ยอมรับเหมือนข้อมูล: ธุรกิจเรียนรู้ที่จะทำกำไรจากข้อมูลขนาดใหญ่ได้อย่างไร

ด้วยการวิเคราะห์ข้อมูลขนาดใหญ่ บริษัทต่าง ๆ เรียนรู้ที่จะเปิดเผยรูปแบบที่ซ่อนอยู่ ปรับปรุงประสิทธิภาพทางธุรกิจของพวกเขา ทิศทางนั้นทันสมัย ​​แต่ไม่ใช่ทุกคนที่จะได้รับประโยชน์จากข้อมูลขนาดใหญ่เนื่องจากขาดวัฒนธรรมในการทำงานกับพวกเขา

“ยิ่งชื่อของบุคคลธรรมดามากเท่าไหร่ โอกาสที่พวกเขาจะจ่ายเงินตรงเวลาก็จะยิ่งมากขึ้นเท่านั้น ยิ่งบ้านของคุณมีชั้นมากเท่าไหร่ คุณก็จะยิ่งเป็นผู้กู้ที่ดีมากขึ้นเท่านั้น สัญลักษณ์ของจักรราศีแทบไม่มีผลต่อโอกาสในการคืนเงิน แต่ประเภทจิตมีผลอย่างมาก” Stanislav Duzhinsky นักวิเคราะห์จาก Home Credit Bank กล่าวเกี่ยวกับรูปแบบที่ไม่คาดคิดในพฤติกรรมของผู้กู้ เขาไม่ได้มีหน้าที่อธิบายรูปแบบเหล่านี้มากนัก – รูปแบบเหล่านี้ถูกเปิดเผยโดยปัญญาประดิษฐ์ซึ่งประมวลผลโปรไฟล์ลูกค้าหลายพันรายการ

นี่คือพลังของการวิเคราะห์ข้อมูลขนาดใหญ่: ด้วยการวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างจำนวนมหาศาล โปรแกรมสามารถค้นพบความสัมพันธ์มากมายที่นักวิเคราะห์มนุษย์ที่ฉลาดที่สุดไม่เคยรู้ด้วยซ้ำ บริษัทใดก็ตามมีข้อมูลที่ไม่มีโครงสร้าง (บิ๊กดาต้า) จำนวนมาก – เกี่ยวกับพนักงาน ลูกค้า คู่ค้า คู่แข่ง ซึ่งสามารถนำมาใช้เพื่อประโยชน์ทางธุรกิจ: ปรับปรุงผลของการส่งเสริมการขาย บรรลุการเติบโตของยอดขาย ลดการลาออกของพนักงาน ฯลฯ

Rafail Miftakhov ผู้อำนวยการ Deloitte Technology Integration Group, CIS กล่าวว่า คนกลุ่มแรกที่ทำงานกับข้อมูลขนาดใหญ่คือบริษัทเทคโนโลยีและโทรคมนาคมขนาดใหญ่ สถาบันการเงิน และค้าปลีก ขณะนี้มีความสนใจในโซลูชั่นดังกล่าวในหลายอุตสาหกรรม บริษัทต่างๆ ประสบความสำเร็จอะไรบ้าง? และการวิเคราะห์ข้อมูลขนาดใหญ่จะนำไปสู่ข้อสรุปที่มีค่าเสมอหรือไม่?

ธนาคารใช้อัลกอริธึมข้อมูลขนาดใหญ่เป็นหลักเพื่อปรับปรุงประสบการณ์ของลูกค้าและปรับค่าใช้จ่ายให้เหมาะสม ตลอดจนจัดการความเสี่ยงและต่อสู้กับการฉ้อโกง “ในช่วงไม่กี่ปีที่ผ่านมา การปฏิวัติที่แท้จริงได้เกิดขึ้นในด้านการวิเคราะห์ข้อมูลขนาดใหญ่” Duzhinsky กล่าว “การใช้แมชชีนเลิร์นนิงช่วยให้เราสามารถคาดการณ์ความน่าจะเป็นของการผิดนัดชำระหนี้ได้แม่นยำมากขึ้น การค้างชำระในธนาคารของเรามีเพียง 3,9% เท่านั้น” สำหรับการเปรียบเทียบ ณ วันที่ 1 มกราคม 2019 ส่วนแบ่งของสินเชื่อที่ค้างชำระเกิน 90 วันสำหรับสินเชื่อที่ออกให้กับบุคคลนั้นอยู่ที่ 5% ตามข้อมูลของธนาคารกลาง

แม้แต่องค์กรการเงินรายย่อยก็ยังสับสนกับการศึกษาข้อมูลขนาดใหญ่ Andrey Ponomarev ซีอีโอของ Webbankir ซึ่งเป็นแพลตฟอร์มให้กู้ยืมออนไลน์กล่าวว่า “การให้บริการทางการเงินโดยไม่วิเคราะห์ข้อมูลขนาดใหญ่ในปัจจุบันก็เหมือนกับการคำนวณโดยไม่ใช้ตัวเลข” “เราออกเงินออนไลน์โดยไม่เห็นลูกค้าหรือพาสปอร์ตของเขา และไม่เหมือนกับการให้กู้ยืมแบบดั้งเดิม เราไม่เพียงต้องประเมินความสามารถในการชำระหนี้ของบุคคลเท่านั้น แต่ยังต้องระบุบุคลิกของเขาด้วย”

ขณะนี้ฐานข้อมูลของบริษัทเก็บข้อมูลเกี่ยวกับลูกค้ามากกว่า 500 ราย แอปพลิเคชันใหม่แต่ละรายการได้รับการวิเคราะห์ด้วยข้อมูลนี้ในพารามิเตอร์ประมาณ 800 รายการ โปรแกรมไม่ได้พิจารณาเฉพาะเพศ อายุ สถานภาพการสมรส และประวัติเครดิตเท่านั้น แต่ยังคำนึงถึงอุปกรณ์ที่บุคคลใช้เข้าสู่แพลตฟอร์ม วิธีที่เขาประพฤติตนบนไซต์ด้วย ตัวอย่างเช่น อาจเป็นเรื่องน่าตกใจที่ผู้กู้ที่มีศักยภาพไม่ได้ใช้เครื่องคำนวณเงินกู้หรือไม่ได้สอบถามเกี่ยวกับเงื่อนไขของเงินกู้ “ด้วยข้อยกเว้นบางประการ เช่น เราไม่ออกเงินกู้ให้กับบุคคลที่มีอายุต่ำกว่า 19 ปี ไม่มีพารามิเตอร์ใดในตัวเองที่เป็นเหตุผลสำหรับการปฏิเสธหรือตกลงที่จะออกเงินกู้” Ponomarev อธิบาย เป็นการรวมกันของปัจจัยที่สำคัญ ใน 95% ของกรณี การตัดสินใจจะเกิดขึ้นโดยอัตโนมัติ โดยไม่ต้องมีผู้เชี่ยวชาญจากแผนกรับประกันภัยเข้าร่วม

การวิเคราะห์ข้อมูลขนาดใหญ่ช่วยให้เราได้รับรูปแบบที่น่าสนใจ Ponomarev แบ่งปัน ตัวอย่างเช่น ผู้ใช้ iPhone กลายเป็นผู้ยืมที่มีระเบียบวินัยมากกว่าเจ้าของอุปกรณ์ Android ซึ่งก่อนหน้านี้ได้รับการอนุมัติแอปพลิเคชันบ่อยกว่า 1,7 เท่า “ข้อเท็จจริงที่ว่าบุคลากรทางทหารไม่ชำระคืนเงินกู้น้อยกว่าผู้กู้ทั่วไปเกือบหนึ่งในสี่ไม่ใช่เรื่องน่าแปลกใจ” Ponomarev กล่าว “แต่โดยปกติแล้วนักเรียนจะไม่ถูกคาดหวังให้ถูกบังคับ แต่ในขณะเดียวกัน กรณีของการผิดนัดเครดิตนั้นพบได้น้อยกว่าค่าเฉลี่ยของฐานถึง 10%”

การศึกษาข้อมูลขนาดใหญ่ช่วยให้ผู้ประกันตนสามารถให้คะแนนได้เช่นกัน IDX ก่อตั้งขึ้นในปี 2016 มีส่วนร่วมในการระบุตัวตนระยะไกลและการตรวจสอบยืนยันเอกสารทางออนไลน์ บริการเหล่านี้เป็นที่ต้องการของผู้รับประกันภัยขนส่งสินค้าซึ่งสนใจให้สินค้าสูญหายน้อยที่สุด Jan Sloka ผู้อำนวยการฝ่ายการพาณิชย์ของ IDX อธิบายก่อนที่จะทำประกันการขนส่งสินค้า โดยได้รับความยินยอมจากคนขับ ร่วมกับพันธมิตร – บริษัท เซนต์ปีเตอร์สเบิร์ก “การควบคุมความเสี่ยง” – IDX ได้พัฒนาบริการที่ช่วยให้คุณตรวจสอบตัวตนของผู้ขับขี่ ข้อมูลหนังสือเดินทางและสิทธิ์ การมีส่วนร่วมในเหตุการณ์ที่เกี่ยวข้องกับการสูญหายของสินค้า ฯลฯ หลังจากวิเคราะห์ ฐานข้อมูลของผู้ขับขี่ บริษัท ระบุ "กลุ่มเสี่ยง": บ่อยครั้งที่สินค้าสูญหายในหมู่ผู้ขับขี่อายุ 30-40 ปีที่มีประสบการณ์การขับขี่มายาวนานซึ่งมักจะเปลี่ยนงานเมื่อเร็ว ๆ นี้ นอกจากนี้ยังพบว่าสินค้ามักถูกขโมยโดยผู้ขับขี่รถยนต์ซึ่งมีอายุการใช้งานเกินแปดปี

ผู้ค้าปลีกมีหน้าที่ที่แตกต่างกัน – ในการระบุลูกค้าที่พร้อมจะซื้อ และกำหนดวิธีที่มีประสิทธิภาพสูงสุดในการนำพวกเขามาที่ไซต์หรือร้านค้า เพื่อจุดประสงค์นี้ โปรแกรมจะวิเคราะห์โปรไฟล์ของลูกค้า ข้อมูลจากบัญชีส่วนบุคคล ประวัติการซื้อ ข้อความค้นหา และการใช้คะแนนโบนัส เนื้อหาของตะกร้าอิเล็กทรอนิกส์ที่พวกเขาเริ่มกรอกและละทิ้ง การวิเคราะห์ข้อมูลทำให้คุณสามารถแบ่งกลุ่มฐานข้อมูลทั้งหมดและระบุกลุ่มผู้ซื้อที่มีศักยภาพซึ่งอาจสนใจข้อเสนอเฉพาะได้ Kirill Ivanov ผู้อำนวยการสำนักงานข้อมูลของกลุ่ม M.Video-Eldorado กล่าว

ตัวอย่างเช่น โปรแกรมระบุกลุ่มลูกค้า ซึ่งแต่ละกลุ่มชอบเครื่องมือทางการตลาดที่แตกต่างกัน เช่น เงินกู้ปลอดดอกเบี้ย เงินคืน หรือรหัสส่วนลด ผู้ซื้อเหล่านี้จะได้รับจดหมายข่าวทางอีเมลพร้อมโปรโมชันที่เกี่ยวข้อง ความน่าจะเป็นที่บุคคลเปิดจดหมายแล้วจะไปที่เว็บไซต์ของ บริษัท ในกรณีนี้เพิ่มขึ้นอย่างมาก Ivanov ตั้งข้อสังเกต

การวิเคราะห์ข้อมูลยังช่วยให้คุณเพิ่มยอดขายของผลิตภัณฑ์และอุปกรณ์เสริมที่เกี่ยวข้องได้อีกด้วย ระบบซึ่งประมวลผลประวัติการสั่งซื้อของลูกค้ารายอื่น ให้คำแนะนำแก่ผู้ซื้อเกี่ยวกับสิ่งที่ควรซื้อพร้อมกับผลิตภัณฑ์ที่เลือก จากการทดสอบวิธีการทำงานนี้ Ivanov แสดงให้เห็นว่าจำนวนคำสั่งซื้อพร้อมอุปกรณ์เสริมเพิ่มขึ้น 12% และมูลค่าการซื้อขายอุปกรณ์เสริมเพิ่มขึ้น 15%

ผู้ค้าปลีกไม่ได้เป็นเพียงกลุ่มเดียวที่พยายามปรับปรุงคุณภาพการบริการและเพิ่มยอดขาย ฤดูร้อนที่แล้ว MegaFon ได้เปิดตัวบริการข้อเสนอที่ "ฉลาด" โดยอิงจากการประมวลผลข้อมูลจากสมาชิกหลายล้านคน เมื่อศึกษาพฤติกรรมของพวกเขาแล้ว ปัญญาประดิษฐ์ได้เรียนรู้ที่จะสร้างข้อเสนอส่วนบุคคลสำหรับลูกค้าแต่ละรายภายในอัตราภาษีศุลกากร ตัวอย่างเช่น หากโปรแกรมสังเกตว่าคนๆ หนึ่งกำลังดูวิดีโอบนอุปกรณ์ของเขาอยู่ บริการจะเสนอให้เขาเพิ่มปริมาณการรับส่งข้อมูลผ่านมือถือ โดยคำนึงถึงความชื่นชอบของผู้ใช้ บริษัทจัดหาทราฟฟิกแบบไม่จำกัดให้กับสมาชิกสำหรับการพักผ่อนทางอินเทอร์เน็ตที่พวกเขาชื่นชอบ เช่น การใช้โปรแกรมส่งข้อความทันทีหรือฟังเพลงบนบริการสตรีมมิ่ง แชทบนโซเชียลเน็ตเวิร์กหรือดูรายการทีวี

“เราวิเคราะห์พฤติกรรมของสมาชิกและเข้าใจว่าความสนใจของพวกเขาเปลี่ยนแปลงไปอย่างไร” Vitaly Shcherbakov ผู้อำนวยการฝ่ายวิเคราะห์ข้อมูลขนาดใหญ่ของ MegaFon อธิบาย “ตัวอย่างเช่น ปีนี้ การเข้าชม AliExpress เพิ่มขึ้น 1,5 เท่าเมื่อเทียบกับปีที่แล้ว และโดยทั่วไป จำนวนการเข้าชมร้านขายเสื้อผ้าออนไลน์ก็เพิ่มขึ้น: 1,2–2 เท่า ขึ้นอยู่กับทรัพยากรเฉพาะ”

อีกตัวอย่างหนึ่งของการทำงานของผู้ปฏิบัติงานที่มีข้อมูลขนาดใหญ่คือแพลตฟอร์ม MegaFon Poisk สำหรับค้นหาเด็กและผู้ใหญ่ที่หายไป ระบบจะวิเคราะห์ว่าบุคคลใดบ้างที่สามารถอยู่ใกล้สถานที่ของผู้สูญหายได้ และส่งข้อมูลพร้อมรูปถ่ายและสัญลักษณ์ของผู้สูญหายไปให้พวกเขา ผู้ดำเนินการพัฒนาและทดสอบระบบร่วมกับกระทรวงกิจการภายในและองค์กร Lisa Alert: ภายในสองนาทีหลังจากปฐมนิเทศผู้สูญหาย สมาชิกมากกว่า 2 คนได้รับ ซึ่งเพิ่มโอกาสของผลการค้นหาที่ประสบความสำเร็จอย่างมีนัยสำคัญ

การวิเคราะห์ข้อมูลขนาดใหญ่ยังพบการประยุกต์ใช้ในอุตสาหกรรม ที่นี่ช่วยให้คุณสามารถคาดการณ์ความต้องการและวางแผนการขายได้ ดังนั้นในกลุ่ม บริษัท Cherkizovo เมื่อสามปีที่แล้วจึงมีการนำโซลูชันที่ใช้ SAP BW มาใช้ซึ่งช่วยให้คุณจัดเก็บและประมวลผลข้อมูลการขายทั้งหมด: ราคา, การแบ่งประเภท, ปริมาณผลิตภัณฑ์, โปรโมชั่น, ช่องทางการจัดจำหน่าย Vladislav Belyaev, CIO กล่าว ของกลุ่ม” Cherkizovo การวิเคราะห์ข้อมูล 2 TB ที่สะสมไว้ไม่เพียงแต่ทำให้สามารถจัดประเภทและเพิ่มประสิทธิภาพพอร์ตโฟลิโอผลิตภัณฑ์ได้อย่างมีประสิทธิภาพ แต่ยังอำนวยความสะดวกในการทำงานของพนักงานอีกด้วย ตัวอย่างเช่น การจัดทำรายงานการขายประจำวันอาจต้องใช้นักวิเคราะห์หลายคนทำงานเป็นเวลาหนึ่งวัน – สองครั้งสำหรับแต่ละกลุ่มผลิตภัณฑ์ ตอนนี้รายงานนี้จัดทำโดยหุ่นยนต์ โดยใช้เวลาเพียง 30 นาทีในทุกส่วน

Stanislav Meshkov ซีอีโอของ Umbrella IT กล่าวว่า "ในอุตสาหกรรม ข้อมูลขนาดใหญ่ทำงานร่วมกับอินเทอร์เน็ตในทุกสิ่งได้อย่างมีประสิทธิภาพ “จากการวิเคราะห์ข้อมูลจากเซ็นเซอร์ที่ติดตั้งอุปกรณ์ จึงสามารถระบุความเบี่ยงเบนในการทำงานและป้องกันการพังทลาย และคาดการณ์ประสิทธิภาพได้”

ใน Severstal ด้วยความช่วยเหลือจากข้อมูลขนาดใหญ่ พวกเขายังพยายามแก้ปัญหาที่ค่อนข้างไม่สำคัญ เช่น เพื่อลดอัตราการบาดเจ็บ ในปี 2019 บริษัทได้จัดสรรเงินประมาณ 1,1 พันล้านรูเบิลสำหรับมาตรการปรับปรุงความปลอดภัยของแรงงาน Severstal คาดว่าจะลดอัตราการบาดเจ็บลงได้ 2025% ในปี 50 (เทียบกับปี 2017) “หากผู้จัดการสายงาน — หัวหน้าคนงาน ผู้จัดการสถานที่ ผู้จัดการร้าน — สังเกตเห็นว่าพนักงานปฏิบัติงานบางอย่างอย่างไม่ปลอดภัย (ไม่จับราวจับเมื่อขึ้นบันไดที่ไซต์งานอุตสาหกรรม หรือไม่สวมอุปกรณ์ป้องกันส่วนบุคคลทั้งหมด) เขาเขียน ข้อความพิเศษถึงเขา – PAB (จาก “การตรวจสอบความปลอดภัยเชิงพฤติกรรม”)” Boris Voskresensky หัวหน้าแผนกวิเคราะห์ข้อมูลของบริษัทกล่าว

หลังจากวิเคราะห์ข้อมูลเกี่ยวกับจำนวน PAB ในแผนกใดแผนกหนึ่ง ผู้เชี่ยวชาญของบริษัทพบว่ากฎความปลอดภัยมักถูกละเมิดโดยผู้ที่เคยมีข้อสังเกตมาก่อนหลายครั้ง เช่นเดียวกับผู้ที่ลาป่วยหรือลาพักร้อนไม่นานก่อนหน้านั้น เหตุการณ์. การละเมิดในสัปดาห์แรกหลังจากกลับจากวันหยุดหรือลาป่วยสูงเป็นสองเท่าในช่วงเวลาต่อมา: 1 ต่อ 0,55% แต่การทำงานกะกลางคืนไม่ส่งผลกระทบต่อสถิติของ PAB

การสร้างอัลกอริทึมสำหรับการประมวลผลข้อมูลขนาดใหญ่ไม่ใช่ส่วนที่ยากที่สุดของงาน ตัวแทนของบริษัทกล่าว เป็นการยากที่จะเข้าใจว่าเทคโนโลยีเหล่านี้สามารถนำไปใช้ในบริบทของแต่ละธุรกิจได้อย่างไร นี่คือจุดที่นักวิเคราะห์บริษัทและแม้แต่ผู้ให้บริการภายนอกของ Achilles อยู่ ซึ่งดูเหมือนว่าจะสั่งสมความเชี่ยวชาญในด้านข้อมูลขนาดใหญ่

“ฉันมักจะพบกับนักวิเคราะห์ข้อมูลขนาดใหญ่ซึ่งเป็นนักคณิตศาสตร์ที่ยอดเยี่ยม แต่ไม่มีความเข้าใจที่จำเป็นเกี่ยวกับกระบวนการทางธุรกิจ” Sergey Kotik ผู้อำนวยการฝ่ายพัฒนาของ GoodsForecast กล่าว เขาจำได้ว่าเมื่อสองปีก่อนบริษัทของเขามีโอกาสเข้าร่วมการแข่งขันคาดการณ์อุปสงค์สำหรับเครือข่ายค้าปลีกของรัฐบาลกลางได้อย่างไร มีการเลือกภูมิภาคนำร่องสำหรับสินค้าและร้านค้าทั้งหมดที่ผู้เข้าร่วมคาดการณ์ จากนั้นจึงนำการคาดการณ์มาเปรียบเทียบกับการขายจริง อันดับแรกตกเป็นของยักษ์ใหญ่ด้านอินเทอร์เน็ตของรัสเซียรายหนึ่ง ซึ่งเป็นที่รู้จักในด้านความเชี่ยวชาญด้านแมชชีนเลิร์นนิงและการวิเคราะห์ข้อมูล โดยในการคาดการณ์นั้นมีความเบี่ยงเบนจากยอดขายจริงเพียงเล็กน้อย

แต่เมื่อเครือข่ายเริ่มศึกษาการคาดการณ์ของเขาอย่างละเอียดมากขึ้น กลับกลายเป็นว่าจากมุมมองทางธุรกิจ สิ่งเหล่านี้เป็นสิ่งที่ยอมรับไม่ได้อย่างยิ่ง บริษัทได้แนะนำแบบจำลองที่สร้างแผนการขายด้วยการพูดอย่างเป็นระบบ โปรแกรมหาวิธีลดโอกาสเกิดข้อผิดพลาดในการคาดการณ์ให้น้อยที่สุด: จะปลอดภัยกว่าที่จะประเมินยอดขายต่ำเกินไป เนื่องจากข้อผิดพลาดสูงสุดสามารถเป็น 100% (ไม่มียอดขายติดลบ) แต่ในทิศทางของการคาดการณ์มากเกินไป อาจมีขนาดใหญ่โดยพลการ โกติ๊ก อธิบาย. กล่าวอีกนัยหนึ่ง บริษัทได้นำเสนอแบบจำลองทางคณิตศาสตร์ในอุดมคติ ซึ่งในสภาพจริงจะนำไปสู่ร้านค้าที่ว่างเปล่าครึ่งหนึ่งและการขาดทุนจำนวนมากจากการขายน้อย เป็นผลให้บริษัทอื่นชนะการแข่งขันซึ่งสามารถนำการคำนวณไปปฏิบัติได้

เทคโนโลยีข้อมูลขนาดใหญ่มีความเกี่ยวข้องกับหลายอุตสาหกรรม แต่การนำไปใช้จริงไม่ได้เกิดขึ้นทุกที่ Meshkov กล่าว ตัวอย่างเช่น ในสถานพยาบาลมีปัญหาเรื่องการจัดเก็บข้อมูล: ข้อมูลจำนวนมากถูกสะสมและได้รับการอัปเดตเป็นประจำ แต่ข้อมูลส่วนใหญ่ยังไม่ได้รับการแปลงเป็นดิจิทัล นอกจากนี้ยังมีข้อมูลจำนวนมากในหน่วยงานของรัฐ แต่ไม่ได้รวมเป็นกลุ่มเดียวกัน ผู้เชี่ยวชาญกล่าวว่าการพัฒนาแพลตฟอร์มข้อมูลแบบครบวงจรของระบบการจัดการข้อมูลแห่งชาติ (NCMS) มีเป้าหมายเพื่อแก้ปัญหานี้

อย่างไรก็ตาม ประเทศของเราอยู่ห่างไกลจากประเทศเดียวที่องค์กรส่วนใหญ่ตัดสินใจเรื่องสำคัญๆ บนพื้นฐานของสัญชาตญาณ ไม่ใช่การวิเคราะห์ข้อมูลขนาดใหญ่ ในเดือนเมษายนปีที่แล้ว Deloitte ได้ทำการสำรวจในบรรดาผู้นำกว่าพันรายของบริษัทอเมริกันขนาดใหญ่ (มีพนักงานตั้งแต่ 500 คนขึ้นไป) และพบว่า 63% ของผู้ตอบแบบสำรวจคุ้นเคยกับเทคโนโลยีข้อมูลขนาดใหญ่ แต่ไม่มีสิ่งที่จำเป็นทั้งหมด โครงสร้างพื้นฐานที่จะใช้ ในขณะเดียวกัน ในบรรดา 37% ของบริษัทที่มีวุฒิภาวะด้านการวิเคราะห์ในระดับสูง เกือบครึ่งหนึ่งได้บรรลุเป้าหมายทางธุรกิจอย่างมีนัยสำคัญในช่วง 12 เดือนที่ผ่านมา

การศึกษาพบว่านอกเหนือจากความยากในการปรับใช้โซลูชันทางเทคนิคใหม่ๆ แล้ว ปัญหาสำคัญในบริษัทคือการขาดวัฒนธรรมในการทำงานกับข้อมูล คุณไม่ควรคาดหวังผลลัพธ์ที่ดีหากความรับผิดชอบในการตัดสินใจบนพื้นฐานของข้อมูลขนาดใหญ่ถูกกำหนดให้กับนักวิเคราะห์ของบริษัทเท่านั้น ไม่ใช่ให้กับทั้งบริษัทโดยรวม “ตอนนี้บริษัทต่างๆ กำลังมองหากรณีการใช้งานที่น่าสนใจสำหรับข้อมูลขนาดใหญ่” Miftakhov กล่าว “ในขณะเดียวกัน การดำเนินการในบางสถานการณ์จำเป็นต้องลงทุนในระบบสำหรับรวบรวม ประมวลผล และควบคุมคุณภาพของข้อมูลเพิ่มเติมที่ยังไม่เคยผ่านการวิเคราะห์มาก่อน” อนิจจา "การวิเคราะห์ยังไม่ใช่กีฬาที่เล่นเป็นทีม" ผู้เขียนรายงานยอมรับ