V súčasnosti zaznamenávame veľký dopyt po analýzach napomáhajúcich nielen lepšiemu porozumeniu zákazníkom a ich správaniu, ale aj takých, ktoré dokážu zákaznícke správanie rovno predvídať. Tento trend uzatvára požiadavka analýz, ktoré pomáhajú robiť rozhodnutia na základe týchto získaných informácií tak, aby z toho firma mala nejaký úžitok. K tomu všetkému môžu prispieť ako nové technológie, ako sú Big Data alebo internet vecí – IoT, tak aj pokročilé analytické prístupy. Patria medzi ne hlavne machine learning, deep learning alebo natural language processing.


Popisná analýza a prediktívna analýza dát patria medzi základné piliere analýzy dát. Popisná analýza sa v podstate snaží čo najlepšie ukázať, aká je skutočnosť, ktorú zozbierané dáta zachytávajú. Prediktívna analýza potom využíva zaznamenanú minulosť na predikciu budúceho vývoja. Štatistické metódy a algoritmy umelej inteligencie dokážu spracovávať nielen štruktúrované dáta, ale aj texty alebo obrázky. Všeobecne však platí, že kvalita analytických výstupov do veľkej miery súvisí s kvalitou, rýchlosťou, rozsahom a objemom spracovaných dát.


Na základe analýzy dát môžete získať popisy kľúčových okamihov vedúcich k tomu, že zákazník v blízkej budúcnosti urobí významné rozhodnutie. Môže ísť napríklad o neúspešné volania z miest, kde je veľmi dobré pokrytie, ale kapacita odbavenia BTSkou je nízka. Klientovo rozladenie potom môže viesť až k situácii, že sa rozhodne zmeniť operátora. Cena pritom nemusí hrať tú najdôležitejši­u rolu.


Ak takúto situáciu operátor dokáže detegovať z dát, môže byť pre zákazníka kvalitným partnerom a uvedené technické problémy zvládne vyriešiť včas a na úrovni. Podobný príklad môžeme uplatniť aj v banke. Ak klient napríklad pravidelne na webových stránkach vyhľadáva kurzový lístok svojej banky, stojí za zamyslenie ponúknuť mu nejakú službu súvisiacu s touto situáciou.


5 krokov pre úspešnú analýzu Big Data

Spracovanie transakčných, operatívnych alebo logovacích dát môže byť pre veľké spoločnosti prospešné ak vedia, ako na to:

  1. Kľúčová je solídna technická infraštruktúra, ktorá zaistí, že systémy dokážu dáta zozbierať a v rozumnom čase odovzdávať, transformovať a ukladať. Rozvoj technológií vedie k „near real time“ riešeniam. Ak máme štruktúrované dáta, môžeme s nimi začať vykonávať rôzne analýzy a kúzla.
  2. Ďalej je potrebné tieto dáta dlhodobo uchovávať alebo z nich aspoň dlhodobo získavať kľúčové informácie. Bez histórie sa nedá zostaviť žiadny kvalitný prediktívny model. Fakt, že transakčných a logovacích dát je veľmi veľa, donedávna pre väčšinu spoločností znamenal, že mali detailné záznamy len rádovo za týždne, mesiace, maximálne jeden či dva roky. S príchodom úložísk pre veľké dáta v podobe cloudových či Hadoop riešení toto obmedzenie odpadá. Postupne sa teda stretávame s tým, že veľké spoločnosti majú svoje veľké dáta pod vlastnými krídlami.
  3. Ak máme dostatok záznamov pre analýzu, kde sa čo s kým deje, neznamená to ešte, že sme si automaticky vygenerovali konkurenčnú výhodu. Aby sme mohli túto skutočnosť využiť, musíme si všetky analytické výstupy prepojiť so súčasnými systémami pre predaj, starostlivosť o zákazníka (CRM, call centrum), marketing, vývoj produktov a služieb a pod.
  4. Teraz môže data scientista začať budovať svoje modely, ktoré umožnia odhadnúť, kedy a komu odporučiť službu. Táto cesta k modelom teda nie je úplne jednoduchá, no pri troche snahy dokážu klasifikačné a prediktívne modely nájsť tú správnu cestu k personalizovanému prístupu.
  5. Prípravou perfektného modelu ešte nekončíme. Ak nedôjde k celému radu procesných a systémových vylepšení, nemôžeme očakávať, že pokročilá analýza Big Dat bude prospešná.

Úspech spracovania analýzy záleží predovšetkým na tom, aby sa nerobila len pro forma či do šuplíka, ale mala jasné poslanie. Patrí sem predovšetkým využitie výstupov na detekciu včasných príležitostí a vylepšenie obchodných výsledkov. Schopný analytik potom môže reálne prispieť k poskytovaniu relevantných služieb a efektívnejšej starostlivosti o zákazníka.

Autor: Dagmar Bínová, Data Science Leader, Adastra

Zdroj: IT Systems, 10/2017