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.
Предсказание вероятности конверсии на данных систем аналитики
Большие данные от гуманитария: как успешно реализовать проект на Big Data, не зная слова «Hadoop»
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
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
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
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
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)
28. Анализ данных и визуализация. Обзор
Предметный эксперт
«Инженер»
Математик и статистик
Менеджер проекта
Проверка гипотез
отн. факторов (для
прогноза)
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
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%