పెద్ద డేటాను విశ్లేషించడం ద్వారా, కంపెనీలు తమ వ్యాపార పనితీరును మెరుగుపరచడం ద్వారా దాచిన నమూనాలను వెలికితీయడం నేర్చుకుంటాయి. డైరెక్షన్ అనేది ఫ్యాషన్, కానీ వారితో పనిచేసే సంస్కృతి లేకపోవడం వల్ల ప్రతి ఒక్కరూ పెద్ద డేటా నుండి ప్రయోజనం పొందలేరు
“ఒక వ్యక్తి పేరు ఎంత సాధారణమో, వారు సమయానికి చెల్లించే అవకాశం ఎక్కువగా ఉంటుంది. మీ ఇల్లు ఎంత ఎక్కువ అంతస్తులు కలిగి ఉంటే, మరింత గణాంకపరంగా మీరు మంచి రుణగ్రహీత. రాశిచక్రం యొక్క సంకేతం వాపసు యొక్క సంభావ్యతపై దాదాపు ప్రభావం చూపదు, కానీ సైకోటైప్ గణనీయంగా ఉంటుంది, ”అని రుణగ్రహీతల ప్రవర్తనలో ఊహించని నమూనాల గురించి హోమ్ క్రెడిట్ బ్యాంక్ విశ్లేషకుడు స్టానిస్లావ్ డుజిన్స్కీ చెప్పారు. అతను ఈ అనేక నమూనాలను వివరించడానికి చేపట్టడు - అవి కృత్రిమ మేధస్సు ద్వారా వెల్లడి చేయబడ్డాయి, ఇది వేలాది కస్టమర్ ప్రొఫైల్‌లను ప్రాసెస్ చేసింది.
ఇది పెద్ద డేటా అనలిటిక్స్ యొక్క శక్తి: భారీ మొత్తంలో నిర్మాణాత్మక డేటాను విశ్లేషించడం ద్వారా, తెలివైన మానవ విశ్లేషకుడికి కూడా తెలియని అనేక సహసంబంధాలను ప్రోగ్రామ్ కనుగొనగలదు. ఏ కంపెనీ అయినా భారీ మొత్తంలో నిర్మాణాత్మకమైన డేటాను (పెద్ద డేటా) కలిగి ఉంటుంది - ఉద్యోగులు, కస్టమర్‌లు, భాగస్వాములు, పోటీదారుల గురించి, వీటిని వ్యాపార ప్రయోజనాల కోసం ఉపయోగించవచ్చు: ప్రమోషన్ల ప్రభావాన్ని మెరుగుపరచడం, అమ్మకాల వృద్ధిని సాధించడం, సిబ్బంది టర్నోవర్‌ని తగ్గించడం మొదలైనవి.
పెద్ద డేటాతో మొదట పనిచేసినవి పెద్ద సాంకేతికత మరియు టెలికమ్యూనికేషన్ కంపెనీలు, ఆర్థిక సంస్థలు మరియు రిటైల్, డెలాయిట్ టెక్నాలజీ ఇంటిగ్రేషన్ గ్రూప్, CIS డైరెక్టర్ రఫెల్ మిఫ్తాఖోవ్ వ్యాఖ్యలు. ఇప్పుడు అనేక పరిశ్రమలలో ఇటువంటి పరిష్కారాలపై ఆసక్తి ఉంది. కంపెనీలు ఏం సాధించాయి? మరియు పెద్ద డేటా విశ్లేషణ ఎల్లప్పుడూ విలువైన ముగింపులకు దారితీస్తుందా?
సులభమైన లోడ్ కాదు
బ్యాంకులు పెద్ద డేటా అల్గారిథమ్‌లను ప్రధానంగా కస్టమర్ అనుభవాన్ని మెరుగుపరచడానికి మరియు ఖర్చులను ఆప్టిమైజ్ చేయడానికి అలాగే రిస్క్ నిర్వహించడానికి మరియు మోసాన్ని ఎదుర్కోవడానికి ఉపయోగిస్తాయి. "ఇటీవలి సంవత్సరాలలో, పెద్ద డేటా విశ్లేషణ రంగంలో నిజమైన విప్లవం జరిగింది" అని డుజిన్స్కీ చెప్పారు. "మెషిన్ లెర్నింగ్ యొక్క ఉపయోగం లోన్ డిఫాల్ట్ సంభావ్యతను మరింత ఖచ్చితంగా అంచనా వేయడానికి అనుమతిస్తుంది - మా బ్యాంకులో అపరాధం కేవలం 3,9% మాత్రమే." పోలిక కోసం, జనవరి 1, 2019 నాటికి, సెంట్రల్ బ్యాంక్ ప్రకారం, వ్యక్తులకు జారీ చేయబడిన రుణాలపై 90 రోజుల కంటే ఎక్కువ గడువు ముగిసిన రుణాల వాటా 5%.
మైక్రోఫైనాన్స్ సంస్థలు కూడా పెద్ద డేటాను అధ్యయనం చేయడం ద్వారా అయోమయంలో ఉన్నాయి. "ఈరోజు పెద్ద డేటాను విశ్లేషించకుండా ఆర్థిక సేవలను అందించడం అనేది సంఖ్యలు లేకుండా గణితాన్ని చేయడం లాంటిది" అని ఆన్‌లైన్ లెండింగ్ ప్లాట్‌ఫారమ్ అయిన వెబ్‌బాంకిర్ యొక్క CEO ఆండ్రీ పోనోమరేవ్ చెప్పారు. "మేము క్లయింట్ లేదా అతని పాస్‌పోర్ట్‌ను చూడకుండా ఆన్‌లైన్‌లో డబ్బును జారీ చేస్తాము మరియు సాంప్రదాయ రుణం వలె కాకుండా, మేము ఒక వ్యక్తి యొక్క సాల్వెన్సీని అంచనా వేయడమే కాకుండా అతని వ్యక్తిత్వాన్ని కూడా గుర్తించాలి."
ఇప్పుడు సంస్థ యొక్క డేటాబేస్ 500 వేలకు పైగా వినియోగదారుల సమాచారాన్ని నిల్వ చేస్తుంది. ప్రతి కొత్త అప్లికేషన్ దాదాపు 800 పారామితులలో ఈ డేటాతో విశ్లేషించబడుతుంది. ప్రోగ్రామ్ లింగం, వయస్సు, వైవాహిక స్థితి మరియు క్రెడిట్ చరిత్ర మాత్రమే కాకుండా, ఒక వ్యక్తి ప్లాట్‌ఫారమ్‌లోకి ప్రవేశించిన పరికరం, అతను సైట్‌లో ఎలా ప్రవర్తించాడు. ఉదాహరణకు, సంభావ్య రుణగ్రహీత లోన్ కాలిక్యులేటర్‌ని ఉపయోగించకపోవడం లేదా లోన్ నిబంధనల గురించి విచారించకపోవడం ఆందోళన కలిగిస్తుంది. "కొన్ని స్టాప్ కారకాలు మినహా - చెప్పండి, మేము 19 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్న వ్యక్తులకు రుణాలు జారీ చేయము - ఈ పారామీటర్లలో ఏదీ రుణం ఇవ్వడానికి నిరాకరించడానికి లేదా అంగీకరించడానికి కారణం కాదు" అని పోనోమరేవ్ వివరించాడు. ఇది ముఖ్యమైన కారకాల కలయిక. 95% కేసులలో, అండర్ రైటింగ్ విభాగం నుండి నిపుణుల భాగస్వామ్యం లేకుండా నిర్ణయం స్వయంచాలకంగా తీసుకోబడుతుంది.
నేడు పెద్ద డేటాను విశ్లేషించకుండా ఆర్థిక సేవలను అందించడం సంఖ్యలు లేకుండా గణితాన్ని చేయడం లాంటిది.
పెద్ద డేటా విశ్లేషణ మాకు ఆసక్తికరమైన నమూనాలను పొందేందుకు అనుమతిస్తుంది, Ponomarev షేర్లు. ఉదాహరణకు, ఆండ్రాయిడ్ పరికరాల యజమానుల కంటే ఐఫోన్ వినియోగదారులు మరింత క్రమశిక్షణతో కూడిన రుణగ్రహీతలుగా మారారు - మునుపటివారు అప్లికేషన్‌ల ఆమోదాన్ని 1,7 రెట్లు ఎక్కువగా పొందుతారు. "సగటు రుణగ్రహీత కంటే సైనిక సిబ్బంది దాదాపు పావు వంతు తక్కువ తరచుగా రుణాలను తిరిగి చెల్లించకపోవడం ఆశ్చర్యం కలిగించదు" అని పోనోమరేవ్ చెప్పారు. "కానీ విద్యార్థులు సాధారణంగా బాధ్యత వహించబడతారని ఆశించబడరు, అయితే అదే సమయంలో, క్రెడిట్ డిఫాల్ట్ కేసులు బేస్ కోసం సగటు కంటే 10% తక్కువ సాధారణం."
పెద్ద డేటా అధ్యయనం భీమాదారులకు కూడా స్కోరింగ్‌ని అనుమతిస్తుంది. 2016లో స్థాపించబడిన IDX రిమోట్ గుర్తింపు మరియు పత్రాల ఆన్‌లైన్ ధృవీకరణలో నిమగ్నమై ఉంది. వస్తువులను వీలైనంత తక్కువగా కోల్పోవడానికి ఆసక్తి ఉన్న సరుకు రవాణా బీమా సంస్థలలో ఈ సేవలు డిమాండ్‌లో ఉన్నాయి. వస్తువుల రవాణాకు బీమా చేసే ముందు, బీమాదారు, డ్రైవర్ యొక్క సమ్మతితో, విశ్వసనీయత కోసం తనిఖీ చేస్తాడు, IDX యొక్క వాణిజ్య డైరెక్టర్ జాన్ స్లోకా వివరించారు. భాగస్వామితో కలిసి - సెయింట్ పీటర్స్‌బర్గ్ కంపెనీ "రిస్క్ కంట్రోల్" - IDX మీరు డ్రైవర్ యొక్క గుర్తింపు, పాస్‌పోర్ట్ డేటా మరియు హక్కులు, కార్గో నష్టానికి సంబంధించిన సంఘటనలలో పాల్గొనడం మొదలైనవాటిని తనిఖీ చేయడానికి అనుమతించే సేవను అభివృద్ధి చేసింది. డ్రైవర్ల డేటాబేస్, కంపెనీ "రిస్క్ గ్రూప్"ని గుర్తించింది: చాలా తరచుగా, సుదీర్ఘ డ్రైవింగ్ అనుభవంతో 30-40 సంవత్సరాల వయస్సు గల డ్రైవర్లలో కార్గో పోతుంది, వారు తరచుగా ఇటీవల ఉద్యోగాలు మార్చారు. కార్గో చాలా తరచుగా కార్ల డ్రైవర్లచే దొంగిలించబడుతుందని కూడా తేలింది, దీని సేవా జీవితం ఎనిమిది సంవత్సరాలు మించిపోయింది.
పరిశోధనలో
రిటైలర్‌లకు వేరే పని ఉంది - కొనుగోలు చేయడానికి సిద్ధంగా ఉన్న కస్టమర్‌లను గుర్తించడం మరియు వారిని సైట్ లేదా స్టోర్‌కు తీసుకురావడానికి అత్యంత ప్రభావవంతమైన మార్గాలను నిర్ణయించడం. ఈ క్రమంలో, ప్రోగ్రామ్‌లు కస్టమర్ల ప్రొఫైల్, వారి వ్యక్తిగత ఖాతా నుండి డేటా, కొనుగోళ్ల చరిత్ర, శోధన ప్రశ్నలు మరియు బోనస్ పాయింట్ల ఉపయోగం, వారు నింపడం ప్రారంభించిన మరియు వదిలివేసిన ఎలక్ట్రానిక్ బుట్టల కంటెంట్‌లను విశ్లేషిస్తాయి. డేటా అనలిటిక్స్ మొత్తం డేటాబేస్‌ను విభజించడానికి మరియు నిర్దిష్ట ఆఫర్‌పై ఆసక్తి ఉన్న సంభావ్య కొనుగోలుదారుల సమూహాలను గుర్తించడానికి మిమ్మల్ని అనుమతిస్తుంది, M.Video-Eldorado సమూహం యొక్క డేటా ఆఫీస్ డైరెక్టర్ కిరిల్ ఇవనోవ్ చెప్పారు.
ఉదాహరణకు, ప్రోగ్రామ్ కస్టమర్ల సమూహాలను గుర్తిస్తుంది, వీటిలో ప్రతి ఒక్కటి విభిన్న మార్కెటింగ్ సాధనాలను ఇష్టపడుతుంది - వడ్డీ రహిత రుణం, క్యాష్‌బ్యాక్ లేదా డిస్కౌంట్ ప్రోమో కోడ్. ఈ కొనుగోలుదారులు సంబంధిత ప్రమోషన్‌తో ఇమెయిల్ వార్తాలేఖను అందుకుంటారు. ఒక వ్యక్తి, లేఖను తెరిచిన తరువాత, సంస్థ యొక్క వెబ్‌సైట్‌కు వెళ్లే సంభావ్యత, ఈ సందర్భంలో గణనీయంగా పెరుగుతుంది, ఇవనోవ్ గమనికలు.
సంబంధిత ఉత్పత్తులు మరియు ఉపకరణాల అమ్మకాలను పెంచడానికి డేటా విశ్లేషణ మిమ్మల్ని అనుమతిస్తుంది. ఇతర కస్టమర్ల ఆర్డర్ చరిత్రను ప్రాసెస్ చేసిన సిస్టమ్, ఎంచుకున్న ఉత్పత్తితో పాటు ఏమి కొనుగోలు చేయాలనే దానిపై కొనుగోలుదారు సిఫార్సులను అందిస్తుంది. ఇవనోవ్ ప్రకారం, ఈ పని పద్ధతి యొక్క పరీక్ష, ఉపకరణాలతో ఆర్డర్‌ల సంఖ్య 12% మరియు ఉపకరణాల టర్నోవర్‌లో 15% పెరుగుదలను చూపించింది.
సేవల నాణ్యతను మెరుగుపరచడానికి మరియు అమ్మకాలను పెంచడానికి రిటైలర్లు మాత్రమే కృషి చేయరు. గత వేసవిలో, మిలియన్ల మంది చందాదారుల నుండి డేటా ప్రాసెసింగ్ ఆధారంగా MegaFon "స్మార్ట్" ఆఫర్ సేవను ప్రారంభించింది. వారి ప్రవర్తనను అధ్యయనం చేసిన తరువాత, కృత్రిమ మేధస్సు టారిఫ్‌లలో ప్రతి క్లయింట్‌కు వ్యక్తిగత ఆఫర్‌లను రూపొందించడం నేర్చుకుంది. ఉదాహరణకు, ఒక వ్యక్తి తన పరికరంలో వీడియోను చురుకుగా చూస్తున్నాడని ప్రోగ్రామ్ గమనిస్తే, మొబైల్ ట్రాఫిక్ మొత్తాన్ని విస్తరించడానికి సేవ అతనికి అందిస్తుంది. వినియోగదారుల ప్రాధాన్యతలను పరిగణనలోకి తీసుకుని, కంపెనీ చందాదారులకు వారి ఇష్టమైన రకాల ఇంటర్నెట్ విశ్రాంతి కోసం అపరిమిత ట్రాఫిక్‌ను అందిస్తుంది - ఉదాహరణకు, తక్షణ మెసెంజర్‌లను ఉపయోగించడం లేదా స్ట్రీమింగ్ సేవలలో సంగీతం వినడం, సోషల్ నెట్‌వర్క్‌లలో చాట్ చేయడం లేదా టీవీ షోలను చూడటం.
"మేము చందాదారుల ప్రవర్తనను విశ్లేషిస్తాము మరియు వారి ఆసక్తులు ఎలా మారుతున్నాయో అర్థం చేసుకుంటాము" అని MegaFon వద్ద పెద్ద డేటా అనలిటిక్స్ డైరెక్టర్ విటాలీ షెర్బాకోవ్ వివరించారు. "ఉదాహరణకు, ఈ సంవత్సరం, AliExpress ట్రాఫిక్ గత సంవత్సరంతో పోలిస్తే 1,5 రెట్లు పెరిగింది మరియు సాధారణంగా, ఆన్‌లైన్ బట్టల దుకాణాల సందర్శనల సంఖ్య పెరుగుతోంది: నిర్దిష్ట వనరుపై ఆధారపడి 1,2-2 సార్లు."
పెద్ద డేటాతో ఆపరేటర్ యొక్క పనికి మరొక ఉదాహరణ తప్పిపోయిన పిల్లలు మరియు పెద్దల కోసం శోధించడానికి MegaFon Poisk ప్లాట్‌ఫారమ్. తప్పిపోయిన వ్యక్తి ప్రదేశానికి సమీపంలో ఏ వ్యక్తులు ఉండవచ్చో సిస్టమ్ విశ్లేషిస్తుంది మరియు తప్పిపోయిన వ్యక్తి యొక్క ఫోటో మరియు సంకేతాలతో సమాచారాన్ని వారికి పంపుతుంది. ఆపరేటర్ అంతర్గత వ్యవహారాల మంత్రిత్వ శాఖ మరియు లిసా హెచ్చరిక సంస్థతో కలిసి సిస్టమ్‌ను అభివృద్ధి చేసి పరీక్షించారు: తప్పిపోయిన వ్యక్తికి రెండు నిమిషాల ఓరియంటేషన్‌లో, 2 వేల మందికి పైగా చందాదారులు అందుకుంటారు, ఇది విజయవంతమైన శోధన ఫలితం యొక్క అవకాశాలను గణనీయంగా పెంచుతుంది.
పబ్‌కి వెళ్లవద్దు
పెద్ద డేటా విశ్లేషణ పరిశ్రమలో అప్లికేషన్‌ను కూడా కనుగొంది. ఇక్కడ ఇది డిమాండ్‌ను అంచనా వేయడానికి మరియు విక్రయాలను ప్లాన్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది. కాబట్టి, చెర్కిజోవో కంపెనీల సమూహంలో, మూడు సంవత్సరాల క్రితం, SAP BW ఆధారంగా ఒక పరిష్కారం అమలు చేయబడింది, ఇది అన్ని అమ్మకాల సమాచారాన్ని నిల్వ చేయడానికి మరియు ప్రాసెస్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది: ధరలు, కలగలుపు, ఉత్పత్తి వాల్యూమ్‌లు, ప్రమోషన్లు, పంపిణీ ఛానెల్‌లు, వ్లాడిస్లావ్ బెల్యావ్, CIO చెప్పారు. సమూహం యొక్క ”చెర్కిజోవో. సేకరించిన 2 TB సమాచారం యొక్క విశ్లేషణ కలగలుపును సమర్థవంతంగా రూపొందించడం మరియు ఉత్పత్తి పోర్ట్‌ఫోలియోను ఆప్టిమైజ్ చేయడం మాత్రమే కాకుండా, ఉద్యోగుల పనిని సులభతరం చేసింది. ఉదాహరణకు, రోజువారీ విక్రయాల నివేదికను సిద్ధం చేయడానికి అనేక మంది విశ్లేషకులు ఒక రోజు పని చేయాల్సి ఉంటుంది - ప్రతి ఉత్పత్తి విభాగానికి ఇద్దరు. ఇప్పుడు ఈ నివేదికను రోబోట్ తయారు చేసింది, అన్ని విభాగాలపై కేవలం 30 నిమిషాలు మాత్రమే ఖర్చు చేస్తుంది.
"ఇండస్ట్రీలో, పెద్ద డేటా ఇంటర్నెట్ ఆఫ్ థింగ్స్‌తో కలిసి ప్రభావవంతంగా పనిచేస్తుంది" అని అంబ్రెల్లా IT యొక్క CEO స్టానిస్లావ్ మెష్కోవ్ చెప్పారు. "పరికరాలు అమర్చబడిన సెన్సార్ల నుండి డేటా విశ్లేషణ ఆధారంగా, దాని ఆపరేషన్‌లో విచలనాలను గుర్తించడం మరియు విచ్ఛిన్నాలను నివారించడం మరియు పనితీరును అంచనా వేయడం సాధ్యమవుతుంది."
సెవర్స్టాల్‌లో, పెద్ద డేటా సహాయంతో, వారు చిన్నవిషయం కాని పనులను కూడా పరిష్కరించడానికి ప్రయత్నిస్తున్నారు - ఉదాహరణకు, గాయం రేటును తగ్గించడానికి. 2019లో, కార్మిక భద్రతను మెరుగుపరిచే చర్యల కోసం కంపెనీ RUB 1,1 బిలియన్లను కేటాయించింది. సెవర్‌స్టాల్ గాయం రేటును 2025% 50 (2017తో పోలిస్తే) తగ్గించాలని భావిస్తోంది. "ఒక లైన్ మేనేజర్ - ఫోర్‌మాన్, సైట్ మేనేజర్, షాప్ మేనేజర్ - ఒక ఉద్యోగి అసురక్షితంగా కొన్ని కార్యకలాపాలు నిర్వహిస్తున్నట్లు గమనించినట్లయితే (పారిశ్రామిక ప్రదేశంలో మెట్లు ఎక్కేటప్పుడు హ్యాండ్‌రెయిల్‌లను పట్టుకోడు లేదా అన్ని వ్యక్తిగత రక్షణ పరికరాలను ధరించడు), అతను వ్రాసాడు. అతనికి ఒక ప్రత్యేక గమనిక – PAB (“బిహేవియరల్ సెక్యూరిటీ ఆడిట్” నుండి),” అని కంపెనీ డేటా విశ్లేషణ విభాగం అధిపతి బోరిస్ వోస్క్రెసెన్స్కీ చెప్పారు.
ఒక విభాగంలోని PABల సంఖ్యపై డేటాను విశ్లేషించిన తర్వాత, కంపెనీ నిపుణులు భద్రతా నియమాలను చాలా తరచుగా ఉల్లంఘించినట్లు కనుగొన్నారు, ఇంతకు ముందు అనేక వ్యాఖ్యలు ఉన్నవారు, అలాగే అనారోగ్యంతో సెలవులో ఉన్నవారు లేదా కొంతకాలం ముందు సెలవులో ఉన్నారు. సంఘటన. సెలవు లేదా అనారోగ్య సెలవు నుండి తిరిగి వచ్చిన తర్వాత మొదటి వారంలో ఉల్లంఘనలు తరువాతి కాలంలో రెండు రెట్లు ఎక్కువగా ఉన్నాయి: 1 వర్సెస్ 0,55%. కానీ రాత్రి షిఫ్ట్‌లో పని చేయడం, PAB ల గణాంకాలను ప్రభావితం చేయదు.
వాస్తవికతతో సంబంధం లేదు
పెద్ద డేటాను ప్రాసెస్ చేయడానికి అల్గారిథమ్‌లను సృష్టించడం పనిలో చాలా కష్టమైన భాగం కాదని కంపెనీ ప్రతినిధులు అంటున్నారు. ప్రతి నిర్దిష్ట వ్యాపార సందర్భంలో ఈ సాంకేతికతలను ఎలా అన్వయించవచ్చో అర్థం చేసుకోవడం చాలా కష్టం. కంపెనీ విశ్లేషకులు మరియు బాహ్య ప్రొవైడర్ల యొక్క అకిలెస్ మడమ ఇక్కడే ఉంది, ఇది పెద్ద డేటా రంగంలో నైపుణ్యాన్ని కూడబెట్టినట్లు అనిపిస్తుంది.
"నేను తరచుగా అద్భుతమైన గణిత శాస్త్రజ్ఞులైన పెద్ద డేటా విశ్లేషకులను కలుస్తాను, కానీ వ్యాపార ప్రక్రియల గురించి అవసరమైన అవగాహన లేదు" అని GoodsForecast డెవలప్‌మెంట్ డైరెక్టర్ సెర్గీ కోటిక్ చెప్పారు. రెండు సంవత్సరాల క్రితం తన కంపెనీకి ఫెడరల్ రిటైల్ చైన్ కోసం డిమాండ్ అంచనా పోటీలో పాల్గొనే అవకాశం ఎలా వచ్చిందో అతను గుర్తుచేసుకున్నాడు. పాల్గొనేవారు అంచనాలు వేసిన అన్ని వస్తువులు మరియు దుకాణాల కోసం పైలట్ ప్రాంతం ఎంపిక చేయబడింది. అంచనాలను వాస్తవ అమ్మకాలతో పోల్చారు. మెషిన్ లెర్నింగ్ మరియు డేటా అనాలిసిస్‌లో నైపుణ్యానికి పేరుగాంచిన రష్యన్ ఇంటర్నెట్ దిగ్గజాలలో మొదటి స్థానంలో నిలిచింది: దాని అంచనాలలో, ఇది వాస్తవ విక్రయాల నుండి కనిష్ట విచలనాన్ని చూపించింది.
కానీ నెట్‌వర్క్ అతని అంచనాలను మరింత వివరంగా అధ్యయనం చేయడం ప్రారంభించినప్పుడు, వ్యాపార దృక్కోణం నుండి, అవి పూర్తిగా ఆమోదయోగ్యం కాదని తేలింది. కంపెనీ ఒక క్రమబద్ధమైన అండర్‌స్టేట్‌మెంట్‌తో విక్రయ ప్రణాళికలను ఉత్పత్తి చేసే మోడల్‌ను పరిచయం చేసింది. అంచనాలలో లోపాల సంభావ్యతను ఎలా తగ్గించాలో ప్రోగ్రామ్ కనుగొంది: అమ్మకాలను తక్కువగా అంచనా వేయడం సురక్షితం, ఎందుకంటే గరిష్ట లోపం 100% కావచ్చు (ప్రతికూల అమ్మకాలు లేవు), కానీ అధిక అంచనా దిశలో, ఇది ఏకపక్షంగా పెద్దది కావచ్చు, కోటిక్ వివరించాడు. మరో మాటలో చెప్పాలంటే, కంపెనీ ఒక ఆదర్శవంతమైన గణిత నమూనాను అందించింది, ఇది వాస్తవ పరిస్థితుల్లో సగం ఖాళీ దుకాణాలకు మరియు అండర్‌సేల్స్ నుండి భారీ నష్టాలకు దారి తీస్తుంది. ఫలితంగా, మరొక సంస్థ పోటీని గెలుచుకుంది, దీని లెక్కలు ఆచరణలో పెట్టవచ్చు.
పెద్ద డేటాకు బదులుగా "బహుశా"
పెద్ద డేటా టెక్నాలజీలు అనేక పరిశ్రమలకు సంబంధించినవి, కానీ వాటి క్రియాశీల అమలు ప్రతిచోటా జరగదు, మెష్కోవ్ పేర్కొన్నాడు. ఉదాహరణకు, హెల్త్‌కేర్‌లో డేటా నిల్వతో సమస్య ఉంది: చాలా సమాచారం సేకరించబడింది మరియు ఇది క్రమం తప్పకుండా నవీకరించబడుతుంది, కానీ చాలా వరకు ఈ డేటా ఇంకా డిజిటలైజ్ చేయబడలేదు. ప్రభుత్వ సంస్థలలో చాలా డేటా కూడా ఉంది, కానీ అవి సాధారణ క్లస్టర్‌గా మిళితం చేయబడవు. నేషనల్ డేటా మేనేజ్‌మెంట్ సిస్టమ్ (NCMS) యొక్క ఏకీకృత సమాచార ప్లాట్‌ఫారమ్ అభివృద్ధి ఈ సమస్యను పరిష్కరించే లక్ష్యంతో ఉందని నిపుణుడు చెప్పారు.
అయినప్పటికీ, చాలా సంస్థలలో ముఖ్యమైన నిర్ణయాలు అంతర్ దృష్టి ఆధారంగా తీసుకోబడే ఏకైక దేశం నుండి మన దేశం చాలా దూరంగా ఉంది మరియు పెద్ద డేటా యొక్క విశ్లేషణ కాదు. గత ఏడాది ఏప్రిల్‌లో, డెలాయిట్ పెద్ద అమెరికన్ కంపెనీల (500 లేదా అంతకంటే ఎక్కువ మంది సిబ్బందితో) వెయ్యి మందికి పైగా నాయకుల మధ్య ఒక సర్వే నిర్వహించింది మరియు సర్వేలో పాల్గొన్న వారిలో 63% మందికి పెద్ద డేటా టెక్నాలజీలు బాగా తెలుసు, కానీ అవసరమైనవన్నీ లేవు. వాటిని ఉపయోగించడానికి మౌలిక సదుపాయాలు. ఇంతలో, అధిక స్థాయి విశ్లేషణాత్మక పరిపక్వత కలిగిన 37% కంపెనీలలో, దాదాపు సగం గత 12 నెలల్లో వ్యాపార లక్ష్యాలను గణనీయంగా అధిగమించాయి.
కొత్త సాంకేతిక పరిష్కారాలను అమలు చేయడంలో ఇబ్బందితో పాటు, కంపెనీలలో ముఖ్యమైన సమస్య డేటాతో పని చేసే సంస్కృతి లేకపోవడం అని అధ్యయనం వెల్లడించింది. పెద్ద డేటా ఆధారంగా తీసుకున్న నిర్ణయాల బాధ్యత కంపెనీ విశ్లేషకులకు మాత్రమే కేటాయించబడితే, మొత్తం కంపెనీకి కాకుండా మీరు మంచి ఫలితాలను ఆశించకూడదు. "ఇప్పుడు కంపెనీలు పెద్ద డేటా కోసం ఆసక్తికరమైన వినియోగ కేసుల కోసం చూస్తున్నాయి" అని మిఫ్తాఖోవ్ చెప్పారు. "అదే సమయంలో, కొన్ని దృశ్యాల అమలుకు ఇంతకు ముందు విశ్లేషించబడని అదనపు డేటాను సేకరించడం, ప్రాసెస్ చేయడం మరియు నాణ్యత నియంత్రణ కోసం వ్యవస్థల్లో పెట్టుబడులు అవసరం." అయ్యో, "విశ్లేషణలు ఇంకా జట్టు క్రీడ కాదు" అని అధ్యయన రచయితలు అంగీకరించారు.