ഡാറ്റ പോലെ സ്വീകരിക്കുക: ബിഗ് ഡാറ്റയിൽ നിന്ന് ലാഭം നേടാൻ ബിസിനസുകൾ എങ്ങനെ പഠിക്കുന്നു

വലിയ ഡാറ്റ വിശകലനം ചെയ്യുന്നതിലൂടെ, കമ്പനികൾ മറഞ്ഞിരിക്കുന്ന പാറ്റേണുകൾ കണ്ടെത്താനും അവരുടെ ബിസിനസ്സ് പ്രകടനം മെച്ചപ്പെടുത്താനും പഠിക്കുന്നു. ദിശ ഫാഷനാണ്, എന്നാൽ അവരോടൊപ്പം പ്രവർത്തിക്കുന്ന ഒരു സംസ്കാരത്തിന്റെ അഭാവം മൂലം എല്ലാവർക്കും വലിയ ഡാറ്റയിൽ നിന്ന് പ്രയോജനം നേടാനാവില്ല

“ഒരു വ്യക്തിയുടെ പേര് കൂടുതൽ സാധാരണമാണ്, അവർ കൃത്യസമയത്ത് പണം നൽകാനുള്ള സാധ്യത കൂടുതലാണ്. നിങ്ങളുടെ വീടിന് കൂടുതൽ നിലകൾ ഉണ്ട്, കൂടുതൽ സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് നിങ്ങൾ ഒരു മികച്ച വായ്പക്കാരനാണ്. റീഫണ്ടിന്റെ സാധ്യതയെ രാശിചിഹ്നം ഏറെക്കുറെ സ്വാധീനിക്കുന്നില്ല, പക്ഷേ സൈക്കോടൈപ്പ് ഗണ്യമായി ചെയ്യുന്നു, ”വായ്പ എടുക്കുന്നവരുടെ പെരുമാറ്റത്തിലെ അപ്രതീക്ഷിത പാറ്റേണുകളെ കുറിച്ച് ഹോം ക്രെഡിറ്റ് ബാങ്കിലെ അനലിസ്റ്റ് സ്റ്റാനിസ്ലാവ് ദുഷിൻസ്കി പറയുന്നു. ഈ പാറ്റേണുകളിൽ പലതും വിശദീകരിക്കാൻ അദ്ദേഹം ഏറ്റെടുക്കുന്നില്ല - ആയിരക്കണക്കിന് ഉപഭോക്തൃ പ്രൊഫൈലുകൾ പ്രോസസ്സ് ചെയ്ത ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആണ് അവ വെളിപ്പെടുത്തിയത്.

ഇതാണ് ബിഗ് ഡാറ്റ അനലിറ്റിക്‌സിന്റെ ശക്തി: ഘടനയില്ലാത്ത ഒരു വലിയ അളവിലുള്ള ഡാറ്റ വിശകലനം ചെയ്യുന്നതിലൂടെ, ഏറ്റവും ബുദ്ധിമാനായ മനുഷ്യ വിശകലന വിദഗ്ധന് പോലും അറിയാത്ത നിരവധി പരസ്പര ബന്ധങ്ങൾ പ്രോഗ്രാമിന് കണ്ടെത്താനാകും. ഏതൊരു കമ്പനിക്കും ഒരു വലിയ അളവിലുള്ള ഘടനാരഹിതമായ ഡാറ്റയുണ്ട് (വലിയ ഡാറ്റ) - ജീവനക്കാർ, ഉപഭോക്താക്കൾ, പങ്കാളികൾ, എതിരാളികൾ, ബിസിനസ്സ് നേട്ടത്തിനായി ഉപയോഗിക്കാം: പ്രമോഷനുകളുടെ പ്രഭാവം മെച്ചപ്പെടുത്തുക, വിൽപ്പന വളർച്ച കൈവരിക്കുക, സ്റ്റാഫ് വിറ്റുവരവ് കുറയ്ക്കുക തുടങ്ങിയവ.

ബിഗ് ഡാറ്റയുമായി ആദ്യം പ്രവർത്തിച്ചത് വലിയ ടെക്നോളജി, ടെലികമ്മ്യൂണിക്കേഷൻ കമ്പനികൾ, ധനകാര്യ സ്ഥാപനങ്ങൾ, റീട്ടെയിൽ എന്നിവയായിരുന്നുവെന്ന് ഡിലോയിറ്റ് ടെക്നോളജി ഇന്റഗ്രേഷൻ ഗ്രൂപ്പ്, സിഐഎസ് ഡയറക്ടർ റാഫേൽ മിഫ്താഖോവ് അഭിപ്രായപ്പെടുന്നു. ഇപ്പോൾ പല വ്യവസായങ്ങളിലും അത്തരം പരിഹാരങ്ങളിൽ താൽപ്പര്യമുണ്ട്. കമ്പനികൾ എന്താണ് നേടിയത്? വലിയ ഡാറ്റ വിശകലനം എല്ലായ്പ്പോഴും മൂല്യവത്തായ നിഗമനങ്ങളിലേക്ക് നയിക്കുമോ?

ബാങ്കുകൾ പ്രധാനമായും ഉപഭോക്തൃ അനുഭവം മെച്ചപ്പെടുത്തുന്നതിനും ചെലവ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനും അപകടസാധ്യത നിയന്ത്രിക്കുന്നതിനും വഞ്ചനയെ ചെറുക്കുന്നതിനും വലിയ ഡാറ്റ അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നു. "അടുത്ത വർഷങ്ങളിൽ, വലിയ ഡാറ്റ വിശകലന മേഖലയിൽ ഒരു യഥാർത്ഥ വിപ്ലവം നടന്നിട്ടുണ്ട്," ദുഷിൻസ്കി പറയുന്നു. "മെഷീൻ ലേണിംഗിന്റെ ഉപയോഗം ലോൺ ഡിഫോൾട്ടിന്റെ സാധ്യത കൂടുതൽ കൃത്യമായി പ്രവചിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു - ഞങ്ങളുടെ ബാങ്കിലെ പിഴവ് 3,9% മാത്രമാണ്." താരതമ്യത്തിന്, 1 ജനുവരി 2019 വരെയുള്ള കണക്കനുസരിച്ച്, സെൻട്രൽ ബാങ്കിന്റെ കണക്കനുസരിച്ച്, വ്യക്തികൾക്ക് നൽകിയ വായ്പകളിൽ 90 ദിവസത്തിലധികം കാലഹരണപ്പെട്ട പേയ്‌മെന്റുകളുള്ള വായ്പകളുടെ വിഹിതം 5% ആയിരുന്നു.

ബിഗ് ഡാറ്റയുടെ പഠനത്തിൽ മൈക്രോഫിനാൻസ് സ്ഥാപനങ്ങൾ പോലും അമ്പരന്നിരിക്കുകയാണ്. “ഇന്ന് വലിയ ഡാറ്റ വിശകലനം ചെയ്യാതെ സാമ്പത്തിക സേവനങ്ങൾ നൽകുന്നത് അക്കങ്ങളില്ലാതെ കണക്ക് ചെയ്യുന്നത് പോലെയാണ്,” ഓൺലൈൻ ലെൻഡിംഗ് പ്ലാറ്റ്‌ഫോമായ വെബ്ബാങ്കീറിന്റെ സിഇഒ ആന്ദ്രേ പൊനോമരേവ് പറയുന്നു. "ഞങ്ങൾ ക്ലയന്റോ പാസ്‌പോർട്ടോ കാണാതെ ഓൺലൈനിൽ പണം ഇഷ്യൂ ചെയ്യുന്നു, പരമ്പരാഗത വായ്പയിൽ നിന്ന് വ്യത്യസ്തമായി, ഒരു വ്യക്തിയുടെ സോൾവൻസി വിലയിരുത്തുക മാത്രമല്ല, അവന്റെ വ്യക്തിത്വം തിരിച്ചറിയുകയും വേണം."

ഇപ്പോൾ കമ്പനിയുടെ ഡാറ്റാബേസ് 500 ആയിരത്തിലധികം ഉപഭോക്താക്കളുടെ വിവരങ്ങൾ സംഭരിക്കുന്നു. ഓരോ പുതിയ ആപ്ലിക്കേഷനും ഏകദേശം 800 പാരാമീറ്ററുകളിൽ ഈ ഡാറ്റ ഉപയോഗിച്ച് വിശകലനം ചെയ്യുന്നു. ലിംഗഭേദം, പ്രായം, വൈവാഹിക നില, ക്രെഡിറ്റ് ചരിത്രം എന്നിവ മാത്രമല്ല, ഒരു വ്യക്തി പ്ലാറ്റ്‌ഫോമിൽ പ്രവേശിച്ച ഉപകരണവും സൈറ്റിൽ അവൻ എങ്ങനെ പെരുമാറി എന്നതും പ്രോഗ്രാം കണക്കിലെടുക്കുന്നു. ഉദാഹരണത്തിന്, കടം വാങ്ങാൻ സാധ്യതയുള്ള ഒരാൾ ഒരു ലോൺ കാൽക്കുലേറ്റർ ഉപയോഗിച്ചില്ല എന്നതോ ലോണിന്റെ നിബന്ധനകളെക്കുറിച്ച് അന്വേഷിച്ചില്ല എന്നതോ ആശങ്കാജനകമായേക്കാം. "ചില സ്റ്റോപ്പ് ഘടകങ്ങൾ ഒഴികെ - പറയുക, 19 വയസ്സിന് താഴെയുള്ള വ്യക്തികൾക്ക് ഞങ്ങൾ വായ്പ നൽകുന്നില്ല - ഈ പാരാമീറ്ററുകളൊന്നും തന്നെ ഒരു ലോൺ നൽകാൻ വിസമ്മതിക്കുന്നതിനോ സമ്മതിക്കുന്നതിനോ ഒരു കാരണമല്ല," പൊനോമരേവ് വിശദീകരിക്കുന്നു. ഘടകങ്ങളുടെ സംയോജനമാണ് പ്രധാനം. 95% കേസുകളിലും, അണ്ടർ റൈറ്റിംഗ് ഡിപ്പാർട്ട്‌മെന്റിൽ നിന്നുള്ള സ്പെഷ്യലിസ്റ്റുകളുടെ പങ്കാളിത്തമില്ലാതെ തീരുമാനം സ്വയമേവ എടുക്കുന്നു.

ബിഗ് ഡാറ്റ വിശകലനം രസകരമായ പാറ്റേണുകൾ ലഭിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു, പൊനോമറേവ് പങ്കിടുന്നു. ഉദാഹരണത്തിന്, ഐഫോൺ ഉപയോക്താക്കൾ Android ഉപകരണങ്ങളുടെ ഉടമകളേക്കാൾ കൂടുതൽ അച്ചടക്കമുള്ള കടം വാങ്ങുന്നവരായി മാറി - മുൻ അപേക്ഷകൾക്ക് 1,7 മടങ്ങ് കൂടുതൽ തവണ അംഗീകാരം ലഭിക്കും. “സൈനിക ഉദ്യോഗസ്ഥർ ശരാശരി കടം വാങ്ങുന്നയാളേക്കാൾ നാലിലൊന്ന് തവണ വായ്പ തിരിച്ചടയ്ക്കുന്നില്ല എന്നത് അതിശയമല്ല,” പൊനോമറേവ് പറയുന്നു. "എന്നാൽ വിദ്യാർത്ഥികൾ സാധാരണയായി ബാധ്യസ്ഥരായിരിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നില്ല, എന്നാൽ അതിനിടയിൽ, ക്രെഡിറ്റ് ഡിഫോൾട്ടുകളുടെ കേസുകൾ അടിസ്ഥാനത്തിന്റെ ശരാശരിയേക്കാൾ 10% കുറവാണ്."

ബിഗ് ഡാറ്റയുടെ പഠനം ഇൻഷുറർമാർക്കും സ്കോറിംഗ് അനുവദിക്കുന്നു. 2016-ൽ സ്ഥാപിതമായ IDX, രേഖകളുടെ റിമോട്ട് ഐഡന്റിഫിക്കേഷനിലും ഓൺലൈൻ വെരിഫിക്കേഷനിലും ഏർപ്പെട്ടിരിക്കുന്നു. ചരക്ക് ഇൻഷുറൻസ് കമ്പനികൾക്കിടയിൽ ഈ സേവനങ്ങൾക്ക് ആവശ്യക്കാരുണ്ട്, അവർ സാധനങ്ങളുടെ നഷ്ടം കഴിയുന്നത്ര കുറവാണ്. ചരക്കുകളുടെ ഗതാഗതം ഇൻഷ്വർ ചെയ്യുന്നതിനുമുമ്പ്, ഇൻഷുറർ, ഡ്രൈവറുടെ സമ്മതത്തോടെ, വിശ്വാസ്യത പരിശോധിക്കുന്നു, IDX-ന്റെ വാണിജ്യ ഡയറക്ടർ ജാൻ സ്ലോക വിശദീകരിക്കുന്നു. ഒരു പങ്കാളിയുമായി ചേർന്ന് - സെന്റ് പീറ്റേഴ്‌സ്ബർഗ് കമ്പനിയായ "റിസ്ക് കൺട്രോൾ" - IDX, ഡ്രൈവറുടെ ഐഡന്റിറ്റി, പാസ്‌പോർട്ട് ഡാറ്റ, അവകാശങ്ങൾ, ചരക്ക് നഷ്‌ടവുമായി ബന്ധപ്പെട്ട സംഭവങ്ങളിലെ പങ്കാളിത്തം തുടങ്ങിയവ പരിശോധിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ഒരു സേവനം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ഡ്രൈവർമാരുടെ ഡാറ്റാബേസ്, കമ്പനി ഒരു "റിസ്ക് ഗ്രൂപ്പ്" തിരിച്ചറിഞ്ഞു: മിക്കപ്പോഴും, 30-40 വയസ്സ് പ്രായമുള്ള ഡ്രൈവർമാരിൽ ചരക്ക് നഷ്‌ടപ്പെടുന്നു, ദീർഘമായ ഡ്രൈവിംഗ് അനുഭവവും അടുത്തിടെ പലപ്പോഴും ജോലി മാറിയിട്ടുണ്ട്. ചരക്ക് മിക്കപ്പോഴും മോഷ്ടിക്കുന്നത് കാറുകളുടെ ഡ്രൈവർമാർ ആണെന്നും തെളിഞ്ഞു, അതിന്റെ സേവന ജീവിതം എട്ട് വർഷത്തിൽ കൂടുതലാണ്.

ചില്ലറ വ്യാപാരികൾക്ക് മറ്റൊരു ചുമതലയുണ്ട് - വാങ്ങാൻ തയ്യാറായ ഉപഭോക്താക്കളെ തിരിച്ചറിയാനും അവരെ സൈറ്റിലേക്കോ സ്റ്റോറിലേക്കോ കൊണ്ടുവരുന്നതിനുള്ള ഏറ്റവും ഫലപ്രദമായ മാർഗങ്ങൾ നിർണ്ണയിക്കുക. ഇതിനായി, പ്രോഗ്രാമുകൾ ഉപഭോക്താക്കളുടെ പ്രൊഫൈൽ, അവരുടെ സ്വകാര്യ അക്കൗണ്ടിൽ നിന്നുള്ള ഡാറ്റ, വാങ്ങലുകളുടെ ചരിത്രം, തിരയൽ അന്വേഷണങ്ങൾ, ബോണസ് പോയിന്റുകളുടെ ഉപയോഗം, അവർ പൂരിപ്പിക്കാൻ തുടങ്ങിയതും ഉപേക്ഷിച്ചതുമായ ഇലക്ട്രോണിക് ബാസ്കറ്റുകളുടെ ഉള്ളടക്കം എന്നിവ വിശകലനം ചെയ്യുന്നു. മുഴുവൻ ഡാറ്റാബേസും സെഗ്‌മെന്റ് ചെയ്യാനും ഒരു പ്രത്യേക ഓഫറിൽ താൽപ്പര്യമുള്ള വാങ്ങുന്നവരുടെ ഗ്രൂപ്പുകളെ തിരിച്ചറിയാനും ഡാറ്റ അനലിറ്റിക്‌സ് നിങ്ങളെ അനുവദിക്കുന്നു, M.Video-Eldorado ഗ്രൂപ്പിന്റെ ഡാറ്റാ ഓഫീസ് ഡയറക്ടർ കിറിൽ ഇവാനോവ് പറയുന്നു.

ഉദാഹരണത്തിന്, പ്രോഗ്രാം ഉപഭോക്താക്കളുടെ ഗ്രൂപ്പുകളെ തിരിച്ചറിയുന്നു, അവയിൽ ഓരോന്നും വ്യത്യസ്ത മാർക്കറ്റിംഗ് ടൂളുകൾ ഇഷ്ടപ്പെടുന്നു - പലിശ രഹിത വായ്പ, ക്യാഷ്ബാക്ക് അല്ലെങ്കിൽ കിഴിവ് പ്രമോ കോഡ്. ഈ വാങ്ങുന്നവർക്ക് അനുബന്ധ പ്രമോഷനോടൊപ്പം ഒരു ഇമെയിൽ വാർത്താക്കുറിപ്പ് ലഭിക്കും. ഒരു വ്യക്തി, കത്ത് തുറന്ന്, കമ്പനിയുടെ വെബ്‌സൈറ്റിലേക്ക് പോകാനുള്ള സാധ്യത, ഈ സാഹചര്യത്തിൽ ഗണ്യമായി വർദ്ധിക്കുന്നു, ഇവാനോവ് കുറിക്കുന്നു.

അനുബന്ധ ഉൽപ്പന്നങ്ങളുടെയും അനുബന്ധ വസ്തുക്കളുടെയും വിൽപ്പന വർദ്ധിപ്പിക്കാനും ഡാറ്റ വിശകലനം നിങ്ങളെ അനുവദിക്കുന്നു. മറ്റ് ഉപഭോക്താക്കളുടെ ഓർഡർ ചരിത്രം പ്രോസസ്സ് ചെയ്ത സിസ്റ്റം, തിരഞ്ഞെടുത്ത ഉൽപ്പന്നത്തിനൊപ്പം എന്ത് വാങ്ങണം എന്നതിനെക്കുറിച്ചുള്ള ശുപാർശകൾ വാങ്ങുന്നയാൾക്ക് നൽകുന്നു. ഇവാനോവ് പറയുന്നതനുസരിച്ച്, ഈ പ്രവർത്തന രീതിയുടെ പരിശോധനയിൽ, ആക്സസറികളുള്ള ഓർഡറുകളുടെ എണ്ണത്തിൽ 12% വർദ്ധനവും ആക്സസറികളുടെ വിറ്റുവരവിൽ 15% വർദ്ധനവും കാണിച്ചു.

സേവനത്തിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്താനും വിൽപ്പന വർദ്ധിപ്പിക്കാനും ശ്രമിക്കുന്നത് ചില്ലറ വ്യാപാരികൾ മാത്രമല്ല. കഴിഞ്ഞ വേനൽക്കാലത്ത്, ദശലക്ഷക്കണക്കിന് സബ്‌സ്‌ക്രൈബർമാരിൽ നിന്നുള്ള ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കി മെഗാഫോൺ ഒരു "സ്മാർട്ട്" ഓഫർ സേവനം ആരംഭിച്ചു. അവരുടെ പെരുമാറ്റം പഠിച്ച ശേഷം, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് താരിഫുകൾക്കുള്ളിൽ ഓരോ ക്ലയന്റിനും വ്യക്തിഗത ഓഫറുകൾ രൂപീകരിക്കാൻ പഠിച്ചു. ഉദാഹരണത്തിന്, ഒരു വ്യക്തി തന്റെ ഉപകരണത്തിൽ വീഡിയോ സജീവമായി കാണുന്നുണ്ടെന്ന് പ്രോഗ്രാം ശ്രദ്ധിക്കുന്നുവെങ്കിൽ, മൊബൈൽ ട്രാഫിക്കിന്റെ അളവ് വിപുലീകരിക്കാൻ സേവനം അദ്ദേഹത്തിന് വാഗ്ദാനം ചെയ്യും. ഉപയോക്താക്കളുടെ മുൻഗണനകൾ കണക്കിലെടുത്ത്, വരിക്കാർക്ക് അവരുടെ പ്രിയപ്പെട്ട തരം ഇന്റർനെറ്റ് വിനോദങ്ങൾക്കായി കമ്പനി പരിധിയില്ലാത്ത ട്രാഫിക് നൽകുന്നു - ഉദാഹരണത്തിന്, തൽക്ഷണ സന്ദേശവാഹകരെ ഉപയോഗിക്കുക അല്ലെങ്കിൽ സ്ട്രീമിംഗ് സേവനങ്ങളിൽ സംഗീതം കേൾക്കുക, സോഷ്യൽ നെറ്റ്‌വർക്കുകളിൽ ചാറ്റ് ചെയ്യുക അല്ലെങ്കിൽ ടിവി ഷോകൾ കാണുക.

"സബ്‌സ്‌ക്രൈബർമാരുടെ പെരുമാറ്റം ഞങ്ങൾ വിശകലനം ചെയ്യുകയും അവരുടെ താൽപ്പര്യങ്ങൾ എങ്ങനെ മാറുന്നുവെന്ന് മനസ്സിലാക്കുകയും ചെയ്യുന്നു," മെഗാഫോണിലെ ബിഗ് ഡാറ്റ അനലിറ്റിക്‌സ് ഡയറക്ടർ വിറ്റാലി ഷെർബാക്കോവ് വിശദീകരിക്കുന്നു. "ഉദാഹരണത്തിന്, ഈ വർഷം, AliExpress ട്രാഫിക് കഴിഞ്ഞ വർഷത്തെ അപേക്ഷിച്ച് 1,5 മടങ്ങ് വർദ്ധിച്ചു, പൊതുവേ, ഓൺലൈൻ വസ്ത്ര സ്റ്റോറുകളിലേക്കുള്ള സന്ദർശനങ്ങളുടെ എണ്ണം വർദ്ധിക്കുന്നു: നിർദ്ദിഷ്ട ഉറവിടത്തെ ആശ്രയിച്ച് 1,2-2 മടങ്ങ്."

വലിയ ഡാറ്റയുള്ള ഒരു ഓപ്പറേറ്ററുടെ പ്രവർത്തനത്തിന്റെ മറ്റൊരു ഉദാഹരണം, കാണാതായ കുട്ടികളെയും മുതിർന്നവരെയും തിരയുന്നതിനുള്ള മെഗാഫോൺ പോയിസ്ക് പ്ലാറ്റ്ഫോമാണ്. കാണാതായ വ്യക്തിയുടെ സ്ഥലത്തിന് സമീപം ഏതൊക്കെ ആളുകൾ ഉണ്ടെന്ന് സിസ്റ്റം വിശകലനം ചെയ്യുന്നു, കൂടാതെ കാണാതായ വ്യക്തിയുടെ ഫോട്ടോയും അടയാളങ്ങളും സഹിതമുള്ള വിവരങ്ങൾ അവർക്ക് അയയ്ക്കുന്നു. ഓപ്പറേറ്റർ ആഭ്യന്തര മന്ത്രാലയവും ലിസ അലേർട്ട് ഓർഗനൈസേഷനും ചേർന്ന് സിസ്റ്റം വികസിപ്പിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്തു: കാണാതായ വ്യക്തിയിലേക്കുള്ള ഓറിയന്റേഷൻ കഴിഞ്ഞ് രണ്ട് മിനിറ്റിനുള്ളിൽ, രണ്ടായിരത്തിലധികം വരിക്കാർക്ക് ലഭിക്കുന്നു, ഇത് വിജയകരമായ തിരയൽ ഫലത്തിന്റെ സാധ്യതകളെ ഗണ്യമായി വർദ്ധിപ്പിക്കുന്നു.

ബിഗ് ഡാറ്റ വിശകലനം വ്യവസായത്തിലും പ്രയോഗം കണ്ടെത്തി. ഇവിടെ ഡിമാൻഡ് പ്രവചിക്കാനും വിൽപ്പന പ്ലാൻ ചെയ്യാനും ഇത് നിങ്ങളെ അനുവദിക്കുന്നു. അതിനാൽ, ചെർകിസോവോ ഗ്രൂപ്പിന്റെ കമ്പനികളിൽ, മൂന്ന് വർഷം മുമ്പ്, SAP BW അടിസ്ഥാനമാക്കിയുള്ള ഒരു പരിഹാരം നടപ്പിലാക്കി, ഇത് എല്ലാ വിൽപ്പന വിവരങ്ങളും സംഭരിക്കാനും പ്രോസസ്സ് ചെയ്യാനും നിങ്ങളെ അനുവദിക്കുന്നു: വിലകൾ, ശേഖരണം, ഉൽപ്പന്ന വോള്യങ്ങൾ, പ്രമോഷനുകൾ, വിതരണ ചാനലുകൾ, സിഐഒ വ്‌ളാഡിസ്ലാവ് ബെലിയേവ് പറയുന്നു. ഗ്രൂപ്പിലെ ”ചെർകിസോവോ. ശേഖരിച്ച 2 ടിബി വിവരങ്ങളുടെ വിശകലനം, ശേഖരം ഫലപ്രദമായി രൂപീകരിക്കാനും ഉൽപ്പന്ന പോർട്ട്ഫോളിയോ ഒപ്റ്റിമൈസ് ചെയ്യാനും മാത്രമല്ല, ജീവനക്കാരുടെ ജോലി സുഗമമാക്കുകയും ചെയ്തു. ഉദാഹരണത്തിന്, ഒരു പ്രതിദിന വിൽപ്പന റിപ്പോർട്ട് തയ്യാറാക്കുന്നതിന് നിരവധി അനലിസ്റ്റുകളുടെ ഒരു ദിവസത്തെ ജോലി ആവശ്യമാണ് - ഓരോ ഉൽപ്പന്ന വിഭാഗത്തിനും രണ്ട്. ഇപ്പോൾ ഈ റിപ്പോർട്ട് റോബോട്ട് തയ്യാറാക്കി, എല്ലാ സെഗ്‌മെന്റുകളിലും 30 മിനിറ്റ് മാത്രം ചെലവഴിച്ചു.

"വ്യവസായത്തിൽ, വലിയ ഡാറ്റ ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സുമായി ചേർന്ന് ഫലപ്രദമായി പ്രവർത്തിക്കുന്നു," അംബ്രല്ല ഐടി സിഇഒ സ്റ്റാനിസ്ലാവ് മെഷ്കോവ് പറയുന്നു. "ഉപകരണങ്ങൾ സജ്ജീകരിച്ചിരിക്കുന്ന സെൻസറുകളിൽ നിന്നുള്ള ഡാറ്റയുടെ വിശകലനത്തെ അടിസ്ഥാനമാക്കി, അതിന്റെ പ്രവർത്തനത്തിലെ വ്യതിയാനങ്ങൾ തിരിച്ചറിയാനും തകരാറുകൾ തടയാനും പ്രകടനം പ്രവചിക്കാനും കഴിയും."

സെവെർസ്റ്റലിൽ, വലിയ ഡാറ്റയുടെ സഹായത്തോടെ, നിസ്സാരമല്ലാത്ത ജോലികൾ പരിഹരിക്കാനും അവർ ശ്രമിക്കുന്നു - ഉദാഹരണത്തിന്, പരിക്കിന്റെ നിരക്ക് കുറയ്ക്കുന്നതിന്. 2019 ൽ, തൊഴിൽ സുരക്ഷ മെച്ചപ്പെടുത്തുന്നതിനുള്ള നടപടികൾക്കായി കമ്പനി ഏകദേശം 1,1 ബില്യൺ റൂബിൾ അനുവദിച്ചു. പരിക്ക് നിരക്ക് 2025% കൊണ്ട് 50 ആയി കുറയ്ക്കുമെന്ന് സെവെർസ്റ്റൽ പ്രതീക്ഷിക്കുന്നു (2017 നെ അപേക്ഷിച്ച്). "ഒരു ലൈൻ മാനേജർ - ഫോർമാൻ, സൈറ്റ് മാനേജർ, ഷോപ്പ് മാനേജർ - ഒരു ജീവനക്കാരൻ സുരക്ഷിതമല്ലാത്ത ചില പ്രവർത്തനങ്ങൾ നടത്തുന്നത് ശ്രദ്ധയിൽപ്പെട്ടാൽ (വ്യാവസായിക സൈറ്റിൽ പടികൾ കയറുമ്പോൾ കൈവരികളിൽ മുറുകെ പിടിക്കുന്നില്ല അല്ലെങ്കിൽ എല്ലാ വ്യക്തിഗത സംരക്ഷണ ഉപകരണങ്ങളും ധരിക്കുന്നില്ല), അദ്ദേഹം എഴുതുന്നു. അദ്ദേഹത്തിന് ഒരു പ്രത്യേക കുറിപ്പ് - PAB ("ബിഹേവിയറൽ സെക്യൂരിറ്റി ഓഡിറ്റിൽ" നിന്ന്),” കമ്പനിയുടെ ഡാറ്റ വിശകലന വിഭാഗം മേധാവി ബോറിസ് വോസ്ക്രെസെൻസ്കി പറയുന്നു.

ഒരു ഡിവിഷനിലെ പിഎബികളുടെ എണ്ണത്തെക്കുറിച്ചുള്ള ഡാറ്റ വിശകലനം ചെയ്ത ശേഷം, കമ്പനിയുടെ സ്പെഷ്യലിസ്റ്റുകൾ സുരക്ഷാ നിയമങ്ങൾ മിക്കപ്പോഴും ലംഘിച്ചതായി കണ്ടെത്തി, മുമ്പ് ഇതിനകം നിരവധി പരാമർശങ്ങൾ നടത്തിയവരും അസുഖ അവധിയിലോ അവധിയിലോ ആയിരുന്നവരും. സംഭവം. അവധിയിൽ നിന്നോ അസുഖ അവധിയിൽ നിന്നോ മടങ്ങിയെത്തിയ ആദ്യ ആഴ്ചയിലെ ലംഘനങ്ങൾ തുടർന്നുള്ള കാലയളവിനെ അപേക്ഷിച്ച് ഇരട്ടി ഉയർന്നതാണ്: 1 0,55%. എന്നാൽ രാത്രി ഷിഫ്റ്റിൽ ജോലി ചെയ്യുന്നത്, PAB- കളുടെ സ്ഥിതിവിവരക്കണക്കുകളെ ബാധിക്കില്ല.

വലിയ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിന് അൽഗോരിതം സൃഷ്ടിക്കുന്നത് ജോലിയുടെ ഏറ്റവും ബുദ്ധിമുട്ടുള്ള ഭാഗമല്ല, കമ്പനി പ്രതിനിധികൾ പറയുന്നു. ഓരോ നിർദ്ദിഷ്ട ബിസിനസ്സിന്റെയും പശ്ചാത്തലത്തിൽ ഈ സാങ്കേതികവിദ്യകൾ എങ്ങനെ പ്രയോഗിക്കാമെന്ന് മനസിലാക്കാൻ വളരെ ബുദ്ധിമുട്ടാണ്. ഇവിടെയാണ് കമ്പനി അനലിസ്റ്റുകളുടെയും ബാഹ്യ ദാതാക്കളുടെയും അക്കില്ലസിന്റെ കുതികാൽ സ്ഥിതിചെയ്യുന്നത്, ഇത് വലിയ ഡാറ്റയുടെ മേഖലയിൽ വൈദഗ്ദ്ധ്യം ശേഖരിച്ചതായി തോന്നുന്നു.

"മികച്ച ഗണിതശാസ്ത്രജ്ഞരായ വലിയ ഡാറ്റാ അനലിസ്റ്റുകളെ ഞാൻ പലപ്പോഴും കണ്ടുമുട്ടാറുണ്ട്, എന്നാൽ ബിസിനസ്സ് പ്രക്രിയകളെക്കുറിച്ച് ആവശ്യമായ ധാരണ ഇല്ലായിരുന്നു," ഗുഡ്സ്ഫോർകാസ്റ്റിലെ ഡെവലപ്മെന്റ് ഡയറക്ടർ സെർജി കോട്ടിക് പറയുന്നു. രണ്ട് വർഷം മുമ്പ് തന്റെ കമ്പനിക്ക് ഒരു ഫെഡറൽ റീട്ടെയിൽ ശൃംഖലയ്ക്കുള്ള ഡിമാൻഡ് പ്രവചന മത്സരത്തിൽ പങ്കെടുക്കാൻ അവസരം ലഭിച്ചതെങ്ങനെയെന്ന് അദ്ദേഹം ഓർക്കുന്നു. പങ്കെടുക്കുന്നവർ പ്രവചനങ്ങൾ നടത്തിയ എല്ലാ സാധനങ്ങൾക്കും സ്റ്റോറുകൾക്കുമായി ഒരു പൈലറ്റ് പ്രദേശം തിരഞ്ഞെടുത്തു. പ്രവചനങ്ങൾ യഥാർത്ഥ വിൽപ്പനയുമായി താരതമ്യം ചെയ്തു. മെഷീൻ ലേണിംഗിലും ഡാറ്റ വിശകലനത്തിലും വൈദഗ്ധ്യത്തിന് പേരുകേട്ട റഷ്യൻ ഇന്റർനെറ്റ് ഭീമന്മാരിൽ ഒരാളാണ് ഒന്നാം സ്ഥാനം നേടിയത്: അതിന്റെ പ്രവചനങ്ങളിൽ, ഇത് യഥാർത്ഥ വിൽപ്പനയിൽ നിന്ന് കുറഞ്ഞ വ്യതിയാനം കാണിച്ചു.

എന്നാൽ നെറ്റ്‌വർക്ക് അദ്ദേഹത്തിന്റെ പ്രവചനങ്ങൾ കൂടുതൽ വിശദമായി പഠിക്കാൻ തുടങ്ങിയപ്പോൾ, ഒരു ബിസിനസ്സ് വീക്ഷണകോണിൽ നിന്ന് അവ തികച്ചും അസ്വീകാര്യമാണെന്ന് മനസ്സിലായി. വ്യവസ്ഥാപിതമായി കുറച്ചുകാണിച്ച് വിൽപ്പന പദ്ധതികൾ നിർമ്മിക്കുന്ന ഒരു മോഡൽ കമ്പനി അവതരിപ്പിച്ചു. പ്രവചനങ്ങളിലെ പിശകുകളുടെ സംഭാവ്യത എങ്ങനെ കുറയ്ക്കാമെന്ന് പ്രോഗ്രാം കണ്ടെത്തി: വിൽപ്പനയെ കുറച്ചുകാണുന്നത് സുരക്ഷിതമാണ്, കാരണം പരമാവധി പിശക് 100% ആകാം (നെഗറ്റീവ് വിൽപ്പനകളൊന്നുമില്ല), എന്നാൽ അമിത പ്രവചനത്തിന്റെ ദിശയിൽ, ഇത് ഏകപക്ഷീയമായി വലുതായിരിക്കാം, കോട്ടിക് വിശദീകരിക്കുന്നു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, കമ്പനി ഒരു അനുയോജ്യമായ ഗണിതശാസ്ത്ര മാതൃക അവതരിപ്പിച്ചു, ഇത് യഥാർത്ഥ സാഹചര്യങ്ങളിൽ പകുതി ശൂന്യമായ സ്റ്റോറുകളിലേക്കും അണ്ടർസെയിലുകളിൽ നിന്നുള്ള വലിയ നഷ്ടത്തിലേക്കും നയിക്കും. തൽഫലമായി, മറ്റൊരു കമ്പനി മത്സരത്തിൽ വിജയിച്ചു, അതിന്റെ കണക്കുകൂട്ടലുകൾ പ്രായോഗികമാക്കാം.

ബിഗ് ഡാറ്റ ടെക്നോളജികൾ പല വ്യവസായങ്ങൾക്കും പ്രസക്തമാണ്, എന്നാൽ അവയുടെ സജീവമായ നടപ്പാക്കൽ എല്ലായിടത്തും സംഭവിക്കുന്നില്ല, മെഷ്കോവ് കുറിക്കുന്നു. ഉദാഹരണത്തിന്, ഹെൽത്ത് കെയറിൽ ഡാറ്റ സംഭരണത്തിൽ ഒരു പ്രശ്നമുണ്ട്: ധാരാളം വിവരങ്ങൾ ശേഖരിക്കപ്പെടുകയും അത് പതിവായി അപ്ഡേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു, എന്നാൽ ഭൂരിഭാഗവും ഈ ഡാറ്റ ഇതുവരെ ഡിജിറ്റൈസ് ചെയ്തിട്ടില്ല. സർക്കാർ ഏജൻസികളിലും ധാരാളം ഡാറ്റയുണ്ട്, പക്ഷേ അവ ഒരു പൊതു ക്ലസ്റ്ററിലേക്ക് സംയോജിപ്പിച്ചിട്ടില്ല. നാഷണൽ ഡാറ്റാ മാനേജ്‌മെന്റ് സിസ്റ്റത്തിന്റെ (എൻസിഎംഎസ്) ഒരു ഏകീകൃത വിവര പ്ലാറ്റ്‌ഫോം വികസിപ്പിക്കുന്നത് ഈ പ്രശ്‌നം പരിഹരിക്കാനാണ് ലക്ഷ്യമിടുന്നതെന്ന് വിദഗ്ദ്ധർ പറയുന്നു.

എന്നിരുന്നാലും, മിക്ക ഓർഗനൈസേഷനുകളിലും പ്രധാനപ്പെട്ട തീരുമാനങ്ങൾ അവബോധത്തിന്റെ അടിസ്ഥാനത്തിലാണ് എടുക്കുന്ന ഒരേയൊരു രാജ്യത്ത് നിന്ന് നമ്മുടെ രാജ്യം വളരെ അകലെയാണ്, അല്ലാതെ വലിയ ഡാറ്റയുടെ വിശകലനമല്ല. കഴിഞ്ഞ വർഷം ഏപ്രിലിൽ, വൻകിട അമേരിക്കൻ കമ്പനികളുടെ ആയിരത്തിലധികം നേതാക്കൾക്കിടയിൽ ഡിലോയിറ്റ് ഒരു സർവേ നടത്തി (500-ഓ അതിലധികമോ ജീവനക്കാർ) സർവേയിൽ പങ്കെടുത്തവരിൽ 63% പേർക്കും വലിയ ഡാറ്റാ സാങ്കേതികവിദ്യകൾ പരിചിതമാണെങ്കിലും ആവശ്യമായതെല്ലാം ഇല്ലെന്ന് കണ്ടെത്തി. അവ ഉപയോഗിക്കുന്നതിനുള്ള അടിസ്ഥാന സൗകര്യങ്ങൾ. അതേസമയം, ഉയർന്ന തലത്തിലുള്ള അനലിറ്റിക്കൽ മെച്യൂരിറ്റി ഉള്ള 37% കമ്പനികളിൽ പകുതിയോളം കഴിഞ്ഞ 12 മാസങ്ങളിൽ ബിസിനസ്സ് ലക്ഷ്യങ്ങൾ ഗണ്യമായി കവിഞ്ഞു.

പുതിയ സാങ്കേതിക പരിഹാരങ്ങൾ നടപ്പിലാക്കുന്നതിലെ ബുദ്ധിമുട്ട് കൂടാതെ, കമ്പനികളിലെ ഒരു പ്രധാന പ്രശ്നം ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കാനുള്ള സംസ്കാരത്തിന്റെ അഭാവമാണെന്ന് പഠനം വെളിപ്പെടുത്തി. ബിഗ് ഡാറ്റയുടെ അടിസ്ഥാനത്തിൽ എടുക്കുന്ന തീരുമാനങ്ങളുടെ ഉത്തരവാദിത്തം കമ്പനിയുടെ വിശകലന വിദഗ്ധർക്ക് മാത്രമേ നൽകൂ, അല്ലാതെ മുഴുവൻ കമ്പനിക്കും അല്ല എങ്കിൽ നല്ല ഫലങ്ങൾ പ്രതീക്ഷിക്കേണ്ടതില്ല. “ഇപ്പോൾ കമ്പനികൾ വലിയ ഡാറ്റയ്‌ക്കായി രസകരമായ ഉപയോഗ കേസുകൾ തേടുന്നു,” മിഫ്താഖോവ് പറയുന്നു. "അതേ സമയം, ചില സാഹചര്യങ്ങൾ നടപ്പിലാക്കുന്നതിന് മുമ്പ് വിശകലനം ചെയ്തിട്ടില്ലാത്ത അധിക ഡാറ്റയുടെ ശേഖരണം, സംസ്കരണം, ഗുണനിലവാര നിയന്ത്രണം എന്നിവയ്ക്കായി സിസ്റ്റങ്ങളിൽ നിക്ഷേപം ആവശ്യമാണ്." അയ്യോ, "അനലിറ്റിക്സ് ഇതുവരെ ഒരു ടീം സ്പോർട്സ് അല്ല," പഠനത്തിന്റെ രചയിതാക്കൾ സമ്മതിക്കുന്നു.