Не только Coca-Cola — вы тоже сможете. Как заработать на Big Data, примеры
Небольшое количество компаний представляет себе пользу, которую можно извлечь из большого объема информации о клиентах, продуктах, поставщиках.
Что может принести бизнесам, которые напрямую не связаны с ИТ, понимание Big Data? Какой продукт можно создать из массива данных и как его монетизировать? Примеры приводит Алексей Шинкаренко, бизнес-партнер в компании Vizuatica, архитектор аналитических BI систем.
— Когда речь заходит о больших данных, в разговоре сразу появляются словосочетания из Data Science, как Machine Learning, Data Mining, Deep Learning. Слова, которые ставят в тупик. Возможно, из-за этого мало компаний представляет, как развить свои потенциальные возможности в направлении Big Data.
Big Data — это не просто большой размер файла с информацией. Это явление, соединяющее большой объем данных с инструментами и алгоритмами его обработки. Особенности больших данных связаны с несколькими понятиями: объем, разнообразие, скорость, достоверность и ценность (volume, variety, velocity, veracity, value). Это так называемая концепция 5 V.
В продукте, созданном из больших данных, рассматривается не столько сама информация, сколько результаты, которые можно получить, применяя к ним математические алгоритмы.
Если рассмотреть данные как продукт, можно выделить два их вида: для использования машиной и для использования непосредственно человеком. Монетизировать можно оба продукта. Приведу примеры.
Данные как продукт для машины
Как правило, речь идет о создании «умной модели», в которой собрано множество данных, фиксирующих определенное явление или процесс.
Создание модели начинается со сбора из сырого разрозненного массива информации «заготовки» (ее называют Data Lake). «Заготовка» используется в последующем, для более сложной обработки машиной. Созданная таким образом «умная модель» будет готова к дальнейшему использованию в бизнес-целях.
Вот несколько примеров монетизации таких продуктов:
Ритейл. Nike начала собирать данные, генерируемые смарт-одеждой, с предполагаемой их продажей страховым компаниям. Те смогут использовать информацию для прогнозирования здоровья клиентов, потребностей в медицинских страховых услугах.
Здравоохранение. Продажа данных между компаниями одной индустрии или участниками цепи поставок — supply chain (производителями, поставщиками, покупателями). Например, финский дистрибьютор Tamro продает данные о поставках лекарств локальным аптекам. Те в свою очередь могут сравнивать свои показатели продаж с конкурентами, оптимизировать выкладку в витринах, закупки и объем складов. Кроме этого, Tamro продает данные и крупным фармпроизводителям, которые используют их для регулирования цен на продукты.
Вот схема монетизации данных через продажи по цепи поставок.
Транспорт: Данные, которые генерируют автомобили, прежде всего конвертируются через продажу, например, «паттернов транспортной загрузки», «паттернов уличного трафика». Прекрасный проект Copenhagen Wheel, который реализует идею использования электробайков (электрических велосипедов). С помощью встроенных в велосипед датчиков, которые работают во время движения, данные используются в проектах по улучшению городской инфраструктуры и экологии. Идея стартапа стала фундаментом и для создания проектов по совместному владению электротранспортом. Эта тема сейчас набирает обороты. Такие компании, как Bird, Spin, Lime and Skip развивают свои сервисы в городах США. На рынок совместного владения велосипедами вышел и Uber.
Логистика. Это данные, которые собирают логистические центры, информация об объемах импорта и экспорта товаров, индикатор экономической активности в стране. Информация может быть полезна инвестиционным и финансовым компаниям, которые хотят предсказывать рост и падение экономики региона на ранних стадиях, игрокам на рынке транспортных услуг.
Данные как визуальный продукт
Если говорить о предназначении для человека, продукт из данных, как и любой другой, нуждается в форме и оболочке. Поэтому мы именно так его и представляем — как объединение визуализации с потоком данных.
Например, вот представление данных о потреблении напитков через диспенсеры по заказу Coca-Cola. Компания, получив доступ с одного экрана к историческим данным о потреблении напитков, может корректировать прогнозы продаж, регулировать сегментацию продуктов в определенных регионах с привязкой к сезонности.
В такой совокупности характеристик человек может избавиться от барьера восприятия больших данных. Цель такого продукта — вдохновить и подпитать инсайтами аналитическое мышление менеджеров, принимающих решения на основе данных. Для этого нужно к математическим алгоритмам добавить алгоритмы визуального кодирования, сделать так называемую визуализацию.
Вот как это выглядит на примере Coca-Cola (при открытии ссылки нажмите на картинку два раза).
Современные технологии визуализации охватывают все виды аналитики данных: описательную, диагностическую, предиктивную, предписывающую (descriptive, diagnostic, predictive, prescriptive).
В качестве еще одного примера я бы выделил концепцию open street map (OSM). Сами по себе географические данные существовали, но они были недоступны для открытого использования. После разработки графического интерфейса для сбора, хранения и анализа геопространственных данных началось стремительное накопление информации. А затем стали создаваться бизнес-продукты, расширяющие возможности базового интерфейса OSM. Какую пользу извлекли компании из этого? Можем узнать на примере таких известных проектов, как MAPS.ME, Mapbox, Uber, Tripadviser.
Вывод: в чем польза от Big Data как продукта?
- Инсайты, опережающие изменения на рынке. Новые конкурентные преимущества как для новых компаний, которые хотят потеснить классический, устоявшийся бизнес, так и для компаний, когда-то занявших твердые позиции на рынке и нуждающихся в трансформации с учетом вызовов новой цифровой экономики.
- Рост выручки от монетизации данных. По данным McKinsey, компании, активно монетизирующие свои данные, достигают роста выручки до 20%.
- Обменная ценность для внутренних и внешних партнеров. К примеру, компания-производитель обменивается накопленными данными с компаниями-поставщиками для автоматизации и точного планирования supply chain.
Алексей Шинкаренко
Бизнес-партнер в компании Vizuatica
Член ассоциации бизнес-ангелов angelsband.by. Архитектор аналитических BI систем.
Спикер междунардной практической конференции Minsk DataViz Day
