Как крупные компании используют big data: 5 направлений и 12 кейсов

Большие данные уже перестали быть просто трендом. Сейчас для крупных компаний это незаменимый драйвер бизнеса, который позволяет прокачать все его составляющие: от пользовательского пути до поиска перспективных отраслей масштабирования дела.

Big data плотно исследуют уже больше десяти лет, но и сейчас многие эксперты утверждают, что компании даже близко не подобрались к раскрытию реальных возможностей технологии. И мы в Platforma с этим согласны, поэтому сегодня делимся с вами большим материалом, который подготовила команда ProjectPro. Они собрали более 20 кейсов, как бизнес использует большие данные, и выделили 5 основных направлений. Специально для вас мы адаптировали перевод на русский и выделили 12 самых интересных проектов с big data, а также рассказали об одном бонусном кейсе в сфере MedTech. Поехали!

Содержание

Начнем с кейсов, которые эксперты ProjectPro решили не классифицировать, но хотели о них рассказать.

Как компания Amazon использует большие данные

У компании Amazon около 1 млн кластеров Hadoop, которые обеспечивают управление рисками, работу партнерских сетей, обновление веб-сайтов, работу систем машинного обучения и многое другое. И в 2011 году концерн запустил рекламную акцию со словами: «Amazon платит покупателю пять долларов, если он уходит из магазина без покупки». Необычно, правда?

Так в Amazon следят за тем, чтобы цены были выгодными для покупателей, а сама компания получала конкурентное преимущество. Amazon собирает информацию о ценообразовании своих конкурентов. И эти данные используются для эффективной работы в быстро меняющейся и высококонкурентной среде онлайн-торговли, где главные факторы успеха – это цена и реклама.

Как лидеры среди спортивных компаний используют большие данные

Футбольный клуб Atlanta Falcons, входящий в NFL (Национальную лигу американского футбола), использует технологию GPS для сбора и анализа данных о передвижении игроков по полю во время тренировок. Используя аналитику на основе этих данных, тренер может выстроить оптимальную тактику игры.

Интересная ситуация также и в мире виртуального спорта. Количество геймеров в мире выросло с 200 млн до 1,5 млрд. Компании Electronic Arts и Riot Games используют большие данные, чтобы следить за ходом реальных спортивных состязаний и предсказывать характеристики и развитие игроков. Чтобы сделать один успешный анализ, нужно обработать около 4 терабайт операционных журналов и 500 гигабайт структурированных данных.

Мир больших данных среди прочего включает в себя общение людей в сети, различные обзоры, отзывы и комментарии. Количество каналов коммуникации постоянно растет, а компании все чаще общаются со своими потребителями с помощью социальных сетей.

Чтобы удовлетворять потребности клиентов, крайне важно грамотно анализировать их мнение о товарах и услугах. Big data социальных сетей дают достаточно информации для анализа настроений пользователей. В свою очередь, это обеспечивает четкое понимание — что нужно делать, чтобы победить в конкурентной борьбе.

Компании часто задействуют большие данные, полученные при помощи различных коммерческих решений, например, данные о просмотренных страницах, посещаемых сайтах и другие. Они также анализируют комментарии в социальных сетях, обзоры и отзывы на разных форумах. С помощью собранных данных специалисты могут быстро и адекватно реагировать на позитивные или негативные комментарии, оперативно решать возникающие проблемы. Таким образом, анализ онлайн-публикаций потребителей получается более объективным и его результаты можно использовать при разработке продуктов и планировании рекламных кампаний.

Работа с негативом от авиакомпании Delta

Авиакомпании достаточно часто используют анализ отзывов для повышения качества своих услуг. К примеру, компания Delta следит за сообщениями в Twitter, чтобы узнать, как их клиенты реагируют на задержки рейсов, изменения в графиках, процесс перелета и многое другое. И если клиент публикует негативный твит — например, о потере багажа при пересадке на другой рейс — авиакомпания мгновенно отслеживает его и отправляет запрос в службу поддержки.

В свою очередь, служба поддержки отправляет своего представителя в пункт пересадки пассажира и предлагает решение проблемы. К примеру, клиент продолжит полет в первом классе и получит обещание, что ему доставят багаж к моменту, когда путешествие будет закончено. После этого всю оставшуюся часть полета пассажир пишет уже положительные твиты, укрепляя репутацию и узнаваемость компании.

Анализ трендов и тенденций от бренда Macy’s

Американская сеть универмагов Macy’s собирает большие данные об интересах клиентов на основе покупок сезонных товаров, динамики цен, демографических показателей, цветовых предпочтений, места проживания и еще целого ряда характеристик. Далее специалисты отслеживают положительные и отрицательные отзывы о товарах в социальных сетях. И как результат, с помощью систем прогностического анализа они могут предугадывать тенденции, которые способны повлиять на доход компании.

Аналитические системы Macy’s даже могут предугадывать желания клиентов, благодаря грамотной сегментации. Более точные предложения лучше привлекают внимание и вовлекают потенциальных потребителей, что в конечном итоге приводит к покупке товара.

48% организаций используют big data, чтобы получить максимально полное представление о клиентском опыте.

Главная прелесть больших данных — с их помощью можно с высокой точностью понять поведение клиента. Причем не только понять, но и предугадать в будущем. Этот механизм уже помог некоторым компаниям в десятки раз повысить свои доходы.

Компания Amazon одной из первых внедрила рекомендации товаров на основе интересов посетителей. А сейчас то же самое делают и десятки других компаний: Spotify, Pinterest, Netflix и многих других.

Кэшбэк от Bank of America

Bank of America анализирует истории покупок по кредитным и дебетовым картам своих клиентов. А затем формирует персонифицированные cashback-предложения с помощью собственной системы бонусов BankAmeriDeals.

Прогноз жизненных событий клиентов от Target

Компания Target анализирует поведение клиентов, чтобы предугадывать разные события в их жизни.

К примеру, с помощью big data специалисты компании Target выявили 25 товаров, заказ которых с высокой долей вероятности позволяет определить, что покупательница беременна. Среди них витаминные добавки, лосьоны без запаха и другие неочевидные товары.

На основе сделанных выводов компания Target формирует специальную рассылку для женщин. Так компания смогла значительно увеличить продажи товаров для новорожденных, особенно после запуска рекламной кампании, созданной на основе результатов анализа покупательского поведения клиентов.

Оптимизация работы ресторанов McDonald’s

Рестораны быстрого питания McDonald’s ежедневно посещают 62 млн людей. Только вдумайтесь, каждую секунду компания продает 75 бургеров. А ежегодная выручка компании составляет 27 млрд долларов.

McDonald’s активно использует анализ big data, чтобы оптимизировать работу ресторанов и улучшить качество обслуживания клиентов. Аналитики собирают и учитывают десятки факторов, среди которых время ожидания и размер заказа клиентов, предпочитаемые блюда и разнообразные привычки покупателей. Всё это позволяет улучшить работу ресторанов в каждой конкретной локации. Например, компания может повысить число продавцов на точке, в которой наблюдались очереди покупателей, поставить больше продуктов туда, где они пользуются большим спросом.

Расходы на привлечение клиентов постоянно растут, поэтому для компаний важно правильно сегментировать аудитории и проводить более результативные рекламные кампании.

Бренды получают информацию о клиентах из самых разных источников: от социальных сетей до биллинга банковских операций. Также специалисты анализируют данные учетных записей клиентов, отслеживают историю покупок. Все это помогает компаниям с высокой точностью определять интересы клиентов и формировать для них персонализированные рекламные предложения. А это, в свою очередь, значительно снижает расходы на привлечение новых покупателей.

Детальная работа с аудиторией в WarnerMedia

WarnerMedia – это огромная медийная компания, которая работает в более чем 150 странах. У нее почти 14 млн клиентов, из которых 7,9 млн — ее постоянные подписчики.

Каждый день компания собирает около 0,6 терабайт данных. И они в полной мере используются для создания персонализированных рекламных кампаний. Системы анализа WarnerMedia учитывают данные о просмотрах программ на локальном уровне, демографические показатели, регистрационную информацию пользователей и даже данные из реестра владельцев недвижимости. Обработка этой информации позволяет понять индивидуальные предпочтения клиентов, их политические взгляды, информацию о доходах. Так WarnerMedia может оперативно корректировать рекламу в зависимости от того, как люди реагируют на нее на разных платформах.

Персонифицированная лента рекомендованных товаров в Amazon

Зайдите на сайт Amazon и посмотрите, какие товары вам порекомендуют купить. Гарантируем, что они точно будут отличаться от тех, которые Amazon предложит вашему другу. Как они это делают? Очень просто.

Каждый раз, когда пользователь заходит в свою учетную запись на сайте Amazon, совершает покупку или просто смотрит товары на сайте, система собирает всю эту информацию. Когда клиент приходит еще раз, то сайт предлагает ему товары, учитывая его предыдущие покупки и историю поиска.

Такой подход позволяет компании Amazon находить тенденции среди клиентов, совершающих похожие покупки. К примеру, если 75% покупателей iPhone заказывают портативный внешний аккумулятор, то Amazon начинает предлагать этот аккумулятор всем, кто выбирает iPhone. Сегментируя клиентов по интересам и покупательским привычкам, Amazon предлагает им больший выбор товаров и подталкивает сделать дополнительную покупку.

Сегодня компании хотят знать будущее, чтобы увеличить свои продажи. В разных отраслях экономики разработка моделей прогнозирования на основе больших данных становится одним из главных приоритетов.

Повышение успеваемости студентов в университете Пёрдью, штат Индиана

Американский университет Пёрдью использует анализ big data, чтобы повышать уровень успеваемости собственных студентов.

Специальная система Signals отслеживает и анализирует уровень успеваемости студентов по разным предметам. Она позволяет находить отстающих студентов и на основе полученных данных формирует и отправляет студентам сообщения. Также Signals предупреждает учащихся о пробелах в знаниях и рассказывает о негативных последствиях, которые могут у них возникнуть на дальнейших этапах обучения.

Прогнозирование заболеваний в Ayasdi

В своей работе компания Ayasdi использует анонимизированные данные пациентов, которые болели раком груди в последние 20 лет. Массивы информации обрабатываются с помощью специальной технологии на основе машинного обучения IRIS.

Ayasdi разработала специальные структуры данных, полученных от пациентов с раком груди или лейкемией. И благодаря их анализу были обнаружены общие черты, которые могут помочь в прогнозировании и поиске новых способов лечения раковых заболеваний.

К слову, MedTech — это молодая и быстроразвивающаяся отрасль. Ежегодно на рынке появляются новые сервисы и продукты, способные по-настоящему улучшить жизнь людей. Мы хотим поделиться с вами отдельным кейсом, не вошедшим в подборку издания, но заслужившим наше восхищение.

Анализ заболеваний от K Health

Мобильное приложение K Health помогает определить заболевание по его симптомам. Оно подключено к нейронной сети, обученной на сотнях тысячах историй болезней. Принадлежит разработка второй второй по величине больничной кассой Израиля Maccabi Health Care Services.

Механизм его работы простой: пользователи должны ответить на несколько вопросов о своем самочувствии и об имеющихся симптомах, после чего они получают выгрузку по схожим случаям заболеваний и оценку вероятности их совпадения со своей ситуацией. Сервис помогает пользователям быстро определить возможные заболевания и методы их лечения, а также при необходимости получить назначение лекарств или встречи с врачом.

Финансовые преступления, мошеннические иски и несанкционированный доступ к данным – это наиболее распространенные проблемы, с которыми сталкиваются компании в самых разных отраслях.

Выявление и предотвращение мошенничества было крупной общемировой проблемой для всех отраслей экономики задолго до появления big data. Но именно анализ больших данных помогает компаниям находить, предотвращать и пресекать любые внутренние и внешние виды мошенничества.

К примеру, аналитические алгоритмы могут предупредить банк о том, что у пользователя была украдена кредитная или дебетовая карта, если обнаружат нехарактерные для этой карты операции. Таким образом, банк может временно приостановить обслуживание, чтобы связаться с держателем карты и выяснить, что происходит.

Страховое бюро Канады (IBC) борется с мошенническими исками

Страховое бюро Канады (IBC) представляет интересы владельцев автомобилей, жилой недвижимости и бизнеса. Оно пользуется решениями компании IBM для анализа больших данных, которые позволяют выявлять подозрительные страховые иски.

За последние 6 лет аналитические системы IBC обработали свыше 233 тыс. страховых исков. Так бюро смогло обнаружить попытки мошенничества на сумму около 41 млн канадских долларов. В Страховом бюро Канады считают, что программные решения для анализа big data позволяют автомобильной промышленности Онтарио экономить около 200 млн канадских долларов ежегодно, например, за счет предотвращения мошенничеств со страховкой.

Анализ big data уже давно превратился из популярного тренда в must-have инструмент для среднего и крупного бизнеса. При правильном использовании и достаточном количестве информации big data способна прокачать абсолютно любую сферу бизнеса или его отдельные составляющие: от клиентского пути и маркетинга до стратегического планирования и масштабирования.

Эти кейсы, которые собрала команда ProjectPro — лишь крайне малая часть примеров, как большие данные на самом деле используются предпринимателями. Согласно данным агентства Statista, 57% компаний крупного и среднего бизнеса во всем мире используют анализ больших данных в работе. Это тысячи компаний по всему земному шару. А 27% топ-менеджеров считают их проекты big data сверхуспешными для бизнеса.

Большие данные — это не будущее, это уже настоящее. И от того, насколько эффективно компании и бренды будут их использовать, во многом будет зависеть их место на глобальном рынке.