Like Data akzeptieren: Wie Unternehmen lernen, von Big Data zu profitieren

Durch die Analyse von Big Data lernen Unternehmen, verborgene Muster aufzudecken und ihre Geschäftsleistung zu verbessern. Die Richtung ist modisch, aber nicht jeder kann von Big Data profitieren, da eine Arbeitskultur fehlt

„Je häufiger der Name einer Person vorkommt, desto wahrscheinlicher ist es, dass sie pünktlich zahlt. Je mehr Stockwerke Ihr Haus hat, desto statistischer sind Sie ein besserer Kreditnehmer. Das Tierkreiszeichen hat fast keinen Einfluss auf die Wahrscheinlichkeit einer Rückerstattung, der Psychotyp jedoch erheblich“, sagt Stanislav Duzhinsky, Analyst bei der Home Credit Bank, über unerwartete Verhaltensmuster von Kreditnehmern. Er verpflichtet sich nicht, viele dieser Muster zu erklären – sie wurden von künstlicher Intelligenz aufgedeckt, die Tausende von Kundenprofilen verarbeitete.

Das ist die Stärke von Big Data Analytics: Durch die Analyse einer riesigen Menge unstrukturierter Daten kann das Programm viele Korrelationen entdecken, von denen der klügste menschliche Analyst nicht einmal etwas weiß. Jedes Unternehmen verfügt über eine riesige Menge an unstrukturierten Daten (Big Data) – über Mitarbeiter, Kunden, Partner, Wettbewerber, die für den geschäftlichen Nutzen genutzt werden können: Verbesserung der Wirkung von Werbeaktionen, Umsatzwachstum erzielen, Personalfluktuation reduzieren usw.

Die ersten, die mit Big Data arbeiteten, waren große Technologie- und Telekommunikationsunternehmen, Finanzinstitute und der Einzelhandel, kommentiert Rafail Miftakhov, Direktor der Deloitte Technology Integration Group, CIS. Mittlerweile besteht in vielen Branchen Interesse an solchen Lösungen. Was haben Unternehmen erreicht? Und führt Big-Data-Analyse immer zu wertvollen Schlussfolgerungen?

Keine leichte Ladung

Banken verwenden Big-Data-Algorithmen hauptsächlich, um das Kundenerlebnis zu verbessern und Kosten zu optimieren sowie Risiken zu managen und Betrug zu bekämpfen. „In den letzten Jahren hat im Bereich der Big-Data-Analyse eine echte Revolution stattgefunden“, sagt Duzhinsky. „Durch den Einsatz von maschinellem Lernen können wir die Wahrscheinlichkeit eines Kreditausfalls viel genauer vorhersagen – der Zahlungsverzug liegt bei unserer Bank bei nur 3,9 %.“ Zum Vergleich: Zum 1. Januar 2019 betrug der Anteil der Kredite mit über 90 Tagen überfälligen Zahlungen an Privatpersonen laut Zentralbank 5 %.

Sogar Mikrofinanzorganisationen sind verwirrt über das Studium von Big Data. „Finanzdienstleistungen anzubieten, ohne Big Data zu analysieren, ist heute wie Rechnen ohne Zahlen“, sagt Andrey Ponomarev, CEO von Webbankir, einer Online-Kreditplattform. „Wir geben Geld online aus, ohne den Kunden oder seinen Pass zu sehen, und im Gegensatz zur traditionellen Kreditvergabe müssen wir nicht nur die Zahlungsfähigkeit einer Person bewerten, sondern auch ihre Persönlichkeit identifizieren.“

Jetzt speichert die Datenbank des Unternehmens Informationen über mehr als 500 Kunden. Jede neue Anwendung wird mit diesen Daten in etwa 800 Parametern analysiert. Das Programm berücksichtigt nicht nur Geschlecht, Alter, Familienstand und Kredithistorie, sondern auch das Gerät, von dem aus eine Person die Plattform betreten hat, und wie sie sich auf der Website verhalten hat. So kann es beispielsweise alarmierend sein, dass ein potenzieller Kreditnehmer keinen Kreditrechner verwendet oder sich nicht nach den Konditionen eines Kredits erkundigt hat. „Bis auf ein paar Stoppfaktoren – sagen wir, wir vergeben keine Kredite an Personen unter 19 Jahren – ist keiner dieser Parameter an sich ein Grund, einen Kredit abzulehnen oder einer Kreditvergabe zuzustimmen“, erklärt Ponomarev. Entscheidend ist die Kombination der Faktoren. In 95 % der Fälle erfolgt die Entscheidung automatisch, ohne Beteiligung von Spezialisten aus der Underwriting-Abteilung.

Finanzdienstleistungen anzubieten, ohne Big Data zu analysieren, ist heute wie Rechnen ohne Zahlen.

Durch Big-Data-Analysen lassen sich interessante Muster ableiten, teilt Ponomarev mit. So erwiesen sich iPhone-Nutzer als diszipliniertere Kreditnehmer als Besitzer von Android-Geräten – Erstere erhalten 1,7-mal häufiger eine Antragsgenehmigung. „Die Tatsache, dass Militärangehörige Kredite fast ein Viertel seltener zurückzahlen als der durchschnittliche Kreditnehmer, war keine Überraschung“, sagt Ponomarev. „Aber von Studenten wird normalerweise keine Verpflichtung erwartet, aber Kreditausfälle sind mittlerweile 10 % seltener als im Durchschnitt der Basis.“

Die Untersuchung von Big Data ermöglicht auch ein Scoring für Versicherer. IDX wurde 2016 gegründet und beschäftigt sich mit der Fernidentifizierung und Online-Verifizierung von Dokumenten. Diese Dienstleistungen sind bei Frachtversicherern gefragt, denen ein möglichst geringer Warenverlust am Herzen liegt. Vor der Versicherung des Warentransports prüft der Versicherer mit Zustimmung des Fahrers die Zuverlässigkeit, erklärt Jan Sloka, kaufmännischer Leiter von IDX. Zusammen mit einem Partner – der St. Petersburger Firma „Risk Control“ – hat IDX einen Dienst entwickelt, der es Ihnen ermöglicht, die Identität des Fahrers, Passdaten und -rechte, die Teilnahme an Vorfällen im Zusammenhang mit dem Verlust von Fracht usw. nach der Analyse zu überprüfen In der Datenbank der Fahrer hat das Unternehmen eine „Risikogruppe“ identifiziert: Am häufigsten geht Fracht bei Fahrern im Alter von 30 bis 40 Jahren mit langjähriger Fahrerfahrung verloren, die oft kürzlich den Arbeitsplatz gewechselt haben. Es stellte sich auch heraus, dass die Ladung am häufigsten von Autofahrern gestohlen wird, deren Lebensdauer acht Jahre überschreitet.

Auf der Suche nach

Einzelhändler haben eine andere Aufgabe – sie müssen Kunden identifizieren, die bereit sind, einen Kauf zu tätigen, und die effektivsten Wege bestimmen, um sie auf die Website oder in das Geschäft zu bringen. Zu diesem Zweck analysieren die Programme das Profil des Kunden, Daten aus seinem persönlichen Konto, die Einkaufshistorie, Suchanfragen und die Verwendung von Bonuspunkten, den Inhalt von elektronischen Warenkörben, die sie begonnen und abgebrochen haben. Die Datenanalyse ermöglicht es Ihnen, die gesamte Datenbank zu segmentieren und Gruppen potenzieller Käufer zu identifizieren, die an einem bestimmten Angebot interessiert sein könnten, sagt Kirill Ivanov, Direktor des Datenbüros der M.Video-Eldorado-Gruppe.

Das Programm identifiziert beispielsweise Kundengruppen, die jeweils unterschiedliche Marketinginstrumente mögen – ein zinsloses Darlehen, Cashback oder einen Rabatt-Aktionscode. Diese Käufer erhalten einen E-Mail-Newsletter mit der entsprechenden Aktion. Die Wahrscheinlichkeit, dass eine Person, die den Brief geöffnet hat, auf die Website des Unternehmens geht, steigt in diesem Fall erheblich, stellt Ivanov fest.

Durch die Datenanalyse können Sie auch den Verkauf verwandter Produkte und Zubehörteile steigern. Das System, das die Bestellhistorie anderer Kunden verarbeitet hat, gibt dem Käufer Kaufempfehlungen zum ausgewählten Produkt. Tests dieser Arbeitsmethode zeigten laut Ivanov eine Steigerung der Anzahl der Bestellungen mit Zubehör um 12 % und eine Steigerung des Umsatzes mit Zubehör um 15 %.

Nicht nur Einzelhändler sind bestrebt, die Servicequalität zu verbessern und den Umsatz zu steigern. Im vergangenen Sommer hat MegaFon einen „intelligenten“ Angebotsdienst eingeführt, der auf der Verarbeitung von Daten von Millionen von Abonnenten basiert. Durch das Studium ihres Verhaltens hat die künstliche Intelligenz gelernt, für jeden Kunden innerhalb der Tarife persönliche Angebote zu erstellen. Wenn das Programm beispielsweise feststellt, dass eine Person aktiv Videos auf ihrem Gerät ansieht, bietet der Dienst ihr an, den Umfang des mobilen Datenverkehrs zu erweitern. Unter Berücksichtigung der Benutzerpräferenzen bietet das Unternehmen Abonnenten unbegrenzten Datenverkehr für ihre bevorzugten Arten der Internetfreizeit – zum Beispiel die Verwendung von Instant Messenger oder das Hören von Musik über Streaming-Dienste, das Chatten in sozialen Netzwerken oder das Ansehen von Fernsehsendungen.

„Wir analysieren das Verhalten der Abonnenten und verstehen, wie sich ihre Interessen ändern“, erklärt Vitaly Shcherbakov, Director of Big Data Analytics bei MegaFon. „Zum Beispiel ist der AliExpress-Verkehr in diesem Jahr im Vergleich zum Vorjahr um das 1,5-fache gestiegen, und im Allgemeinen wächst die Anzahl der Besuche in Online-Bekleidungsgeschäften: 1,2- bis 2-mal, je nach spezifischer Ressource.“

Ein weiteres Beispiel für die Arbeit eines Betreibers mit Big Data ist die Plattform MegaFon Poisk zur Suche nach vermissten Kindern und Erwachsenen. Das System analysiert, welche Personen sich in der Nähe des Ortes der vermissten Person aufhalten könnten, und sendet ihnen Informationen mit einem Foto und Zeichen der vermissten Person. Der Betreiber hat das System zusammen mit dem Innenministerium und der Organisation Lisa Alert entwickelt und getestet: Innerhalb von zwei Minuten nach der Orientierung an der vermissten Person erhalten mehr als 2 Abonnenten, was die Chancen auf ein erfolgreiches Suchergebnis erheblich erhöht.

Gehen Sie nicht in die Kneipe

Auch in der Industrie hat die Big-Data-Analyse Anwendung gefunden. Hier können Sie den Bedarf prognostizieren und Verkäufe planen. Daher wurde in der Cherkizovo-Unternehmensgruppe vor drei Jahren eine Lösung auf Basis von SAP BW implementiert, mit der Sie alle Verkaufsinformationen speichern und verarbeiten können: Preise, Sortiment, Produktmengen, Werbeaktionen, Vertriebskanäle, sagt Vladislav Belyaev, CIO der Gruppe ” Cherkizovo. Die Analyse der angesammelten 2 TB an Informationen ermöglichte nicht nur eine effektive Sortimentsgestaltung und Optimierung des Produktportfolios, sondern erleichterte auch die Arbeit der Mitarbeiter. Beispielsweise würde die Erstellung eines täglichen Umsatzberichts die Arbeit vieler Analysten eines Tages erfordern – zwei für jedes Produktsegment. Jetzt wird dieser Bericht vom Roboter erstellt, der nur 30 Minuten für alle Segmente benötigt.

„In der Industrie funktioniert Big Data effektiv in Verbindung mit dem Internet der Dinge“, sagt Stanislav Meshkov, CEO von Umbrella IT. „Basierend auf der Analyse der Daten der Sensoren, mit denen die Ausrüstung ausgestattet ist, ist es möglich, Abweichungen im Betrieb zu erkennen, Ausfällen vorzubeugen und die Leistung vorherzusagen.“

In Severstal versucht man mit Hilfe von Big Data auch eher nicht triviale Aufgaben zu lösen – etwa um die Verletzungsrate zu senken. Im Jahr 2019 stellte das Unternehmen rund 1,1 Mrd. Rubel für Maßnahmen zur Verbesserung der Arbeitssicherheit bereit. Severstal rechnet damit, die Verletzungsrate bis 2025 um 50 % (im Vergleich zu 2017) zu senken. „Wenn ein Vorgesetzter – Vorarbeiter, Bauleiter, Betriebsleiter – bemerkt, dass ein Mitarbeiter bestimmte Tätigkeiten unsicher ausführt (sich beim Treppensteigen auf dem Industriegelände nicht an den Handläufen festhält oder nicht die gesamte persönliche Schutzausrüstung trägt), schreibt er aus eine besondere Anmerkung für ihn – PAB (von „Behavioral Security Audit“)“, sagt Boris Voskresensky, Leiter der Datenanalyseabteilung des Unternehmens.

Nach der Analyse der Daten über die Anzahl der PABs in einer der Abteilungen stellten die Spezialisten des Unternehmens fest, dass Sicherheitsregeln am häufigsten von Personen verletzt wurden, die bereits zuvor mehrere Bemerkungen gemacht hatten, sowie von Personen, die kurz zuvor krankgeschrieben oder im Urlaub waren der Vorfall. Verstöße in der ersten Woche nach Rückkehr aus Urlaub oder Krankschreibung waren doppelt so hoch wie in der Folgezeit: 1 versus 0,55 %. Aber die Arbeit in der Nachtschicht hat, wie sich herausstellte, keinen Einfluss auf die Statistik der PABs.

Abseits der Realität

Das Erstellen von Algorithmen für die Verarbeitung von Big Data ist nicht der schwierigste Teil der Arbeit, sagen Unternehmensvertreter. Es ist viel schwieriger zu verstehen, wie diese Technologien im Kontext jedes spezifischen Unternehmens angewendet werden können. Hier liegt die Achillesferse von Unternehmensanalysten und sogar externen Anbietern, die scheinbar über Know-how im Bereich Big Data verfügen.

„Ich habe oft Big-Data-Analysten getroffen, die hervorragende Mathematiker waren, aber nicht das nötige Verständnis für Geschäftsprozesse hatten“, sagt Sergey Kotik, Entwicklungsleiter bei GoodsForecast. Er erinnert sich, wie sein Unternehmen vor zwei Jahren die Gelegenheit hatte, an einem Bedarfsprognosewettbewerb für eine bundesweite Handelskette teilzunehmen. Für alle Waren und Geschäfte, für die die Teilnehmer Prognosen erstellten, wurde eine Pilotregion ausgewählt. Die Prognosen wurden dann mit den tatsächlichen Verkäufen verglichen. Den ersten Platz belegte einer der russischen Internetgiganten, bekannt für seine Expertise in maschinellem Lernen und Datenanalyse: Er wies in seinen Prognosen eine minimale Abweichung vom tatsächlichen Umsatz auf.

Aber als das Netzwerk begann, seine Prognosen genauer zu studieren, stellte sich heraus, dass sie aus geschäftlicher Sicht absolut inakzeptabel sind. Das Unternehmen führte ein Modell ein, das Verkaufspläne mit konsequentem Understatement produzierte. Das Programm hat herausgefunden, wie die Wahrscheinlichkeit von Fehlern in Prognosen minimiert werden kann: Es ist sicherer, den Umsatz zu unterschätzen, da der maximale Fehler 100% betragen kann (es gibt keine negativen Umsätze), aber in Richtung Überprognose kann er beliebig groß sein. Kotik erklärt. Mit anderen Worten, das Unternehmen präsentierte ein ideales mathematisches Modell, das unter realen Bedingungen zu halbleeren Läden und enormen Verlusten durch Minderverkäufe führen würde. Damit gewann ein weiteres Unternehmen den Wettbewerb, dessen Berechnungen in die Praxis umgesetzt werden konnten.

„Vielleicht“ statt Big Data

Big-Data-Technologien sind für viele Branchen relevant, aber ihre aktive Umsetzung findet nicht überall statt, stellt Meshkov fest. Beispielsweise gibt es im Gesundheitswesen ein Problem mit der Datenspeicherung: Viele Informationen haben sich angesammelt und werden regelmäßig aktualisiert, aber zum größten Teil wurden diese Daten noch nicht digitalisiert. Auch in Behörden gibt es viele Daten, die aber nicht zu einem gemeinsamen Cluster zusammengeführt werden. Die Entwicklung einer einheitlichen Informationsplattform des National Data Management System (NCMS) soll dieses Problem lösen, so der Experte.

Unser Land ist jedoch bei weitem nicht das einzige Land, in dem in den meisten Organisationen wichtige Entscheidungen auf der Grundlage der Intuition und nicht der Analyse von Big Data getroffen werden. Im April letzten Jahres führte Deloitte eine Umfrage unter mehr als tausend Führungskräften großer amerikanischer Unternehmen (mit 500 oder mehr Mitarbeitern) durch und stellte fest, dass 63 % der Befragten mit Big-Data-Technologien vertraut sind, aber nicht über alle notwendigen Kenntnisse verfügen Infrastruktur, um sie zu nutzen. Unter den 37 % der Unternehmen mit einem hohen analytischen Reifegrad hat fast die Hälfte die Geschäftsziele in den letzten 12 Monaten deutlich übertroffen.

Die Studie ergab, dass neben der Schwierigkeit, neue technische Lösungen zu implementieren, ein wichtiges Problem in Unternehmen die fehlende Kultur des Umgangs mit Daten ist. Sie sollten keine guten Ergebnisse erwarten, wenn die Verantwortung für Entscheidungen, die auf Basis von Big Data getroffen werden, nur den Analysten des Unternehmens und nicht dem gesamten Unternehmen übertragen wird. „Jetzt suchen Unternehmen nach interessanten Anwendungsfällen für Big Data“, sagt Miftakhov. „Gleichzeitig erfordert die Umsetzung einiger Szenarien Investitionen in Systeme zur Erfassung, Verarbeitung und Qualitätskontrolle zusätzlicher Daten, die zuvor nicht analysiert wurden.“ „Analytics ist leider noch kein Mannschaftssport“, räumen die Autoren der Studie ein.

Hinterlassen Sie uns einen Kommentar