AZ IGAZI BIG DATA hogyan használják a világban és egyáltalán használják-e hazánkban?

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "AZ IGAZI BIG DATA hogyan használják a világban és egyáltalán használják-e hazánkban?"

Zoltán Mezei
8 évvel ezelőtt
Látták:

1 AZ IGAZI BIG DATA hogyan használják a világban és egyáltalán használják-e hazánkban? Médiapiac 2015 Eger, Dévényi Edit Dunai Albert K&H Bank és Biztosító 1

hazánkban? Médiapiac 2015 Eger, 2015.03.

2 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 2

3 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 3

4 AZ ANALITIKA EVOLÚCIÓJA Mi történt? Mi lett a következménye? Mikor és hol? Miért történt? Érték Optimalizáló Előrejelző Feltáró Leíró Statisztikai elemzés Standard riport CLTV alapú kampány Affinitás modellezés Taktikai mikroszegmentáció Dashboard készítés Ad-hoc riport Üzleti riasztás és trigger BI (DSS) riport Viselkedés alapú optimalizáció Next best offer (TOP3) Query drill-down Ügyfélérték (CLTV) Előrejelzés OLAP* Sztochasztikus optimalizáció SoW becslés Komplexitás Mi fog történni? És mikor? Folyamat optimalizáció Proaktív megtartás EBO valós időben perszonalizálva Közösségi hálózatelemzés Mit csináljak, hogy elkerüljem/ elősegítsem? Hogyan? Szemantikus analízis In-database elemzés *OLAP: On-line Analytical Processing 4

Üzleti riasztás és trigger BI (DSS) riport Viselkedés alapú optimalizáció Next best offer (TOP3) Query drill-down Ügyfélérték (CLTV) Előrejelzés OLAP* Sztochasztikus optimalizáció SoW

A CÉL UGYANAZ: AZ ADATBAN REJLŐ TUDÁS KIAKNÁZÁSA Feldolgozási idő és munkaigény Big Data Dinamikus árazás Analitikus CRM Kockázati besorolás Adatelemzés Termék penetráció Időjárás, lokáció,

5 A CÉL UGYANAZ: AZ ADATBAN REJLŐ TUDÁS KIAKNÁZÁSA Feldolgozási idő és munkaigény Big Data Dinamikus árazás Analitikus CRM Kockázati besorolás Adatelemzés Termék penetráció Időjárás, lokáció, geostatisztika Ügyféladat Panasz, reklamáció Szegmentáció Fizetési szokás Hang / audio/ kép / video Ügyfél életút Vásárlás Termék affinitás Kommunikáció történet Weblog/ kattintás stream Esemény alapú riasztás Csatorna preferencia Tulajdon / Vagyon SoW* Közösségi interakció Szenzor/ okos eszköz (M2M) Blog, online aktivitás Dinamikus csatorna Tranzakciós háló / Hívásinformáció Kereső marketing Kapcsolati adat Tranzakcionális adat Kampány válasz E-bank kattintás stream *SoW: Share of Wallet Növekvő komplexitás és adat-sokféleség 5

kattintás stream Esemény alapú riasztás Csatorna preferencia Tulajdon / Vagyon SoW* Közösségi interakció Szenzor/ okos eszköz (M2M) Blog, online aktivitás Dinamikus csatorna

6 A BIG DATA IGAZI EREJE A VALÓS IDEJŰSÉG A világon jelenleg gyűjtött adatok 80%-a strukturálatlan! Percenkénti több ezer blogpost, feltöltött kép és videó több százezer tweet bejegyzés és facebook update több millió elküldött és beütött google keresés 6

Percenkénti több ezer blogpost, feltöltött kép és videó több

7 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 7

8 A BIG DATA MINDENÜTT KIAKNÁZÁSRA VÁR PUSZTÁN CSAK A MEGLÉVŐ PRIMER KUTATÁSOK MÖGÉ KELL ILLESZTENI, ILL. AZOKAT ADATGAZDAKÉNT SECUNDER MÓDON ÚJRAHASZNOSÍTANI Egészségügy Gyártástechnológia Telekommunikáció Pénzügy Biztonság Kereső optimalizálás Log analízis Fraud és kockázat elemzés Közlekedés Értékesítés Értékpapír kereskedelem Churn és NBO* *NBO: Next best offer 8

AZOKAT ADATGAZDAKÉNT SECUNDER MÓDON ÚJRAHASZNOSÍTANI Egészségügy Gyártástechnológia

9 AZ EREDMÉNYEINK ÖSSZEKAPCSOLÁSA MÉG PONTOSABB ÜGYFÉLISMERETET EREDMÉNYEZ BIG DATA ÜZLETI ANALITIKA PIACKUTATÁS Adatmennyiség Nagyobb/ gyorsabban változó/ sokféle/ strukturálatlan/ hibákkal teli (Peta-Hexabyte) Nagy adatmennyiség, sok változó (Giga-Terabyte-ok) Viszonylag kevés számú változó (fix elemzési táblák - excel méret) Adatforrás Valós idejű hozzáférés több és sokféle külső forráshoz Forrásrendszer, adattárház Kérdőíves felmérés Megfigyelés Cél rögzítése nélkül tárolt információegységek dinamikusan változó sémák Nagyszámú, célzottan gyűjtött megfigyelések, statikus sémák Célzott mintavétel, becslés Számítási idő Kritikus Tervezhető Mérsékelt Problémák Strukturálatlanság és valósidejű modellezés Képzett változók kiválasztása és a modell túlzott illeszkedése Változó és modell kiválasztása Jól kérdezés 9

Forrásrendszer, adattárház Kérdőíves felmérés Megfigyelés Cél rögzítése nélkül tárolt információegységek dinamikusan változó sémák Nagyszámú, célzottan gyűjtött megfigyelések, statikus sémák Célzott

10 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 10

11 MILYEN IS EGY DATA SCIENTIST? MATEMATIKA ÉS STATISZTIKA Gépi tanulás Felügyelt és felügyelet nélküli tanítás Kísérlettervezés PROGRAMOZÁS ADATBÁZISOK Számítás tudomány Adatbázis kezelők SQL - NoSQL Programnyelvek (Python) Statisztikai nyelvek (R) Hadoop/ Hive/Pig ÜZLETI ISMERET ÉS HOZZÁÁLLÁS Szenvedély Kíváncsiság Kreatív problémamegoldó attitűd Stratégiai, proaktív, innovatív hacker szemlélet KOMMUNIKÁCIÓ ÉS VIZUALIZÁCIÓ Történetmesélés Adat alapú insight-ok döntéssé, akcióvá formálása Vizualizációs eszközök Vizuális művészet 11

tudomány Adatbázis kezelők SQL - NoSQL Programnyelvek (Python) Statisztikai nyelvek (R) Hadoop/ Hive/Pig ÜZLETI ISMERET ÉS HOZZÁÁLLÁS

12 MENNYIBEN MÁS? LÉPÉS CRISP-DM* MÓDSZERTAN Üzleti Probléma Megértése Üzleti Követelmények Meghatározása Üzleti probléma megértése Adatok feltérképezése Adatok Feltérképezése Adatszintű Követelmények és Lehetőségek Megismerése Megvalósítás Adat Adatok előkészítése Modellalkotás Adatok Előkészítése Modellalkotás Adatelőkészítés, Elemzés, Változó Származtatás Modellkiválasztás, Elemzés Modelltanítás Kiértékelés Kiértékelés Tesztelés és Kiértékelés Hatékonyság mérés Üzleti értelmezés Megvalósítás Üzleti és Technológiai Implementáció Oktatás/képzés *CRoss Industry Standard Process for Data Mining 12

Feltérképezése Adatszintű Követelmények és Lehetőségek Megismerése Megvalósítás Adat Adatok előkészítése Modellalkotás Adatok Előkészítése

13 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 13

14 A KELLŐ ÜGYFÉLISMERET HIÁNYA NEM (CSAK) A TERABYTE-OK FELDOLGOZOTTSÁGÁN MÚLIK 100 Ügyféladat Elérés Terabyte Tudásbeli szakadék Végrehajtási űr Analitikus Kapacitás Alkalmazási Kapacitás Idő

50 25 Tudásbeli szakadék Végrehajtási űr Analitikus

15 KEZDJÜK KICSIBEN: SEGÍTSÜNK JÓL KÉRDEZNI! 37% Sohasem panaszkodott 31% Úgy érzi, nem éri meg visszajelzést adni 47% Boldogtalan, de ritkán panaszkodik (néhány évente formál véleményt) 45% Egyenesen a versenytárshoz megy egy rossz élményt vagy negatív tapasztalatot követően 12x Pozitív szolgáltatási élmény szükséges EGYETLEN negatív eset jóvátételéhez 15

de ritkán panaszkodik (néhány évente formál véleményt) 45% Egyenesen a versenytárshoz

16 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 16

17 MEGÚJUL AZ ÜZLET SZEMLÉLETE IS! Hagyományos kutatócég Elemző partner Kell a kutatás Mennyiségben gondolkodunk Az ár a fő szempont Akarom az elemzést Minőségben versenyzünk Az érték az elvárás 17

18 Nem értek hozzá! Mi tart vissza? Túl drága! Nincs adatom! Úgysem adják oda! érzelmileg üzleti hatásait tekintve Nem Nem vagyok vagyok kész kész rá! rá! technikailag 18

19 EZ MÉG CSAK SCIENCE FICTION!? A legnagyobb kérdés a társadalmi szemlélet változása! A megkérdezettek 49%-a állítja, hogy a következő öt évben kevesebb személyes információ megosztására hajlandó. 78% szerint a személyes adataik ismeretében a vállalatok több profitot tudnak termelni. MÍG: A vállalatok 80%-a még tapasztalatlan a big data felhasználása kapcsán! Elgondolkodtató: Szenzorok mellett nincs szépítés, vélt elvárásoknak megfelelés, nem lehet elrejteni érzéseket győz az igazság! / 19

78% szerint a személyes adataik ismeretében a vállalatok több profitot tudnak termelni.

20 Dévényi Edit Dunai Albert 20

Hasonló dokumentumok

Üzleti intelligencia - eszközöktől a megoldásokig

Atlanta Barcelona Berlin Vienna Budapest Bukarest Düsseldorf München Stuttgart Zurich www.ifua.hu Fekete Gábor ügyvezető partner 2007. március 21. Üzleti intelligencia - eszközöktől a megoldásokig IFUA