“КАК ТОЛЬКО В КАЖДЫЙ КАМЕНЬ МОЖНО БУДЕТ ВСТРОИТЬ ПО УСТРОЙСТВУ, ТАК И СДЕЛАЮТ”

Сергей Марин о Big Data School от Киевстар и рынке интернета вещей

Сергей Марин, ментор Big Data School от Киевстар — о работе с big data в контексте больших и малых компаний, а также о будущем рынка IoT.

В начале этого года компания Coca-Cola запустила на американском рынке новый продукт — Sprite Cherry. В привычную газировку с лимонным вкусом добавили вишневый аромат. Как сообщили затем в компании, в решении они основывались именно на предпочтениях клиентов и big data. И вот как.

По всем США у Coca-Cola установлены автоматы Fountain Freestyle, которые позволяют добавить в напитки различные фруктовые и ванильные сиропы. Пользователи сами выбирали сочетания, а компания собирала данные сенсоров и определяла лидеров спроса. Таким стал Sprite Cherry.

Дальше — больше. В планах Coca-Cola — персонализация для пользователей, чтобы они могли заказать свой любимый “коктейль” в любом автомате. Это только один из многочисленных примеров использования big data в бизнесе.

Сергей Марин — основатель Школы Данных и Студии данных, практик с опытом реализации кейсов big data в крупном мобильном операторе и розничных сетях. В интервью для Kyivstar Business Hub Сергей рассказал о сферах, которые еще не успели оценить технологию, страховой телематике и развитии интернета вещей.

 

speaker_3

 

Самые разные направления гудят понятием big data. Насколько, по-вашему, инструмент действительно пошел в бизнес и что мешает продвижению?

Рынок воспринимает медленно. Одно дело big data, другое — ее интеграция в бизнес-процессы и технологии продаж.

Возьмем рекомендательную систему. Она берет данные о клиенте и для каждого из них считает наиболее подходящие предложения. Причем обеспечивает прирост в эффективности по сравнению с ручными методами в среднем на 15%. Мало того — еще полностью автоматизирует процесс маркетинга.

Вроде как, прекрасно. Но не совсем так.

Почему?

Многие компании не готовы к удаленным продажам. Можно придумать предложение, даже донести его, но на этапе покупки заставить клиента идти в офис. Клиент уходит.

И еще. Мне кажется, внедрение big data немножко оторвано от бизнеса. Отчасти это понятно — ведь технологии возникали в других сферах — у Amazon, Google, Яндекс и крупных интернет-компаний, которые их развивали. Попробуйте перенести это на банк, страховую, офлайн-ритейлера. Чтобы там что-то внедрить, нужно очень хорошо понимать бизнес-процессы этих компаний. И бывает так, что продукт-технология есть, а подать в нужных терминах его не могут.

Нужны люди, которые умеют говорить на языке бизнеса. Если просто прийти в авиакомпанию и сказать: «Ребята, у нас есть рекомендательная система», у вас спросят: «Зачем?» А если объяснить, что с помощью нее можно  автоматизировать процесс продажи авиабилетов на сайте, это уже можно продать.

Когда говорят о кейсах применения, примеры связаны в основном с ритейлом, банковским сектором, телекомом. Есть ли сферы, которые подключаются к тренду, но раньше были неочевидны?

Да. Только ремарка — подключаются не сами по себе. Им как раз помогают компании, которые внедряют технологию.

Big data приходит в места, где с точки зрения анализа данных ей очевидно нужно быть, а с точки зрения людей и бизнес-процессов — непривычно и неочевидно.

Например, фитнес-клубы. Для них актуальна рекомендательная система — какие тренировки рекомендовать людям. Ходят на одни, а система советует дополнительные. Если услуги платные, растет средний чек. А если бесплатные — повышается лояльность.

Медицина. В ней есть два направления. Сложное — диагностика. Допустим, мы с вами сели и придумали лекарство от всех болезней. Но вывести на рынок сможем лет через десять. Есть процедура сертификации, которая требует гору разных тестирований. И прежде чем мы ее пройдем, никто не допустит нас продавать что-либо на медицинском рынке. Этим занимаются только крупные производители фармацевтики или оборудования.

Остальным масштаб не позволяет, поэтому они работают с простым направлением — продажами. Можно предсказывать, какое лекарство купит пациент. Или какую услугу ему рекомендовать. Ставить диагнозы запрещено, это должен делать врач. Но есть набор процедур, которые не считаются в чистом виде лечебными — как физиотерапия.

В металлургии есть важный технологический процесс — производство. Там большое количество этапов с затратами электричества на нагревание и охлаждение. На раннем этапе в металл может закрасться брак, который можно диагностировать только в самом конце. Огромное количество средств тратится впустую. Если же с помощью модели диагностировать брак раньше, можно сэкономить много денег.

Похожая тема в авиаиндустрии — предсказание того, что какая-то деталь самолета сломается. Есть программы от самих производителей самолетов, согласно которым нужно регулярно менять детали. Есть нормативы. Но несмотря на это случаются ситуации, когда самолет приходится снимать с рейса из-за технических неполадок. А если поймать неисправность на более раннем этапе, можно оптимизировать затраты.

Но для создания моделей предварительно нужно собрать аналитику по скольким-то тысячам полетов?

Да, это работает, когда есть какой-то исторический массив данных.

С точки зрения полетов это работает так. Большинство авиакомпаний сохраняет информацию об обслуживании самолетов. Есть базы данных с разной степенью детализации, в том числе — когда самолет не смог взлететь. Эти события можно сопоставлять с предыдущей информацией об обслуживании. От глубины и детализации данных будет зависеть качество модели.

Касательно моделей все уже более-менее придумано. Они изобретаются, но не кардинально новые. Есть прорывы в нейросетях, еще в нескольких областях, но по факту прогресс уже понятен, чего-то космического там нет.

Вся фишка в данных: какие есть, как собрать новые, как из них построить те, которые нужны для модели. И если данные есть, то все хорошо, если нет — беда.

Big data много где можно применять. Даже там, где, казалось бы, уже и так все понятно.

В этом контексте — насколько тесно связаны между собой big data и интернет вещей?

Рынок интернета вещей (IoT) делится на две части. Первая связана с big data в том, что данные устройств нужно где-то хранить и обрабатывать в реальном времени. Какой-то продвинутой аналитики нет. Но нужно иметь возможность быстро отреагировать на какое-то событие с датчика. Большой объем данных, быстрая реакция.

Вторая часть — аналитика. Есть много отраслей, где она актуальна. Например, то же здоровье, когда умные часы отслеживают самочувствие владельца. Нужна аналитика, чтобы, сравнивая большое количество людей, что-то прогнозировать. Так, например, часы могут отследить аритмию и подать тревожный сигнал.

Эта тема — союз медицины и wearable devices (носимых устройств) — уже взлетела.

А есть ли другие примеры? Те же умные дома или умные города?

Конечно. Есть сфера, о которой в контексте интернета вещей говорится очень редко — и это меня удивляет, ведь рынок огромный. Это страховая телематика.

В обычный автомобиль встраивается устройство, которое анализирует, как ездит владелец. Целей две. Первая — определить факт наличия ДТП. Вторая — чтобы страховая компания понимала, какой тарифный план предложить водителю.

Эта история ярко запустилась в Италии. На уровне законодательства прописано, что при ДТП выплачиваются компенсации, если есть ущерб здоровью. Компенсация прописана в страховых полисах. Если водитель получает удар в шею (как это происходит при наезде сзади), выплачивается серьезная сумма в тысячах евро. В свое время водители начали этим пользоваться и при любой аварии сразу мчались в больницу с жалобами на шею.

Чтобы исключать таких хитрецов, страховые компании начали ставить в машину датчики, определяющие силу удара.

Я ездил в одну из таких компаний и смотрел, как там тестируют устройства. Ставятся датчики в реальные машины, которые затем сталкивают в разных вариациях. Потом сравнивают результаты с реальными показателями, ведь люди начали симулировать аварии, подставлять машины. Это громадный процесс обучения.

В Италии в огромном количестве машин стоят такие устройства. В остальных странах тема пока взлетает медленно — нет законодательного закрепления.

Как будет развиваться рынок IoT в ближайшие 2-3 года? Какие у него основные барьеры?

Мне кажется, он развернется. Технологии уже позволяют в каждый камень встроить по датчику. Но взять ту же телематику — минимальное устройство стоит доллара четыре. Это ограничивает применимость. Когда цена упадет, дело пойдет живее.

Прогноз такой: цена устройств будет падать, потому что технологии это позволяют. Как только в каждый камень можно будет встроить по устройству, в каждый камень его и встроят. Пока это дорого и нерентабельно.

Многие бизнес-кейсы из сферы IoT маржинальны, но не глобальны. Берем какой-нибудь умный дом — понятно, что можно поставить датчики, которые всем управляют, позволяют контролировать расход электричества или перекрывать клапаны. При малом объеме это игрушки. Но это должен быть спрос не одного дома, а сотен, тысяч, сотен тысяч домов. Тогда рынок заработает в полную силу.

21.09.2017
Что нового
Популярно
комментарии
Блоги
ЭКСПЕРТЫ РЫНКА
ТОП-МНЕНИЕ
АВТОРЫ БИЗНЕС-КНИГ
Обзоры бизнес книг
Лекции
WATCH&SHARE
Рынок
ОБЗОР РЫНКОВ
ОТРАСЛЕВЫЕ ТРЕНДЫ
ЭКСПЕРТЫ
ИДЕИ
ИННОВАЦИИ
ВДНГ TECh
ПРАКТИКА
БИЗНЕС-ПЛАНЫ
ЗНАНИЯ
ИСТОРИИ УСПЕШНЫХ
ТЕЛЕКОМ ДЛЯ БИЗНЕСА