Заработать на Big Data: 3 кейса от производства, банков и ритейла
При поддержке Киевстар
Любые инновации и технологии в бизнесе нужны лишь с одной прагматичной целью — приносить выгоду. Возможно, по сложной цепочке. К примеру, грамотные цифровые программы лояльности увеличивают возврат покупателей, и продажи растут. Или необычная фишка в мобильном сервисе выделяет компанию среди других, из-за чего растет поток клиентов и снова-таки продажи.
То же касается и такого устоявшегося термина, как big data. Стоит ли собирать команду и инвестировать в упорядочивание и использование баз данных, если это в итоге не даст выхлопа? Конечно же, нет. Но и не любой выхлоп можно обернуть в выгоду.
Я расскажу о нескольких кейсах, в которых автоматизированная обработка больших данных повлияла на бизнес-показатели. А также о нюансах, о которых нельзя забывать.
1. Предсказание брака.
Речь не о вероятности построении семьи, а о вполне промышленной теме — браке продукции на крупном металлургическом заводе. Если им не управлять, брак формирует большие минусы и увеличивает себестоимость.
Производство стали — многошаговый процесс. Чтобы сырье превратилось в готовый материал — рельсы, стержни и т.п. — в печах много раз происходит нагревание и охлаждение металлического полуфабриката. Штука в том, что брак — даже если он закрался на начальном этапе — видно только на выходе. При этом на каждый из процессов нагревания и охлаждения уже потрачена масса электроэнергии.
Поэтому на комбинате решили попробовать предсказывать брак на более раннем этапе — с помощью машинного обучения.
Чтобы контролировать производство, на каждом из этапов специальное оборудование снимает пробы качества металла. И принимается решение, продолжать производство или можно все отбраковать.
Команда по big data организовала процесс. Данные стали поступать в базу Oracle. На каждое измерение накапливался вектор данных, который его характеризовал — всего около 50 параметров. Также у производства частично существовали данные по прошлым бракам. Команда измеряла, какие параметры приводят к каким отклонениям в конечном продукте, как они суммарно влияют на результат.
На основе всех этих данных была обучена модель. Она начала предсказывать вероятность возникновения брака. Необходимо было определить порог вероятности, поверх которого продукцию нужно было отбраковывать.
ПОЛНУЮ ВЕРСИЮ СТАТЬИ ЧИТАЙТЕ НА KYIVSTAR BUSINESS HUB.