ВТБ

Сценарии работы с новым Big Data - сервисом СП ВТБ и «Ростелекома» для малого, среднего и крупного бизнеса

Оценить трафик перед открытием магазина, дать прогноз по среднему чеку и объемам продаж, проверить эффективность рекламных площадок, — какие ещё задачи он способен решать.

Совместное предприятие ВТБ и «Ростелекома» «Платформа больших данных» запустило новый формат работы с Big data для корпоративных клиентов: компания предоставляет заказчикам «полуфабрикат» на основе массива Big Data. Встраивая этот "полуфабрикат" в собственные аналитические модели, компании получают инструмент, который помогает принять важные решения, снизить риски, увеличить эффективность бизнеса. Например, можно спрогнозировать прибыльность новых торговых площадей или выбрать оптимальное место для размещения рекламных щитов.

Многие компании крупного и среднего бизнеса развивают внутренние компетенции в области продвинутой аналитики. Но далеко не все компании могут позволить себе закупить широкий периметр геоданных и собрать специализированную data science команду для работы с ними. Мы задались вопросом: как добиться синергетического эффекта с аналитическими командами заказчиков, не выстраивая альтернативную систему аналитики и моделей, а объединяя данные и компетенции двух команд.

В результате мы создали принципиально новый продукт: так называемый geo - embedding.

Денис Суржко
руководитель управления перспективных алгоритмов машинного обучения ВТБ

Наш продукт – не столько итоговый прогноз, сколько удобное представление, своеобразный «полуфабрикат» больших данных. Geo - embedding содержит всю релевантную для решения задачи заказчика информацию из нашей геоплатформы, не раскрывая при этом первичного «универсального» набора данных. Заказчик может встроить его в свою аналитическую модель и на этой основе уже делать собственные прогнозы по KPI, перспективам развития и оценивать свой потенциал.

Например, к нам приходит заказчик с определенным кейсом и массивом внутренних данных. Мы смотрим, как можно сделать прогнозы на их основе, определить, где лучше открыть новую торговую точку или разместить наружную рекламу. При этом, мы передаем заказчику не только результаты прогнозирования, но и всю релевантную для решения задачи информацию из гео-платформы в виде векторов. Далее мы можем помочь заказчику дополнить внутренние модели новой информацией для достижения синергетического эффекта.

Наша основная целевая аудитория на текущий момент – средний и крупный бизнес: ритейл, рекламные агентства, банковская сфера.

Денис Суржко
руководитель управления перспективных алгоритмов машинного обучения ВТБ

Типичные сценарии использования сервиса для решения задач бизнеса разного формата:

«Открываю магазин — как оценить трафик»

Например, перед нашим клиентом стоит задача - открыть новый магазин. Компания предоставляет первичные данные: что, где, и в каких объемах у него покупают. В первую очередь, специалисты “Платформы больших данных” обращают его внимание на то, что надо оценивать не только трафик, но и средний чек, прогнозировать спрос на конкретные продукты в локации. В детализации прогнозов и заключается главная возможность продвинутой аналитики.

Трафик может быть большим, а спрос на конкретные товары и услуги – маленьким.

С помощью машинного обучения можно построить прогнозы показателей по всему городу. Клиент их изучает и принимает решение о дальнейших действиях. Если у компании есть свои наработки по части аналитики, то можно встроить новую информацию из geo-embedding в свои модели.

«Работаю в крупном ритейле — как оценить эффективность торговых точек»

Крупные ритейлеры являются важной частью целевой аудитории сервиса. Как правило, их интересует проходимость и средний чек в точках, планируемых к открытию. В то же время, у торговых сетей есть свои аналитические отделы, занимающиеся систематизацией данных по показателям чеков и проходимости в существующей сети магазинов.

К примеру, сеть гипермаркетов собирается выйти на рынок нового для себя города или региона. Требуется оценить, сколько магазинов и в каких локациях выгодно открыть, на какое количество покупателей и какую выручку можно рассчитывать с учетом транспортных потоков, численности и покупательной способности населения.

Составляются прогнозы по величине среднего чека и объемов продаж в разных географических локациях, эти данные предоставляются клиенту. Он может вставить их в свою систему, работать с ними и на основе полученных результатов дополнить модель или заменить ее полностью.

«Проверяю эффективность наружной рекламы»

Рекламные агентства часто принимают решения о расположении щитов на основе оценки трафика в конкретной локации, но не весь трафик одинаково полезен для определенного бизнеса и компании. Приведем простой пример: есть щит с рекламой ремонтных услуг. Где его выгоднее поставить: у входа в магазин товаров для ремонта, на территории нового жилого комплекса или посреди оживленной автомагистрали?

Big data помогают подобрать месторасположения конкретного рекламного щита или баннера.

«Расширяем сеть офисов: как распределить поток клиентов»

Возможны и нестандартные применения технологии геоплатформы. К примеру, есть компания, которая работает с клиентами: это может быть банк, туроператор, почта, интернет-провайдер. У компании есть сеть офисов и клиентская база. Машинное обучение поможет определить, как распределить нагрузку на офисы, чтобы в них не было очередей.

Что дальше

Геоаналитические сервисы СП ВТБ и Ростелекома уже используют в пилотном режиме торговая сеть «Магнит» и рекламный оператор Russ Outdoor.

У сервиса есть несколько направлений развития. Первое – AutoML в гео-аналитике: автоматическое построением индивидуальных моделей для клиента при помощи искусственного интеллекта. Вторая приоритетная задача – развитие текущих geo - embedding- сервисов. У Big data есть большой потенциал развития в новом формате. Рынок геоаналитики растет на 20% в год, помогая увеличивать выручку торговых сетей и офисов продаж товаров и услуг. Это принципиально новый рынок взаимодействия с контрагентами, который будет активно развиваться в ближайшем будущем.

Денис Суржко
управление перспективных алгоритмов машинного обучения ВТБ
{ "author_name": "ВТБ", "author_type": "editor", "tags": [], "comments": 2, "likes": 5, "favorites": 8, "is_advertisement": false, "subsite_label": "vtb", "id": 216621, "is_wide": true, "is_ugc": false, "date": "Tue, 09 Mar 2021 14:20:14 +0300", "is_special": false }
0
2 комментария
Популярные
По порядку
2

Друзья, а можно поподробнее о механизме, кейсы понятны, расскажите как работает и что за механика использования)

Ответить
2

Кому Big datу? Налетай! ВТБ и Ростелеком расскажут о вас такое, что вы сами о себе не знаете) Будущее наступило.

Ответить

Комментарии

null