Большие данные не нужны: 3 случая, когда Big Data не поможет бизнесу

По данным IDC, мировые расходы на аналитику данных составили $187 млрд в 2019 году и должны достичь $274,3 млрд к 2022 году. Однако если внедрять использование больших данных в собственный бизнес по принципу «у всех есть, мне тоже нужно», мы получим технологии ради технологий. Сбор и обработка данных не поможет — влияние Big Data на бизнес будет равно нулю, если у аналитики нет ясной цели. Четкие и достижимые бизнес-цели помогут задать правильные вопросы и понять, какие именно данные нужно собирать, что в них искать, какие инструменты использовать. Цели нужны и для того, чтобы разобраться — а что вообще мы будем считать успешным результатом в работе с большими данными?

Американский магазин велосипедов и байков BikeBerry.com заметил, что его рекламные предложения не оправдывают ожиданий. В компании предположили, что увеличить количество конверсий и размер прибыли можно за счет оптимизаций рекламных акций с учетом предпочтений каждого покупателя. Ведь разных людей скидки и спецпредложения мотивируют по-разному: кто-то предпочтет скидку в 20% на заказ, а на кого-то лучше подействует бесплатная доставка.

BikeBerry.com поработал с данными о поведении покупателей и определил минимальную скидку, необходимую для конверсии каждого покупателя. Затем магазин провел кампанию с пятью различными предложениями, которые были адаптированы под конкретных людей. Клиенты получили на свой почтовый ящик одно из следующих предложений: бесплатная доставка, скидка 5%, скидка 10%, скидка 15% и скидка $30 на новые товары. Результат: продажи выросли на 133%, удвоилось число клиентов, совершающих повторные покупки, активность возросла на 200%, а средний чек — на 30%.

Другой пример: у H&M падала прибыль. Проблема комплексная, но в сети посчитали, что одним из факторов может быть неэффективная ассортиментная политика: огромное количество вещей не востребованы и пылятся на складах в ожидании скидок 70% и утилизации. Начали внедрять большие данные и искусственный интеллект, чтобы определить, какие позиции нужны в каждом конкретном магазине сети. Эксперимент провели на стокгольмском магазине и в ходе анализа данных выяснили, что основная аудитория — женщины — предпочитают одежду и аксессуары пастельных оттенков и готовы платить за них больше. В итоге ритейлер пересмотрел ассортимент: отшили меньше мужской одежды, добавили посуду, дорогие кожаные сумки и кашемировые свитера. Сеть убрала 40% невостребованного ассортимента без снижения продаж.

Любая аналитика — это интерпретация данных, поэтому даже анализ больших данных не исключает ошибок. Но пользователь не состоит только из кликов, поисковых запросов, геоданных и банковских чеков. Жизнь, как это часто бывает, устроена сложнее. Так и любая бизнес-задача требует многогранного и комплексного подхода.

Классический пример того, почему не стоит полагаться сугубо на большие данные — история приложения Street Bump. Власти Бостона запустили это приложение, чтобы оно собирало данные о ямах на дорогах с помощью акселерометра и GPS. Идея отличная: дорожным службам не нужно тратить ресурсы на поиск ям и выбоин, данные приходят напрямую с мобильных телефонов водителей. Однако эксперимент привёл к тому, что в богатых районах дороги стали делать чаще, чем в бедных. Почему так вышло? Не учли социальный фактор: люди из обеспеченных районов могли позволить себе устройства, на которые можно скачать такое приложение. В бедных районах дорожных проблем не меньше, а вот возможности сообщать о них были ограничены.

Работа с поведенческими моделями — самое сложное и одновременно увлекательное применение больших данных. Именно здесь происходят открытия, которые выводят бизнес на новый уровень. Человеческий фактор важен: так, Deloitte проводила исследование и выяснила, что свыше двух третей респондентов считают сторонние данные о них верными только на 0–50%. Оставшаяся треть посчитала, что информация верна на 0–25%.

Крупные компании полагаются на микс социологических исследований и аналитики больших данных. Например, когда Toyota решила запустить свой премиальный автомобиль для рынка США, компания отправила менеджеров и дизайнеров изучать целевую аудиторию «в поля». Сотрудники пообщались с американскими менеджерами с высоким доходом и потом использовали эту информацию для запуска Lexus в США.

Coca-Cola собирала данные со своих вендинговых аппаратов, с помощью которых можно было добавлять к напитку разные вкусы. Затем, проанализировав эти данные, Coca-Cola разработала и выпустила напитки с самыми популярными вкусами. Например, так появился вкус Sprite Cherry. Кейс преподносится как успешный: продажи выросли и клиенты довольны. Но некоторые эксперты считают, что, полагаясь лишь на данные, Coca-Cola сама ограничила свои возможности. Дело в том, что на тот момент в мире уже 30 лет существовал вкус Cherry от 7UP. То есть Coca-Cola потратила большие ресурсы на обработку и сбор данных, чтобы сделать напиток, который можно было бесплатно подсмотреть у конкурента. Sprite Cherry мог появиться уже очень давно и принести компании прибыль. По сути, Coca-Cola игнорировала популярность уже существующего продукта, потому что полагалась на один источник информации о предпочтениях покупателей. Поэтому интересен вопрос: а сколько потенциально популярных вкусов Coca-Cola не были запущены просто потому, что вендинговые аппараты не содержали таких добавок?

Анализ несёт в себе риск неточности предположений и выводов. Когда данные используются в сочетании с другими факторами принятия решения, этот риск снижается. Исследования рынка, предыдущий опыт, испытания концепции, а иногда и просто деловая интуиция компенсируют неточность данных, и компания может принять более взвешенное решение.

От 60% до 73% всех данных на предприятиях не используются для аналитики. Иногда проблема заключается в отсутствии четких целей — мы обсудили это в первом случае. Однако есть другая сторона вопроса — внедрение технологий обработки и использования больших данных может потребовать изменений в работе компании, и не все к этому готовы. К тому же, просто собрать или купить данные недостаточно, с ними нужно работать постоянно, они должны обновляться в режиме реального времени, и на выстраивание процесса работы с данными могут уйти месяцы. А дальше необходимо принять ключевое бизнес-решение: как выбрать поставщика программного решения для работы с данными?

ФСК, один из крупнейших девелоперов России, ежедневно получает огромное количество сигналов от пользователей, интересующихся покупкой квартиры или уже купивших. Сотни гигабайт неструктурированных данных складировались — и лишь незначительная доля из них использовалась для улучшения клиентского опыта и ключевых показателей эффективности маркетинга (выручка и доля рекламных расходов). Решить эту проблему удалось с помощью внедрения CDP KonnektU (Customer Data Platform) — экосистемы, позволяющей собирать в единой базе все доступные данные о пользователях из всех источников, объединять их в единый профиль клиента и настраивать логики их использования.

Благодаря связке онлайн и офлайн данных, внедрению ML-моделей, их анализа, автоматизации сценариев их активации удалось задействовать весь потенциал собранной информации для решения прикладных задач бизнеса: омниканальное управление рекламными кампаниями, сокращение оттока пользователей при прохождении по воронке, персонализация сообщения.

Например, при сборе сегментов для ФСК активно применялись скоринговые модели. Одна из моделей присваивает пользователям баллы за совершение полезных действий на каждой из страниц сайтов компании и выявляет интерес пользователя к конкретному жилому комплексу и квартире. Это позволило делать наиболее релевантные предложения каждому заинтересованному клиенту.

В результате использования сегментов, полученных с использованием CDP, удалось увеличить годовую выручку более чем на 500 млн рублей. При этом рекламные расходы снизились на 10%.

Большие данные — большая ответственность. И речь идет не столько о защите персональных данных и растущем тренде на privacy в онлайне (хотя это безусловный приоритет), сколько об осознанном использовании знаний о пользователе на благо бизнесу, рынку, отрасли — и самому пользователю в конечном счете.

Работа с большими данными требует времени, финансовых вложений и грамотных управленческих решений — поэтому лучше продумать заранее, какие цели вы хотели бы достичь, используя данные, какой именно технологический стек программных решений вам необходим для этого, готовы ли вы к изменениям в устоявшихся подходах принятия решений и организации процессов, и правильно ли вы рассчитывайте экономический эффект от внедрений и сроки возврата инвестиций. Адекватная оценка текущего состояния бизнеса — первый шаг на пути к качественной работе с Big Data. Главное — не переставать задавать себе простые, но важные вопросы: чего именно я хочу добиться и точно ли для этого нужны большие данные?