Nasza strona używa cookies. Dowiedz się więcej o celu ich używania i zmianie ustawień w przeglądarce. Korzystając ze strony, wyrażasz zgodę na używanie cookies, zgodnie z aktualnymi ustawieniami przeglądarki. Rozumiem

Big Data to nie tylko dane!

  • 18.04.2017

Bigdata to nie tylko dane

W świecie, w którym zasoby danych rosną corocznie o 40%, a niska jakość informacji obniża przychody operacyjne firm nawet o 35%, umiejętność korzystania z danych nie jest już dodatkowym atutem, lecz podstawą efektywnego funkcjonowania firm na rynku. Zrozumienie zachowań, potrzeb i oczekiwań konsumentów kryje się w odpowiednim przygotowaniu dostępnych danych i zaprojektowaniu dopasowanego rozwiązania.

Definicji Big Data, wraz ze wzrostem popularności tego terminu wśród firm na całym świecie, w ostatnich latach przybywa, prawie tyle samo, co danych, do których ten termin się odnosi. Każdy, kto zetknął się z tematem związanym z danymi wie, że termin ten bywa nadinterpretowany. W szczycie popularności Big Data każda, nawet stosunkowo niewielka, firma była przekonana, że ta tematyka jej dotyczy, a skuteczne ujarzmienie gigantycznych wolumenów danych jest kluczem do sukcesu w biznesie. Nikt nie zastanawiał się czy dane z mediów społecznościowych czy „minuty w internecie” mają istotne przełożenie na biznes. Takie przekonanie jest jak najbardziej uzasadnione, ponieważ rozmiar, niezależnie od sposobu mierzenia i przedmiotu, którego dotyczy, zawsze jest relatywny.

Podstawowymi cechami świadczącymi o tym, że mamy do czynienia z Big Data jest wolumen, zróżnicowanie i szybkość przyrostu danych. Granicę, od której możemy mówić o Big Data, dla poszczególnych cech wyznacza indywidualna zdolność firmy do pozyskania z nich adekwatnej informacji biznesowej. Dla jednej firmy będą to terabajty nieustrukturyzowanych danych pochodzących z internetu (serwisów społecznościach czy forów internetowych), dla innej terabajty danych generowanych maszynowo (informacje generowane podczas nawigacji użytkownika w bankowych serwisach internetowych, dane geolokalizacyjne generowane przez urządzenia mobilne czy dane paragonowe pochodzące z systemów POS), a dla jeszcze innej dane socjodemograficzne pochodzące ze stosunkowo niewielkiej bazy klientów. W ostatnim przypadku wyznacznikiem Big Data nie będzie wolumen danych, ani ich struktura czy szybkość przyrostu, a możliwość przetwarzania i szybkość podejmowanych decyzji biznesowych w oparciu o ich analizę.

Analiza danych – krok po kroku

Zespół Data Analytics PwC wie, że Big Data to nie tylko dane, ale też wszystko to, co z nimi związane – składowanie, przetwarzanie, czyszczenie, kontrolę jakości, zarządzanie oraz to, co najważniejsze, czyli kompleksowy proces analityczny prowadzący do pozyskania z nich konkretnej informacji biznesowej. Dane traktujemy jak surowiec – nieprzetworzony, który w dużym stopniu po poddaniu odpowiedniej obróbce może służyć do podjęcia decyzji lub usprawnienia procesu biznesowego. Dzieje się tak dzięki stosowaniu różnych technik analizy danych w różnych momentach procesu ich przygotowania.

Prace analityczne nad danymi zaczynamy od standardowych raportów odpowiadających na pytanie: „co się stało?”. Na tym etapie analizy danych tworzymy statystyki, podsumowania i agregaty dotyczące poszczególnych miar, a także wykorzystujemy wykresy pozwalające na graficzną prezentację danych i odkrywanie w nich wzorców. Kolejnym etapem jest proces analizy danych z wykorzystaniem statystyk opisowych oraz mniej zaawanasowanych analiz statystycznych (np. analiza wariancji, regresja liniowa, drzewa decyzyjne) umożliwiających odkrycie zależności i odpowiedź na pytanie: „dlaczego tak się stało?”.

Końcowymi etapami procesu eksploracji danych (data mining), pozyskania informacji i wiedzy biznesowej z danych jest modelowanie prognostyczne i predykcyjne. Stosujemy techniki modelowania szeregów czasowych, regresji, sieci neuronowych, klasteryzacji, analizy przeżycia, co pomaga nam określić, zarówno w ujęciu czasowym (ciągłym), jak i pojedynczego zjawiska (dyskretnym), czego możemy się spodziewać w przyszłości, ale również przewidzieć z dużym prawdopodobieństwem dokładny końcowy efekt, czyli fakt zaistnienia badanego zjawiska. Finalnym etapem analityki jest taka jej integracja ze środowiskiem decyzyjnym firmy, która podpowiada sposób działania w celu uniknięcia potencjalnych negatywnych skutków zjawiska. Przykładowo uniknięcia utraty udziału rynkowego w obszarze pewnego segmentu klientów lub wykorzystania nadarzającej się okazji, która wiąże się z dużą skutecznością działań promocyjnych czy wzrostem sprzedaży na konkretnym mikrorynku.

GeoDataMart

Przykład podejścia do danych i wykorzystywane metody:

  • Przetwarzanie w czasie rzeczywistym.
  • Data mining.
  • Analiza geoprzestrzenna.
  • Programowanie oparte o dane strumieniowe.

Data Collector to narzędzie do pobierania danych z ogólnodostępnych zasobów internetu – stron instytucji czy organizacji (np. banków), map Google itp. Baza jest niemal codzienna aktualizowana bieżącymi informacjami o obiektach takich jak: markety, dyskonty, stacje benzynowe, sklepy przemysłowe i odzieżowe czy galerie.

Modelowanie

Przykład zarządzania cyklem życia klienta: cross-selling, up-selling, churn, zwiększenie lojalności, kalkulacja wartości klienta w cyklu życia (CLV).

Wykorzystywane metody:

  • Maszynowe uczenie.
  • Analiza geoprzestrzenna.
  • A/B testing.
  • Klastrowanie.
  • Real Time processing.
  • Wyodrębnianie tekstu (text mining).
  • Modele grafowe.

Jednym z trendów sprzedaży detalicznej jest zmiana oczekiwań i zachowań zakupowych klientów. Współczesny konsument ma szeroki wybór produktów, marek i miejsc. Może kupować co chce i gdzie chce. Dodatkowo szybki i nieograniczony dostęp do informacji poprzez urządzenia mobilne powoduje, że klient jest w stanie w kilka chwil sprawdzić ofertę firmy, porównać ją z ofertą konkurencji i zapoznać się z opiniami innych konsumentów. To wszystko sprawia, że mamy do czynienia z tzw. „smart consumer” – przygotowanym i wymagającym.

Firmy, które chcą nadążyć za dynamicznym otoczeniem, powinny szczegółowo analizować zachowania swoich klientów i skutecznie zarządzać ich doświadczeniami zakupowymi. Oferty kierowane do klientów muszą być dopasowane do ich potrzeb (mass personalization). Każda zmiana potrzeb i zachowań powinna być zauważona, a oferta ponownie dopasowana.

Satysfakcja klienta to jedno, optymalizacja wydatków i zwiększenie zysków firmy to drugie. Kalkulacja wartości klienta w cyklu życia to działania marketingowe oparte na kalkulacji prognozowanych przychodów, które skutecznie wzmacniają przywiązanie do marki i produktu. To także optymalizacja wydatków na działania marketingowe i zapewnienie możliwości migracji klientów między kanałami, jak również możliwość oferowania produktów w odpowiednim momencie. Poprawia to konwersję na sprzedaż produktów komplementarnych i produktów premium. Ponadto oznacza to kierowanie działań promocyjnych do klientów, którzy są wartościowi w kontekście biznesu.

Prawdziwy model wartości klienta jest modelem predykcyjnym, który przewiduje, jak wiele przychodu klient może przynosić, jak również rozpoznaje zagrożenia związane ze zwiększonym ryzykiem zerwania relacji. Dobry model wartości klienta jest wspólnym mianownikiem do wszelkich działań marketingu analitycznego. Dzieje się tak, ponieważ każde działanie zwiększające wartość klientów, do których kierowana jest kampania, może być mierzone w jeden spójny sposób, ułatwiający późniejsze raportowanie i podejmowanie decyzji marketingowych.

Modelowanie: przykład optymalizacji poziomu zapasów oraz reedukacja braków sprzedażowych.

Wykorzystywane metody:

  • Analiza szeregów czasowych.
  • Czasowa regresja logistyczna.
  • Przetwarzanie w czasie rzeczywistym.

Analiza ma na celu identyfikację kluczowych czynników wpływających na popyt (trendy, sezonowość, promocje, ceny itp.) i przygotowanie prognozy popytu, a następnie klasteryzację sprzedaży w oparciu o kluczowe cechy (tempo, sprzedaży, zmienność, marża) i w końcu optymalizację algorytmów i procesów uzupełniania zapasów poprzez symulacje, uwzględniające również ograniczenia wynikające np. z logistyki. Wynikiem analizy jest dokładne oszacowanie czasu do następnej sprzedaży dla poszczególnych produktów.

Data Analytics PwC Poland – zespół analizy predykcyjnej i Big Data (Analytics). Oferujemy usługi z zakresu analizy danych oraz modelowania zjawisk. Problemy klientów rozwiązujemy nie tylko w oparciu o dane, ale też dogłębną znajomość rynku, wiodących trendów i szerokie doświadczenie. Realizujemy projekty, dzięki którym klienci są w stanie wygenerować dodatkową wartość i wykorzystać potencjał w obszarach takich, jak elastyczność cenowa, przyporządkowanie klienta do nowej grupy, przychodowość i marżowość, skłonność do kupna oraz systemy rekomendacyjne.         

 

Rekrutują