Smart Data: Revoluce v BI

(PR článek)

Informace jsou aktiva, s nimiž je třeba v byznysu pracovat. Již dávno ale nestačí pracovat pouze s informacemi vlastními, tedy firemními daty ve strukturované podobě. Rostoucí poptávka po kvalitních informacích o zákaznících v reálném čase znamená, že tradiční BI je nutné transformovat. Jsou potřeba nové zdroje, nástroje a především znalosti a nápady, jak dostupná data chytře využít.

V posledních deseti letech byla při práci s firemními daty prošlapána standardní cesta vedoucí skrze datový sklad. Je to řešení postavené na myšlence, že správně strukturovaná, konsolidovaná a očištěná data jsou základem pro fungující podnikové informační systémy, zejména v oblasti pro podporu rozhodování (BI) nebo v segmentu zákaznických služeb (CRM).

Zároveň se ale jedná o poměrně drahá řešení, která často nemají dostatečný výkon pro zpracování rostoucího objemu dat a zároveň jsou omezena na tradiční strukturované informace. Na vytěžování nových typů a zdrojů nestrukturovaných dat (Big Data), která se v rámci okolí podniku kumulují zejména na sociálních sítích a jiných online zdrojích, se nezaměřují.

Odpovědí na tyto výzvy nejsou jen nové technologie typu Hadoop či NoSQL databáze, ale především nové způsoby uvažování jak pracovat s daty, která nejsou v datovém skladu, přesto jsou však „živá“, a jak je zkombinovat s tradičními strukturovanými informacemi a s tímto mixem pak v reálném čase pracovat. Chytrá data lze využít v řadě oblastí: od marketingu přes zjišťování a odhalování defraudací až po predikce vývoje spotřeby a ceny energií.

Zákaznická inteligence

V situaci, kdy ve většině tržních segmentů (ať už se jedná o služby nebo fyzické produkty) převyšuje nabídka nad poptávkou, se stávají klíčovými schopnosti, které souvisí především s otázkou, jak si efektivně udržet zákazníky. Mezi témata, která řeší organizace v oblasti zákaznických služeb, patří tři hlavní kategorie: efektivita kampaní, akvizice nových zákazníků a retence stávajících zákazníků. Konkrétně se může jednat například o tyto problémy:

• Nespokojenost zákazníků a z ní plynoucí nízká loajalita
• Vysoké procento zákazníků, kteří odcházejí ke konkurenci
• Drahé a neúspěšné akviziční kampaně
• Problematické hledání nových zákazníků a prodejních kanálů
• Klesající úspěšnost křížového (cross-sell) a vertikálního (up-sell) prodeje
• Odvolávání souhlasů zákazníků (ztráta leadů)

Prakticky všechny tyto problémy lze správně řešit, pokud máte o zákaznících aktuální informace a dokážete je správně analyzovat a využít pro práci s nimi. Skvělým příkladem může být například segment bankovnictví.

Chytrá data v bance

Banky a finanční instituce mají obvykle k dispozici informace, s nimiž lze vytvořit o zákazníkovi, jeho chování a možných potřebách velmi detailní obraz. Ve skutečnosti se ale banky v oblasti marketingu v současné době zaměřují převážně na jednoduché prediktivní analýzy či jednostrannou segmentaci podle konkrétního zadání.

Při hlubším využití dostupných informací přitom mají možnost zmapovat všechny relevantní produkty a služby, které používá nejen on, ale celá jeho rodina či domácnost, udržovat si přehled o jeho podnikatelských aktivitách a vypočítat tak celkovou hodnotu a potenciál daného zákazníka, stejně jako vyhodnotit jeho potřebu konkrétních produktů a služeb v závislosti na aktuální životní situaci.

Tajemství lepšího využití dat spočívá v přeměně surových dat na data chytrá. Chytrá data nesou informaci a jsou připravena (naformátována) pro použití při pravidelném matematickém modelování. To umožní sledování důležitých ukazatelů nejen v  360° pohledu na klienta, ale také jejich vývoj v čase.

Utility, bezpečnost a mnoho dalšího

V oblasti utilit lze různé druhy dat ze senzorů (například počasí) a veřejných zdrojů efektivně kombinovat se znalostí obvyklých trendů, jako jsou sezónní výkyvy (denní, týdenní, roční, svátky) či ekonomická aktivita a předpovídat tak například vývoj spotřeby (a ceny) energií.

Ve sféře bezpečnosti jsou stále větším problémem vnitrofiremní úniky dat, v nichž je typickým útočníkem nikdy netrestaný zaměstnanec pracující v podniku déle než rok, a to obvykle na pozicích ekonomické a provozní administrativy nebo obchodu. Detekční systémy umožňují díky agregaci velkého množství informací a uchování historie odhalovat možná rizika zejména ze strany interních zaměstnanců.

Mezi používané (a úspěšné) metody patří například tzv. asociační pravidla, která umožňují vyhledat skryté souvislosti v datech (původně byly tyto techniky vyvinuty pro nabízení dalšího zboží při on-line nakupování). Další možností mohou být vizualizační techniky, s jejichž pomocí lze zobrazit i jinak skryté či implicitní vazby nebo entity – například nástroj SVAT (Smart Visual Analytics Tool), v jehož rámci je k dispozici například tzv. SNA analýza. Mezi další nástroje tohoto typu patří SAS Visual Analytics nebo I2 od IBM.

Když nástroje nestačí

V oblastech analytiky, vytěžování dat a velkých dat existuje řada nástrojů od dodavatelů, jako je IBM, SAS, StatSoft, Matlab nebo Oracle, existují ale i etablované open source platformy, kam patří například R, Rapid-I nebo Weka. Některé analýzy lze přitom provádět i v tak tradičním prostředí, jako je MS Excel. Samotné nástroje ale nestačí – nejdůležitější je vědět, jaké otázky přinesou odpovědi se skutečným dopadem na byznys, které zdroje dat a jakým způsobem zapojit a jak s nimi pracovat v delším časovém horizontu. V tom vám nejlépe pomůže partner s dostatkem zkušeností, referencemi a promyšlenou koncepcí – v České republice je to například společnost Profinit, jež se tímto odvětvím dlouhodobě zaobírá.

„V Profinitu ke zpracování dat přistupujeme koncepčně, tedy se zaměřením na efektivní způsoby, jak z dat dostávat podstatné informace, které jsou důležité pro správné rozhodování a (re)akce. Slovo ,dostávat' je zde zásadní, protože se jedná o souvislý proces získávání informací. Cílem našich aktivit je především zjistit, co se u každého klienta děje, co se pravděpodobně bude dít, jaký dopad to může mít a jak tuto situaci změnit. Tento 360° pohled na klienta vám pomůže dělat cílená a vědomá rozhodnutí,“ říká Martina Dvořáková, Senior Advisor, Customer Intelligence ze společnosti Profinit.