Тільки-но в кожен камінь можна буде вбудувати пристрій, так і зроблять

Марін Сергій
Випускник МГУ імені М.В. Ломоносова, факультету ВМиК, має ступінь MBA Московської Бізнес Школи Сколково. Починав кар’єру в Нідерландах, в компанії Acision – провідному вендорів SMS-систем і мобільного мессенджінга. Кілька років пропрацював в Hewlett Packard, де займався управлінням і розвитком продуктової лінійки. Потім продовжив кар’єру в компанії KPN – найбільшому нідерландському операторі стільникового зв’язку. Пізніше керував […]
21 Вересня 2017
Огляди ринку / Інновації
icon
93

Сергій Марін, ментор Big Data School від Київстар — про работу з big data в контексті великих і малих компаній, а також про майбутнє ринку IoT.

На початку цього року компанія Coca-Cola запустила на американському ринку новий продукт – Sprite Cherry. До звичної газованої води з лимонним смаком додали вишневий аромат. Як потім повідомили в компанії, в рішенні вони грунтувалися саме на перевагах клієнтів і big data. І ось як.

По всім США у Coca-Cola встановлені автомати Fountain Freestyle, які дозволяють додати в напої різні фруктові і ванільні сиропи. Користувачі самі вибирали поєднання, а компанія збирала дані сенсорів і визначала лідерів попиту. Таким став Sprite Cherry.

Далі — більше. В планах Coca-Cola — персонализація для користувачів, щоб вони могли замовити свій улюблений «коктейль» в будь-якому автоматі. Це лише один з численних прикладів використання big data у бізнесі.

Сергій Марін – засновник Школи Даних і Студії даних, практик з досвідом реалізації кейсів big data у великому мобільному операторі і роздрібних мережах. В інтерв’ю для Kyivstar Business Hub Сергій розповів про сфери, які ще не встигли оцінити технологію, страхову телематику і розвиток інтернету речей.

Найрізноманітніші напрямки гудуть поняттям big data. Наскільки, на вашу думку, інструмент справді пішов у бізнес і що заважає просуванню?

Ринок сприймає повільно. Одна справа big data, інша – її інтеграція в бізнес-процеси і технології продажів.

Візьмемо рекомендаційну систему. Вона бере дані про клієнта і для кожного з них рахує найприйнятніші пропозиції. Водночас забезпечує приріст в ефективності, як порівняти з ручними методами, в середньому на 15 %. До того ж – ще повністю автоматизує процес маркетингу.

З одного боку, чудово. Проте не зовсім так.

Чому?

Багато компаній не готові до віддалених продажів. Можна придумати пропозицію, навіть донести її, проте на етапі покупки змусити клієнта йти до офісу. Клієнт йде.

І ще. Мені здається, впровадження big data дещо відірване від бізнесу. Почасти це зрозуміло – адже технології виникали в інших сферах – у Amazon, Google, Яндекс і великих інтернет-компаній, які їх розвивали. Спробуйте перенести це на банк, страхову, оф-лайн-ритейлера. Щоб там щось впровадити, потрібно дуже добре розуміти бізнес-процеси цих компаній. І трапляється так, що продукт-технологія існує, а подати в потрібних термінах його не можуть.

Потрібні люди, які вміють говорити мовою бізнесу. Якщо просто прийти в авіакомпанію і сказати: «Хлопці, у нас є рекомендаційна система», у вас запитають: «Навіщо?» А якщо пояснити, що з її допомогою можна автоматизувати процес продажу авіаквитків на сайті, це вже можна продати.

Коли йдеться про кейси застосування, приклади пов’язані здебільшого з ритейлом, банківським сектором, телекомом. Чи є сфери, які підключаються до тренда, але раніше були неочевидними?

Так. Тільки ремарка – підключаються не самі собою. Їм якраз допомагають компанії, що  впроваджують технологію.

Big data приходить у місця, де з огляду аналізу даних їй очевидно потрібно бути, а з огляду людей і бізнес-процесів – незвично і неочевидно.

Наприклад, фітнес-клуби. Для них актуальна рекомендаційна система – які тренування рекомендувати людям. Ходять на одні, а система радить додаткові. Якщо послуги платні, зростає середній чек. А якщо безкоштовні – підвищується лояльність.

Медицина. У ній є два напрями. Складний – діагностика. Припустимо, ми з вами сіли і придумали ліки від усіх хвороб. Але вивести на ринок зможемо років за десять. Є процедура сертифікації, яка вимагає купу різних тестувань. І перш ніж ми її пройдемо, ніхто не допустить нас продавати будь-що на медичному ринку. Цим займаються тільки великі виробники фармацевтики або обладнання.

Іншим масштаб не дозволяє, тому вони працюють з простим напрямом – продажами. Можна прогнозувати, які ліки купить пацієнт. Або яку послугу йому рекомендувати. Встановлювати діагнози заборонено, це має робити лікар. Але є набір процедур, які не вважаються в чистому вигляді лікувальними – як фізіотерапія.

У металургії є важливий технологічний процес – виробництво. Там велика кількість етапів з витратами електрики на нагрівання та охолоджування. На ранньому етапі в метал може закрастися брак, який можна діагностувати тільки наприкінці. Величезна кількість коштів витрачається даремно. Якщо ж з допомогою моделі діагностувати брак раніше, можна заощадити чимало грошей.

Схожа тема в авіаіндустрії – передбачення того, що якась деталь літака зламається. Є програми від самих виробників літаків, згідно з якими потрібно регулярно змінювати деталі. Є нормативи. Але незважаючи на це трапляються ситуації, коли літак доводиться знімати з рейсу через технічні неполадки. А якщо зловити несправність на більш ранньому етапі, можна оптимізувати витрати.

Але для створення моделей попередньо потрібно зібрати аналітику щодо кількох тисяч польотів?

Так, це працює, коли є якийсь історичний масив даних.

З огляду польотів це працює так. Більшість авіакомпаній зберігає інформацію про обслуговування літаків. Є бази даних з різним ступенем деталізації, зокрема – коли літак не зміг злетіти. Ці події можна зіставляти з попередньою інформацією про обслуговування. Від глибини і деталізації даних залежатиме якість моделі.

Щодо моделей все вже більш-менш придумано. Їх винаходять, але не кардинально нові. Є прориви в нейромережах, ще в декількох областях, але за фактом прогрес вже зрозумілий, чогось космічного там немає.

Вся фішка в даних: які є, як зібрати нові, як з них побудувати потрібні для моделі. І якщо дані є, то все добре, якщо ні – біда.

Big data багато де можна застосовувати. Навіть там, де, здавалося б, уже й так все зрозуміло.

В цьому контексті — наскільки тісно пов’язані між собою big data та інтернет речей?

Ринок інтернету речей (IoT) поділяється на дві частини. Перша пов’язана з big data в тому, що дані пристроїв потрібно десь зберігати і обробляти в реальному часі. Якоїсь просунутої аналітики немає. Але потрібно мати можливість швидко відреагувати на якусь подію з датчика. Великий обсяг даних, швидка реакція.

Друга частина – аналітика. Є багато галузей, де вона актуальна. Наприклад, здоров’я, коли розумний годинник відстежує самопочуття власника. Потрібна аналітика, щоб, порівнюючи велику кількість людей, щось прогнозувати. Так, наприклад, годинник може відстежити аритмію і подати тривожний сигнал.

Ця тема – союз медицини і wearable devices (пристроїв, що носяться) – вже злетіла.

А чи є інші приклади? Розумні будинки або розумні міста?

Звісно. Є сфера, про яку в контексті інтернету речей говориться дуже рідко – і це мене дивує, адже ринок величезний. Це страхова телематика.

У звичайний автомобіль вбудовується пристрій, який аналізує, як їздить власник. Цілей дві. Перша – визначити факт наявності ДТП. Друга – щоб страхова компанія розуміла, який тарифний план запропонувати водієві.

Ця історія яскраво запустилася в Італії. На рівні законодавства прописано, що при ДТП виплачуються компенсації при наявності шкоди здоров’ю. Компенсація прописана в страхових полісах. Якщо водій отримує удар в шию (як це трапляється при наїзді ззаду), виплачується серйозна сума в тисячах євро. Свого часу водії почали цим користуватися і при будь-якій аварії відразу мчали до лікарні зі скаргами на шию.

Для виключення таких хитрунів страхові компанії почали ставити в машину датчики, що визначають силу удару.

Я їздив до однієї такої компаній і дивився, як там тестують пристрої. Ставляться датчики в реальні машини, які потім зіштовхують в різних варіаціях. Потім порівнюють результати з реальними показниками, адже люди почали симулювати аварії, підставляти машини. Це величезний процес навчання.

В Італії у величезній кількості машин стоять такі пристрої. В інших країнах тема поки злітає повільно – немає законодавчого закріплення.

Як розвиватиметься ринок IoT найближчими 2-3 роками? Які у нього основні бар’єри?

Мені здається, він розгорнеться. Технології вже дозволяють в кожен камінь вбудувати по датчику. Але взяти ту ж телематику – мінімальний пристрій коштує близько чотирьох доларів. Це обмежує застосовність. Коли ціна впаде, справа піде жвавіше.

Прогноз такий: ціна пристроїв падатиме, оскільки технології це дозволяють. Як тільки в кожен камінь можна буде вмонтувати по пристрою, в кожен камінь його і вмонтують. Поки це дорого і нерентабельно.

Багато бізнес-кейсів із сфери IoT маржинальні, але не глобальні. Беремо якийсь розумний будинок – зрозуміло, що можна поставити датчики, які всім управляють, дозволяють контролювати витрату електрики або перекривати клапани. При малому обсязі це іграшки. Але це повинен бути попит не одного будинку, а сотень, тисяч, сотень тисяч будинків. Тоді ринок запрацює в повну силу.

Теги
icon
93