Презентация с конференции Resilience 2014. Опыт и решения CleverDATA. Какие задачи стоят перед Бизнесом и как подходить к решению задач обогащения данных для извлечения знаний. Биржа Данных 1DMP.RU и Private DMP. Роль Научного сообщества и Data Science в развитии Big Data

1. Big
Data
Как
принести
пользу
Бизнесу
Денис
Реймер
h=p://denreymer.com
26.11.2014

2. Денис
Реймер
2000
2006
2011
2013
РУДН,
прикладная
математика,
бакалавр
ЛАНИТ,
программист
РУДН,
Магистратура,
Аспирантура
ЛАНИТ,
Директор
Департамента
Интегрированных
Бизнес
Решений
LANIT-­‐BPM,
Генеральный
Директор
РАНХиГС
hCp://denreymer.com
ИБДА,
ExecuSve
MBA
2014
ЛАНИТ,
Вице-­‐Президент,
Digital
InnovaSon
CleverDATA,
Председатель
Совета
Директоров

3. Make
your
data
clever
Развитие
бизнеса
на
международном
рынке
с
2012
года
cleverdata.ru
|
info@cleverdata.ru
Входит
в
тройку
лидеров
российских
ИТ
компаний
43
подразделения
в
России
и
за
рубежом
Более
5500
сотрудников
100
тыс.проектов
для
10
тыс.заказчиков
Инновационная
платформа
управления
данными
«Биржа»
данных
Облачный
сервис
Собственная
разработка
Создана
в
2014
г.
Фокус
на
работе
с
«Big
Data»
Собственные
центры
разработки
Партнерство
с
мировыми
лидерами
и
научными
институтами
Центр
экспертизы
по
технологиям
Big
Data
и
Digital
MarkeSng

4. Немного
о
Big
Data
ВЫСОКАЯ
СКОРОСТЬ
БОЛЬШОЙ
ОБЪЕМ
ЗНАЧИТЕЛЬНАЯ
ВАРИАТИВНОСТЬ
cleverdata.ru
|
info@cleverdata.ru
Web
логи
Финансовые
транзакции
Социальные
сети
Web
контент
Машинные
данные
Открытые
данные
Hadoop
MPP
(VerSca,
Exadata,
Greenplum,
Teradata)
NoSQL
(Key-­‐Value,
Document-­‐
oriented,
Column-­‐based,
Graph-­‐
oriented)
In-­‐memory
Data
Grids,
CalculaSon
Grids
Data
Mining
Machine
Learning
/
StaSsScs
/
Natural
Language
Processing
Event-­‐Stream
Processing
Creaˆve/Business
Cases
Значимость
данных
в
том,
как
вы
анализируете
и
применяете
эти
данные
для
развития
своего
бизнеса
Понимание
клиента
и
его
поведения
Информационная
безопасность
Управление
рисками
Повышение
операционной
эффективности
“Потенциал
Big
Data
раскрывается
в
полной
мере
при
взаимодействии
с
другими
данными
организации.”
Билл
Фрэнкс.

5. Понимание
клиента
и
его
поведения

6. Выборы
Папы
Римского
Бенедикта

7. Выборы
Папы
Римского
Франциска

8. Современный
потребитель
• Живет
в
Digital
мире
• Всегда
Онлайн
&
Всегда
доступен
• Отсутствие
фокуса,
постоянно
переключается
• Невосприимчив
к
рекламе

9. Интернет
за
1
минуту
• Youtube
–
145
782
1
минута
в
Интернете

10. Что
мы
знаем
о
клиенте?
Персональные
данные
История
контактов
Платежи
Карточные
транзакции
Продукты
Web-­‐аналитика
Результаты
маркетинговых
кампаний
Взгляд
360о
на
все,
что
уже
БЫЛО!

11. Что
мы
НЕ
знаем
о
клиенте?
Чем
он
интересуется?
Что
планирует
покупать?
Что
изучает?
Куда
планирует
поехать?
Что
планирует
делать?
Что
может
произойти

12. Шаг
№1
Организуем
хранение
и
обработку
данных

13. Big
Data
–
это
потоки
информации
Которые
нужно
уметь
слушать,
обрабатывать
и
сохранять
в
реальном
времени

14. Private
DMP
Data
Management
Pla˜orm
Не
существует
DMP
из
коробки!
Профиль
и
интересы
вашего
клиента,
в
реальном
времени
DMP
–
это
набор
правильно
подобранных
компонентов.

15. Профиль
клиента
-­‐
Таксономия
Занятость
• Безработный
• На
пенсии
• Работаете
• Студент
• Свой
бизнес
Сервис
классификации
DMP
Профессиональная
сфера
• Гос.
Служба
• Обслуживание
• Преподавание
• Продажи
и
маркетинг
• Технологии
• Финансы
• Юриспруденция
Уровень
образования
• Высшее
• Другое
• Среднее
• Учёная
степень
Предпочтения
• Финансы
(клиент
каких
банков,
уровень
дохода,
кредитная
нагрузка,
страховка)
• Брендовые
предпочтения
авто
(по
маркам)
• Модельные
предпочтения
авто
(по
типам
автомобилей)
• Жилищные
предпочтения
(свой
дом,
своя
квартира,
аренда
жилья)
• Здоровье
(диеты,
традиционная
медицина,
питание)
• Интернет
и
ТВ
(предпочтения
по
каналам,
тематикам
передач
и
тд)
• Мобильные
телефоны
(какие
мобильные
приложения
использует)
• Путешествия
(частота,
направления,
командировки,
класс
отдыха)
• Развлечения
(театр,
кино,
клубы,
искусство)
• Спортивные
предпочтения
• Магазины
(в
магазинах
какого
класса
обслуживается)
• Определение
собственной
таксономии;
• Подготовка
обучающей
выборки
для
алгоритмов
машинного
обучения;
• Построение
профилей
интересов
и
классификация
Клиентов
организации!

16. Шаг
№2
Где
еще
взять
данные
о
наших
клиентах?

17. История
серфинга
Социальные
сети
Какие
данные
о
наших
клиентах
существуют?
Медийный
контент
Машинные
данные
Offline
данные
Посещение
веб-­‐сайтов
Поисковые
запросы
Покупки
в
интернете
Просматриваемые
фильмы
Пол/возраст/
семейное
положение
Список
друзей
Like/Check-­‐in
Интересы/Посты
eCommerce
Мобильные
приложения
Покупки
в
магазинах
Парковки
Кредитная
история
Программы
лояльности

18. Проблемы
сбора
• Незрелый
рынок
обмена
данными;
• Готовые
профили
аудитории
чаще
бесполезны;
• Отсутствуют
стандарты
сбора
и
предоставления
«сырых»
данных;
• Необходимость
работы
с
потоком
данных
(преобразование,
очистка,
хранение,
интеграция)

19. Биржа
данных
1DMP.RU
Поставщики
Потребители
• Web-­‐логи
• Соц.
Сети
• Web-­‐контент
• БКИ
• Мобильные
операторы
• Платежные
системы
• eCommerce
• Банки
• Ритэйл
• eCommerce
• Телеком
• Госсектор
Облачная
сервисная
платформа
для
обмена
и
хранения
больших
объемов
разнородной
информации
Монетизация
данных
путем
использования
для
решения
бизнес-­‐задач
в
области
маркетинга,
управления
рисками,
формирования
программ
лояльности
и
других.

20. cleverdata.ru
|
info@cleverdata.ru
Безопасное
хранение
данных
Real-­‐ˆme
доступ
к
данным
Big
Data
хранилище
Мониторинг,
статистика
и
контроль
Депозитарий
данных
Биржа
данных
Обработка
данных
Сервисы
активации
данных
Различные
режимы
торгов
Уникальные
возможности
монетизации
Биллинг
операций
Платформа
для
создания
аналитических
сервисов
для
разных
предметных
областей
Алгоритмы
машинного
обучения
и
статистики
Подключение
к
сторонним
инструментам
анализа
данных
Накопление
и
хранение
Обогащение
и
монетизация
Анализ
и
преобразование
Биржа
данных
1DMP.RU

21. Private
DMP
Собираем
все
вместе
Web-­‐
аналитика
Шаг
№3

22. DMP
MarkeSng
RTB
Scoring
Сырые
данные
CRM
и
внутренние
транзакционные
системы
Аналитические
данные
• Профиль
клиента
AnS
Fraud
Построение
единого
профиля
клиента
Медийный
контент
Машинные
данные
История
серфинга
Социальные
сети
Offline
данные
eCommerce
Данные
web
аналитики,
campaign
management
систем
DMP
-­‐
Центральный
хаб
данных
организации

23. 3D
модель
Клиента
Внутренние
данные
Online
данные
Открытые
данные
Данные
БКИ
Offline
данные
партнеров

24. КАК
ПОМОЧЬ
БИЗНЕСУ?

25. 1. Подобрать
инструменты
2. Обеспечить
внедрение
cleverdata.ru
|
info@cleverdata.ru
Клиенты
1. Определить
Цели
2. Предоставить
данные
Научное
сообщество
1. Сформулировать
гипотезы
2. Проработать
варианты

26. • RTB
реклама
• Скоринг
физических
лиц
• Активная
матрица
кросс-­‐предложений
• Формирование
предложений
на
события
в
реальном
времени
• Формирование
профиля
типового
потребителя
продукта
• Поведение
клиента
на
сайте
компании
при
звонке
в
call-­‐center
• Гибкое
сегментирование
клиентов
• Целевые
продажи
• Верификация
места
проведения
транзакции
• Идентификация
клиента
по
поведению
• Антифрод
и
анализ
мошенничества
• Адаптация
контента
и
анкеты
…

27. Data
Scienˆst

28. Рынок
данных
не
принадлежит
Он
открыт
для
каждого.
Сегодня
компаниям.
Data
Scienˆst
может
стать
Data
Предпринимателем.

29. IT
Predicˆons
2015
“Now
that
data
scienXsts
can
in
effect
publish
algorithms
to
an
‘app
store’,
they
can
moneXze
their
research,
knowledge,
and
creaXvity.”

30. info@cleverdata.ru
www.cleverdata.ru
«Для
того,
чтобы
завтра
извлечь
пользу
из
данных,
нужно
накапливать
их
уже
сегодня
и
учиться
с
ними
работать»

31. Денис
Реймер
h=p://denreymer.com
h=p://cleverdata.ru
h=p://lanit.ru
26.11.2014