12 кейсів з біг дати: підтверджені приклади з індустрії, коли біг дата приносить гроші

Хабр, привіт! Проаналізували кейси по big data, у яких технології великих даних допомогли компаніям більш ефективно працювати з клієнтами або оптимізувати внутрішні процеси.

До речі, незабаром у нас стартує перший набір програми Big Data for Executives, мета якої-підготувати керівника або власника бізнесу до використання даних у своїй діяльності. Почитати про неї докладніше можна тут.

Орієнтація на клієнта
1.Компанія: Bookmate.
Галузь: надання контента по підписці — електронні книги.

Bookmate – російський сервіс для читання електронних книг по підписці на мобільних пристроях, має понад 3 млн. користувачів по всьому світу. Спільно з компанією E-Contenta компанії вдалося вирішити проблему «холодного старту» — рекомендацій новим користувачам, які ще не вибирали ніяких книг в додатку. Для пропозиції книг новим користувачам було розроблено рекомендаційна система, що використовує зовнішні дані – дані соціальних мереж і DMP (історія кліків, пошукових запитів в Інтернеті та інші дані про поведінку користувачів).

Результат: кількість переглядів рекомендованих книг новими користувачами зросла в 2,17 разу, конверсія в платних користувачів зросла в 1,4 рази.

image

2. Компанія: BikeBerry.
Галузь: роздрібна торгівля, інтернет-магазин.

BikeBerry.com – американський інтернет-магазин велосипедів, мотоциклів та запчастин та аксесуарів до них. За допомогою компанії RetentionScience були впроваджені складні алгоритми машинного навчання та статистичні моделі для відстеження і прогнозування купівельного поведінки. Використовувані технології дозволили виявляти і використовувати в моделях схеми поведінки на сайті також використовувались дані з історії покупок, демографічна та поведінкова інформація. В результаті магазин зміг рекомендувати клієнтам найбільш релевантні для них товари і робити персоналізовані пропозиції про знижки тільки тим клієнтам, які дійсно в них потребували, що дозволило збільшити прибутковість, більш ніж подвоїти обсяг продажів і поліпшити ряд інших показників.

Результат: збільшення продажів на 133%, приріст активності користувачів на 200%, подвоєння числа клієнтів, що здійснюють повторні покупки, збільшення середнього чека таких клієнтів на 30%.

3. Компанія: Red Roof Inn.
Галузь: готельний бізнес.

Взимку 2014 р. американська мережа готелів Red Roof Inn зіткнулася зі зниженням потоку туристів у зв'язку з суворою зимою та несприятливими погодними умовами. Однак з-за таких погодних умов в аеропортах щодня скасовували велика кількість рейсів, пасажири надовго залишалися в аеропортах і потребували в готелі. Використовуючи відкриті дані про погодні умови та скасування рейсів, компанія змогла відправляти пасажирам затриманих рейсів персоналізовані пропозиції з контактними даними найближчої до аеропорту готелі мережі як раз тоді, коли вони були найбільш затребувані.

Результат: додатковий приріст виручки на 10% до попереднього року навіть в умовах зниженого потоку туристів.

4. Компанія: Skillsoft.
Галузь: освіта.

Skillsoft – американська компанія, що розробляє освітнє програмне забезпечення і контент, один з світових лідерів у сфері корпоративних освітніх програм. У партнерстві з IBM компанія використовувала внутрішні дані про взаємодію користувачів з системою, безпосередньо через програму і через e-mail розсилки, щоб персоналізувати їх досвід, збільшити залучення та поліпшити результати навчання. Дані про поведінку користувача в програмі використовувалися для контролю залученості, для визначення найкращого часу і каналу комунікації, за допомогою якого можна привернути увагу користувача. Також на основі переваг даного та інших користувачів була побудована рекомендаційна система освітнього контенту (84% користувачів оцінили рекомендації як релевантні), були запропоновані оптимальні для кожного користувача способи візуалізації матеріалу.

Результат: зростання залученості користувачів у взаємодію з контентом на 128%.

image

5. Компанія: Huffington Post.
Галузь: медіа, журналістика.

Huffington Post – популярне американське інтернет-видання, агрегатор і блог, має безліч локалізованих версій для різних територій і мов. Компанія використовує A-B тестування для вибору кращих заголовків статей, вивчає поведінку і переваги цільової аудиторії, щоб публікувати матеріали, цікаві окремим групам, в години найбільшої активності (наприклад, матеріали для батьків публікуються пізно ввечері по буднях, коли діти вже заснули). Компанія використовує аналіз поведінки користувача в браузері і рекомендаційні системи, щоб пропонувати користувачам найбільш цікавий їм контент і робити його найбільш доступним і привабливим починаючи з головної сторінки сайту (технологія Gravity).

Результат: у серпні 2014 р. перевищено поріг в 100 млн. унікальних відвідувачів в місяць, досягнуто перше місце за популярністю в США серед інтернет-видань, середнє число переглянутих статей за одну сесію зросла до 10-12.

6. Компанія: VidiMax.
Галузь: надання вмісту фільми.

VidiMax – російський сервіс, що надає ліцензований доступ до художнього та документального кіно, серіалів, мультфільмів, спортивних трансляцій та телешоу. Доступний через смарт-ТВ, має близько 1 млн. користувачів. Для підвищення лояльності користувачів під час безкоштовного пробного двотижневого використання сервісу спільно з компанією E-Contenta була впроваджена рекомендаційна система, з'явився блок персональних рекомендацій.

Результат: фільми в блоці персональних рекомендацій дивляться в 2,5 рази частіше, ніж фільми у добірці з найбільш популярних фільмів.

Внутрішня оптимізація
1.Компанія: Ощадбанк.
Галузь: банки.

Ощадбанк використовує великі дані і машинне навчання в багатьох областях, в тому числі в кредитному скоринг. Для вирішення цього завдання компанія використовує не тільки традиційні дані, такі як соціально-демографічні параметри, кредитна історія, історія трансакцій, фінансова звітність, але і ряд інших. Для кредитного скорингу Ощадбанк використовує також графи зв'язків клієнтів, побудовані на основі даних про грошові перекази і даних соціальних мереж. Для кредитного скорингу компаній використовуються тексти новин з їх згадкою, для яких проводиться автоматичний аналіз тональності. У 2015 році компанія додала в моделі дані стільникових операторів, що дозволило поліпшити якість класифікатора на 7 п. п. за коефіцієнтом Джині. Велике число активних сім-карт і невеликий час їх роботи, дрібні й численні поповнення рахунків, підозріла географія дзвінків вказують на шахрайство і знижують ймовірність схвалення кредитної заявки. Для роздрібних клієнтів використання алгоритмів машинного навчання дозволило підвищити якість скорингових моделей на 4 п. п. за коефіцієнтом Джині за рахунок більш точного відбору факторів.

Результат: постійний ріст якості скорингових моделей, у тому числі за рахунок останніх нововведень.

2. Компанія: Union Pacific Railroad
Галузь: транспорт.

Union Pacific Railroad – найбільша залізнична компанія США, має понад 8 тис. локомотивів і володіє найбільшою в США мережею залізниць. На дні кожного складу компанії були встановлені термометри, акустичні і візуальні сенсори та інші датчики. Дані від них передаються в центр обробки по волоконно-оптичним кабелям, прокладеним вздовж мережі залізниць. Центр обробки також отримує дані про погодні умови, дані про стан гальмівних та інших систем, GPS-координати складів. Зібрані дані та побудовані за ним предиктивные моделі дозволяють відслідковувати стан коліс і залізничного полотна і передбачати сходи потягів із рейок за кілька днів або навіть тижнів до можливого інциденту. Цього часу достатньо для того, щоб оперативно усунути проблеми, уникнути пошкоджень складу та інших затримки поїздів.

Результат: компанії вдалося знизити кількість сходжень складів з рейок на 75% і уникнути значних втрат (раніше втрати від одного сходу з рейок могли досягати 40 млн. $).

3. Компанія: Los Angeles Police Department.
Галузь: державний сектор – поліція.

Використовуючи рішення, розроблені компанією PredPol, поліція Лос-Анджелеса змогла отримувати найбільш імовірний час і райони з високою точністю, близько 50 кв. м) вчинення різних видів злочинів і для їх запобігання направляти туди додаткові сили поліції. Система використовує історичні дані про час, тип та районі вчинення злочинів, обробляє їх за допомогою алгоритмів кластеризації в просторі і в часі. Предсказательное моделювання здійснюється за допомогою математичних моделей точкових процесів (Self-Exciting Point Process Modeling). Ніякі персональні дані знаходяться в місті і дані про їх місцезнаходження при цьому не використовуються, що дозволяє дотримати вимоги конфіденційності приватного життя. Зниження числа злочинів призвело до скорочення витрат в поліції, судової системи та системи виконання покарань.

Результат: скорочення числа крадіжок на 33%, зниження кількості насильницьких злочинів на 21%.

4. Компанія: Entro.py.
Галузь: експлуатація будівель.

St. Vincent's – велика австралійська мережа державних і приватних клінік, розташованих переважно в Сіднеї і Мельбурні. Керуюча будівлями клінік компанія Entro.py спільно з компанією BuildingIQ провела впровадження рішення, аналізує поточні дані по використанню приміщень, температурному режиму та погодних умов, а також характеристики будівель та історичні дані по енергоспоживанню для зниження витрат на опалення та охолодження будинків.

Результат: в 2014 р. витрати на клімат-контроль знизилися на 12%.

5. Компанія: United Parcel Service (UPS).
Галузь: логістика.

UPS – американська логістична компанія, найбільша в світі по доставці посилок і управління ланцюгами поставок, доставляє більше 16,9 мільйонів вантажів в день у більш ніж 220 країнах світу. UPS використовує великі дані для оптимізації маршрутів, скорочення витрат палива і навантаження на навколишнє середовище. Компанія застосовує радіолокацію для відстеження вантажів, збирає і аналізує показники безлічі датчиків для контролю стану транспортних засобів та поведінки водіїв, використовує дані мобільних CRM для моніторингу доставки і якості обслуговування клієнтів. Для оптимізації маршрутів і скорочення витрат в компанії впроваджена система ORION – одна з найбільших у світі систем, заснованих на результатах математичної теорії дослідження операцій. Побудова оптимальних маршрутів проводиться в реальному часі з використанням величезних обчислювальних потужностей. Для вирішення цієї задачі система використовує картографічні дані, дані про пункти відправлення та прибуття, необхідних розмірах і терміни доставки вантажів.

Результат: економія близько 6 млн. літрів палива на рік, скорочення викидів вуглецю в атмосферу на 13 тис. тонн щорічно, підвищення швидкості доставки.

image

6. Компанія: ThyssenKrupp AG.
Галузь: машинобудування.

ThyssenKrupp AG – один з провідних світових виробників ліфтів, обслуговує понад 1,1 млн. ліфтів по всьому світу. У партнерстві з Microsoft компанія запустила систему MAX, яка через Інтернет речей збирає дані від безлічі датчиків, встановлених в ліфтах компанії (відстежують швидкість кабіни, функціонування дверей, температуру двигуна і ін) і по них будує предиктивные моделі на платформі Microsoft Machine Learning. Моделі дозволяють попередити інцидент до його виникнення і передати техніку конкретний код поломки, один з 400 можливих, щоб скоротити час обслуговування. У результаті скорочуються витрати на обслуговування та ремонт (одна поломка обходиться мінімум в 300$) та створюється додаткова цінність для клієнтів: ліфти стають більш надійними, безпечними, власники розташованих в будівлях магазинів, готелів та інших організацій не несуть збитки.

Результат: час безперебійної роботи ліфтів зросла в середньому на 50%.

Дізнатися про нашу програму Big Data for Executives можна тут. тут новий набір на програму «Фахівець з великим даними», і до 15 листопада діє знижка 15%.
Джерело: Хабрахабр

0 коментарів

Тільки зареєстровані та авторизовані користувачі можуть залишати коментарі.