В четверг, 21 марта, я был на форуме Big Data 2013, организованном издательством "Открытые системы". Там были, кажется, все вендоры решений по анализу больших данных.

Бизнес - кейсы

Меня интересовало, какие примеры использования больших данных будут приводиться. В основном, они сводились к анализу поведения клиентов, при этом, как правило, решались такие задачи:

  1. Превентивное управление оттоком (телекомы).
  2. Анализ кредитных рисков (банки).
  3. Таргетирование предложения.

Последнее, казалось бы, универсальная маркетинговая задача, но снова приводились в пример банки и телекомы.

Упоминалось применение Big Data в информационной безопасности и в науке, но без участников этих внедрений, как дополнение к картине.

В общем, сложилось впечатление, что большая часть "больших данных" крутится вокруг поведения клиента. Данные становятся большими потому, что телекомы и банки пытаются извлечь о своих розничных потенциальных и действующих клиентах все возможные сведения изо всех возможных источников. А таких возможностей становится больше.

Теперь пару примеров.

Turkcell

Мобильный оператор о котором упомянули, кажется, аж два вендора.

Turkcell таргетирует рекламу, используя местоположение абонента. Если абонент на стадионе, то он уже не абонент, а болельщик — ему приходит реклама как болельщику, а если он 2 часа скучает в торговом центре, то ему предлагают зайти в кафе на 5-м этаже.

Turkcell возвращает клиенту деньги за перерывы в связи. Был, к примеру, по каким-то причинам абонент вне зоны доступа — ему приходит SMS, мол "извините, поскольку Вы не могли пользоваться услугами, вот Вам компенсация". Самое интересное, что компенсация, если виноват Turkcell, разная для разных клиентов. И это зависит не только от сколько клиент платит, но и от того, насколько клиент активен в соц. сетях. ;-)

Неплохо.

Тинькофф Кредитные Системы

От ТКС выступал Вячеслав Цыганов, CIO и вице-президент. Он привел, по моему мнению, самый полезный и понятный кейс на форуме.

ТКС собирают очень много данных — поведение клиента на их сайте, поведение клиента в соц. сетях, связи, поведение тех, с кем связан клиент, их покупательское поведение, их кредитная история и снова связи — длинные цепочки от клиента во все стороны. Узлами в графах связей становятся не только люди, но и адреса, а затем те, кто связан с этими адресами. Очень интересно. Кроме того, анализируется не только что пишут люди, но и как они пишут. Эмоциональная составляющая звонков тоже анализируется.

То есть, собирается реально всё о потенциальном клиенте, казалось бы важное и не важное.

Что это дает?

  1. Обнаруживаются параметры, которые коррелируют с кредитным риском (по статистике). Вячеслав привел примеры, когда казалось бы второстепенная информация, вопреки человеческой логике, имеет большое значение. Например, то КАК пишут люди, может сообщить больше, чем ЧТО они пишут. Теперь это анализируют машины.
  2. Кластеризация данных выявляет покупательское поведение вкупе с другими данными о клиенте. Улучшаются возможности для кобрендиговых предложений (банк + ритейл). ТКС делают деньги на данных два раза — как банк и как партнёр для ритейла.

Супер!