АНАСТАСИЯ ШЕВЧЕНКО
автор книги «Диджитал Эра», Основатель и СЕО Fintech Solutions
«Big Data как тинейджерский секс: все об этом говорят,
никто на самом деле не знает, что это и как, но все
думают, что уже все этим занимаются
и потому тоже говорят, что делают это…»
Ден Ариэли
Все наши смартфоны и лаптопы, приборы, домашняя техника, а также другие электронные устройства только и делают, что накапливают данные о наших привычках и предпочтениях. Каждый клик, лайк, пост, смс и даже просто просмотр – все это добавляет ценнейшие данные в мировую копилку информации.
Хотите реально знать, что такое данные и каков масштаб «трагедии»? Тогда проанализируйте лишь несколько фактов и цифр:
- Более половины поисковых запросов мы делаем со своего смартфона,
- Более 3,7 миллиардов людей используют Интернет,
- Каждую секунду Google обрабатывает 40 тыс. поисковых запросов (это более чем 3,5 миллиардов запросов в день),
- На Google приходится около 80% всех запросов в мире.
- Все поисковики отвечают на 5 миллиардов запросов в день.
Посмотрим на данные соцсетей. Благодаря интереснейшему ежегодному отчету Data never sleeps 6.0 (https://www.domo.com/assets/downloads/18_domo_data-never-sleeps-6+verticals.pdf ) мы можем взглянуть на интересные факты о данных. Например, ученые считают, что к 2020 году на 1 человека на земле будет приходится 1,7 Мб данных, создающихся ежесекундно. А если посмотреть на то, что называют большими данными с перспективы 1 минуты, то картина будет выглядеть так – за одну минуту в 2018 году:
- Linkedin пополняется 120 новыми пользователями;
- На YouTube просматривают более 4,3 миллионов видео;
- Отправляются 13 миллионов СМС-ок (кстати, это почти на 2 миллиона в минуту меньше, чем год назад);
- Пользователи публикуют 49 480 фотографий в Instagram (к слову, у этой сети 600 миллионов почитателей, из них 400 миллионов активны каждый день);
- Американцы используют 3 138 420 Гб интернет-данных;
- Amazon упаковывает 1 111 посылок (во время пиковой нагрузки компания пакует 306 единиц товара ежесекундно – а это 26 миллионов посылок в день);
- Отправляется 156 миллионов e-mails.
Раз уж заговорили о соцсетях, то предлагаю внимательнее рассмотреть данные крупнейшей в мире сети – Facebook:
- Ежедневно в сети Facebook «активничают» 1,5 миллиарда людей. 307 миллионов из них – европейцы.
- Ежесекундно в сети создается 5 новых профилей.
- Приложение соцсети ежедневно пополняется 300 миллионами фотографий.
- Каждую минуту люди постят здесь 510 000 комментариев и 293 000 обновлений статусов.
Давайте разберемся, что же такое большие данные? Под этим понимается вся информация, которая скапливается благодаря нашим гаджетам – такие данные бывают структурированными и нет. Обработать их можно с помощью алгоритмов, чтобы добыть ценную информацию. Вы, наверняка, уже знаете о таком факте, что за последние 2 года было сгенерировано 90% всех данных мира. Только представьте себе, в мире каждый день генерируется порядка 2,5 квинтиллиона байтов данных.
Цифровая сыворотка правды
Множество невероятных фактов о работе с большими данными приводится в книге «Все лгут. Поисковики, Big Data и Интернет знают о вас все» бывшего аналитика Google – Сета Стивенса-Давидовица. Приведу выбранные мной ТОП-7 наиболее ярких тезисов из этого бестселлера:
- Совершая поисковые запросы, мы сами являемся источником наиболее достоверной информации. То, когда и где мы ищем факты, цитаты, шутки, места, людей, вещи или помощь, может рассказать гораздо больше о наших реальных мыслях, желаниях, опасениях и делах, чем можно себе представить.
- Вам не всегда нужны тонны информации для того, чтобы прийти к нужным выводам. Важно помнить, что мы лжем друзьям, любовникам и любовницам, врачам, опросам и самим себе.
- Самое главное при работе с большими данными – умение задавать правильные вопросы.
- Многие выводы можно сделать интуитивно. Но больше данных дадут большую четкость изображения. К тому же мы часто делаем выводы, базируясь на своем опыте, а нам свойственно преувеличивать его значение.
- Революционная суть больших данных не в том, чтобы собирать все больше сведений, а в том, чтобы собирать только нужные.
- Все врут всем и себе в том числе. Примерно в трети случаев. Из-за сильного желания произвести хорошее впечатление. Возможно, именно ложь провалила соцопрос, не сумевший предсказать победу Трампа в 2016 году. Но Google знает правду – порно ищут чаще, чем погоду.
- Интернет – цифровая сыворотка правды. Фейсбук – анти-сыворотка.
Big Data на практике – 5 «денежных» идей для бизнеса
Большие данные, как ни странно, стали преимуществом финтех-стартапов. Это удивительно потому, что именно крупные корпорации располагают обширной базой клиентов, а, значит, и доступом к информации. Но в итоге используют данные именно стартапы.
Работа с данными помогает выстраивать предиктивную аналитику. А значит финтех-стартапы могут оценить уровень риска выдачи клиенту кредита – причем оценить быстро и в момент принятия решения по кредиту. Именно это стимулирует рост платформ P2P-кредитования. Анализ больших данных позволяет оперативно определить шансы возврата выданных кредитов, но при этом сделать это быстро и с удобством для пользователей. Что интересно, несмотря на глубокое недоверие к банковской системе, мы все-таки предпочли бы (около 46% всех опрошенных в исследовании людей) получить совет и лучший сервис от своего банка, чем от продвинутого инновационного финтех-стартапа. К сожалению, банки пока еще скорее опираются на результаты исследований, чем на данные в реальном времени.
Уверена, что в ближайшем будущем открытость данных станет базовой необходимостью – публичность цифр компании поможет получить лучшие финансовые условия.
О том, что Большие данные = Большие деньги сами за себя говорят цифры. Благодаря искусственному интеллекту и обработке больших данных, банки смогут выполнять проверку документов, информации и улучшать процессы. Один из примеров – программа COIN (от Contract Intelligence) банка JP Morgan. Программа провела проверку 12 000 кредитных договоров за считанные секунды. Ранее банковским сотрудникам для проверки такого же количества договоров понадобилось бы 360 000 часов.
Идея 1. Анализ мнений и настроений
Анализ мнений и настроений можно выполнять благодаря нашей с вами активной коммуникации в соцсетях – когда пользователи обсуждают, лайкают, критикуют продукты, бренды, услуги. Проводя быстрый анализ мнений, можно понять, какие продукты или компании нравятся, или не нравятся пользователям. Важно также проанализировать причины пользовательских настроений.
Для мониторинга важно обращать внимание на мнения, чувства и отношение к продукту или бренду. В случае, если вы пользуетесь правильным инструментом для анализа, вы сможете также идентифицировать наиболее влиятельных пользователей, мнение которых важно для сообщества в соцсетях. Ну а анализ отзывов поможет усовершенствовать продукт или улучшить сервис.
Например, BBVA, работающий с базой из 47 миллионов пользователей в более чем 30 странах, постоянно анализирует данные в соцсетях для настройки своих маркетинговых компаний. Когда компании Ford понадобилось отвоевывать потерянный рынок автомобилей, маркетологи определили 100 наиболее влиятельных блогеров и запустили кампанию в партнерстве с ними. В рамках кампании, каждому блогеру вручили по машине и определили миссию. В итоге вокруг Ford Fiesta было много пиара за гораздо меньшие деньги, чем, если бы маркетологи использовали телевидение.
Starbucks вообще пионер по работе с лидерами мнений – реклама сети строится по принципу «сарафанного радио» и клиенты щедро делятся идеями на портале mystarbucksideas.com.
Пример реакции и улучшения продукта на основе клиентских отзывов – банк Barclays. Запустив мобильное приложение, банк столкнулся с большим негативом в связи с тем, что в приложении не было возможности приема и отправки денег пользователям, не достигшим 18 лет. Жаловались и подростки, и их родители. Банк оперативно добавил доступ и функционал для 16-ти и 17-летних клиентов.
В аналогичном примере компания Dell, проводя анализ отзывов в сети «услышала», что в их новом лаптопе случается перегрев. И компания сразу же направила усилия на исправление дефекта.
Идея 2. Знай своего клиента 360°
Клиентский опыт и то, какие решения и действия клиент совершал ранее, могут многое рассказать о будущих поступках. Привычки человека – совершать покупки, ездить отдыхать и так далее – формируют полную картину о стиле его жизни. Когда вы хорошо владеете профилями своих клиентов, вы можете формулировать им максимально индивидуализированные предложения. Большие данные помогут не только понять, как на самом деле клиент относится к вашему продукту, но и предсказать падение интереса клиента или даже его уход к конкуренту.
Скажем, банк HDFC хорошо знает жизненный цикл своего клиента и предлагает им с помощью хорошо настроенного целевого сообщения активировать кредитную карту под подходящие события. В итоге во много раз выросла активация кредитных карт и снизилась стоимость привлечения новых клиентов.
Британская компания HMV давно узнала, что клиенты не открывают большинство писем олинакового содержания, которые уходят как массовая рассылка. Поэтому поработав с данными, они начали рассылать клиентам персонализированные рекомендации и их письма открыли более 70% пользователей на мобильных телефонах и порядка 50% писем – на компьютере.
Компания American Express построила свои предиктивные модели на базе исторических данных клиентов. В этих моделях использовано 115 переменных для прогнозирования оттока клиентов. В итоге компания может идентифицировать около 24% счетов, которые с высокой степенью вероятности будут закрыты в ближайшие 4 месяца. И, конечно же, эти знания будут использованы, чтобы не допустить уход клиентов.
Использование схожих предиктивных моделей помогло Tatra Bank в Словакии снизить отток клиентов, пользующихся кредитными картами, на 30%. Согласитесь, это серьезный результат.
Казалось бы, не сложно прислать а) приветственное сообщение новым клиентам, б) подбадривающее и стимулирующее к новым покупкам сообщение тем клиентам, которые давно с вами и в) благодарственное письмо тем пользователям, которые воспользовались сервисом или продуктом. К сожалению, далеко не все компании могут похвастаться даже этим базовым набором «внимания» к клиенту.
Идея 3. Сегментирование
Мы всегда сегментируем своих клиентов, но, анализируя большие данные, можем увидеть совершенно новые сегменты. Сгруппировав клиентов иным способом, мы сможем более точно узнать, какие характеристики наших продуктов наиболее важны для разных клиентов. Мы можем значительно увеличить активность использования карт, предлагая клиентам персонализированные программы лояльности или кешбек, если будем хорошо понимать, что именно они предпочитают. Представьте, что вы сможете узнать, сколько клиенты разных групп готовы платить за ваш продукт. А ведь это серьезное изменение вашей ценовой политики.
Используя аналитику больших массивов данных, Bank of America изменил обращение к клиенту с «Используйте стоимость вашего дома, чтобы отправить детей в школу» на «Используйте стоимость вашего дома, чтобы сделать то, о чем давно мечтали». Сложно сказать, чего именно всегда хотели клиенты банка, но конверсия увеличилась в 10 раз.
Ценовые стратегии таких компаний, как Ryanair и Etihad, строятся на алгоритмах, сегментирующих клиентов и анализирующих готовность клиента заплатить ту или иную цену.
Идея 4. Следующее лучшее предложение
Этот кейс строится на прогнозировании того, какую покупку ваш клиент сделает в ближайшее время. Вовремя предложить сопутствующий товар или услугу – и вы увеличиваете продажи. Это целое искусство разобраться, какой сервис или продукт наиболее подходит для дополнительной продажи.
Самый яркий и понятный пример – от Tesco. Итак, молодой папа покупает подгузники, и тут же вслед ему на имейл отправляется купон на детские игрушки, а главное – на пиво. Потому что сеть супермаркетов знает, что теперь юный папа проводит меньше времени с друзьями в пабе, и ему очень нужно расслабиться дома.
Отличный пример из банковского мира – австралийский банк Westpac. Банк тщательно анализирует склонность своей клиентской базы к сервисам и продуктам. Результаты впечатляют – около 37% клиентам продают дополнительные продукты в отделении, и около 60% дополнительных сервисов продает клиентам колл-центр.
И, конечно же, вы знакомы с кросс-продажами от Amazon – обычно они сопровождаются текстом «Вам также будет интересно…» и «С этим продуктом клиенты также покупают…».
Идея 5. Мультиканальность
Наверное, это самая больная тема. Все мы знаем, что клиент может общаться с банком в отделении, по телефону, в сети, реагируя на ТВ-рекламу, реагируя на блоги и рекламу в соцсетях и так далее. Как сделать так, чтобы каждый раз банк не выглядел для своего клиента как «И снова здравствуйте»? Мультиканальность и анализ больших данных здесь означают, что мы лучше с вами будем понимать, какое общение и через какие каналы ожидает от нас клиент. Ведь так чудесно было бы коммуницировать с пользователями там, где им это удобно на им же понятном языке.
Правильная работа с данными поможет увидеть реальную воронку продаж через все каналы банка и также определить тенденции и паттерны, ведущие к покупке. Благодаря качественному анализу больших данных во всех каналах мы, наконец, сможем ответить на вопрос, какой канал ответственен за покупку. Ведь чаще всего клиенты исследуют сервис и продукт. И канал, через который покупка совершается, не обязательно является тем каналом, который помог принять решение о покупке.
Подведем итоги
Для того, чтобы выдержать конкурентную борьбу, необходимо работать с данными, внедрять эту практику в механизм принятия решений и любые стратегии выстраивать только основываясь на клиентских данных. Начните внедрять аналитику больших данных в свои операционные модели, пусть даже и с маленьких шагов, и к вам потянутся клиенты и деньги.