Большие данные для малого бизнеса: 3 примера, которые подойдут каждому

Автор Категория , ,
Большие данные для малого бизнеса: 3 примера, которые подойдут каждому

Отвечая на вопрос, что такое большие данные для чайников, сегодня мы рассмотрим 3 практических примера использования технологий Big Data в малом и среднем бизнесе. Никакой Rocket Science, только понятные кейсы, которые актуальны для любой современной компании, даже если она состоит из пары человек: аналитика больших данных и машинное обучение для начинающих.

 

Анализ ассортимента и выявление проблемных поставщиков

Простой статистический анализ данных по продажам поможет выявить покупательские предпочтения и определить проблемы с поставщиками. Например, в одном из московских магазинов было несколько обращений по поводу плохо вычищенных семечек в замороженных фаршированных перцах. Обзвонив покупателей, которые недавно приобретали этот товар, сотрудники магазина получили следующие отзывы [1]:

  • 49% клиентов сказали, что перцы действительно были плохие — с семечками, вялые и даже грязные;
  • 37 % сообщили о хорошем качестве продукции.

Такая картина показывает, что поставщик просто не справился с объемом: часть качественных товаров досталась 37% покупателей, а остальная продукция, вероятнее всего, была закуплена у субподрядчика без должной проверки. После этого сеть магазинов приняла решение отказаться от данного поставщика [1].

По выявлению неявных закономерностей в покупаемой продукции интересен кейс крупнейшего американского ритейлера WalMart, когда сотрудники одного из супермаркетов выявили, что в пятницу вечером пиво часто продается вместе с детскими подгузниками. Поставив дорогие марки пива на полки рядом с подгузниками, компания добилась геометрического роста продаж этого товара [2].

Аналогичным образом можно определить наиболее загруженные часы в плане поступления заявок и привлечь на это время дополнительного работника или идентифицировать географический район скопления потребителей продукции и открыть там дополнительную точку сбыта.

Поиск таких ассоциативных правил – типичный пример интеллектуального анализа данных (Data Mining), который предполагает обнаружение полезных для бизнеса инсайтов в накопленных массивах информации. Запуск подобных алгоритмов в режиме реального времени, когда они формируют онлайн-рекомендации для каждого пользователя сайта, в зависимости от его предпочтений, называется рекомендательной системой. Подобные советы, основанные на классификации интересов пользователя и предсказании его товарных предпочтений, строятся на базе моделей машинного обучения (Machine Learning). За сбор и преобразование данных, нужных для тренировки ML-модели, отвечают соответствующие технологии Big Data. Например, Apache HDFS для хранения исторических данных, Spark для потоковой и пакетной аналитики, Kafka для сбора и агрегации событий в режиме реального времени. Подробнее о том, как устроены рекомендательные системы, мы описывали на примере стримингового аудиосервиса Spotify и в кейсе формирования персональной ленты соцсети Twitter.

 

Big Data в персональной рекламе и ретаргетинге

Практически каждый пользователь сети Интернет сталкивался с тем, что реклама определенного товара, которым он недавно интересовался, путешествует за ним по различным веб-сайтам. Такой маркетинговый прием возврата покупателя на сайт называется ретаргетинг и реализуется с помощью технологий потоковой и пакетной аналитики больших данных. Как это работает, мы недавно рассматривали здесь. Такая рекламная стратегия подходит каждому бизнесу и очень просто воплощается в жизнь с помощью cookies-файлов пользовательского браузера и готовых облачных сервисов поисковых площадок, аналогично контекстной рекламе, например, Google AdWords, Яндекс Директ, ВК и пр. [3].

 

Веб-аналитика

Наконец, еще один из наиболее распространенных сегодня кейсов, актуальных для любого бизнеса, независимо от его размера, связанных с технологиями Big Data – это аналитика показателей веб-сайта компании: количество посетителей, время и география визитов, наиболее часто просматриваемые страницы, поисковые запросы как точки входа и т.д.

Поверхностный мониторинг таких метрик предоставляют бесплатные дэшборды Яндекс.Вебмастер и Google Analytics. А более глубокую аналитику можно реализовать самостоятельно через экспорт сырых данных в Google BigQuery и последующей интеграцией этого облачного RESTful-сервиса анализа больших данных с локальными СУБД или BI-системами. Это можно сделать самостоятельно через разработку собственных Python-скриптов [4] или воспользоваться готовыми решениями от Tableau, OWOX BI и пр., а также облачными платформами типа Google Data Studio. Например, так можно практически в режиме реального времени рассчитывать ценность каждой сессии, определяя ROI для новых и вернувшихся пользователей, сравнить рентабельность пользовательских когорт в зависимости от определенной маркетинговой стратегии, оценить эффективность рекламы для разных регионов, лэндинг-страниц, мобильных приложений и пр [5].

Google BigQuery, аналитика больших данных для бизнеса, облачные сервисы аналитики данных
Источники и приемники данных для Google BigQuery

 

Таким образом, аналитика больших данных является частью любого современного бизнеса, независимо от его размера и технологической продвинутости. А сами технологии Big Data и Machine Learning уверено становятся мощными инструментами каждого руководителя. Как эффективно использовать их в проектах цифровизации частного бизнеса или цифровой трансформации государственных и муниципальных предприятий, вы узнаете на нашем специализированном курсе «Аналитика больших данных для руководителей» в лицензированном учебном центре обучения и повышения квалификации разработчиков, менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data в Москве.

 

 

Источники

  1. https://www.the-village.ru/business/management/317271-vkusvill
  2. http://www.kpilib.ru/article.php?page=86
  3. https://gravitec.net/ru/blog/chto-takoe-retargeting/
  4. https://habr.com/ru/post/504180/
  5. https://www.owox.ru/products/bi/pipeline/google-analytics-to-google-bigquery/