как федеральную трассу «Дон» отремонтировали и передвигаться по ней стало удобнее и быстрее.

«Благодаря увеличению количества рейсов также выросло количество авиапассажиров. А число людей, которые предпочитают перемещаться железными дорогами, практически не изменилось. При этом, например, сервис вычислил, что отток постоянных пассажиров железнодорожного транспорта на маршруте Москва — Волгоград за последний год составил 8,3%: примерно половина из них пересели на автомобили, остальные теперь выбирают авиаперелеты», - комментирует Влад Вольфсон.

 

Фиксированная связь 

Компания «Комкор» (торговая марка «АКАДО Телеком») работает с большим объемом информации. Это данные по абонентской базе, объемах трафика, посещаемости сайтов, финансовые показатели, платежи абонентов и многое другое. Для принятия грамотных, своевременных управленческих решений, выстраивания стратегии развития, активизации и персонализации продаж, формирования бюджета все это необходимо не только хранить, но и адекватно анализировать. Например, сегментация абонентской базы позволяет компании разрабатывать тарифные планы под узкий клиентский сегмент. А благодаря статистике посещения сайтов и информации о росте трафика «Комкор» выявляет наиболее загруженные зоны и предпринимает своевременные меры для того, чтобы не допустить сбоев в работе сети, увеличивает пропускную способность каналов.

«Для нас Big Data - это не «модная фишка», а прежде всего наш внутренний инструмент повышения качества работы и улучшения сервиса. Это то, что помогает нам сохранять конкурентные позиции на очень сложном столичном телекоммуникационном рынке. «Большие данные» в нашей компании - это совокупность подходов, инструментов и методов обработки структурированных и неструктурированных данных огромных объёмов.

В качестве определяющих характеристик Big Data мы отталкиваемся от классических пониманий «три V»: объём (англ. volume, в смысле величины физического объёма), скорость (англ. velocity, в смысле как скорости прироста, так и необходимости высокоскоростной обработки и получения результатов), многообразие (англ. variety, в смысле возможности одновременной обработки различных типов структурированных и полуструктурированных данных)», - добавляет Дмитрий Медведев, директор по информационным технологиям «Комкор».

Спорт

В 2014 году Массачусетский технологический институт (MIT) провел конференцию о том, как Большие Данные могут пригодится в спортивной индустрии. Прогнозная аналитика поможет узнать, сколько болельщиков придет поболеть за любимую команду, какие ставки могут быть сделаны в букмекерских конторах и т.д.
 
Также технологии анализа Big Data позволяют собирать информацию от датчиков, которые прикреплены или встроены в спортинвентарь. Например, отслеживать скорость и направление движения, положение тела спортсмена и многие другие показатели.
   
В последнее время стали появляться одежда, обувь и другие аксессуары со встроенными датчиками. Так, Samsung в 2016 году заявила о намерении выпустить кроссовки IoFIT для любителей фитнеса и профессиональных спортсменов. В IoFIT находится множество датчиков, которые контролируют давление, распределение веса, баланс и положение тела. Для создания кроссовок разработчики обращались за консультационной помощью к профессиональным спортивным тренерам и врачам, которые занимаются реабилитацией спортсменов.

С помощью специального приложения можно отслеживать качество своих тренировок, например, при занятиях тяжелой атлетикой или гольфом, получить подсказки о смене положения при приседаниях. Кроме того, на выставке CES 2016 Samsung представила коллекцию одежды The Human Fit. C помощью встроенных сенсоров спортивная одежда отслеживает физиологическое состояние организма. Датчики GPS используются в моделях для гольфа. Новички смогут отработать свои навыки игры, так как такая одежда собирает данные о положении рук в момент удара.


Будущее Больших Данных

Эксперты прогнозируют, что будущее Больших Данных тесно связано с Интернетом вещей – различными датчиками, устройствами и сенсорами, которые генерируют год от года все большие потоки данных. Так, по оценкам Gartner, количество устройств, подключённых к Интернету вещей, в 2016 году составит 6,4 млрд единиц, увеличившись на 30% по сравнению с 2015 годом.

По словам аналитиков Gartner, такой взрывной рост количества подключённых устройств приведет к необходимости оперативного сбора и анализа разнородных данных. Аналитики Dell прогнозируют, что произойдёт переход от технологий анализа потока накопленных данных к технологиям анализа в режиме реального времени, что позволит управлять быстро растущим объёмом данных.

Подписаться на новости

Назад

Комментарии

Текст сообщения*
Защита от автоматических сообщений