Антон Мартыненко,
директор по аналитике больших данных Humans.
Big data как фундамент для единорога
Большие данные сегодня называют новой нефтью и новым золотом не случайно — наиболее успешные игроки рынка добились результата за счет доступа к ресурсам. И если раньше это были в первую очередь углеводороды или капитал, то сегодня это big data — основа любого технологического бизнеса.
Глобальный рейтинг крупнейших корпораций в 2022 году можно поделить на два крупных сегмента: в десятку лучших попали либо технологические гиганты, либо крупные компании, которые еще в прошлом веке монополизировали отдельные отрасли — будь то финансы или добыча природных ресурсов.
В условиях, когда технологии стали более доступными и массовыми, создать стартап с опорой на большие данные как никогда просто, но как никогда сложно привести его к успеху. Это в особенности касается финтеха и телекома — относительно новых индустрий, в которых, однако, уже обосновались опытные игроки с многолетней историей.
Неудивительно, что бизнесы в этих сферах часто объединяют усилия. Телеком-услуги помогают быстрее подключать новых клиентов даже в самых отдаленных точках мира с низким уровнем проникновения интернета. А банкинг становится дополнительным модулем, который стимулирует пользователей отказаться от наличных в пользу цифровых платежей — это особенно актуально для регионов, где банковскими сервисами пользуется менее 50% населения.
Главным драйвером роста для них зачастую становятся big data — используя общую инфраструктуру и базы данных, бренды быстрее охватывают новые сегменты аудитории, проводят успешную экспансию и наращивают показатели.
Один из таких примеров — африканский финтех-единорог M-Pesa, созданный кенийским мобильным оператором Safaricom. Используя уже готовую телеком-инфраструктуру и опираясь на знания о привычках и потребностях аудитории, компания предложила удобный платежный инструмент — систему денежных переводов по номеру телефона, для которой не требуется банковский счет.
По такому пути идут и гиганты телеком-рынка T-Mobile и Orange, запустившие свои банковские продукты — T-Mobile Money и OrangeBank. Оба сервиса делают ставку на экосистемный подход — для них банкинг это не обособленный юнит бизнеса, а компонент единой экосистемы, в основе которой лежат пользовательские данные.
Грамотная работа с big data помогает добиться успеха и амбициозным стартапам. Например, финтех-компания Revolut с оценкой в более чем $33 млрд делает ставку на анализ больших данных. Компания управляет примерно 800 дашбордами с разным набором данных, а также предоставляет пользователям доступ к персональной аналитике. Big data позволяет персонализировать поиск в приложении, а алгоритмы на базе машинного обучения предлагают клиентам индивидуальные программы кешбэка с учетом их истории покупок.
Впрочем, применение больших данных не ограничивается работой с пользователями — телеком- и финтех-компании могут опираться на big data при освоении новых рынков, разработке бизнес-стратегии, оптимизации ресурсов, найме и сокращении специалистов.
Сценарии применения big data
Большинство компаний использует большие данные одновременно для решения нескольких задач и во многих индустриях сценарии применения схожи. Но есть особенности.
Например, в телекоме важную роль играют геоперемещения пользователя — анализируя эти сведения, компания может обновлять инфраструктуру и усиливать сигнал в зонах наибольшего скопления людей. Так, Vodafone создает трехмерные карты местности в Британии, чтобы оценивать состояние сети и инфраструктуры, а затем определяет, где стоит провести оптимизацию и установить вышки 5G.
Важную роль в работе с big data в телеком-сфере играют сведения о клиентах: каким устройством они пользуются, с кем общаются и какими функциями чаще пользуются, какой трафик и в каком объеме потребляют, как часто и в какие дни совершают звонки, или же предпочитают отправлять сообщения в мессенджерах.
Благодаря этим сведениям компания может построить более детальную карту пути клиента (customer journey map) и определить, какие услуги и тарифы будут пользоваться спросом. По этой причине многие телеком-компании приобретают стриминговые сервисы и платформы по производству видео или аудио — так они могут контролировать и канал дистрибуции, и контент.
Кроме того, большие данные помогают прогнозировать и предотвращать отток клиентов. Например, в Humans мы используем кластеризацию пользователей со схожими паттернами поведения — сегментация помогает вводить новые функции и рассчитывать тарифные планы (количество минут или гигабайт), которые точно будут пользоваться спросом.
Поскольку Humans — это экосистема с функциями телекома и банкинга, мы учитываем, каким набором опций пользуется клиент: только банкингом или только тарифом, платежами и маркетплейсом, или всем сразу? Такой подход упрощает кластеризацию и дает возможность с большой точностью прогнозировать отток.
Если мы понимаем по сумме действий пользователя, что он готов отказаться от услуг, то тут же рекомендуем ему спецпредложение или подсказываем, как поменять тариф и выбрать более подходящие функции. Например, если мы видим, что человек часто переписывается в Telegram и в результате переплачивает за гигабайты, то рекомендуем ему пакет с безлимитным доступом к мессенджеру.
Это позволяет увеличить продажи дополнительных опций с 5% до 20−30% и при этом добавить новые опции и тарифные планы, которые действительно интересны пользователям.
Big data также помогает маркетингу. Именно большие данные привели к появлению и росту популярности реферальных программ — анализируя данные, компания исследует контакты клиентов, определяет лидеров мнений и факторы принятия решений.
Экосистемный подход дает нам больше информации о клиенте — например, аналитика платежей помогает узнать, какому оператору тот отдает предпочтение, если по какой-то причине не пользуется тарифами Humans. И наоборот — понимаем, в каких случаях человек пользуется тарифными опциями, но за банковскими услугами обращается к конкурентам. Экосистемность дает нам больше исходных данных, из которых можно извлечь больше полезных инсайтов.
В финтехе большие данные дают еще большую картину о пользователе: компании анализируют профиль покупок и платежей, средние траты и суммы остатка на счете, частоту транзакций и пополнений, а также источники начисления средств. Обогатить портрет клиента можно данными из других источников, которые предоставляют крупные банки и кредитные организации — например, это могут быть сведения о кредитном рейтинге.
Детальный профиль клиента улучшает не только пользовательский опыт, но и помогает обеспечивать безопасность — зная паттерны поведения человека, компания автоматически распознает аномалии, например, несвойственные покупки или внезапные большие траты — это в свою очередь помогает бороться с мошенничеством. Так, транзакция из необычной локации или запрос на перевод большой суммы на счет человека, который не входит в круг общения пользователя, может стать сигналом, что клиента хотят обмануть.
Пример успешного применения дата-аналитики для удержания клиентов и улучшения индекса потребительской лояльности (NPS) — это необанк Chime, который регулярно собирал фидбек от пользователей и с помощью алгоритмов анализировал его по ключевым словам. Например, негатив часто был вызван необходимостью платить комиссию за снятие денег в банкомате. Chime ввела функцию поиска точек без комиссии — и NPS мгновенно улучшился.
Повысить лояльность можно за счет небольших точечных изменений. Например, в Humans мы постоянно анализируем географию пользователей и определяем, где лучше разместить точки обслуживания. Они должны располагаться в местах скопления потенциальных клиентов — и в Узбекистане это может быть не только центр города, но и крупный базар или продуктовая сеть, которую жители посещают регулярно. Например, мы выяснили, что одна из наших точек обслуживания расположена в 10 метрах от большого скопления людей, и это небольшое расстояние влияло на посещаемость — казалось бы, 10 шагов, но после смещения офиса продажи выросли на 25%.
Особенности развития big data в Узбекистане
В Узбекистане рынок big data analytics (BDA) находится в фазе интенсивного развития: поскольку уровень проникновения технологий big data пока невысок, в стране есть огромный потенциал для их внедрения. Вместе с тем некоторые области все еще остаются неохваченными: так, из-за слабого распространения банковских карт затруднительно собирать информацию о тратах потребителей — и поэтому сложно строить качественные прогностические модели.
В случае с телекомом рынок растет быстрее, поскольку растут темпы цифровизации — например, в 2021 году число интернет-пользователей выросло почти на четверть по сравнению с 2020-м. Чем больше людей пользуется смартфонами и сетью, тем больше данных о цифровых привычках узбекистанцев собирают компании.
Big data применяется в крупных банках Узбекистана: так, TBC Bank использует скоринговую модель для сбора задолженности, а «Узпромстройбанк» внедрил в свою работу хранилище данных и систему бизнес-анализа, с помощью которых стало возможным накапливать и обрабатывать данные из разных источников.
Чем больше компаний — как корпораций, так и стартапов — начнет применять и анализировать большие данные, тем более эффективной будет аналитика. В свою очередь, последуют и другие изменения — например, рост числа квалифицированных дата-аналитиков, развитие технологических ноу-хау и инфраструктуры, как в телекоме, так и в банковской сфере.
Будущее big data: риски и преимущества
Несмотря на большой потенциал big data, сами по себе данные не панацея и не ключ к успеху. Компании важно не только грамотно собирать, анализировать и кластеризировать сведения, но и научиться извлекать из них реальную пользу.
Бизнес часто тратит миллиарды на BDA, но при этом не знает, как измерять результат внедрения аналитики. В итоге организация продолжает накапливать сведения, строить модели и базы, но практически не извлекает из них пользу. Данные аккумулируются, но не работают на успех. Причина — в отсутствии стратегии и четкого понимания «зачем».
Другая проблема — это технологические барьеры: многие типы данных пока не поддаются сбору и обработке существующими методами, а в некоторых случаях фактуры просто недостаточно — в Узбекистане, например, банковская система пока только набирает обороты, и информации о потребительских паттернах пока недостаточно.
Еще одна сложность связана с обменом данными и причастностью. Поставщики big data неохотно обмениваются друг с другом информацией, что затрудняет процесс накопления знаний о привычках потребителей. Решением может стать технология конфиденциальных вычислений, которая, подобно технологии блокчейна, помогает максимально безопасно обмениваться сведениями, используя надежные криптографические протоколы.
Не стоит забывать и о вопросах этики: законы большинства стран, в том числе Узбекистана, обязывают компании собирать big data в обезличенном виде. Проблема в том, что законы часто меняются — вводятся новые регламенты, а крупные технологические площадки, принадлежащие Google, Apple и Meta, внедряют новые протоколы и ограничения.
Постепенно сфера big data все меньше напоминает дикий запад — и это, на самом деле, дает преимущества. Развитие культуры, технологий и крепкой правовой базы позволит компаниям выстраивать более долгосрочную стратегию, а не подстраиваться под постоянно меняющиеся законы и тренды.
Появление более продвинутых инструментов аналитики — в том числе нейросетей — откроет новые возможности для кастомизации услуг. Одно из перспективных направлений — это синтетические данные: сгенерированные big data, по которым можно обучать модели и базы. Такими продуктами уже пользуются крупные банки и страховые компании.
Еще один тренд — автоматизация рутинной работы data-аналитиков, которая позволит им сфокусироваться на более сложных и интересных задачах, а также демократизация big data — в частности разработка более дешевых и доступных инструментов для исследований. Так что в будущем извлечь пользу — и столкнуться с рисками при работе с большими данными — смогут не только корпорации и успешные стартапы, но и небольшие компании.
