Nowe spojrzenie na Big Data

Pojęcie big data robi zawrotną karierę.

Może być jednak bardzo mylące – nie chodzi bowiem o wielkość danych poddanych przetwarzaniu, lecz zupełnie nowe podejście do analityki. Z tej perspektywy duże zbiory danych wcale nie muszą być takie „big”; podobnie jak koszty wdrożenia takiej analityki. Otwiera to nowe możliwości biznesowe dla firm różnej wielkości.

Od co najmniej kilku lat zdolność gromadzenia i przetwarzania dużych zbiorów danych oraz wyciągania z nich wniosków postrzegana jest jako rozwiązanie stanowiące o przewagach biznesowych. Zgodnie zresztą z ogólnej natury przekonaniem w biznesie, iż jedną z najcenniejszych wartości stanowi dziś informacja – precyzyjna, wiarygodna i błyskawicznie uzyskana. Przy czym przeważnie termin big data rezerwowano do dużych organizacji o globalnym zasięgu. Nic bardziej mylnego. Po pierwsze, nikt nigdy nie ustanowił granic, od których możemy mówić o big data. Po drugie, wcale nie ilość podlegających badaniu danych jest kluczowa. Znacznie ważniejszym czynnikiem stanowiącym o innowacyjności big data jest nowe myślenie o danych, ich analizie i źródłach. To zaś oznacza, że zastosowanie tego typu rozwiązań analitycznych możliwe jest także w odniesieniu do mniejszych, działających lokalnie firm oraz wszystkich, bez wyjątku, branż i sektorów rynku. Takie podejście pozostaje w zgodzie z ważnym spostrzeżeniem dotyczącym roli Internetu w biznesie. Otóż powszechny dostęp do sieci i coraz szybsze łącza zrównały w dużej mierze szanse mniejszych firm wobec gigantów działających globalnie. Ciągłemu wyrównywaniu bowiem podlega – za sprawą Internetu właśnie – dostęp do aktualnych i potencjalnych klientów oraz informacji, w tym wiedzy o potrzebach konsumentów, zmianach na rynku, dominujących trendach. Na znaczeniu straciło miejsce, z którego firma działa i organizuje swoją pracę; technologie przejęły znaczną część innych struktur niezbędnych do zdobywania klientów czy partnerów biznesowych oraz utrzymywania relacji z nimi.

E-commerce zasilane big data

Przyjrzyjmy się bliżej, czym jest big data, na przykładzie, który wszyscy dobrze znamy – sklepu internetowego. Sklep może oferować 100 produktów lub 10 000 produktów, może mieć 1000 odwiedzających dziennie lub 1000 odwiedzających na godzinę, obroty 100 tysięcy miesięcznie lub 100 milionów miesięcznie, nie ma to większego znaczenia z punktu widzenia big data. Najprostsza wersja analityki to wolumen i wartość sprzedaży w podziale na: produkt, liczba i średnia wartość transakcji itp. Bardziej dojrzałe sklepy analizują dane zakupowe bardziej szczegółowo, na przykład: czy klienci kupują więcej czy tyle samo, jak zmienia się wolumen i kupiony asortyment w czasie, ilu jest nowych klientów i co kupują, jakie są typowe koszyki zakupowe. Budują mechanizmy rekomendacyjne: „klienci, którzy kupili tę latarkę, kupili również zapasowe baterie i żarówki”. Dla szybko zmiennych produktów, takich jak książki czy muzyka, tworzą kategoryzacje („sensacja”, „biografie polskich aktorów”, „muzyka etniczna”), aby móc trafniej rekomendować budowanie koszyka. Podejście big data rozszerza zakres danych o dodatkowe źródła, które pozwolą analizować bardziej skomplikowane kwestie, na przykład: Ilu i jakich klientów porzuciło swoje koszyki? Które produkty zostały wyjęte z koszyka i zastąpione innymi? Czy zastępcy byli z tej samej kategorii czy z innej? O ile zmniejszyła lub zwiększyła się wartość koszyka po takiej zmianie? Czy dla tej grupy klientów jest jakaś wartość graniczna koszyka, przy której zaczynają optymalizować jego zawartość? Czy gdyby klient dostał specjalny rabat, to kupiłby porzucony koszyk? Ile powinien wynieść taki rabat? Jak długo klient szukał kolejnego produktu do koszyka? Ile odwiedził podstron, zanim znalazł to, czego szukał? Czy i jak długo przeglądał opisy produktów? Big data pozwala na znalezienie odpowiedzi na te pytania. Sklep internetowy, który wykorzysta takie big data, przede wszystkim zoptymalizuje architekturę swojego sklepu – będzie ona lepiej stymulowała napełnianie i zakup koszyków. W drugim kroku nastąpi inteligentna personalizacja w czasie, kiedy klient robi zakupy: „Skoro wyrzuciłeś z koszyka ten produkt, może zastąpisz go innym, np. tym? Jest w tej samej cenie, ale ma dłuższą gwarancję” albo: „Do zapłaty 240 zł, ale jeśli dołożysz produkt, który wyjąłeś z koszyka, dostaniesz go za trzy czwarte ceny”. To niemal tak, jakbyśmy dyskutowali ze sprzedawcą w tradycyjnym sklepie: „Rozumiem, że pan się jeszcze zastanawia, ale mamy tutaj jeszcze coś specjalnego, wydaje mi się, że w sam raz na pana potrzeby i oczekiwania”. Część klientów kupuje jeden produkt i wychodzi, ale dzięki inteligentnemu dialogowi w czasie rzeczywistym z tymi niezdecydowanymi rosną obroty sklepu, wzrasta liczba klientów powracających, wzrasta częstotliwość wizyt, wzrasta zadowolenie i liczba pozytywnych rekomendacji. Big data to big money.

Przykład praktyczny

Macy’s w USA. Z historią dłuższą niż 80 lat Macy’s jest jedną z najlepiej rozpoznawanych marek detalicznych w Stanach Zjednoczonych. Miliony lojalnych klientów codziennie odwiedzają sklepy Macy’s zarówno tradycyjne, jak i internetowy. Aby lepiej zrozumieć doświadczenia klientów, powołano nową organizację: Macys.com. Jej głównym celem jest bieżące analizowanie strumienia danych big data pochodzących ze wszystkich kanałów sprzedaży, ale także uwag i komentarzy klientów, oraz budowanie prawdziwie spersonalizowanej oferty. Tradycyjni sprzedawcy głośno narzekają na tzw. showrooming: klienci przychodzą do tradycyjnego sklepu, oglądają produkt, ale kupują w sklepie internetowym, nierzadko u konkurencji. Budowanie lojalności wg Macy’s to pełna, dwukierunkowa integracja obu kanałów: klient na spokojnie przegląda asortyment w e-shopie, a w międzyczasie dostaje spersonalizowaną ofertę: „Przymierz i kup w najbliższym sklepie; interesujące cię produkty będą tam dostępne”. Dzięki spersonalizowanej komunikacji Macy’s znacznie ograniczyło wolumen masowej korespondencji elektronicznej ze swoimi klientami, a jednocześnie o 20% wzrosła baza klientów odwiedzających e-sklep więcej niż jeden raz. Macy’s upiekło jednocześnie drugą pieczeń na tym samym ogniu, wykorzystując kolejne rozwiązanie analityczne SAS: zatowarowanie tradycyjnych sklepów odbywa się w oparciu o algorytmy analityczne wykorzystujące informacje na temat historycznego i aktualnego popytu, planowanych przecen, promocji itp. Macy’s jest doskonałym przykładem wykorzystania big data do synchronizacji tradycyjnego i elektronicznego handlu detalicznego w obu przestrzeniach – „offline” i „online”.

Pełna wiedza o kliencie transformuje biznes

Innowacyjne rozwiązania technologiczne dzięki zagospodarowaniu danych, które dotąd były albo niedostępne, albo niebrane pod uwagę, pozwalają budować pełne profile grup docelowych i poszczególnych konsumentów oparte na:

  • źródłach dotąd pomijanych (o czym pisaliśmy wyżej
  • znacznie głębszych informacjach obejmujących cechy demograficzne czy behawioralne
  • wypowiedziach klientów w postaci komentarzy na portalach i forach internetowych, ale także w postaci e-maili, rozmów telefonicznych z konsultantami, pism reklamacyjnych

To wielkie wolumeny nieustrukturalizowanych danych, które dzięki nowym technologiom można analizować pod kątem praktycznych informacji tam zawartych. Dzięki tak zdywersyfikowanym źródłom informacji organizacje biznesowe budują bazy danych nowego typu, które na podstawie danych z wewnątrz organizacji i z jej otoczenia biznesowego są w stanie sterować procesami produkcji („Klienci mówią, że produkt jest fajny, ale kształt zasobnika jest irytujący – opracujmy w trybie pilnym nowy prototyp”), dystrybucji („Jest bardzo dużo poleceń tego produktu w regionie centralnym – przygotujmy większe zapasy w magazynie centralnym”) czy obsługi („Klienci narzekają na nieuprzejmych serwisantów z miasta A – przeprowadźmy tam szkolenie z umiejętności interpersonalnych w trybie pilnym”). Mówi się, że dobry menedżer powinien spędzić jeden dzień w miesiącu ze swoimi klientami, aby zrozumieć silne i słabe strony swojej organizacji. Big data daje możliwość bieżącego monitorowania „voice of customer” i podejmowania w oparciu o nie trafnych decyzji biznesowych.

Przykłady praktyczne

  • Doświadczenie HP. W firmie Hewlett-Packard, która jest jednym z największych producentów komputerów osobistych i urządzeń peryferyjnych, big data posłużyło do ponownego zdefiniowania relacji z klientami oraz nowego sposobu prowadzenia biznesu. Każdego roku firma ta rejestruje setki milionów interakcji z klientami w postaci rozmów telefonicznych, odwiedzin portali, e-maili, czatów, odwiedzin w punktach sprzedaży i serwisowych. Oprócz formalnych zgłoszeń klienci pozostawiają ogromne ilości pytań, skarg lub sugestii. W HP postanowiono wykorzystać nieuporządkowane dane w sposób szerszy niż tylko do pomiaru poziomu zadowolenia i odczuć klientów. Zwykle analiza mediów społecznościowych i wypowiedzi daje prostą klasyfikację „pozytywne” v. „negatywne”. Ale co, jeśli klient mówi na przykład: „Uwielbiam tę drukarkę, ale nienawidzę tego podajnika papieru”? W ramach projektu Fusion, zrealizowanego wspólnie z SAS Institute, w HP analizuje się i klasyfikuje nieustrukturalizowane wypowiedzi i integruje je z danymi tradycyjnymi. Uzyskana w ten sposób wiedza jest z jednej strony wykorzystywana do rozwoju istniejących produktów oraz stanowi punkt wyjścia do prac koncepcyjnych. Z drugiej zaś stanowi podstawę do budowania trwalszych i głębszych relacji (spersonalizowanego dialogu i ofert dostosowanych do potrzeb klientów). Efektywne wykorzystanie kompletnego – opartego na big data – profilu klienta przełożyło się w przypadku HP na wzrost ROI z kampanii marketingowych o 20%. W ciągu 3 lat wolumen zamówień na HPdirect.com wzrósł o 50% przy jednoczesnym wzroście zysku operacyjnego o więcej niż 50%.
  • Nowy wymiar NPS. Komentarze i uwagi klientów stanowią cenne źródło informacji i pomagają firmom ulepszać swoje produkty oraz sposób obsługi. Celem może być zrozumienie, co i w jakim stopniu przekonuje klienta do bycia ambasadorem marki. Większość dużych firm przeprowadza badania satysfakcji i monitoruje tzw. NPS – Net Promoter Score (procentową różnicę netto między klientami skłonnymi polecać produkty firmy a klientami, którzy będą je znajomym odradzać). Wskaźniki NPS są na bieżąco śledzone, a ich spadek powoduje nerwowe reakcje kadry menedżerskiej, jednak wyniki tych badań trudno przełożyć na konkretne działania w organizacji. Jeden z operatorów telekomunikacyjnych na bazie rozwiązań SAS jest w stanie analizować wszystkie informacje tekstowe zostawione przez klientów oraz zapisane przez pracowników obsługi. Analiza wypowiedzi klasyfikuje zaś poziom zadowolenia klienta oraz, co ważniejsze, filtruje główne elementy wpływające na jego opinię. Dzięki zaawansowanym algorytmom udało się powiązać przyczyny ze skutkami, np.: ograniczenie liczby nieuprzejmych pracowników centrum obsługi o 25% spowoduje, że liczba ambasadorów marki wzrośnie o 22%, a całkowite przychody wzrosną o 1,5%. Takie wykorzystanie analityki big data sprawiło, iż inicjatywy usprawniające obsługę zostały precyzyjnie zdefiniowane, zyskały status pełnoprawnych projektów z własnym P&L. Jednym z największych wyzwań marketingu bezpośredniego jest targeting. Zmorą targetingu są klienci określani mianem „sure things”. Kupiliby produkt, nawet gdyby nie dostali atrakcyjnej oferty rabatu. Dla reklamodawcy to czysta strata: zamiast zainkasować 100%, dostaje, dajmy na to, 90% minus koszty kampanii. Jak zminimalizować to niepożądane zjawisko? Okazuje się, że bieżące analizowanie zachowania zakupowego klienta umożliwia tzw. retargetowanie, czyli dopasowanie wcześniej przygotowanej oferty do tego, o czym dowiedzieliśmy się w ostatniej chwili. Jeśli klient kupił właśnie 3 opakowania frytek, przygotowanie dla niego kuponu rabatowego „kup następnym razem 3 opakowania – czwarte dostaniesz gratis” należy zmodyfikować do „kup następnym razem 4 opakowania – piąte dostaniesz gratis”. Dzięki źródłom wiedzy big data oraz możliwościom sprawnej i głębokiej analizy organizacje biznesowe mogą stosować rozwiązania retargetowania, a więc dokładniej i znacznie skuteczniej niż w przypadku tradycyjnych narzędzi komunikacji marketingowej, opartej na segmentach demograficzno-behawioralnych, zbudowanych na podstawie historycznych potrzeb tych konsumentów, ich negatywnych reakcji lub braku reakcji na wcześniejsze oferty.
  • Nowy wymiar targetowania oferty. Catalina Marketing Group oferuje targetowane promocje i reklamę klientom sklepów spożywczych, wielkopowierzchniowych i drogerii. Zarejestrowany klient, płacąc za zakupy, otrzymuje spersonalizowany kupon promocyjny (drukowany przez kasjera lub przesłany na urządzenie mobilne). Kupon zawiera spersonalizowaną ofertę dla tego właśnie klienta (na podstawie jego profilu zakupowego i danych zewnętrznych). Dwóch klientów z tą samą zawartością koszyka otrzymuje dwa różne kupony promocyjne. Catalina analizuje w czasie rzeczywistym całą historię zakupową oraz dane socjo-demograficzne dostarczone przez wyspecjalizowane agencje. Jaka jest siła oddziaływania spersonalizowanego marketingu, który ma miejsce w chwili finalizacji zakupów? Wskaźnik wykorzystania kuponów dochodzi do 7%, co jest wynikiem ponad dziesięciokrotnie wyższym od średniej dla branży. Zaś marki, które korzystają z usług Cataliny, notują wyższe wskaźniki rozpoznawalności (do 24%) i zwiększony wolumen zakupowy (do 30% w porównaniu z grupami kontrolnymi). Pomimo tego, że Catalina obsługuje dziesiątki milionów klientów, przy użyciu dedykowanego rozwiązania SAS przygotowanie spersonalizowanej oferty zajmuje kilka sekund. Analiza klienta i rekomendacja oferty odbywają się wewnątrz bazy danych. Ta technologia big data ogranicza inwestycje w infrastrukturę informatyczną, czasem nawet kilkukrotnie, oraz dzięki automatyzacji procesu istotnie zmniejsza pracochłonność i obsługę przez człowieka.

Koszty big data to wcale nie „big money”

Rozwiązania z zakresu big data należy traktować jak istotną, długoterminową inwestycję. Przy czym szereg korzyści wynikających z optymalizacji wydatków i kosztów operacyjnych można zanotować już w krótkiej, nawet kilkumiesięcznej, perspektywie czasowej. Co więcej, zastosowanie rozwiązań analitycznych – choć zaawansowanych technologicznie – wcale nie musi wiązać się z wydatkowaniem znaczących środków finansowych. Praktyczne wdrożenia technologii SAS – opartej na platformie Hadoop – potwierdzają, iż rozwiązania klasy big data są w zasięgu firm różnej wielkości. Wysokość nakładów i stopa zwrotu zależą od indywidualnie zaprojektowanych procesów analitycznych, które uwzględnią:

  • zakres i źródła danych branych pod uwagę (a więc gromadzonych i poddawanych analizie);
  • skalę działania firmy (co przekłada się tak na wielkość danych, jak i potrzeby firmy);
  • cele biznesowe organizacji (a więc konkretyzacja korzyści płynących z big data w odniesieniu do tej, a nie innej firmy).

Polska a big data

Jakkolwiek jeszcze kilka lat temu innowacyjne rozwiązania technologiczne na takich rynkach jak Polska wnosiły zagraniczne, sieciowe firmy, teraz to się zmienia. Coraz więcej organizacji działających lokalnie – nawet jeśli mają międzynarodowy rodowód – stawia na analitykę big data. Możemy znaleźć na polskim rynku sporo przykładów wykorzystania big data w biznesie, nie tylko w sztandarowych największych branżach, jak bankowość czy telekomunikacja. Sięgnięcie po analitykę big data stanowi punkt wyjścia do zbudowania trwałej przewagi konkurencyjnej i niekoniecznie wymaga zarezerwowania znaczących środków inwestycyjnych, ale powinno być realizowane według perspektywicznej strategii. Organizacja powinna pozyskać odpowiednie kompetencje do inwestowania w przetwarzanie dotychczas nieprzetwarzanych danych. Coraz więcej firm w Polsce stawia przed sobą takie właśnie wyzwania.

Przykłady praktyczne:

  • Prognozowanie popytu. Grupa Inter Cars to największy dystrybutor części samochodowych w Europie Środkowej. Firma posiada w swojej ofercie ponad milion produktów, które przechodząc przez regionalne centra dystrybucji, trafiają do setek filii, zapewniających najwyższy poziom dostępności tysiącom warsztatów samochodowych. Kiedy pod koniec pierwszej dekady XXI wieku firma zanotowała sprzedaż wielkości ponad 2 mld zł, wąskim gardłem w dalszym intensywnym rozwoju okazał się być czas przetwarzania danych. Firma miała bowiem do czynienia z olbrzymimi wolumenami historycznych danych sprzedażowych, niezbędnych do bieżącego szacowania prognoz popytu. Firma potrzebowała zatem narzędzia, które pozwoliłoby generować prognozy popytu na poszczególne kategorie towarów w poszczególnych lokalizacjach w znacznie krótszym czasie niż dotychczas. Do rozwiązania tego wyzwania zastosowano serwer prognostyczny wysokiej wydajności firmy SAS (SAS Forecast Server), który wykonuje w ciągu kilku godzin ponad 50 milionów dopasowań różnych modeli matematycznych w celu znalezienia prognozy o najwyższej trafności. Dla Inter Cars oznacza to zapewnienie lepszej dostępności towaru, a tym samym znaczące zwiększenie sprzedaży. Ścisła współpraca ekspertów biznesowych Inter Cars z analitykami SAS Institute pozwoliła na realizację założonych celów biznesowych bez istotnej zmiany wcześniej stosowanych procesów. Dzięki temu firma ta mogła płynnie wdrożyć rozwiązania SAS, koncentrując się na zastosowaniu nowych technologii do usprawniania kolejnych obszarów swojego biznesu, np. optymalizacji logistyki wewnętrznej.
  • Analiza sieci społecznych. Nasycony rynek i rosnące wymagania użytkowników telefonii komórkowej sprawiły, iż trwa bezpardonowa walka o klienta pomiędzy operatorami. Aby skuteczniej utrzymywać pozyskanych klientów, jeden z operatorów telefonii mobilnej w kraju wykorzystuje rozwiązania analityczne big data w oparciu o technologię Customer Link Analytics firmy SAS. Analiza natężenia i kierunku połączeń między użytkownikami pozwoliła odtworzyć i zwizualizować sieć powiązań społecznych pomiędzy użytkownikami. Osoby o największej i najsilniejszej siatce powiązań noszą miano liderów swoich społeczności, mających silny wpływ na zachowania innych członków społeczności. W poszanowaniu prywatności swoich klientów, na podstawie anonimowych danych, wyodrębniono segment użytkowników o specjalnym statusie: „liderów opinii społecznej”. Do nich kierowane są kampanie, których celem jest zwiększenie satysfakcji z obsługi, zwiększenie lojalności oraz minimalizacja ryzyka przejścia do konkurencji. Analizy pokazały, iż odchodzący lider zabiera ze sobą średnio 2 członków swojej społeczności. Analityka stała się istotnym elementem budowania relacji między operatorem a klientami.
  • Marketing w czasie rzeczywistym. Zagadnienie marketingu w czasie rzeczywistym staje się ostatnio tematem nie tyle modnym, co krytycznym w sytuacji, gdy w strategii firmy pojawia się dążenie do unowocześnienia procesów sprzedażowo-marketingowych przy jednoczesnym oczekiwaniu wzrostu wolumenu i wartości sprzedaży. Jeden z głównych graczy w polskim sektorze bankowym w ubiegłym roku podjął to wyzwanie i razem z SAS Institute uruchomił projekt real-time inbound system, którego pierwotnym celem było osiągnięcie wzrostu, między innymi poprzez personalizację przekazu marketingowego oraz identyfikację okazji sprzedażowych w czasie rzeczywistym. W naturalny sposób, dzięki przechwytywaniu online sygnałów o zachowaniu klientów w praktycznie wszystkich dostępnych kanałach kontaktu, bank ten wkroczył do świata big data. W skali jednego dnia rejestrowane są obecnie ponad 4 miliony żądań personalizacji, a docelowo wolumen ten ma wzrosnąć do ponad 30 milionów dziennie. Początkowo inbound system miał być wykorzystany wyłącznie w obszarze wsparcia procesów marketingowych, jednak skala pozyskiwanych informacji oraz wydajność rozwiązania doprowadziły do zmiany kwalifikacji systemu jako centralnego ośrodka zarządzającego nie tylko procesami marketingowymi, ale również sprzedażowymi. Całość przedsięwzięcia realizowana jest z wykorzystaniem głównych komponentów suity SAS Customer Intelligence, czyli SAS Realtime Decision Management oraz SAS Campaign Management, co pozwoliło bankowi osiągnąć spójność aktywności inbound oraz outbound.

Artykuł ukazał się w magazynie Harvard Business Review Polska