Aceitar dados semelhantes: como as empresas aprendem a lucrar com big data

Ao analisar big data, as empresas aprendem a descobrir padrões ocultos, melhorando o desempenho de seus negócios. A direção está na moda, mas nem todos podem se beneficiar do big data devido à falta de uma cultura de trabalhar com eles

“Quanto mais comum for o nome de uma pessoa, maior a probabilidade de ela pagar em dia. Quanto mais andares sua casa tiver, mais estatisticamente você será um melhor tomador de empréstimo. O signo do zodíaco quase não tem efeito sobre a probabilidade de reembolso, mas o psicótipo tem um efeito significativo ”, diz Stanislav Duzhinsky, analista do Home Credit Bank, sobre padrões inesperados no comportamento dos mutuários. Ele não se compromete a explicar muitos desses padrões – eles foram revelados pela inteligência artificial, que processou milhares de perfis de clientes.

Este é o poder da análise de big data: ao analisar uma enorme quantidade de dados não estruturados, o programa pode descobrir muitas correlações que o analista humano mais sábio nem mesmo conhece. Qualquer empresa possui uma enorme quantidade de dados não estruturados (big data) – sobre funcionários, clientes, parceiros, concorrentes, que podem ser usados ​​para benefício comercial: melhorar o efeito de promoções, aumentar as vendas, reduzir a rotatividade de pessoal, etc.

Os primeiros a trabalhar com big data foram grandes empresas de tecnologia e telecomunicações, instituições financeiras e varejo, comenta Rafail Miftakhov, diretor do Deloitte Technology Integration Group, CIS. Agora há interesse em tais soluções em muitos setores. O que as empresas conseguiram? E a análise de big data sempre leva a conclusões valiosas?

Os bancos usam algoritmos de big data principalmente para melhorar a experiência do cliente e otimizar custos, bem como para gerenciar riscos e combater fraudes. “Nos últimos anos, ocorreu uma verdadeira revolução no campo da análise de big data”, diz Duzhinsky. “O uso do aprendizado de máquina nos permite prever a probabilidade de inadimplência do empréstimo com muito mais precisão – a inadimplência em nosso banco é de apenas 3,9%.” Para efeito de comparação, em 1º de janeiro de 2019, a parcela de empréstimos com atraso superior a 90 dias sobre os empréstimos concedidos a pessoas físicas era, segundo o Banco Central, de 5%.

Mesmo as organizações de microfinanças ficam intrigadas com o estudo de big data. “Fornecer serviços financeiros sem analisar big data hoje é como fazer matemática sem números”, diz Andrey Ponomarev, CEO do Webbankir, uma plataforma de empréstimos online. “Emitimos dinheiro online sem ver o cliente nem o seu passaporte e, ao contrário do crédito tradicional, não devemos apenas avaliar a solvência de uma pessoa, mas também identificar a sua personalidade.”

Já o banco de dados da empresa armazena informações de mais de 500 mil clientes. Cada nova aplicação é analisada com esses dados em cerca de 800 parâmetros. O programa leva em consideração não apenas sexo, idade, estado civil e histórico de crédito, mas também o dispositivo pelo qual a pessoa entrou na plataforma, como ela se comportou no site. Por exemplo, pode ser alarmante que um mutuário em potencial não tenha usado uma calculadora de empréstimo ou não tenha perguntado sobre os termos de um empréstimo. “Com exceção de alguns fatores de parada – digamos, não emitimos empréstimos para menores de 19 anos – nenhum desses parâmetros em si é motivo para recusar ou concordar em conceder um empréstimo”, explica Ponomarev. É a combinação de fatores que importa. Em 95% dos casos, a decisão é feita automaticamente, sem a participação de especialistas do departamento de subscrição.

A análise de big data nos permite derivar padrões interessantes, compartilha Ponomarev. Por exemplo, os usuários do iPhone mostraram-se tomadores de empréstimos mais disciplinados do que os proprietários de dispositivos Android – os primeiros recebem aprovação de aplicativos 1,7 vezes mais. “O fato de os militares não pagarem empréstimos quase um quarto a menos do que o mutuário médio não foi uma surpresa”, diz Ponomarev. “Mas geralmente não se espera que os alunos sejam obrigados, mas, enquanto isso, os casos de inadimplência de crédito são 10% menos comuns do que a média da base.”

O estudo de big data permite pontuar também para as seguradoras. Fundada em 2016, a IDX está envolvida na identificação remota e verificação online de documentos. Esses serviços estão em demanda entre as seguradoras de frete que estão interessadas na perda de mercadorias o mínimo possível. Antes de segurar o transporte de mercadorias, a seguradora, com o consentimento do motorista, verifica a confiabilidade, explica Jan Sloka, diretor comercial da IDX. Juntamente com um parceiro – a empresa “Risk Control” de São Petersburgo – a IDX desenvolveu um serviço que permite verificar a identidade do motorista, dados e direitos do passaporte, participação em incidentes relacionados à perda de carga, etc. No banco de dados de motoristas, a empresa identificou um “grupo de risco”: na maioria das vezes, a carga é perdida entre motoristas de 30 a 40 anos com longa experiência de direção, que frequentemente mudaram de emprego recentemente. Descobriu-se também que a carga é mais frequentemente roubada por motoristas de carros, cuja vida útil é superior a oito anos.

Os varejistas têm uma tarefa diferente – identificar os clientes que estão prontos para fazer uma compra e determinar as formas mais eficazes de trazê-los ao site ou loja. Para isso, os programas analisam o perfil dos clientes, os dados da conta pessoal, o histórico de compras, as consultas de pesquisa e utilização dos pontos de bônus, o conteúdo das cestas eletrônicas que começaram a preencher e abandonaram. A análise de dados permite segmentar todo o banco de dados e identificar grupos de potenciais compradores que possam se interessar por uma determinada oferta, diz Kirill Ivanov, diretor do data office do grupo M.Video-Eldorado.

Por exemplo, o programa identifica grupos de clientes, cada um gostando de diferentes ferramentas de marketing – um empréstimo sem juros, cashback ou um código promocional de desconto. Esses compradores recebem um boletim informativo por e-mail com a promoção correspondente. A probabilidade de uma pessoa, depois de abrir a carta, ir ao site da empresa, nesse caso, aumenta significativamente, observa Ivanov.

A análise de dados também permite aumentar as vendas de produtos e acessórios relacionados. O sistema, que processou o histórico de pedidos de outros clientes, dá ao comprador recomendações sobre o que comprar junto com o produto selecionado. O teste desse método de trabalho, segundo Ivanov, mostrou um aumento no número de pedidos com acessórios em 12% e um aumento no faturamento de acessórios em 15%.

Os varejistas não são os únicos que se esforçam para melhorar a qualidade do serviço e aumentar as vendas. No verão passado, a MegaFon lançou um serviço de oferta “inteligente” baseado no processamento de dados de milhões de assinantes. Tendo estudado seu comportamento, a inteligência artificial aprendeu a formar ofertas personalizadas para cada cliente dentro das tarifas. Por exemplo, se o programa observar que uma pessoa está assistindo ativamente a um vídeo em seu dispositivo, o serviço oferecerá a ela a expansão da quantidade de tráfego móvel. Levando em consideração as preferências dos usuários, a empresa oferece aos assinantes tráfego ilimitado para seus tipos favoritos de lazer na Internet - por exemplo, usar mensagens instantâneas ou ouvir música em serviços de streaming, conversar em redes sociais ou assistir a programas de TV.

“Analisamos o comportamento dos assinantes e entendemos como seus interesses estão mudando”, explica Vitaly Shcherbakov, diretor de análise de big data da MegaFon. “Por exemplo, este ano, o tráfego do AliExpress cresceu 1,5 vezes em relação ao ano passado e, em geral, o número de visitas a lojas de roupas online está crescendo: 1,2 a 2 vezes, dependendo do recurso específico.”

Outro exemplo do trabalho de um operador com big data é a plataforma MegaFon Poisk para busca de crianças e adultos desaparecidos. O sistema analisa quais pessoas podem estar próximas ao local da pessoa desaparecida e envia informações com foto e sinais da pessoa desaparecida. A operadora desenvolveu e testou o sistema em conjunto com o Ministério da Administração Interna e a organização Lisa Alert: em dois minutos após a orientação à pessoa desaparecida, mais de 2 mil assinantes recebem, o que aumenta significativamente as chances de sucesso no resultado da busca.

A análise de big data também encontrou aplicação na indústria. Aqui permite prever a demanda e planejar as vendas. Assim, no grupo de empresas Cherkizovo, há três anos, foi implementada uma solução baseada em SAP BW, que permite armazenar e processar todas as informações de vendas: preços, sortimento, volumes de produtos, promoções, canais de distribuição, diz Vladislav Belyaev, CIO do grupo ” Cherkizovo. A análise dos 2 TB acumulados de informações não só possibilitou efetivamente formar o sortimento e otimizar o portfólio de produtos, como também facilitou o trabalho dos funcionários. Por exemplo, preparar um relatório diário de vendas exigiria um dia de trabalho de muitos analistas – dois para cada segmento de produto. Agora este relatório é preparado pelo robô, gastando apenas 30 minutos em todos os segmentos.

“Na indústria, o big data funciona efetivamente em conjunto com a Internet das coisas”, diz Stanislav Meshkov, CEO da Umbrella IT. “A partir da análise dos dados dos sensores que o equipamento possui, é possível identificar desvios no seu funcionamento e prevenir quebras, além de prever o desempenho.”

Na Severstal, com a ajuda de big data, eles também estão tentando resolver tarefas não triviais – por exemplo, reduzir as taxas de lesões. Em 2019, a empresa destinou cerca de RUB 1,1 bilhão para medidas para melhorar a segurança do trabalho. A Severstal espera reduzir a taxa de lesões em 2025% em 50 (em comparação com 2017). “Se um gerente de linha – capataz, gerente de obra, gerente de loja – perceber que um funcionário realiza determinadas operações de maneira insegura (não se segura no corrimão ao subir escadas no local industrial ou não usa todos os equipamentos de proteção individual), ele escreve uma nota especial para ele – PAB (de “auditoria de segurança comportamental”)”, diz Boris Voskresensky, chefe do departamento de análise de dados da empresa.

Ao analisar dados sobre o número de PABs em uma das divisões, os especialistas da empresa constataram que as regras de segurança eram mais descumpridas por quem já havia passado por vários atendimentos anteriores, bem como por quem estava de licença médica ou de férias pouco antes o incidente. As violações na primeira semana após o retorno de férias ou licença médica foram duas vezes maiores do que no período subsequente: 1 contra 0,55%. Mas trabalhar no turno da noite, como se viu, não afeta as estatísticas dos PABs.

Criar algoritmos para processar big data não é a parte mais difícil do trabalho, dizem representantes da empresa. É muito mais difícil entender como essas tecnologias podem ser aplicadas no contexto de cada negócio específico. É aqui que reside o calcanhar de Aquiles dos analistas de empresas e até mesmo de provedores externos, que, ao que parece, acumularam expertise na área de big data.

“Muitas vezes encontrei analistas de big data que eram excelentes matemáticos, mas não tinham a compreensão necessária dos processos de negócios”, diz Sergey Kotik, diretor de desenvolvimento da GoodsForecast. Ele lembra que há dois anos sua empresa teve a oportunidade de participar de um concurso de previsão de demanda para uma rede varejista federal. Foi escolhida uma região piloto, para todas as mercadorias e lojas das quais os participantes fizeram previsões. As previsões foram então comparadas com as vendas reais. O primeiro lugar foi ocupado por um dos gigantes russos da Internet, conhecido por sua expertise em aprendizado de máquina e análise de dados: em suas previsões, mostrou um desvio mínimo das vendas reais.

Mas quando a rede começou a estudar suas previsões com mais detalhes, descobriu-se que, do ponto de vista comercial, elas eram absolutamente inaceitáveis. A empresa introduziu um modelo que produzia planos de vendas com um eufemismo sistemático. O programa descobriu como minimizar a probabilidade de erros nas previsões: é mais seguro subestimar as vendas, pois o erro máximo pode ser de 100% (não há vendas negativas), mas na direção da previsão pode ser arbitrariamente grande, Kotik explica. Em outras palavras, a empresa apresentou um modelo matemático ideal, que em condições reais levaria a lojas meio vazias e enormes prejuízos com vendas abaixo do esperado. Com isso, outra empresa venceu a competição, cujos cálculos puderam ser colocados em prática.

As tecnologias de big data são relevantes para muitos setores, mas sua implementação ativa não ocorre em todos os lugares, observa Meshkov. Por exemplo, na área da saúde existe um problema de armazenamento de dados: muita informação foi acumulada e é atualizada regularmente, mas a maior parte desses dados ainda não foi digitalizada. Também há muitos dados em agências governamentais, mas eles não são combinados em um cluster comum. O desenvolvimento de uma plataforma de informação unificada do Sistema Nacional de Gestão de Dados (NCMS) visa resolver este problema, refere o especialista.

No entanto, nosso país está longe de ser o único onde, na maioria das organizações, decisões importantes são tomadas com base na intuição e não na análise de big data. Em abril do ano passado, a Deloitte fez uma pesquisa com mais de mil líderes de grandes empresas americanas (com 500 funcionários ou mais) e constatou que 63% dos entrevistados estão familiarizados com as tecnologias de big data, mas não possuem todos os conhecimentos necessários infraestrutura para utilizá-los. Enquanto isso, entre os 37% das empresas com alto nível de maturidade analítica, quase metade superou significativamente as metas de negócios nos últimos 12 meses.

O estudo revelou que além da dificuldade de implementar novas soluções técnicas, um problema importante nas empresas é a falta de uma cultura de trabalhar com dados. Você não deve esperar bons resultados se a responsabilidade pelas decisões tomadas com base em big data for atribuída apenas aos analistas da empresa, e não a toda a empresa como um todo. “Agora as empresas estão procurando casos de uso interessantes para big data”, diz Miftakhov. “Ao mesmo tempo, a implementação de alguns cenários requer investimentos em sistemas de coleta, processamento e controle de qualidade de dados adicionais que não foram analisados ​​anteriormente.” Infelizmente, “a análise ainda não é um esporte de equipe”, admitem os autores do estudo.