ຍອມຮັບຄືກັບຂໍ້ມູນ: ທຸລະກິດຮຽນຮູ້ວິທີການຫາກໍາໄລຈາກຂໍ້ມູນໃຫຍ່

ໂດຍການວິເຄາະຂໍ້ມູນໃຫຍ່, ບໍລິສັດຮຽນຮູ້ທີ່ຈະເປີດເຜີຍຮູບແບບທີ່ເຊື່ອງໄວ້, ປັບປຸງການປະຕິບັດທຸລະກິດຂອງພວກເຂົາ. ທິດທາງແມ່ນຄົນອັບເດດ:, ແຕ່ບໍ່ແມ່ນທຸກຄົນສາມາດໄດ້ຮັບຜົນປະໂຫຍດຈາກຂໍ້ມູນໃຫຍ່ເນື່ອງຈາກການຂາດວັດທະນະທໍາຂອງການເຮັດວຽກກັບພວກເຂົາ

“ຊື່ຄົນທົ່ວໄປຫຼາຍເທົ່າໃດ, ເຂົາເຈົ້າມັກຈະຈ່າຍເງິນໃຫ້ທັນເວລາ. ເຮືອນຂອງເຈົ້າມີຊັ້ນຫຼາຍເທົ່າໃດ, ສະຖິຕິເຈົ້າກໍ່ເປັນຜູ້ກູ້ຢືມທີ່ດີຂຶ້ນ. ສັນຍາລັກຂອງ zodiac ເກືອບບໍ່ມີຜົນຕໍ່ຄວາມເປັນໄປໄດ້ຂອງການຄືນເງິນ, ແຕ່ psychotype ມີຜົນກະທົບຢ່າງຫຼວງຫຼາຍ, "Stanislav Duzhinsky, ນັກວິເຄາະຂອງ Home Credit Bank ກ່າວ, ກ່ຽວກັບຮູບແບບທີ່ບໍ່ຄາດຄິດໃນພຶດຕິກໍາຂອງຜູ້ກູ້ຢືມ. ລາວບໍ່ໄດ້ເຮັດການອະທິບາຍຫຼາຍຮູບແບບເຫຼົ່ານີ້ - ພວກມັນໄດ້ຖືກເປີດເຜີຍໂດຍປັນຍາປະດິດ, ເຊິ່ງໄດ້ປະມວນຜົນຂໍ້ມູນລູກຄ້າຫຼາຍພັນຄົນ.

ນີ້ແມ່ນພະລັງງານຂອງການວິເຄາະຂໍ້ມູນໃຫຍ່: ໂດຍການວິເຄາະຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງຈໍານວນຫລາຍ, ໂປລແກລມສາມາດຄົ້ນພົບຄວາມສໍາພັນຫຼາຍທີ່ນັກວິເຄາະມະນຸດທີ່ສະຫລາດທີ່ສຸດບໍ່ຮູ້ເຖິງ. ບໍ​ລິ​ສັດ​ໃດ​ຫນຶ່ງ​ມີ​ຈໍາ​ນວນ​ຫຼວງ​ຫຼາຍ​ຂອງ​ຂໍ້​ມູນ​ທີ່​ບໍ່​ມີ​ໂຄງ​ສ້າງ (ຂໍ້​ມູນ​ຂະ​ຫນາດ​ໃຫຍ່​) - ກ່ຽວ​ກັບ​ພະ​ນັກ​ງານ​, ລູກ​ຄ້າ​, ຄູ່​ຮ່ວມ​ງານ​, ຄູ່​ແຂ່ງ​, ທີ່​ສາ​ມາດ​ນໍາ​ໃຊ້​ເພື່ອ​ຜົນ​ປະ​ໂຫຍດ​ທຸ​ລະ​ກິດ​: ປັບ​ປຸງ​ຜົນ​ກະ​ທົບ​ຂອງ​ການ​ສົ່ງ​ເສີມ​ການ​, ບັນ​ລຸ​ການ​ເຕີບ​ໂຕ​ຂອງ​ການ​ຂາຍ​, ຫຼຸດ​ຜ່ອນ​ການ​ປ່ຽນ​ແປງ​ຂອງ​ພະ​ນັກ​ງານ​, ແລະ​ອື່ນໆ

ທໍາອິດທີ່ເຮັດວຽກກັບຂໍ້ມູນໃຫຍ່ແມ່ນບໍລິສັດເຕັກໂນໂລຢີແລະໂທລະຄົມມະນາຄົມຂະຫນາດໃຫຍ່, ສະຖາບັນການເງິນແລະການຂາຍຍ່ອຍ, ຄໍາເຫັນ Rafail Miftakhov, ຜູ້ອໍານວຍການກຸ່ມ Deloitte Technology Integration Group, CIS. ໃນປັດຈຸບັນມີຄວາມສົນໃຈໃນການແກ້ໄຂດັ່ງກ່າວໃນຫຼາຍອຸດສາຫະກໍາ. ບໍລິສັດບັນລຸໄດ້ຫຍັງແດ່? ແລະການວິເຄາະຂໍ້ມູນໃຫຍ່ສະເຫມີນໍາໄປສູ່ບົດສະຫຼຸບທີ່ມີຄຸນຄ່າບໍ?

ທະນາຄານນໍາໃຊ້ລະບົບຂໍ້ມູນໃຫຍ່ຕົ້ນຕໍເພື່ອປັບປຸງປະສົບການຂອງລູກຄ້າແລະເພີ່ມປະສິດທິພາບຄ່າໃຊ້ຈ່າຍ, ເຊັ່ນດຽວກັນກັບການຄຸ້ມຄອງຄວາມສ່ຽງແລະການຕ້ານການສໍ້ໂກງ. "ໃນຊຸມປີມໍ່ໆມານີ້, ການປະຕິວັດທີ່ແທ້ຈິງໄດ້ເກີດຂື້ນໃນຂົງເຂດການວິເຄາະຂໍ້ມູນໃຫຍ່," Duzhinsky ເວົ້າ. "ການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເຮັດໃຫ້ພວກເຮົາສາມາດຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງການເລີ່ມຕົ້ນຂອງເງິນກູ້ໄດ້ຢ່າງຖືກຕ້ອງຫຼາຍ - ການປະຕິເສດໃນທະນາຄານຂອງພວກເຮົາແມ່ນພຽງແຕ່ 3,9%. ສໍາລັບການປຽບທຽບ, ໃນເດືອນມັງກອນ 1, 2019, ສ່ວນແບ່ງຂອງເງິນກູ້ທີ່ມີຊໍາລະເກີນ 90 ວັນຂອງເງິນກູ້ທີ່ອອກໃຫ້ບຸກຄົນ, ອີງຕາມທະນາຄານກາງ, 5%.

ເຖິງແມ່ນວ່າອົງການຈັດຕັ້ງການເງິນຈຸລະພາກຍັງສັບສົນໂດຍການສຶກສາຂໍ້ມູນໃຫຍ່. Andrey Ponomarev, ຊີອີໂອຂອງ Webbankir, ເວທີການໃຫ້ກູ້ຢືມອອນໄລນ໌ກ່າວວ່າ "ການສະຫນອງການບໍລິການທາງດ້ານການເງິນໂດຍບໍ່ມີການວິເຄາະຂໍ້ມູນໃຫຍ່ໃນມື້ນີ້ແມ່ນຄ້າຍຄືການເຮັດຄະນິດສາດທີ່ບໍ່ມີຕົວເລກ". "ພວກເຮົາອອກເງິນອອນໄລນ໌ໂດຍບໍ່ເຫັນລູກຄ້າຫຼືຫນັງສືຜ່ານແດນຂອງລາວ, ແລະແຕກຕ່າງຈາກການໃຫ້ກູ້ຢືມແບບດັ້ງເດີມ, ພວກເຮົາບໍ່ພຽງແຕ່ຕ້ອງປະເມີນຄວາມຊໍາລະຂອງບຸກຄົນ, ແຕ່ຍັງກໍານົດລັກສະນະຂອງລາວ."

ໃນປັດຈຸບັນຖານຂໍ້ມູນຂອງບໍລິສັດເກັບຮັກສາຂໍ້ມູນກ່ຽວກັບລູກຄ້າຫຼາຍກວ່າ 500 ພັນຄົນ. ແຕ່ລະແອັບພລິເຄຊັນໃຫມ່ຖືກວິເຄາະດ້ວຍຂໍ້ມູນນີ້ໃນປະມານ 800 ຕົວກໍານົດການ. ໂຄງການດັ່ງກ່າວໃຊ້ເວລາເຂົ້າໄປໃນບັນຊີບໍ່ພຽງແຕ່ເພດ, ອາຍຸ, ສະຖານະພາບການແຕ່ງງານແລະປະຫວັດສາດສິນເຊື່ອ, ແຕ່ຍັງອຸປະກອນທີ່ບຸກຄົນໃດຫນຶ່ງເຂົ້າໄປໃນເວທີ, ວິທີທີ່ລາວປະຕິບັດຢູ່ໃນເວັບໄຊທ໌. ຕົວຢ່າງ, ມັນອາດຈະເປັນຕາຕົກໃຈວ່າຜູ້ກູ້ຢືມທີ່ມີທ່າແຮງບໍ່ໄດ້ໃຊ້ເຄື່ອງຄິດໄລ່ເງິນກູ້ຫຼືບໍ່ໄດ້ສອບຖາມກ່ຽວກັບເງື່ອນໄຂຂອງເງິນກູ້. ທ່ານ Ponomarev ອະທິບາຍວ່າ "ມີຂໍ້ຍົກເວັ້ນຂອງປັດໃຈຢຸດຈໍານວນຫນຶ່ງ - ເວົ້າວ່າ, ພວກເຮົາບໍ່ໄດ້ອອກເງິນກູ້ໃຫ້ຜູ້ທີ່ມີອາຍຸຕ່ໍາກວ່າ 19 ປີ - ບໍ່ມີຕົວກໍານົດການເຫຼົ່ານີ້ຢູ່ໃນຕົວຂອງມັນເອງແມ່ນເຫດຜົນສໍາລັບການປະຕິເສດຫຼືຕົກລົງທີ່ຈະອອກເງິນກູ້," Ponomarev ອະທິບາຍ. ມັນແມ່ນການປະສົມປະສານຂອງປັດໃຈທີ່ມີຄວາມສໍາຄັນ. ໃນ 95% ຂອງກໍລະນີ, ການຕັດສິນໃຈແມ່ນອັດຕະໂນມັດ, ໂດຍບໍ່ມີການເຂົ້າຮ່ວມຂອງຜູ້ຊ່ຽວຊານຈາກພະແນກ underwriting.

ການວິເຄາະຂໍ້ມູນໃຫຍ່ຊ່ວຍໃຫ້ພວກເຮົາໄດ້ຮັບຮູບແບບທີ່ຫນ້າສົນໃຈ, ຮຸ້ນ Ponomarev. ສໍາລັບຕົວຢ່າງ, ຜູ້ໃຊ້ iPhone ໄດ້ກາຍເປັນຜູ້ກູ້ຢືມທີ່ມີລະບຽບວິໄນຫຼາຍກ່ວາເຈົ້າຂອງອຸປະກອນ Android - ອະດີດໄດ້ຮັບການອະນຸມັດຄໍາຮ້ອງສະຫມັກ 1,7 ເທົ່າເລື້ອຍໆ. ທ່ານ Ponomarev ກ່າວວ່າ "ຄວາມຈິງທີ່ວ່າພະນັກງານທະຫານບໍ່ຈ່າຍຄືນເງິນກູ້ຢືມເກືອບຫນຶ່ງສ່ວນສີ່ຫນ້ອຍກວ່າຜູ້ກູ້ຢືມສະເລ່ຍແມ່ນບໍ່ແປກໃຈ," Ponomarev ເວົ້າ. "ແຕ່ປົກກະຕິແລ້ວນັກຮຽນບໍ່ຄາດວ່າຈະມີພັນທະ, ແຕ່ໃນຂະນະດຽວກັນ, ກໍລະນີຂອງການປ່ອຍສິນເຊື່ອແມ່ນ 10% ຫນ້ອຍກວ່າສະເລ່ຍສໍາລັບພື້ນຖານ."

ການສຶກສາຂໍ້ມູນໃຫຍ່ເຮັດໃຫ້ຄະແນນສໍາລັບຜູ້ປະກັນໄພເຊັ່ນດຽວກັນ. ສ້າງຕັ້ງຂຶ້ນໃນປີ 2016, IDX ມີສ່ວນຮ່ວມໃນການກໍານົດຫ່າງໄກສອກຫຼີກແລະການກວດສອບອອນໄລນ໌ຂອງເອກະສານ. ການບໍລິການເຫຼົ່ານີ້ແມ່ນມີຄວາມຕ້ອງການໃນບັນດາຜູ້ປະກັນໄພການຂົນສົ່ງທີ່ມີຄວາມສົນໃຈໃນການສູນເສຍສິນຄ້າຫນ້ອຍເທົ່າທີ່ເປັນໄປໄດ້. ກ່ອນທີ່ຈະຮັບປະກັນການຂົນສົ່ງສິນຄ້າ, ຜູ້ປະກັນໄພ, ດ້ວຍການຍິນຍອມຂອງຜູ້ຂັບຂີ່, ກວດເບິ່ງຄວາມຫນ້າເຊື່ອຖື, ອະທິບາຍ Jan Sloka, ຜູ້ອໍານວຍການການຄ້າຂອງ IDX. ຮ່ວມກັບຄູ່ຮ່ວມງານ - ບໍລິສັດ St. Petersburg "ການຄວບຄຸມຄວາມສ່ຽງ" - IDX ໄດ້ພັດທະນາການບໍລິການທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດກວດສອບຕົວຕົນຂອງຜູ້ຂັບຂີ່, ຂໍ້ມູນຫນັງສືຜ່ານແດນແລະສິດທິ, ການມີສ່ວນຮ່ວມໃນເຫດການທີ່ກ່ຽວຂ້ອງກັບການສູນເສຍສິນຄ້າ, ແລະອື່ນໆ. ຫຼັງຈາກການວິເຄາະ. ຖານຂໍ້ມູນຂອງຜູ້ຂັບຂີ່, ບໍລິສັດໄດ້ກໍານົດ "ກຸ່ມຄວາມສ່ຽງ": ສ່ວນຫຼາຍແລ້ວ, ສິນຄ້າແມ່ນສູນເສຍໃນບັນດາຄົນຂັບລົດທີ່ມີອາຍຸ 30-40 ປີທີ່ມີປະສົບການຂັບລົດມາດົນ, ຜູ້ທີ່ມັກຈະປ່ຽນວຽກໃນບໍ່ດົນມານີ້. ມັນຍັງໄດ້ຫັນອອກວ່າສິນຄ້າຖືກລັກເລື້ອຍໆໂດຍຄົນຂັບລົດ, ຊີວິດການບໍລິການທີ່ເກີນແປດປີ.

ຮ້ານຄ້າປີກມີວຽກງານທີ່ແຕກຕ່າງກັນ - ເພື່ອກໍານົດລູກຄ້າທີ່ພ້ອມທີ່ຈະເຮັດການຊື້, ແລະກໍານົດວິທີການທີ່ມີປະສິດທິພາບທີ່ສຸດທີ່ຈະນໍາພວກເຂົາໄປຫາເວັບໄຊທ໌ຫຼືຮ້ານ. ເພື່ອເຮັດສິ່ງນີ້, ບັນດາໂຄງການວິເຄາະຂໍ້ມູນຂອງລູກຄ້າ, ຂໍ້ມູນຈາກບັນຊີສ່ວນບຸກຄົນ, ປະຫວັດການຊື້, ຄໍາຖາມຄົ້ນຫາແລະການນໍາໃຊ້ຈຸດໂບນັດ, ເນື້ອໃນຂອງກະຕ່າເອເລັກໂຕຣນິກທີ່ພວກເຂົາເລີ່ມຕື່ມແລະປະຖິ້ມໄວ້. ການວິເຄາະຂໍ້ມູນຊ່ວຍໃຫ້ທ່ານສາມາດແບ່ງສ່ວນຖານຂໍ້ມູນທັງຫມົດແລະກໍານົດກຸ່ມຂອງຜູ້ຊື້ທີ່ມີທ່າແຮງທີ່ອາດຈະມີຄວາມສົນໃຈໃນການສະເຫນີໂດຍສະເພາະ, Kirill Ivanov, ຜູ້ອໍານວຍການຫ້ອງການຂໍ້ມູນຂອງກຸ່ມ M.Video-Eldorado ກ່າວ.

ຕົວຢ່າງ, ໂຄງການກໍານົດກຸ່ມລູກຄ້າ, ແຕ່ລະຄົນມັກເຄື່ອງມືການຕະຫຼາດທີ່ແຕກຕ່າງກັນ - ເງິນກູ້ທີ່ບໍ່ມີດອກເບ້ຍ, ເງິນຄືນ, ຫຼືລະຫັດໂປໂມຊັ່ນສ່ວນຫຼຸດ. ຜູ້ຊື້ເຫຼົ່ານີ້ໄດ້ຮັບຈົດຫມາຍຂ່າວທາງອີເມວທີ່ມີການສົ່ງເສີມທີ່ສອດຄ້ອງກັນ. ຄວາມເປັນໄປໄດ້ທີ່ບຸກຄົນໃດຫນຶ່ງ, ໄດ້ເປີດຈົດຫມາຍ, ຈະໄປຫາເວັບໄຊທ໌ຂອງບໍລິສັດ, ໃນກໍລະນີນີ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ, Ivanov ສັງເກດເຫັນ.

ການວິເຄາະຂໍ້ມູນຍັງຊ່ວຍໃຫ້ທ່ານສາມາດເພີ່ມການຂາຍຜະລິດຕະພັນທີ່ກ່ຽວຂ້ອງແລະອຸປະກອນເສີມ. ລະບົບ, ເຊິ່ງໄດ້ປະມວນຜົນປະຫວັດການສັ່ງຊື້ຂອງລູກຄ້າອື່ນໆ, ໃຫ້ຄໍາແນະນໍາຜູ້ຊື້ກ່ຽວກັບສິ່ງທີ່ຈະຊື້ພ້ອມກັບຜະລິດຕະພັນທີ່ເລືອກ. ການທົດສອບວິທີການເຮັດວຽກນີ້, ອີງຕາມການ Ivanov, ສະແດງໃຫ້ເຫັນການເພີ່ມຂື້ນຂອງຄໍາສັ່ງທີ່ມີອຸປະກອນເສີມໂດຍ 12% ແລະການເພີ່ມຂຶ້ນຂອງມູນຄ່າຂອງອຸປະກອນເສີມ 15%.

ຮ້ານຄ້າປີກບໍ່ແມ່ນຜູ້ດຽວທີ່ພະຍາຍາມປັບປຸງຄຸນນະພາບການບໍລິການແລະເພີ່ມຍອດຂາຍ. ໃນຊ່ວງລຶະເບິ່ງຮ້ອນທີ່ຜ່ານມາ, MegaFon ໄດ້ເປີດຕົວບໍລິການສະເຫນີ "smart" ໂດຍອີງໃສ່ການປະມວນຜົນຂໍ້ມູນຈາກຜູ້ຈອງຫຼາຍລ້ານຄົນ. ໂດຍໄດ້ສຶກສາພຶດຕິກໍາຂອງພວກເຂົາ, ປັນຍາປະດິດໄດ້ຮຽນຮູ້ການສ້າງການສະເຫນີສ່ວນບຸກຄົນສໍາລັບລູກຄ້າແຕ່ລະຄົນພາຍໃນອັດຕາພາສີ. ຕົວຢ່າງ, ຖ້າໂຄງການສັງເກດເຫັນວ່າບຸກຄົນໃດຫນຶ່ງກໍາລັງເບິ່ງວິດີໂອຢູ່ໃນອຸປະກອນຂອງລາວ, ການບໍລິການຈະສະເຫນີໃຫ້ລາວຂະຫຍາຍຈໍານວນການເຂົ້າຊົມມືຖື. ໂດຍຄໍານຶງເຖິງຄວາມມັກຂອງຜູ້ໃຊ້, ບໍລິສັດໃຫ້ຜູ້ຈອງທີ່ມີການຈະລາຈອນບໍ່ຈໍາກັດສໍາລັບປະເພດຂອງການພັກຜ່ອນທາງອິນເຕີເນັດທີ່ເຂົາເຈົ້າມັກ - ຕົວຢ່າງເຊັ່ນ, ການນໍາໃຊ້ຂໍ້ຄວາມທັນທີຫຼືຟັງເພງໃນການບໍລິການຖ່າຍທອດ, ສົນທະນາໃນເຄືອຂ່າຍສັງຄົມຫຼືເບິ່ງລາຍການໂທລະພາບ.

"ພວກເຮົາວິເຄາະພຶດຕິກໍາຂອງຜູ້ຈອງແລະເຂົ້າໃຈວ່າຜົນປະໂຫຍດຂອງພວກເຂົາມີການປ່ຽນແປງ," Vitaly Shcherbakov, ຜູ້ອໍານວຍການການວິເຄາະຂໍ້ມູນໃຫຍ່ຂອງ MegaFon ອະທິບາຍ. "ຕົວຢ່າງ, ປີນີ້, ການຈະລາຈອນ AliExpress ເພີ່ມຂຶ້ນ 1,5 ເທົ່າເມື່ອທຽບກັບປີທີ່ຜ່ານມາ, ແລະໂດຍທົ່ວໄປ, ຈໍານວນການໄປຢ້ຽມຢາມຮ້ານເສື້ອຜ້າອອນໄລນ໌ແມ່ນເພີ່ມຂຶ້ນ: 1,2-2 ເທົ່າ, ຂຶ້ນກັບຊັບພະຍາກອນສະເພາະ."

ຕົວຢ່າງອື່ນຂອງການເຮັດວຽກຂອງຜູ້ປະຕິບັດງານທີ່ມີຂໍ້ມູນໃຫຍ່ແມ່ນເວທີ MegaFon Poisk ສໍາລັບການຊອກຫາເດັກນ້ອຍແລະຜູ້ໃຫຍ່ທີ່ຫາຍສາບສູນ. ລະ​ບົບ​ວິ​ເຄາະ​ວ່າ​ຄົນ​ໃດ​ສາ​ມາດ​ຢູ່​ໃກ້​ກັບ​ສະ​ຖານ​ທີ່​ຂອງ​ຜູ້​ສູນ​ຫາຍ​, ແລະ​ສົ່ງ​ຂໍ້​ມູນ​ໃຫ້​ເຂົາ​ເຈົ້າ​ດ້ວຍ​ຮູບ​ພາບ​ແລະ​ອາ​ການ​ຂອງ​ຜູ້​ຫາຍ​ສາ​ມາດ​ໄດ້​. ຜູ້ປະຕິບັດງານໄດ້ພັດທະນາແລະທົດສອບລະບົບຮ່ວມກັນກັບກະຊວງພາຍໃນແລະອົງການ Lisa Alert: ພາຍໃນສອງນາທີຂອງການປະຖົມນິເທດຜູ້ຫາຍສາບສູນ, ຫຼາຍກວ່າ 2 ພັນຜູ້ຈອງໄດ້ຮັບ, ເຊິ່ງເພີ່ມໂອກາດຂອງຜົນການຄົ້ນຫາທີ່ປະສົບຜົນສໍາເລັດຢ່າງຫຼວງຫຼາຍ.

ການວິເຄາະຂໍ້ມູນໃຫຍ່ຍັງໄດ້ພົບເຫັນຄໍາຮ້ອງສະຫມັກໃນອຸດສາຫະກໍາ. ໃນທີ່ນີ້ມັນຊ່ວຍໃຫ້ທ່ານສາມາດຄາດຄະເນຄວາມຕ້ອງການແລະວາງແຜນການຂາຍ. ດັ່ງນັ້ນ, ໃນກຸ່ມບໍລິສັດ Cherkizovo, ສາມປີທີ່ຜ່ານມາ, ການແກ້ໄຂໂດຍອີງໃສ່ SAP BW ໄດ້ຖືກປະຕິບັດ, ເຊິ່ງຊ່ວຍໃຫ້ທ່ານສາມາດເກັບຮັກສາແລະປຸງແຕ່ງຂໍ້ມູນການຂາຍທັງຫມົດ: ລາຄາ, ການແບ່ງປະເພດ, ປະລິມານຜະລິດຕະພັນ, ການສົ່ງເສີມ, ຊ່ອງທາງການແຈກຢາຍ, Vladislav Belyaev, CIO ກ່າວ. ຂອງກຸ່ມ "Cherkizovo. ການວິເຄາະຂໍ້ມູນທີ່ສະສົມ 2 TB ບໍ່ພຽງແຕ່ເຮັດໃຫ້ມັນສາມາດສ້າງການລວບລວມແລະເພີ່ມປະສິດທິພາບຂອງຜະລິດຕະພັນ, ແຕ່ຍັງສ້າງຄວາມສະດວກໃນການເຮັດວຽກຂອງພະນັກງານ. ສໍາລັບຕົວຢ່າງ, ການກະກຽມບົດລາຍງານການຂາຍປະຈໍາວັນຈະຮຽກຮ້ອງໃຫ້ມີການເຮັດວຽກຕໍ່ມື້ຂອງນັກວິເຄາະຈໍານວນຫຼາຍ - ສອງສໍາລັບແຕ່ລະພາກສ່ວນຜະລິດຕະພັນ. ໃນປັດຈຸບັນບົດລາຍງານນີ້ໄດ້ຖືກກະກຽມໂດຍຫຸ່ນຍົນ, ໃຊ້ເວລາພຽງແຕ່ 30 ນາທີໃນທຸກພາກສ່ວນ.

Stanislav Meshkov, ຊີອີໂອຂອງ Umbrella IT ກ່າວວ່າ "ໃນອຸດສາຫະກໍາ, ຂໍ້ມູນໃຫຍ່ເຮັດວຽກໄດ້ຢ່າງມີປະສິດທິພາບໂດຍສົມທົບກັບອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ,". "ອີງໃສ່ການວິເຄາະຂໍ້ມູນຈາກເຊັນເຊີທີ່ອຸປະກອນໄດ້ຖືກຕິດຕັ້ງ, ມັນເປັນໄປໄດ້ທີ່ຈະລະບຸຄວາມແຕກຕ່າງໃນການດໍາເນີນງານຂອງມັນແລະປ້ອງກັນການແຕກຫັກ, ແລະຄາດຄະເນການປະຕິບັດ."

ໃນ Severstal, ດ້ວຍການຊ່ວຍເຫຼືອຂອງຂໍ້ມູນໃຫຍ່, ພວກເຂົາຍັງພະຍາຍາມແກ້ໄຂວຽກງານທີ່ບໍ່ແມ່ນເລື່ອງເລັກນ້ອຍ - ຕົວຢ່າງ, ເພື່ອຫຼຸດຜ່ອນອັດຕາການບາດເຈັບ. ໃນປີ 2019, ບໍລິສັດໄດ້ຈັດສັນປະມານ RUB 1,1 ຕື້ສໍາລັບມາດຕະການເພື່ອປັບປຸງຄວາມປອດໄພແຮງງານ. Severstal ຄາດວ່າຈະຫຼຸດລົງອັດຕາການບາດເຈັບໃນປີ 2025% ໂດຍ 50 (ທຽບກັບ 2017). "ຖ້າຜູ້ຈັດການສາຍ - ຫົວຫນ້າ, ຜູ້ຈັດການສະຖານທີ່, ຜູ້ຈັດການຮ້ານ - ສັງເກດເຫັນວ່າພະນັກງານປະຕິບັດການບາງຢ່າງທີ່ບໍ່ປອດໄພ (ບໍ່ຍຶດເອົາມືໃນເວລາຂຶ້ນຂັ້ນໄດຢູ່ສະຖານທີ່ອຸດສາຫະກໍາຫຼືບໍ່ໄດ້ໃສ່ອຸປະກອນປ້ອງກັນສ່ວນບຸກຄົນທັງຫມົດ), ລາວຂຽນອອກ. ບັນທຶກພິເສດຕໍ່ລາວ - PAB (ຈາກ "ການກວດສອບຄວາມປອດໄພດ້ານພຶດຕິກໍາ"), Boris Voskresensky, ຫົວຫນ້າພະແນກການວິເຄາະຂໍ້ມູນຂອງບໍລິສັດກ່າວວ່າ.

ຫຼັງຈາກການວິເຄາະຂໍ້ມູນຈໍານວນ PAB ໃນພະແນກຫນຶ່ງ, ຜູ້ຊ່ຽວຊານຂອງບໍລິສັດໄດ້ພົບເຫັນວ່າກົດລະບຽບຄວາມປອດໄພມັກຈະຖືກລະເມີດໂດຍຜູ້ທີ່ເຄີຍມີຄໍາເຕືອນຫຼາຍຄັ້ງກ່ອນ, ເຊັ່ນດຽວກັນກັບຜູ້ທີ່ພັກຜ່ອນຫຼືໄປພັກຜ່ອນກ່ອນເວລາສັ້ນໆ. ເຫດການ. ການລະເມີດໃນອາທິດທໍາອິດຫຼັງຈາກກັບຄືນຈາກວັນພັກຫຼືການພັກຜ່ອນທີ່ເຈັບປ່ວຍແມ່ນສູງກວ່າສອງເທົ່າໃນໄລຍະເວລາຕໍ່ມາ: 1 ທຽບກັບ 0,55%. ແຕ່ການເຮັດວຽກໃນການເຄື່ອນໄຫວກາງຄືນ, ຍ້ອນວ່າມັນຫັນອອກ, ບໍ່ມີຜົນກະທົບຕໍ່ສະຖິຕິຂອງ PABs.

ການສ້າງ algorithms ສໍາລັບການປະມວນຜົນຂໍ້ມູນໃຫຍ່ບໍ່ແມ່ນສ່ວນທີ່ຍາກທີ່ສຸດຂອງການເຮັດວຽກ, ຜູ້ຕາງຫນ້າຂອງບໍລິສັດເວົ້າວ່າ. ມັນເປັນການຍາກຫຼາຍທີ່ຈະເຂົ້າໃຈວິທີການນໍາໃຊ້ເຕັກໂນໂລຢີເຫຼົ່ານີ້ໃນສະພາບການຂອງແຕ່ລະທຸລະກິດສະເພາະ. ນີ້ແມ່ນບ່ອນທີ່ນັກວິເຄາະຂອງບໍລິສັດ Achilles ແລະເຖິງແມ່ນວ່າຜູ້ໃຫ້ບໍລິການພາຍນອກຈະເຣັດ, ເຊິ່ງເບິ່ງຄືວ່າມີຄວາມຊໍານານສະສົມໃນຂໍ້ມູນໃຫຍ່.

ທ່ານ Sergey Kotik, ຜູ້ ອຳ ນວຍການຝ່າຍພັດທະນາຂອງ GoodsForecast ກ່າວວ່າ "ຂ້ອຍມັກຈະພົບກັບນັກວິເຄາະຂໍ້ມູນໃຫຍ່ທີ່ເປັນນັກຄະນິດສາດທີ່ດີເລີດ, ແຕ່ບໍ່ມີຄວາມເຂົ້າໃຈທີ່ຈໍາເປັນກ່ຽວກັບຂະບວນການທຸລະກິດ." ລາວຈື່ຈໍາວ່າສອງປີກ່ອນບໍລິສັດຂອງລາວໄດ້ມີໂອກາດເຂົ້າຮ່ວມການແຂ່ງຂັນການຄາດຄະເນຄວາມຕ້ອງການສໍາລັບລະບົບຕ່ອງໂສ້ຂາຍຍ່ອຍຂອງລັດຖະບານກາງ. ພາກພື້ນທົດລອງໄດ້ຖືກເລືອກ, ສໍາລັບສິນຄ້າແລະຮ້ານຄ້າທັງຫມົດທີ່ຜູ້ເຂົ້າຮ່ວມໄດ້ຄາດຄະເນ. ຫຼັງຈາກນັ້ນ, ການຄາດຄະເນໄດ້ຖືກປຽບທຽບກັບການຂາຍຕົວຈິງ. ສະຖານທີ່ທໍາອິດໄດ້ຖືກປະຕິບັດໂດຍຫນຶ່ງໃນຍັກໃຫຍ່ອິນເຕີເນັດຂອງລັດເຊຍ, ເປັນທີ່ຮູ້ຈັກສໍາລັບຄວາມຊໍານານໃນການຮຽນຮູ້ເຄື່ອງຈັກແລະການວິເຄາະຂໍ້ມູນ: ໃນການຄາດຄະເນຂອງມັນ, ມັນສະແດງໃຫ້ເຫັນເຖິງການ deviation ຫນ້ອຍຈາກການຂາຍຕົວຈິງ.

ແຕ່ເມື່ອເຄືອຂ່າຍໄດ້ເລີ່ມສຶກສາການຄາດຄະເນຂອງລາວໃນລາຍລະອຽດເພີ່ມເຕີມ, ມັນໄດ້ຫັນອອກວ່າຈາກທັດສະນະທາງທຸລະກິດ, ພວກເຂົາແມ່ນບໍ່ສາມາດຍອມຮັບໄດ້ຢ່າງແທ້ຈິງ. ບໍລິສັດໄດ້ນໍາສະເຫນີແບບຈໍາລອງທີ່ຜະລິດແຜນການຂາຍທີ່ມີ understatement ເປັນລະບົບ. ໂຄງການໄດ້ຄິດວິທີການຫຼຸດຜ່ອນຄວາມເປັນໄປໄດ້ຂອງຄວາມຜິດພາດໃນການຄາດຄະເນ: ມັນມີຄວາມປອດໄພກວ່າທີ່ຈະຄາດຄະເນການຂາຍຫນ້ອຍລົງ, ເພາະວ່າຄວາມຜິດພາດສູງສຸດສາມາດເປັນ 100% (ບໍ່ມີການຂາຍທາງລົບ), ແຕ່ໃນທິດທາງຂອງ overforecasting, ມັນສາມາດເປັນຂະຫນາດໃຫຍ່ arbitrarily,. Kotik ອະທິບາຍ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ບໍລິສັດໄດ້ນໍາສະເຫນີແບບຈໍາລອງທາງຄະນິດສາດທີ່ເຫມາະສົມ, ເຊິ່ງໃນສະພາບທີ່ແທ້ຈິງຈະນໍາໄປສູ່ຮ້ານຄ້າເຄິ່ງຫວ່າງເປົ່າແລະການສູນເສຍຢ່າງຫຼວງຫຼາຍຈາກການຂາຍຫນ້ອຍ. ດັ່ງນັ້ນ, ບໍລິສັດອື່ນໄດ້ຊະນະການແຂ່ງຂັນ, ເຊິ່ງການຄິດໄລ່ສາມາດປະຕິບັດໄດ້.

ເຕັກໂນໂລຢີຂໍ້ມູນໃຫຍ່ແມ່ນມີຄວາມກ່ຽວຂ້ອງສໍາລັບຫລາຍອຸດສາຫະກໍາ, ແຕ່ການປະຕິບັດຢ່າງຫ້າວຫັນຂອງພວກມັນບໍ່ໄດ້ເກີດຂື້ນຢູ່ທົ່ວທຸກແຫ່ງ, Meshkov ສັງເກດເຫັນ. ຕົວຢ່າງ, ໃນການດູແລສຸຂະພາບມີບັນຫາກັບການເກັບຮັກສາຂໍ້ມູນ: ຂໍ້ມູນຈໍານວນຫລາຍໄດ້ຖືກສະສົມແລະມັນຖືກປັບປຸງເປັນປົກກະຕິ, ແຕ່ສໍາລັບສ່ວນໃຫຍ່, ຂໍ້ມູນນີ້ຍັງບໍ່ທັນຖືກປ່ຽນເປັນດິຈິຕອນ. ຍັງມີຂໍ້ມູນຈໍານວນຫລາຍຢູ່ໃນອົງການຂອງລັດຖະບານ, ແຕ່ພວກມັນບໍ່ໄດ້ຖືກລວມເຂົ້າເປັນກຸ່ມທົ່ວໄປ. ຜູ້ຊ່ຽວຊານກ່າວວ່າການພັດທະນາແພລະຕະຟອມຂໍ້ມູນທີ່ເປັນເອກະພາບຂອງລະບົບການຄຸ້ມຄອງຂໍ້ມູນແຫ່ງຊາດ (NCMS) ແມ່ນແນໃສ່ແກ້ໄຂບັນຫານີ້, ຜູ້ຊ່ຽວຊານກ່າວວ່າ.

ຢ່າງໃດກໍຕາມ, ປະເທດຂອງພວກເຮົາແມ່ນຢູ່ໄກຈາກປະເທດດຽວທີ່ອົງການຈັດຕັ້ງສ່ວນໃຫຍ່ຕັດສິນໃຈທີ່ສໍາຄັນແມ່ນເຮັດບົນພື້ນຖານຂອງ intuition, ແລະບໍ່ແມ່ນການວິເຄາະຂໍ້ມູນໃຫຍ່. ໃນເດືອນເມສາປີທີ່ຜ່ານມາ, Deloitte ໄດ້ດໍາເນີນການສໍາຫຼວດລະຫວ່າງຜູ້ນໍາຫຼາຍກວ່າຫນຶ່ງພັນຄົນຂອງບໍລິສັດຂະຫນາດໃຫຍ່ຂອງອາເມລິກາ (ມີພະນັກງານ 500 ຫຼືຫຼາຍກວ່ານັ້ນ) ແລະພົບວ່າ 63% ຂອງຜູ້ທີ່ຖືກສໍາຫຼວດມີຄວາມຄຸ້ນເຄີຍກັບເຕັກໂນໂລຢີຂໍ້ມູນໃຫຍ່, ແຕ່ບໍ່ມີຄວາມຕ້ອງການທັງຫມົດ. ພື້ນຖານໂຄງລ່າງເພື່ອນໍາໃຊ້ພວກມັນ. ໃນຂະນະດຽວກັນ, ໃນບັນດາ 37% ຂອງບໍລິສັດທີ່ມີການເຕີບໂຕທາງດ້ານການວິເຄາະໃນລະດັບສູງ, ເກືອບເຄິ່ງຫນຶ່ງໄດ້ບັນລຸເປົ້າຫມາຍທຸລະກິດຢ່າງຫຼວງຫຼາຍໃນ 12 ເດືອນທີ່ຜ່ານມາ.

ການສຶກສາໄດ້ເປີດເຜີຍວ່ານອກເຫນືອຈາກຄວາມຫຍຸ້ງຍາກໃນການປະຕິບັດວິທີແກ້ໄຂດ້ານວິຊາການໃຫມ່, ບັນຫາທີ່ສໍາຄັນໃນບໍລິສັດແມ່ນການຂາດວັດທະນະທໍາຂອງການເຮັດວຽກກັບຂໍ້ມູນ. ທ່ານບໍ່ຄວນຄາດຫວັງຜົນໄດ້ຮັບທີ່ດີຖ້າຄວາມຮັບຜິດຊອບຕໍ່ການຕັດສິນໃຈທີ່ເຮັດຢູ່ເທິງພື້ນຖານຂອງຂໍ້ມູນໃຫຍ່ແມ່ນມອບໃຫ້ພຽງແຕ່ນັກວິເຄາະຂອງບໍລິສັດເທົ່ານັ້ນ, ແລະບໍ່ແມ່ນບໍລິສັດທັງຫມົດ. "ຕອນນີ້ບໍລິສັດກໍາລັງຊອກຫາກໍລະນີການນໍາໃຊ້ທີ່ຫນ້າສົນໃຈສໍາລັບຂໍ້ມູນໃຫຍ່," Miftakhov ເວົ້າ. "ໃນເວລາດຽວກັນ, ການປະຕິບັດບາງສະຖານະການຮຽກຮ້ອງໃຫ້ມີການລົງທຶນໃນລະບົບການເກັບກໍາ, ການປຸງແຕ່ງແລະການຄວບຄຸມຄຸນນະພາບຂອງຂໍ້ມູນເພີ່ມເຕີມທີ່ບໍ່ໄດ້ວິເຄາະມາກ່ອນ." ອະນິຈາ, "ການວິເຄາະຍັງບໍ່ທັນເປັນກິລາທີມ," ຜູ້ຂຽນຂອງການສຶກສາຍອມຮັບ.