Jak na úspěšnou analýzu velkých dat? Následujte těchto 5 kroků

V aktuální době sledujeme velkou poptávku po analýzách napomáhajících nejen lepšímu porozumění zákazníků a jejich chování, ale zároveň takových, které dokáží zákaznické chování rovnou předvídat. Tento trend uzavírá požadavek po analýzách, jež napomáhají činit rozhodnutí na základě těchto získaných informací tak, aby z toho firma měla nějaký užitek. K tomu všemu mohou přispět jak nové technologie, jako jsou Big Data nebo internet věcí – IoT, tak pokročilé analytické přístupy. Sem patří zejména machine learning, deep learning nebo natural language processing.

Popisná analýza a prediktivní analýza dat patří mezi základní poslání analýzy dat. Popisná analýza se v principu snaží co nejlépe ukázat, jaká je skutečnost, kterou sesbíraná data zachycují. Prediktivní analýza pak využívá zaznamenanou minulost pro predikci budoucího vývoje. Statistické metody a algoritmy umělé inteligence umí zpracovávat nejen strukturovaná data, ale i texty nebo obrázky. Obecně však platí, že kvalita analytických výstupů do velké míry souvisí s kvalitou, rychlostí, rozsahem a objemem zpracovaných dat.

Na základě analýz můžete získat popisy klíčových okamžiků vedoucích k tomu, že zákazník provede v brzké době významné rozhodnutí. Může se jednat třeba o opakované neúspěšné volání z míst, kde je velmi dobré pokrytí, ale kapacita odbavení BTSkou je nízká. Klientovo rozladění jej pak může dovést až do situace, kdy se rozhodne změnit operátora. Cena přitom nemusí hrát tu nejdůležitější ro li.

Jestliže takovou situaci operátor umí detekovat z dat, může být zákazníkovi kvalitním partnerem a uvedené technické problémy zvládne řešit včas a na úrovni. Podobný příklad můžeme uplatnit i v bance. Pokud klient například pravidelně na webových stránkách vyhledává kurzovní lístek své banky, stojí za zamyšlení nabídnout mu nějakou službu související s touto situací.

1. Klíčová je solidní technická infrastruktura, která zajistí, že systémy umí data sesbírat a v rozumném čase předávat, transformovat a ukládat. Rozvoj technologií vede k „near real time“ řešením. Máme-li strukturovaná data, můžeme s nimi začít provádět různé analýzy a kouzla.
    
2. Dále je potřeba tato data uchovávat dlouhodobě, anebo z nich alespoň dlouhodobě získávat klíčové informace. Bez historie se žádný kvalitní prediktivní model nedá sestavit. To, že transakčních a logovacích dat je hodně donedávna pro většinu společností znamenalo, že měly detailní záznamy jen v řádu týdnů, měsíců, maximálně jednoho roku či dvou let. S nástupem úložišť pro velká data v podobě cloudových či Hadoop řešení toto omezení padá. Už se tedy pomalu můžeme setkávat s tím, že velké společnosti mají svá velká data pod svými křídly.
    
3. Máme-li dostatek záznamů pro analýzu, kde se co s kým děje, neznamená to ještě, že jsme si automaticky vygenerovali konkurenční výhodu. Abychom uměli této skutečnosti využít, musíme si leckteré analytické výstupy propojit se současnými systémy pro prodej, péči o zákazníka (CRM, call centrum), marketing, vývoj produktů a služeb apod.
    
4. Nyní může data scientista začít budovat své modely, které umožní odhadnout kdy a komu doporučit službu. Tato cesta k modelům tedy není úplně jednoduchá, avšak při troše snahy dokáží klasifikační a prediktivní modely najít tu správnou cestu k personalizovanému přístupu.
    
5. Přípravou perfektního modelu ještě nejsme u konce. Nedojde-li k celé řadě procesních a systémových vylepšení, nemůžeme očekávat, že pokročilá analýza Big Dat bude ku prospěchu.

Úspěch zpracování analýzy záleží především na tom, aby se analýza nedělala jen tak pro formu či do šuplíku, ale měla jasné poslání. Patří sem především využití výstupů k detekci včasných příležitostí a vylepšení obchodních výsledků. Schopný analytik tak reálně může přispět k poskytování relevantních služeb a efektivnější péči o zákazníka.