Чем больше компания знает о своем покупателе, тем лучше может выполнить его запросы. Бизнесы тщательно собирают всю информацию, которую могут получить о клиентах, предлагают им заполнять анкеты, проводят опросы, запускают программы лояльности.
Принято выделять собственные данные бизнеса (First Party Data) и данные партнеров (Second party data), которые компания получает от других организаций при наличии договоренности о передаче такой информации. Например, сеть отелей может сотрудничать с авиакомпанией. Third party data ‒ данные сторонних сервисов, специализирующихся на сборе и продаже информации о пользователях, например исследователей, проводящих опросы потребителей.
По данным Grand View Research, объем мирового рынка решений для обогащения данных в 2023 г. оценивался в $2,37 млрд, и ожидается, что с 2024 по 2030 г. он будет увеличиваться в среднем на 10,1% в год. При это самую большую долю на мировом рынке обогащения данных занимали облачные решения ‒ около 56%. Популярность таких решений обусловлена тем, что они предлагают масштабируемые и эффективные средства управления постоянно растущим объемом данных. Кроме того, их использование облегчает соблюдение требований законов по работе с персональными данными и ускоряет доступ к ним, отмечают в Grand View Research.
В ходе исследования, проведенного Google и BCG, обнаружилось, что некоторые бренды, использующие сторонние данные для разработки маркетинговых стратегий, добились увеличения выручки в 2,9 раза и экономии средств в 1,5 раза. Правда, в исследованиях речь шла о комплексном эффекте от грамотного применения данных, а не об их обогащении как отдельном инструменте. Например, Netflix использует обогащенные данные для улучшения пользовательского опыта и разработки бизнес-стратегий. Компания сотрудничала с независимым поставщиком решений DataHub для создания платформы самообслуживания, которая оптимизирует управление данными.
Разложить по полочкам
Решения по обогащению данных применимы и в промышленности. Крупной российской компании в цветной металлургии было необходимо интегрировать собственные IT-решения в единую цифровую систему для оптимизации технологических процессов. С этой задачей компания обратилась к Softline Digital, входящую в группу компаний Softline.
Ранее все ИТ-решения использовались на предприятии разрозненно и ситуативно. Из-за этого замедлялся обмен актуальными данными и снижалась эффективность техпроцессов, доверие к решениям падало. Чтобы оптимизировать производство, все IT-решения перенесли в единый цифровой контур – на ИИ-платформу AiLine Softline Digital.
Это позволило отслеживать все показатели в одной программе, своевременно обновлять данные, повысить качество принимаемых решений и оптимизировать технологические процессы. В результате удалось увеличить объемы производства и снизить затраты на электроэнергию, утверждают в Softline.
В одном из российских банков на основе платформы ROBIN были автоматизированы процедуры ежегодной актуализации данных клиентов ‒ юридических лиц. «Ежедневно наши программные роботы актуализировали данные по списку клиентов: искали по ним информацию на государственных ресурсах, проверяли ее в системе банка и в случае необходимости вносили корректировки», ‒ рассказал Иван Мельников, директор по развитию продуктов ROBIN компании SL Soft.
В том числе роботы проверяли информацию на ЕГРЮЛ: скачивали выписку и извлекали из нее данные (реквизиты, уставной капитал, цепочки бенефициаров), в вестнике государственной регистрации уточняли информацию о статусе ликвидации юридического лица. В едином государственном источнике банкротства роботы сверяли информацию о наличии процесса банкротства в отношении юридического лица. Также автоматически проверялась на валидность электронная подпись найденных документов.
«Другими способами (интеграциями, доработками систем и др.) банк не смог бы решить задачу: слишком много внешних ресурсов, на которых нужно было производить поиск, и все они не имеют внешнего API», ‒ говорит Мельников.
Одна из сложностей при работе с данными ‒ поиск информации в неструктурированных источниках. «Для нашего клиента мы решили задачу проверки контрагентов, с которыми заключаются договора. Необходимо было извлечь из договора реквизиты контрагента и подписантов и проверить информацию в открытых источниках», ‒ говорит Мельников. Эта задача была реализована при помощи модулей искусственного интеллекта. Вторая сложность ‒ при парсинге интернет-ресурсов компания может столкнуться с защитой от роботов и капчами, но эта проблема также решаема при помощи инструментов ИИ, рассуждает Мельников.
Озеро с данными
Классический подход к сбору и аналитике данных, предполагающий построение структурированных хранилищ и применяемый большинством компаний, не слишком эффективен в текущих реалиях, уверен Николай Иванов, руководитель по развитию бизнеса департамента базовых технологий «Т-Банка». Первоисточники данных, будь то датчики на производственном оборудовании, в зданиях и городской среде или IT-системы, могут давать самую подробную информацию о происходящем, но все эти данные имеют разное наполнение и плохо интегрируемы.
«Мы принципиально работаем по-другому: мы создали решение Sage Observability, являющееся озером операционных данных (большой репозиторий «сырых» данных, которые затем используются для задач бизнеса. ‒ «Ведомости. Инновации и технологии») с мощным движком поиска и преобразования информации», ‒ рассказывает Мельников. Информация хранится длительное время, чтобы иметь возможность найти ответ на любые, даже внезапно возникшие вопросы. Система позволяет объединять данные, поступившие из самых разных систем, и анализировать их, выявлять закономерности и корреляции.
«Т Банк», в частности, мониторит социальные сети, профильные форумы, сервисы, сообщающие об инфраструктурных сбоях, например Downdetector для выявления отзывов о работе сервисов банка. При этом в большинстве случаев получается восстановить всю цепочку событий ‒ от действий клиента в сервисах банка до написания отзыва. Это позволяет максимально быстро отреагировать и решить проблему. В итоге число обращений в контактный центр уменьшается, растут метрики лояльности клиентов.
«Также мы обмениваемся обезличенными данными, например, с нашими партнерами-ретейлерами о покупках клиентов в магазинах. На их основе в дальнейшем строятся прогнозные модели», ‒ добавляет Мельников.
«Самые ценные внутренние данные ‒ транзакции и история взаимодействия с клиентом. Внешние данные ‒ это, конечно, бюро кредитных историй, также ценными являются данные операторов сотовой связи или геоданные», ‒ говорит Алексей Каширин, директор центра продвинутой аналитики «Альфа-Банка»
Чем больше данных об окружающем мире и своих клиентах собирает бизнес, тем больше возможностей открывается. Как показал опрос, проведенный американской бизнес-школой Drexel LeBow, 76% специалистов по работе с информацией называют своей целью в 2025 г. внедрение подхода, основанного на данных.
Принято выделять собственные данные бизнеса (First Party Data) и данные партнеров (Second party data), которые компания получает от других организаций при наличии договоренности о передаче такой информации. Например, сеть отелей может сотрудничать с авиакомпанией. Third party data ‒ данные сторонних сервисов, специализирующихся на сборе и продаже информации о пользователях, например исследователей, проводящих опросы потребителей.
По данным Grand View Research, объем мирового рынка решений для обогащения данных в 2023 г. оценивался в $2,37 млрд, и ожидается, что с 2024 по 2030 г. он будет увеличиваться в среднем на 10,1% в год. При это самую большую долю на мировом рынке обогащения данных занимали облачные решения ‒ около 56%. Популярность таких решений обусловлена тем, что они предлагают масштабируемые и эффективные средства управления постоянно растущим объемом данных. Кроме того, их использование облегчает соблюдение требований законов по работе с персональными данными и ускоряет доступ к ним, отмечают в Grand View Research.
В ходе исследования, проведенного Google и BCG, обнаружилось, что некоторые бренды, использующие сторонние данные для разработки маркетинговых стратегий, добились увеличения выручки в 2,9 раза и экономии средств в 1,5 раза. Правда, в исследованиях речь шла о комплексном эффекте от грамотного применения данных, а не об их обогащении как отдельном инструменте. Например, Netflix использует обогащенные данные для улучшения пользовательского опыта и разработки бизнес-стратегий. Компания сотрудничала с независимым поставщиком решений DataHub для создания платформы самообслуживания, которая оптимизирует управление данными.
Разложить по полочкам
Решения по обогащению данных применимы и в промышленности. Крупной российской компании в цветной металлургии было необходимо интегрировать собственные IT-решения в единую цифровую систему для оптимизации технологических процессов. С этой задачей компания обратилась к Softline Digital, входящую в группу компаний Softline.
Ранее все ИТ-решения использовались на предприятии разрозненно и ситуативно. Из-за этого замедлялся обмен актуальными данными и снижалась эффективность техпроцессов, доверие к решениям падало. Чтобы оптимизировать производство, все IT-решения перенесли в единый цифровой контур – на ИИ-платформу AiLine Softline Digital.
Это позволило отслеживать все показатели в одной программе, своевременно обновлять данные, повысить качество принимаемых решений и оптимизировать технологические процессы. В результате удалось увеличить объемы производства и снизить затраты на электроэнергию, утверждают в Softline.
В одном из российских банков на основе платформы ROBIN были автоматизированы процедуры ежегодной актуализации данных клиентов ‒ юридических лиц. «Ежедневно наши программные роботы актуализировали данные по списку клиентов: искали по ним информацию на государственных ресурсах, проверяли ее в системе банка и в случае необходимости вносили корректировки», ‒ рассказал Иван Мельников, директор по развитию продуктов ROBIN компании SL Soft.
В том числе роботы проверяли информацию на ЕГРЮЛ: скачивали выписку и извлекали из нее данные (реквизиты, уставной капитал, цепочки бенефициаров), в вестнике государственной регистрации уточняли информацию о статусе ликвидации юридического лица. В едином государственном источнике банкротства роботы сверяли информацию о наличии процесса банкротства в отношении юридического лица. Также автоматически проверялась на валидность электронная подпись найденных документов.
«Другими способами (интеграциями, доработками систем и др.) банк не смог бы решить задачу: слишком много внешних ресурсов, на которых нужно было производить поиск, и все они не имеют внешнего API», ‒ говорит Мельников.
Одна из сложностей при работе с данными ‒ поиск информации в неструктурированных источниках. «Для нашего клиента мы решили задачу проверки контрагентов, с которыми заключаются договора. Необходимо было извлечь из договора реквизиты контрагента и подписантов и проверить информацию в открытых источниках», ‒ говорит Мельников. Эта задача была реализована при помощи модулей искусственного интеллекта. Вторая сложность ‒ при парсинге интернет-ресурсов компания может столкнуться с защитой от роботов и капчами, но эта проблема также решаема при помощи инструментов ИИ, рассуждает Мельников.
Озеро с данными
Классический подход к сбору и аналитике данных, предполагающий построение структурированных хранилищ и применяемый большинством компаний, не слишком эффективен в текущих реалиях, уверен Николай Иванов, руководитель по развитию бизнеса департамента базовых технологий «Т-Банка». Первоисточники данных, будь то датчики на производственном оборудовании, в зданиях и городской среде или IT-системы, могут давать самую подробную информацию о происходящем, но все эти данные имеют разное наполнение и плохо интегрируемы.
«Мы принципиально работаем по-другому: мы создали решение Sage Observability, являющееся озером операционных данных (большой репозиторий «сырых» данных, которые затем используются для задач бизнеса. ‒ «Ведомости. Инновации и технологии») с мощным движком поиска и преобразования информации», ‒ рассказывает Мельников. Информация хранится длительное время, чтобы иметь возможность найти ответ на любые, даже внезапно возникшие вопросы. Система позволяет объединять данные, поступившие из самых разных систем, и анализировать их, выявлять закономерности и корреляции.
«Т Банк», в частности, мониторит социальные сети, профильные форумы, сервисы, сообщающие об инфраструктурных сбоях, например Downdetector для выявления отзывов о работе сервисов банка. При этом в большинстве случаев получается восстановить всю цепочку событий ‒ от действий клиента в сервисах банка до написания отзыва. Это позволяет максимально быстро отреагировать и решить проблему. В итоге число обращений в контактный центр уменьшается, растут метрики лояльности клиентов.
«Также мы обмениваемся обезличенными данными, например, с нашими партнерами-ретейлерами о покупках клиентов в магазинах. На их основе в дальнейшем строятся прогнозные модели», ‒ добавляет Мельников.
«Самые ценные внутренние данные ‒ транзакции и история взаимодействия с клиентом. Внешние данные ‒ это, конечно, бюро кредитных историй, также ценными являются данные операторов сотовой связи или геоданные», ‒ говорит Алексей Каширин, директор центра продвинутой аналитики «Альфа-Банка»
Чем больше данных об окружающем мире и своих клиентах собирает бизнес, тем больше возможностей открывается. Как показал опрос, проведенный американской бизнес-школой Drexel LeBow, 76% специалистов по работе с информацией называют своей целью в 2025 г. внедрение подхода, основанного на данных.
