Как интернет вещей и большие данные увеличивают прибыль оффлайн-магазинов: 5 практических кейсов

Big Data, Большие данные, машинное обучение, Machine Learning, ритейл, бизнес, интернет вещей, Internet Of Things, Wi-Fi, IoT

Интернет вещей (Internet Of Things) считает покупателей торговых центров, а средства больших данных (Big Data) и машинного обучения (Machine Learning) превращают эти цифры в реальную выгоду для бизнеса. Мы нашли еще 5 примеров успешного использования этих технологий в ритейле и делимся с вами опытом отечественных и зарубежных компаний. Интернет вещей на витрине Аптечные сети Chambers’s Apothecary в США внедрили ценники с NFC-метками и QR-кодами. Считав эти метки своим смартфоном, покупатель автоматически получит подробную информацию о товаре: инструкцию, отзывы, описание показаний и противопоказаний к применению и т.д. В свою очередь, в корпоративную систему предприятия попадают данные о частоте считывания меток. Это позволяет сотрудникам компании выявить самые популярные места расположения товаров, чтобы поместить туда нужную продукцию [1]. Цифровые примерочные Американская сеть магазинов Далее …

И тебя посчитали: как интернет вещей и большие данные повышают офлайн-продажи, считая посетителей торговых центров

Big Data, Большие данные, машинное обучение, Machine Learning, ритейл, бизнес, интернет вещей, Internet Of Things, Wi-Fi, распознавание лиц

Мы уже описывали, как американская торговая сеть Macy’s успешно использует интернет вещей (Internet Of Things) для персонализированного маркетинга. Bluetooth-маячок определяет местоположение посетителя в магазине с точностью до нескольких сантиметров и подает сигнал в корпоративную CRM-систему. CRM отправляет клиенту на смартфон предложение со скидкой на товар, ближайший к потребителю в данный момент [1]. Сегодня мы расскажем о принципах работы приборов учета посетителей и как большие данные (Big Data), машинное обучение (Machine Learning) и интернет вещей (Internet Of Things) повышают продажи и сокращают расходы оффлайн-магазинов. Зачем считать посетителей и раздавать бесплатный Wi-Fi? Shopping Index – индикатор, который отображает динамику посещаемости торговых центров (ТЦ) на еженедельной основе.  Этот показатель измеряется в количестве посетителей на 1 тысячу квадратных метров торговой площади. Данная метрика очень важна для собственников и Далее …

Зачем менеджеру язык программирования R: 7 причин освоить аналитический инструмент Big Data и Machine Learning

Big Data, Большие данные, машинное обучение, Machine Learning, язык программирования R, программирование, бизнес, люди, маркетинг, HR, управление

Мы уже рассказывали, зачем HR-специалисту большие данные, как Big Data и Machine Learning помогают PR-менеджеру в управлении корпоративной репутацией, а маркетологу в формировании персональных рекламных предложений. Сегодня поговорим об одном из средств реализации этих и других бизнес-задач – языке программирования R и рассмотрим 7 причин, почему вам необходимо освоить этот инструмент управленческой аналитики. Что такое R, как работает и где используется этот язык программирования R — мультипарадигмальный интерпретируемый язык программирования для статистической обработки данных и работы с графикой, разработанный в 1993 году в Оклендском университете технологий (Новая Зеландия). Еще так называется свободная программная среда вычислений с открытым исходным кодом, предназначенная для работы с этим языком. R поддерживает широкий спектр статистических и численных методов, постоянно дополняется и расширяется за счет пакетов Далее …

Big Data и Machine Learning в HR: еще 5 примеров успешного использования информационных технологий для управления человеческими ресурсами

Big Data, Большие данные, машинное обучение, Machine Learning, HR, бизнес, люди

Недавно мы рассказывали, зачем HR-специалисту большие данные, как быстро и эффективно внедрить Big Data в управление персоналом, а также описывали случаи интеллектуального рекрутинга с помощью машинного обучения. В продолжение этой темы сегодня мы приготовили для вас 5 интересных кейсов от отечественных и зарубежных компаний по 3 HR-направлениям: управление талантами, повышение лояльности и удержание сотрудников, а также оптимизация штатного расписания. Управление талантами в корпорации IBM с помощью Big Data и Machine Learning Big Data и Machine Learning в компании IBM помогают сотрудникам определить, какие навыки им необходимо развить. По каждому работнику ведется непрерывный сбор данных о выполненных им задачах, пройденных образовательных курсах и полученных оценках. Далее модель машинного обучения делает выводы относительно предпочтительного развития определенных компетенций, а HR-специалист формирует для сотрудника Далее …

Интеллектуальный автоматизированный рекрутинг: Big Data и Machine Learning в HR

Big Data, Большие данные, машинное обучение, Machine Learning, HR, бизнес, люди

Мы уже описывали, зачем HR-специалисту большие данные, а также как быстро и эффективно внедрить Big Data в управление персоналом на практике. Сегодня расскажем о конкретных случаях применения этих технологий в HR: успешные кейсы отечественных и зарубежных компаний. Роботы-рекрутеры Сервис автоматизированного рекрутинга, разработанный российской компанией Stafory, позволяет в 10 раз сократить время первичного отбора кандидатов на вакансии. Виртуальный робот Вера автоматически ищет подходящие резюме с тематических сайтов и обзванивает претендентов. В ходе телефонных переговоров и видео-интервью с кандидатами, встроенные алгоритмы машинного обучения отвечают на простые вопросы о будущей работе, распознают голосовых отклики и выделяют заинтересованных соискателей [1]. Этот HR-проект на основе технологий Big Data и Machine Learning уже оценили многие отечественные и международные компании [1, 2]: интервью с 1 500 кандидатами Далее …

Умный HR: как быстро внедрить Big Data и Machine Learning в управление человеческими ресурсами

Big Data, Большие данные, машинное обучение, Machine Learning, CRISP-DM, PDCA, HR, бизнес, люди, внедрение

Как быстро и эффективно внедрить Big Data и Machine Learning в прикладную область бизнеса для решения практических задач, избежав популярных ошибок Data Scientist — разбираемся на примере HR-направления.   Подготовка к внедрению Big Data в HR и не только Зачем HR-специалисту большие данные и какую пользу они принесут управленческим процессам и предприятию в целом, мы уже рассказывали в этой статье. Сегодня поговорим о непосредственном встраивании технологий Big Data в управление персоналом. Внедрение любой новой технологии и, тем более, методологии – процесс длительный и итеративный, состоящий из нескольких этапов, как это предписывает стандарт CRISP-DM, об особенностях работы с которым мы уже рассказывали здесь и здесь. Однако, CRISP-DM – это методическое руководство для Data Scientist, а с точки зрения бизнеса, в частности, Далее …

Как и зачем HR использует Big Data: технологии больших данных в управлении человеческими ресурсами

Big Data, Большие данные, HR, бизнес, люди, Data Mining

Как измерить управленческий опыт, предсказать и предотвратить профессиональное выгорание, быстро найти подходящего кандидата и сформировать высокоэффективную команду с помощью Big Data – разбираемся в HR-аналитике и других важных вопросах «умного» управления персоналом. Откуда в HR большие данные ? Согласно исследованию аудиторской компании KPMG, Big Data используются примерно в 60% HR-департаментов различных организаций по всему миру [1]. При этом HR-данные можно разделить на 2 группы: внешние находятся за пределами информационного пространства компании – профили кандидатов в социальных сетях, резюме соискателей и описания вакансий на специализированных сайтах по поиску работы [2]; внутренние сведения о сотрудниках, их обязанностях и показателях деятельности из корпоративных систем, Excel-таблиц и регламентирующих документов, а также неформальные отзывы коллег и руководства. Почему HR задумался о Big Data? Если в вашей компании Далее …

Big Data и блокчейн: комбо или противостояние?

Big Data, Большие данные, блокчейн, обработка данных, blockchain, block chain, распределенный реестр

Сегодня большие данные и технологии распределенного реестра до сих пор являются самыми популярными ИТ-темами. Возможности их внедрения в каждую прикладную сферу, от банковской отрасли до медицины, обсуждаются на конференциях всех уровней, корпоративных совещаниях и государственных советах [1]. Принесет ли объединение Big Data и блокчейн дополнительные бонусы, в каких случаях не нужно комбинировать эти технологии и есть ли примеры их совместного использования на практике – анализируем мнения экспертов и прикладные кейсы. Почему блокчейн не нужен во всех проектах Big Data? Прежде всего следует подчеркнуть принципиальное различие технологий распределенного реестра и больших данных: Big Data предполагает интеграцию информации из различных источников, тогда как в блокчейне, наоборот, копии информационных цепочек хранятся на множестве разных компьютеров [2]. Децентрализованное хранение и последовательный характер записи данных Далее …

20 проблем для Data Scientist, от которых не спасет CRISP-DM

машинное обучение, Machine Learning, обработка данных, Big Data, Большие данные, статистика, Data Science, Data Scientist

Иван Гуз, директор по аналитике и клиентскому сервису Avito, 24.04.2018 на митапе AI Community и AI Today для специалистов по Data Science в офисе компании [1] рассказал о самых главных проблемах, которые подстерегают исследователя данных на практических проектах и от чего не убережет даже подробно проработанный стандарт CRISP-DM. Из его доклада [2] мы выделили топ-20 популярных ошибок и варианты их решений. Часть из них уже упоминалась в статье, посвященной выступлению Станислава Гафарова, руководителя направления по развитию ИТ-систем АО «СберТех» [3], которое состоялось в рамках того же мероприятия [1]. А в сегодняшнем материале мы подробно описываем трудности каждой фазы CRISP-DM – читайте внимательно, чтобы избежать подобных ошибок в своей практике!   5 проблем бизнес-анализа по CRISP-DM Неточная постановка задачи: расплывчатые формулировки Далее …

7 популярных ошибок при работе с данными по стандарту CRISP-DM

машинное обучение, Machine Learning, CRISP-DM, обработка данных, Big Data, Большие данные, статистика

Посмотрев выступление Станислава Гафарова [1], руководителя направления по развитию ИТ-систем АО «СберТех», от 24.04.2018 на митапе AI Community и AI Today для специалистов по Data Science в офисе Авито [2], мы составили ТОП-7 ошибок при работе с данными по методологии CRISP-DM. На основании жизненного цикла работы с информацией по стандарту CRISP-DM, эксперт выделяет 3 типа ошибок [1]: ошибки бизнеса и понимания данных; ошибки подготовки данных и моделирования; ошибки развертывания модели в промышленную эксплуатацию. Далее подробно описаны ошибки каждого типа, возникающие при анализе информации, работе с большими данными (Big Data) и машинном обучении (Machine Learning). 1. Фаза Business Understanding: недостаточная подготовка к использованию CRISP-DM CRISP-DM предполагает довольно высокий уровень зрелости бизнес-процессов по модели CMMI, о которой мы рассказывали здесь. Поэтому, если Далее …