В данном докладе мы бы хотели поделиться тем, как именно с точки зрения Бизнеса мы - Превращаем бизнес-проблему в осязаемый план Big Data проекта
 - Как запускаем его реализацию
 Также, на верхнем уровне рассказать, что происходит “под капотом” во время реализации. И как мы оцениваем результаты всего проекта.

1. Большие Данные от гуманитария:
как успешно реализовать проект на
Big Data,
не зная слова «Hadoop»
Линник Владислав | Аналитик и Аккаунт Менеджер
Казяк Евгений | Технический Директор

2. Сегодня мы:
Спланируем и запустим
Понаблюдаем за
реализацией
Оценим результаты

3. Прогноз продаж
Прогноз
посетителей
Data-driven график работников
Кейс в основу

4. Пример в обработку
МЫ:
руководство
отдела
обслуживания
физ.лиц
ЗАДАЧА:
повысить
эффективность
обслуживания
физ.лиц

5. Команда

6. Бизнес Бизнес-анализ
Научный
подход
Тех.
реализация
Управление
проектом
Мы
Бизнес-
аналитик
Менеджер
проекта
Предметный
эксперт
«Инженер»
Математик/
статистик
Разработчики
ПО *
Команда на Big Data проект

7. 1. Планирование и
запуск

8. 1. Планирование и запуск
1.1.Постановка цели
1.2. Генерация вариантов и
выбор одного
1.3. Разработка дорожной
карты варианта
Бизнес (мы)
Бизнес-аналитик

9. 1.1. Постановка цели. Теория
Глобальная цель
Локальная цель
Что сделать | С чем | KPI

10. 1.1. Постановка цели.Практика
Действие|
Сократить | затраты пунктов обслуживания физ.лиц Гамма Банка | на 10% к лету 2019 года
| KPI
Повысить операционную эффективность обслуживания физических
лиц к 2020 году
Объект

11. 1.2. Варианты. Теория
Локальная цель
Варианты
ЧТО: KPI | действие | цель
КАК: прогноз/анализ| чего| для кого

12. ЧТО: Снизить| количество персонала в дни низкой нагрузки| и
сократить затраты на персонал на 5%.
КАК: Прогнозировать| объем транзакций и количество посетителей
точек банковских услуг|во всех ЦБУ.
ЧТО: Снизить издержки на пополнение и изъятие лишних средств из
банкоматов на 10%.
КАК: Прогнозировать спрос на наличные в банкоматах города Минска.
1.2. Варианты. Практика
$
$$
A
B

13. 1.3. Дорожная карта. Теория
1. Этапы решения
2. Гипотезы по реализации каждого из этапов
3. Детали итогового технического продукта
4. Гипотезы по KPI успешности проекта
5. Оценка на реализацию
6. Команда на реализацию

14. 1.3. Дорожная карта. Практика
Продукт: календарь с прогнозом
KPI: прогноз >80%;
затраты на персонал - на 5%
Оценка на реализацию:
2 месяца

15. 2. Реализация

16. Реализация. Обзор
2.1. Сбор и подготовка
данных
2.2. Анализ и
визуализация
2.3. Предсказательная
аналитика
2.4. Автоматизация

17. Реализация. Обзор
2.1. Сбор и подготовка
данных
2.2. Анализ и
визуализация
2.3. Предсказательная
аналитика
2.4. Автоматизация
Реализация
Оценка результатов
этапа

18. 2.1. Сбор и
подготовка
данных
2.2. Анализ и
визуализация
2.1. Сбор и
подготовка данных
2.3.
Предсказательная
аналитика
2.4. Автоматизация

19. Сбор и подготовка данных. Обзор
Сбор данных
Исправление
ошибок
Обогащение
Трансформация
и
нных
и
ия
ьная
а
Предметный эксперт
«Инженер»
Менеджер проекта

20. Сбор данных. Теория
Сбор данных
справление
ошибок
Обогащение
ансформация
Наши исторические
Инструмент для сбора
новых
Третьих лиц
И/или
И/или

21. Сбор данных. Практика
Сбор данных
справление
ошибок
Обогащение
ансформация
Наши исторические:
Транзакции и посетители
Данные о ЦБУ

22. Исправление ошибок
Сбор данных
справление
ошибок
Обогащение
ансформация
$ и €
пропущенные данные
25ч/день
дублирование данных

23. Обогащение данных. Теория
Сбор данных
справление
ошибок
Обогащение
ансформация
доп. данные третьих лиц
доп. данные из имеющихся

24. Обогащение данных. Практика
Сбор данных
справление
ошибок
Обогащение
ансформация
доп. данные из имеющихся
• День недели/время года
доп. данные третьих лиц
• Праздники и выплаты
• Конкуренты и соседние ЦБУ
• (Погода)

25. Трансформация данных
Сбор данных
справление
ошибок
Обогащение
ансформация

26. Оценка результатов сбора и подготовки
данных.
= или ≠ исходным требованиям

27. 2.2. Анализ
данных и
визуализация
2.2. Анализ и
визуализация
2.1. Сбор и
подготовка данных
2.3.
Предсказательная
аналитика
2.4. Автоматизация

28. Анализ данных и визуализация. Обзор
Предметный эксперт
«Инженер»
Математик и статистик
Менеджер проекта
Проверка гипотез
отн. факторов (для
прогноза)

29. Выплаты
Праздники
Анализ данных и визуализация. Практика

30. Тенденции Соседние
объекты
Анализ данных и визуализация. Практика

31. Анализ данных и визуализация. Оценка
результатов этапа.
1.Выходной или праздник
2.День выплат
3.Общие тенденции
4.Соседние объекты и их время работы.
Гипотезы проверены; факторы определены

32. 2.3.
Предсказательная
аналитика
2.2. Анализ и
визуализация
2.1. Сбор и
подготовка данных
2.3. Предсказательная
аналитика
2.4. Автоматизация

33. Предсказательная аналитика. Обзор
Предметный эксперт
«Инженер»
Математик и статистик
Менеджер проекта
Прогноз
Решение

34. Предсказательная аналитика -
реализация. Практика.
#1 - обучение
#2а - прогноз

35. Предсказательная аналитика - оценка
результатов этапа.
#2а - прогноз #2б - фактическиеvs.
=
88%

36. 2.4.
Автоматизация
решения
2.2. Анализ и
визуализация
2.1. Сбор и
подготовка данных
2.3. Предсказательная
аналитика
2.4. Автоматизация

37. Автоматизация решения
Разработчики ПО
Менеджер проекта

38. Реализация. Итог
2.1. Сбор и подготовка
данных
2.2. Анализ и
визуализация
2.3. Предсказательная
аналитика
2.4. Автоматизация
Программное обеспечение
Прогноз: 88%

39. 3. Оценка
результатов
проекта Бизнес (мы)

40. Оценка результатов проекта
- А/B тестирование
Точка
отсчета
40 ЦБУ
Контрольная
группа
40 ЦБУ
Тестовая группа
6 месяцев

41. A/B тестирование - выводы
4% - тестируем дальше
2-3% -
≤1 % - ?

42. Результаты и
выводы

43. Спланировали и
запустили
Реализовали

44. Результаты проекта для
Гамма Банк
Продолжили
тестирование
Сократили
издержки на 4%
2 месяца
разработки
To be continued…
6 месяцев
A/B

45. Подход работает
Финансы
Спорт
Retail и дистрибуция
Персонал
Тренировки
Ресурсы/цепочка
поставок
Индустрии Задачи

46. Спасибо!
Владислав Линник
тел. +375447124061
vlinnik@stone-labs.com
Евгений Казяк
тел. +375296272988
ek@stone-labs.com