Data Activation RoadMap
Я думаю не надо лишний раз говорить о том, что тема Big Data является темой на текущий момент более чем актуальной, популярной и ее упоминание в различных материалов на текущий момент просто зашкаливает, не надо. Действительно, в мире ИТ часто появляются термины, берущие свое начало в области технологий, и казалось бы имеющие четкое и однозначное определение, но по мере того, как данная технология получает распространение, термин начинает приобретать больше маркетинговое значение, под соусом которого самыми разными поставщиками и производителями подаются все более и более широкий спектр продукции. Именно в такой ситуации находиться и Big Data, термин, ставший одновременно и трендом развития ИТ систем и технологий, и брендом, который помогает в продвижении и маркетинге. При этом, на мой взгляд, несмотря на обилие материалов и перенасыщенность информационного пространства по этой теме, трактовка данного термина очень сильно разница и зачастую под ним подразумевают самые разные понятия. Поэтому прежде чем говорить о применимости данного термина для финансовых организацией, давайте договоримся, что такое Big Data в контексте именно этого материала.
Прежде всего, Большие данные это инфраструктурное понятие, подразумевающее под собой стек технологий, который позволяет быстро обрабатывать очень большие объемы информации. Данный стек на текущий момент чрезвычайно широк. В него входят и компоненты хранения данных и обработки и визуализации. При этом отсутствие четкого определения, какой же объем данных является большим, сильно размывает границы применения данного термина. Но технология сама по себе интересна только самим ИТ специалистам.
Очень важно не только иметь хорошую технологию, но и найти ей правильное применение. И вот тут то, если посмотреть на Big Data через призму прикладных задач, можно обнаружить, что примеры применения данной технологии зачастую очень разные и неожиданные. Ведь умение обработать большой массив позволяет находить ответы на самые неожиданные вопросы, которые раньше просто физически не могли быть обработаны. Это и предсказание эпидемий гриппа по данным запросов поисковых систем (Google Flu), и данные анализа активностей пользователей социальных сетей, позволяющих определить, например, потоки миграции людей и тд.
Поэтому главное сейчас - это умение задавать правильные вопросы, ответы на которые позволят вашему бизнесу развиваться и достигать новых выдающихся результатов. Big Data сейчас - это креативность, а не технология. Это умение находить новые неожиданные связи между разными массивами информации. Умение исследовать эти массивы и умение превращать информацию в знания, а значит умение извлекать пользу из большого массива информации. Вот что следует понимать под термином Big Data в его современной интерпретации.
Поэтому в вопросе развития ИТ инфраструктуры предприятия, прежде всего, нужно определить основные прикладные направления, требующие технологической поддержки по обработке большого объема данных.
В финансовом секторе уже можно выделить несколько прикладных задачах, для решения которых уже успешно применяются инновационные технологии.
Прежде всего это системы по борьбе с мошенничеством. В этой, чрезвычайно важной для финансовой организации области, успех в которой не только позволяет сократить операционные расходы и повысить качество услуг для конечного клиента, но и зачастую является вопросом выживания компании, новые технологические возможности оказались востребованными в самую первую очередь. В качестве примера можно привести компанию Visa (http://blogs.wsj.com/cio/2013/03/11/visa-says-big-data-identifies-billions-of-dollars-in-fraud/), которая недавно опубликовала информацию о том, что использование технологий Big Data позволило ей значительно улучшить процент определения мошеннических транзакций по пластиковым картам. Так, в 2005 году, компания анализировала только 2% всех операций, и на основании данного анализа строила модели определения мошеннических транзакций, которые уже применялись для проверки каждой транзакции. Сейчас же компания способна анализировать все транзакции, а так же провела расширение количества анализируемых атрибутов по каждой транзакции с 40 до 200, добавила новые типы анализируемой информации (например данные геолокации).
Другой пример - корпорация CitiGroup использует технологии анализа данных для мониторинга состояния рынка путем анализа информационных сообщений новостных лент и сообщений в социальных сетях (http://www.economist.com/node/21554743). Это позволяет компании предсказывать вероятность дефолта по кредитам и выявлять факты мошенничества. Все это позволило компании значительно улучшить свой инвестиционный портфель.
Огромные возможности технологии Big Data дают финансовым институтам и для улучшения их собственных продуктов. Конечно в первую очередь тут идет речь о персонификации продукта под нужды каждого конкретного клиента, что позволяет повысить продажи, а значить дать бизнесу реальную отдачу от применения технологий.
Технологии анализа накопленных организацией исторических данных о действиях клиента позволяют правильным образом спозиционировать финансовый продукт, что бы он максимально заинтересовал клиента. Анализируя, например, историю операций по счету можно определить, например, есть ли у клиента автомобиль, как часто он ремонтируется и предложить клиенту не просто кредит, а покупку нового автомобиля. По информации компании McKinsey, использование накопленных исторических данных для позиционирования продуктов, позволяет в 2 раза повысить уровень принятия клиентами таких предложений.
Вообще, решении задачи накопления данных, генерируемых компанией, является первоочередной на этапе перехода к использованию технологий Big Data. И важно начать их накапливать как можно раньше, потому что эти данные чрезвычайно важны. Именно они являются отражением всей деятельности именно вашей компании, ее клиентов, ее бизнес-модели и являются уникальными. Этими данными могут быть не только то, что мы имеем ввиду в традиционном смысле, когда говорим о данным компании (данные транзакционных систем, CRM систем и тд), но и такие данные, как история просмотра сайта компании в сети интернет, история посещений клиентом офиса компании и тд.
Что бы дать бизнесу преимущество использования этих данных в перспективе двух-трех лет, уже сейчас надо организовывать сбор и хранение всей возможной информации. Технологии для автоматизации этой функции в линейки решений, относящихся к Big Data, наверное наиболее развиты. Существуют и специализированные базы данных, и распределенные системы хранения неструктурированных данных и специализированные программно-аппаратные решения ведущих вендоров. Нельзя исключить из этого списка и традиционные системы построения хранилищ данных.
Таким образом, в качестве первого шага, на пути развития инфраструктуры компании в сторону Big Data является шаг “Накапливать”, на котором необходимо идентифицировать все необходимые источники данных, организовать их сбор и хранение.
Далее все эти данные можно объединять с внешними, по отношению к организации, данными. Дело в том, что если посмотреть на ситуацию с данными в глобальном масштабе, то можно увидеть, что данные имеет кластеризацию по различным бизнес-областям, или, другими словами, информационными доменами. Можно выделить домен данных финансовых организацией. Это примерно одни и те же по структуре и наполнению данные (списки клиентов, списки транзакций и тд) с общепринятыми внутри домена правилами структуризацией и атрибутами. Но существуют и другие такие информационные домены. Например сфера здравоохранения. В ней так же происходит накопление большого объема специфичной для данного направления данных. Мы можем активировать данные, путем установления соответствия между данными из одного информационного домена и данными другого информационного домена, получив таким образом новый массив информации, в котором скрыт новый, недоступный ранее пласт знаний.
Сейчас в мире формируется новый рынок - рынок данных. Данные становятся ценностью, и, не только те, которые уже привычно являются предметом широкого распространения, типа информация по стоимости финансовых инструментов, но и информация, которая накапливается в интернете сотнями сайтов, социальных сетей и прочих площадок с высокой посещаемостью.
Сейчас информация, которая может быть собрана об активности пользователя в интернете, активно используется в сегменте сетевого маркетинга. Путем обработки данных о поисковых запросах и истории просмотра страниц сайтов возможно извлечь информацию не только о социально-демографическом профиле пользователя, но и понять сферу его интересов, то, что интересует его в настоящий момент.
Объединив эту информацию с данными, накопленными внутри компании, дает финансовой организации уникальные возможности.
Поэтому в качестве второго шага можно однозначно зафиксировать “Активировать данные”, то есть определить информационные домены, данные которых могут принести дополнительную пользу организации, и построить механизмы установления соответствия между этими информационными пространствами.
Новые знания о клиенте позволяют вывести на новый уровень механизмы скорринга. Интересен пример американской компании ZestCash, которая занимается кредитованием физических лиц. В отличии от традиционных моделей принятия решения о кредите, которые основывались на данных кредитного бюро о кредитной истории заемщика, компания использовала данные о поведении клиента в сети интернет. Это позволило построить скоринговую модель для оценки кредитных рисков для клиентов без кредитной истории или даже с отрицательной кредитной историей. Оперирование в области данного клиентского сегмента, от которого отказываются многие банки, использующие более традиционную модель, позволило компании занять лидирующее положение на рынке.
Так же похожий бизнес-кейс есть и у страховых компаний. Дополнительные знания, полученные о клиенте, позволяют выявить факты мошенничества при оформлении страховки, а так же более точно определить риск.
Ну и конечно возвращаясь к теме маркетинга, новые знания дают неограниченные возможности для формирования продуктовых предложений. Понимаю нужд клиента, в момент его контакта с банком, является заветной мечтой маркетологов и именно сейчас технологии позволяют ее осуществить.
Использование технологий анализа данных с помощью современных инструментов из стека Big Data (инструменты статистической обработки данных, визуализации данных, интеллектуального анализа данных, машинного обучения) позволяет найти в информации знания, которые так необходимы нашим бизнес-заказчикам. Сейчас эта дисциплина только зарождается. Большинство из этих навыков не хватает во многих организациях и на рынке в целом.
Тем не менее третьим шагом можно зафиксировать: “Извлечь знания”.
Таким образом, как и было обозначено в начале данной статьи, Big Data - это использование творческой комбинации различных типов данных и человеческого знания.
