«Автоматизация и алгоритмы формируют единое знание»

С самого начала хочется сказать: хранить и собирать данные для нас не самоцель. Очевидно, они служат для извлечения знаний, ведущих к выгоде для нас и прежде всего для наших пользователей. Представьте, как это было устроено раньше. Данные собирались людьми в гроссбухи, потом другие люди структурировали эту информацию и делали из нее какие-то выводы. Когда в сборе и анализе данных принимает участие человек, необходимо принять тот факт, что есть риск ошибки. К тому же главным тут становится персональное мнение аналитика, а если таких людей несколько, они могут и вовсе противоречить друг другу. Автоматизация же и алгоритмы формируют единую точку знания. Становится меньше простор для интерпретации, и это позволяет бизнесу эффективнее решать свои задачи.

Выйти из полноэкранного режима

Развернуть на весь экран

В «МегаФоне» аналитика больших данных существует уже больше десяти лет, и за это время мы многому научились. Наша ключевая задача — обеспечить людей связью, где бы они ни находились. Возьмем строительство жилых комплексов — тысячи людей появляются там, где раньше были пустыри. Чтобы обеспечить новый район связью, нужно сначала узнать, что появились новая инфраструктура и люди там, где раньше их не было. Для решения этой задачи есть много источников — от градостроительных планов регионов до телеметрии и информации о разрывах в покрытии.

Мы подвергаем анализу данные телеметрии — а это огромный массив, терабайты в месяц: объем загрузки станции, достаточность транспортного канала, разрывы в покрытии, когда мы видим, что люди перешли с одной станции на другую, а потом пропали и возникли в каком-то другом месте. Помимо расширения покрытия эта деятельность позволяет оптимизировать инвестиции в оборудование. Так мы можем, например, понять, находится ли под пиковыми нагрузками вся базовая станция или лишь какой-то из ее секторов. Без анализа Big Data мы бы рассматривали базовую станцию как единое целое, а теперь можем принять решение о том, чтобы заменить или усилить только один из секторов, что значительно дешевле.

Еще одна важная сфера использования больших данных — установка приоритета работ по устранению аварий. У нас очень протяженная сеть, без инцидентов, конечно, не обходится. Более 90% из них решаются автоматически, но некоторые случаи требуют вмешательства человека. Если в зону, за которую ответственен один сотрудник или одна бригада, попадает несколько аварий, система оценивает, где пострадало большее количество абонентов, и выставляет приоритет.

Конечно, аналитика больших данных используется и для точного таргетирования предложений. Базово вся персонификация построена на том, что группы пользователей объединяются в сегменты по определенному признаку. И таких сегментов огромное количество — тысячи и десятки тысяч.

При этом мы считаем критически важным, что политика контактов важнее заработанных денег. В большинстве случаев люди чем-то заняты, и им может быть неудобно принять звонок или отвлечься на взаимодействие с нами, а для нас важно доносить информацию, не вызывая при этом раздражения у людей.

Выше приведены лишь несколько примеров. Разумеется, с помощью Big Data можно решить массу задач, которые вызывают головную боль у бизнеса. К примеру, ритейлер рассматривает 15 вариантов локации для магазина, его целевая аудитория — мужчины 25–35 лет. Мы можем решить вопрос, какой из вариантов расположения эффективнее с точки зрения проходимости этой целевой аудитории в единицу времени, с помощью анализа больших данных это не составит труда. Эта модель в том числе используется нами для определения места расположения наших собственных салонов.

Дальнейшее развитие мы видим в нескольких направлениях. Это использование данных для решения внутренних задач — в частности, автоматизации работы, связанной с отчетностью и анализом. Как сказал однажды Андрей Себрант, и я очень люблю эту фразу, «люди, которые хотят знать алгоритм своих действий, будут заменены алгоритмами в первую очередь». Это предельно точное определение, потому что если мы посмотрим в реальный мир из нашего прекрасного цифрового, то увидим большое количество рутинных действий, которые можно описать на языке программирования. Таким образом, если твои действия поддаются алгоритмизации, в будущем у тебя не будет болезней и отпусков, будет только место в дата-центре и электричество.

Веря в то, что будущее за данными, за работой с ними, мы хотим делиться нашей экспертизой с миром, вкладываясь в обучение специалистов и предлагая наши знания рынку как сервис. В совсем светлом будущем с помощью больших данных мы сможем находить для компаний новые бизнес-модели — те, которых сейчас нет в нашем фокусе внимания, или даже те, которых сейчас просто не существует.