1. Планирование идентификации
2. Маркировка
3. Использование средств Inventory Management и существующих источников данных
4. Организация работ по наполнению CMDB информацией
КОРПОРАТИВНА ЗВІТНІСТЬ
на базі Microsoft Power BI
Розробка Dashboard. Аналіз даних. Створення інформаційного поля компаній, виявлення ключових метрик. Формування методології корпоративної звітності
Какие бизнес-задачи решает логическая витрина данных? Как ее построить? В чем преимущества витрины данных, построенной с использованием концептуального моделирования, и онтологических (семантических) технологий?
Предотвратить ошибку в сборе данных дешевле, чем исправить ее последствия. От качества данных зависит эффективность бизнес-решений, которые вы принимаете на их основе.
На нашем вебинаре мы расскажем, на что нужно обратить внимание при сборе данных и их обработке, чтобы избежать неточностей в маркетинговых отчетах. Также рассмотрим, какие инструменты помогут вам с автоматизацией контроля качества данных и поделимся чек-листом, который поможет вам следить за актуальностью и точностью маркетинговых данных.
Скачать запись вебинара можно по ссылке https://www.owox.com/c/4om
Логическая витрина для доступа к большим даннымSergey Gorshkov
Как компании получить максимальную выгоду от накопленной информации? Как интегрировать данные из хранилищ Big Data с традиционной аналитической информацией?
I gave this prsentation for the Open Skolkovo University on Aprtil 10. It covers the modern trades we see in intensive computations with Big Data in Clouds and describes the technology and skills gap which pitfalls Big Data analysis revolution. Presentation is also describes how new Microsoft porduct that has been partly developed in Russia (Cloud Numerics) could adress those gaps
Data-driven business: Информационная основа деятельности современной КомпанииAlexander Barakov
Обоснование концепции Data-driven business - попытка показать вектор трансформации способа ведения бизнеса вне зависимости от отрасли и найти ответы на ключевые вопросы, стоящие перед современной компанией:
Какие данные являются значимыми для бизнеса?
Какие значимые данные появятся и будут необходимы бизнесу через 5,10, 20 лет?
Какие новые виды анализа данных могут трансформировать принятие решений в вашей отрасли, повысив операционную эффективность?
Какой набор ПО оптимальным образом будет решать задачи связанные с хранением, обработкой, анализом данных и доставкой и информации пользователям?
Какие BI- BigData-решения внедрять, с какими приоритетами?
Какой набор ресурсов (внутренних/внешних) и компетенций необходимо аккумулировать для запуска и развития системы бизнес-анализа компании? (Как выбрать интегратора / консультанта? Какого набирать в штат? Как планировать и управлять BI-проектами? и т.д.)
Как необходимо трансформировать бизнес-процессы и корпоративную культуру?
и т.д.
1. Планирование идентификации
2. Маркировка
3. Использование средств Inventory Management и существующих источников данных
4. Организация работ по наполнению CMDB информацией
КОРПОРАТИВНА ЗВІТНІСТЬ
на базі Microsoft Power BI
Розробка Dashboard. Аналіз даних. Створення інформаційного поля компаній, виявлення ключових метрик. Формування методології корпоративної звітності
Какие бизнес-задачи решает логическая витрина данных? Как ее построить? В чем преимущества витрины данных, построенной с использованием концептуального моделирования, и онтологических (семантических) технологий?
Предотвратить ошибку в сборе данных дешевле, чем исправить ее последствия. От качества данных зависит эффективность бизнес-решений, которые вы принимаете на их основе.
На нашем вебинаре мы расскажем, на что нужно обратить внимание при сборе данных и их обработке, чтобы избежать неточностей в маркетинговых отчетах. Также рассмотрим, какие инструменты помогут вам с автоматизацией контроля качества данных и поделимся чек-листом, который поможет вам следить за актуальностью и точностью маркетинговых данных.
Скачать запись вебинара можно по ссылке https://www.owox.com/c/4om
Логическая витрина для доступа к большим даннымSergey Gorshkov
Как компании получить максимальную выгоду от накопленной информации? Как интегрировать данные из хранилищ Big Data с традиционной аналитической информацией?
I gave this prsentation for the Open Skolkovo University on Aprtil 10. It covers the modern trades we see in intensive computations with Big Data in Clouds and describes the technology and skills gap which pitfalls Big Data analysis revolution. Presentation is also describes how new Microsoft porduct that has been partly developed in Russia (Cloud Numerics) could adress those gaps
Data-driven business: Информационная основа деятельности современной КомпанииAlexander Barakov
Обоснование концепции Data-driven business - попытка показать вектор трансформации способа ведения бизнеса вне зависимости от отрасли и найти ответы на ключевые вопросы, стоящие перед современной компанией:
Какие данные являются значимыми для бизнеса?
Какие значимые данные появятся и будут необходимы бизнесу через 5,10, 20 лет?
Какие новые виды анализа данных могут трансформировать принятие решений в вашей отрасли, повысив операционную эффективность?
Какой набор ПО оптимальным образом будет решать задачи связанные с хранением, обработкой, анализом данных и доставкой и информации пользователям?
Какие BI- BigData-решения внедрять, с какими приоритетами?
Какой набор ресурсов (внутренних/внешних) и компетенций необходимо аккумулировать для запуска и развития системы бизнес-анализа компании? (Как выбрать интегратора / консультанта? Какого набирать в штат? Как планировать и управлять BI-проектами? и т.д.)
Как необходимо трансформировать бизнес-процессы и корпоративную культуру?
и т.д.
Как спроектировать систему сквозной аналитикиMariia Bocheva
75% пользователей ищут товары в интернете, а покупают в офлайн-магазинах. 56% покупок в магазинах совершаются после изучения товаров в интернете. Эти цифры красноречивее любых аналитиков и маркетологов говорят, что интернет-магазинам и розничным сетям жизненно необходимо использовать сквозную аналитику, чтобы правильно оценивать эффективность рекламы. Несмотря на это, многие компании до сих пор не настроили систему сквозной аналитики, ошибочно полагая, что это сложно, дорого и небезопасно для их данных.
Softline и OWOX BI мы развеивают все страхи и предубеждения по поводу сквозной аналитики и рассказывают, как повысить эффективность рекламных кампаний в интернете, используя данные о продажах из внутренних IT-систем.
Вы узнаете:
-Как оценить текущие возможности аналитики в компании и определить зоны «провисания».
-Как выявить требования к системе сквозной аналитики и разработать целевую модель.
-Как поэтапно внедрить систему сквозной аналитики с расчетом эффекта для бизнеса.
-Как с помощью продуктов OWOX BI и Google объединить в Google BigQuery все данные, необходимые для сквозной аналитики: действия пользователей на сайте и в мобильных приложениях, расходы на рекламу, доходы, выполненные заказы, звонки и email-рассылки.
-Истории успеха наших клиентов: как они настроили систему сквозной аналитики и использовали полученные данные для достижения своих бизнес-целей.
Будет полезно:
Ecommerce и retail проектам, аналитикам и маркетологам.
Загрузить запись вебинара можно здесь: https://www.owox.com/c/1l9
На вебинаре вы узнаете:
➤Как оценить текущие возможности аналитики в компании и определить зоны «провисания».
➤Как выявить требования к системе сквозной аналитики и разработать целевую модель.
➤Как поэтапно внедрить систему сквозной аналитики с расчетом эффекта для бизнеса.
➤Как с помощью продуктов OWOX BI и Google объединить в Google BigQuery все данные, необходимые для сквозной аналитики: действия пользователей на сайте и в мобильных приложениях, расходы на рекламу, доходы, выполненные заказы, звонки и email-рассылки.
➤Истории успеха наших клиентов: как они настроили систему сквозной аналитики и использовали полученные данные для достижения своих бизнес-целей.
Вебинар будет полезен:
Ecommerce и retail проектам, аналитикам и маркетологам.
Презентация DataScoring: Big Data и кредитный скорингAnton Vokrug
DataScoring: Выдача потребительских кредитов на сегодняшний день одно из самых популярных и приоритетных направлений в финансовом секторе, но и требующее максимального внимания. Выдача кредитов потенциально неплатёжеспособным заемщикам способно нанести банку или кредитной организации существенный финансовый ущерб, поэтому к этому процессу необходимо подходить системно, наладив автоматический и эффективный процесс скоринга заемщиков.
Эту проблему и решает наш продукт:
1. Эффективный скоринг потенциального заемщика на основе анализа «больших данных».
2. Получение дополнительной статистики на основе анализа массива финансовых данных для дальнейшей коммуникации с клиентами.
3. Работа с кредитным портфелям клиента для минимизации просрочки и недопущения пропуска платежей по кредитам.
В процессе разработки программного обеспечения мы используем стек технологий от компании Microsoft: .Net, Azure cloud, C#, а также технологии CUDA.
Наши алгоритмы и модели анализа построены на основе: (1) группы самообучающихся нейронных сетей; (2) системы нормализации входных параметров и семантический анализатор для разбора текстовой информации; (3) составления психологического портрета потенциального клиента; (4) методов кластеризации данных; (5) классических скоринговых системах.
Андрей Суховой, руководитель Департамента аналитики в OWOX об оценке влияния онлайна на оффлайн.
Тезисы доклада:
- Объединение данных
- Какие цифры измерять, чтобы оценить процессы (выбор системы для анализа)
- Кейс интеграции оффлайна с онлайном
Если в вашей клиентской базе тысячи человек, ее нужно сегментировать, чтобы персонализировать коммуникации с пользователями и сделать их эффективнее. Все это понимают, но не все делают — работа с большими данными кажется сложной, непонятно, с чего начать.
На вебинаре мы постараемся сделать эту тему понятнее: расскажем, как объединить все данные о клиентах в одном хранилище, использовать их для персонализации рекламных кампаний и сегментации аудитории.
Программа вебинара
- Как свести в одну базу данных действия пользователей на сайте, рекламные расходы, офлайн-данные о заказах, товарах и клиентах.
- Как решить проблему с разрозненностью и разными форматами данных.
- Как персонализировать сайт и рекламные кампании. На какие сегменты можно разделить аудиторию и как с ними взаимодействовать.
- Какие рекламные инструменты использовать для увеличения выручки от текущих клиентов и привлечения новых.
По каждому пункту мы приведем реальные примеры из разных областей: ритейла, мобильных игр и приложений. Во время трансляции с удовольствием ответим на ваши вопросы, а после вебинара пришлем письмо с полезными ссылками и статьями по теме.
Кому будет полезен вебинар
Маркетологам, маркетинг-аналитикам, директорам по маркетингу, владельцам компаний и всем, кто хочет сделать свой бизнес успешнее с помощью больших данных.
-------------------------------------------------------------------------------------
Регистрируйтесь на наш следующий вебинар: Как автоматизировать тестирование метрик на сайте https://www.owox.com/c/3d8
Подписывайтесь на нас!
Facebook: https://www.facebook.com/owoxbicis/
Telegram: https://t.me/owoxbicis
Twitter: https://twitter.com/owoxbicis
Секреты аналитики, маркетинга и ecommerce в нашей Тайной рассылке: https://www.owox.com/c/25b
Попробуйте Free Trial OWOX BI: https://www.owox.com/c/25c
Solit 2014, 3 этапа развития аналитики вашего бизнеса. Как правильно определи...solit
Иван Климович, Минск. На протяжении 3 лет работал с Американскими e-commerce компаниями, помогая им находить и устранять проблемы с их веб-сайтами. Веб-аналитик TUT.BY.
«3 этапа развития аналитики вашего бизнеса. Как правильно определить этап, на котором находится Ваш бизнес?». IT секция.
1) Что важно измерять вначале вашего бизнеса?
2) Правильная аналитика – единственный способ устойчивого роста вашего бизнеса?
3) Счастливое будущее – автоматические системы, которые в реальном времени влияют на ваш бизнес.
Полный комплекс услуг и решений по бизнес-аналитике (Business Intelligence, BI) от Softline.
Внедрение BI-систем на платформах ведущих мировых производителей: Oracle, Microsoft, IBM, QlikView.
Обзор возможностей и преимуществ систем бизнес-аналитики (BI).
Подробнее: http://services.softline.ru
2. Об авторе
Алексей Федорищев
Специалист в области управления ИТ технологиями, в отрасли с 1992г.
Карьера от руководителя аналитической группы, до директора по развитию в
финансовом секторе компании ИБМ Россия.
Успешно решал задачи в областях бизнес анализа, анализа данных,
управления проектами, развития продаж и управления развитием компаний.
Опыт работы в крупных компаниях как финансового сектора, так и ИТ
компаниях: GE Money Bank, TopS BI, Verysell, BaseGroup Labs, Росбанк
Среди заказчиков: Транснефть, структуры Газпром, МБРР, Банк Возрождение,
РТКом.Ру, Вымпелком (Билайн) и многие другие
3. Персональные данные
1. Персональные данные (или личные данные) — любая информация, относящаяся к
прямо или косвенно определённому или определяемому физическому лицу
2. Для оценки используются различные специализированные методы оценки:
• Аддитивная модель
• Анализ риска (CRAMM, RiskWatch, Гриф и пр.)
• Порядковая шкала
• Модель решётки ценностей
1. Суть данных близка к пониманию Основного средства, т.е. данные подвержены
средства
старению и подлежат «амортизации», «ремонту» и «модернизации»
Основные средства — это средства труда, которые участвуют в производственном процессе, сохраняя
при этом свою натуральную форму. Предназначаются для нужд основной деятельности организации и
должны иметь срок использования более года. По мере износа, стоимость основных средств
уменьшается и переносится на себестоимость с помощью амортизации
5. Пример расчёта стоимости
1. Основное средство
У небольшой компании 100 тыс. клиентов, привлечение каждого из которых обошлось в
200$. Обслуживание ОС (ИТ и проч.) составляет 100k $/месяц. Информация о клиенте
устаревает за 3 года (36 мес.)
•Стоимость ОС = 20’000’000 $
•Амортизация ОС = 555’555 $/мес.
•Стоимость обслуживания ОС = 100’000 $/мес.
•Мин. прибыль с клиента = 6.55 $/месяц
6. Пример инвестиций в работу с данными
1. Увеличение средней потребительской корзины
Для увеличения прибыли в расчёте на клиента, компания внедряет систему up-sale для
средней потребительской корзины по аналогии с сервисом Amazon «с этим… обычно
покупают…». Целевой показатель – увеличение прибыли на 2 %/мес.
Объем ежемесячных продаж составляет 600’000$. Увеличение прибыли на 2 %/мес. = 12’000
$/мес.
Стоимость проекта с ROI = 1 год составляет до 144’000 $
1. Решение задачи удержания клиентов
Задача удержания клиентов в той же компании и снижение оттока клиентов путём
формирования адаптированных предложений или предложений с меньшим уровнем
прибыльности.
Отток клиентов составляет 27’000 $ недополученной прибыли/мес. (при сроке жизни клиента
по рынку ~24 мес.) Прогноз снижения оттока 30% или 7’200 $ мес.
Стоимость проекта по удержанию клиентов составляет ~97k $
7. Ключевые задачи в процессах
• предложение от которого нельзя отказаться
• привлечение новых клиентов
• продажа нового продукта существующему клиенту
• увеличение покупательской корзины, «среднего чека»
• удержание клиента
Прогнозирование реакции клиентов на предложения,
используя знания об их поведении, стиле жизни,
привычках
8. Какие способы?
№ Задача Решение
1 предложение от которого • отслеживать «фазовые переходы» клиента (свадьба,
нельзя отказаться рождение детей, совершеннолетие детей, покупка а/м,
заключение страховки, выплата кредита и пр.)
• персонализация предложения
• многоканальность
• набор статистических методов (сегментация, скоринг,
правила, экспертные оценки и пр.)
2 привлечение новых • исследование социальных связей клиента
клиентов • инициация диалога и последующая идентификация клиента
на сайте
• см. «предложение от которого нельзя отказаться»
3 продажа нового продукта см. «предложение от которого нельзя отказаться»
существующему клиенту
4 увеличение покупательской набор статистических методов (сегментация, скоринг, правила,
корзины, «среднего чека» экспертные оценки и пр.)
5 удержание клиента • выявление кандидатов (сегментация, скоринг, правила,
экспертные оценки и пр.)
• см. «предложение от которого нельзя отказаться»
9. Как работает?
Видео ролик с демонстрацией взаимодействия путешественника, подходящего к банкомату
и желающему оформить поездку в страну по выбору.
Система зная историю поездок, его покупок, остаток средств на счёте, его предпочтения и
прочее формирует краткий список вариантов для выбора на экране банкомата прямо в
режиме реального времени
Обратите внимание - в конце ролика банкомат прощается с клиентом, обращаясь к нему по
имени (!)
10. «Зоопарк» систем и разнородность данных
???
1.У каждой системы свой владелец
2.Сложности в интеграции
3.Большие объёмы данных
4.Есть данные за пределами организации
11. Как действовать?
• Встраивайтесь в ключевые процессы, которые напрямую влияют на выручку
компании
• Помните о правиле Парето (20/80), не разбрасывайтесь и действуйте по принципу
QUICK WIN. Реализуйте максимум 2-3 задачи одновременно из длинного списка
улучшений
• Выделите отдельную штатную единицу аналитика, второго, третьего
• По мере развития аппетита, выделяйте в отдельный проект а потом и в отдельное
подразделение аналитиков из смежных команд, ранее трудившихся в рамках разных
систем и подразделений
12. Задачи по повышению эффективности
использования данных
Текущая деятельность Запуск новых проектов
• Оптимизация параметров уже • Инициация и обоснование новых
завершённых моделей и проектов проектов для реализации новых
• Выверка и сопровождение данных кирпичиков по работе с данными
• Генерация устоявшейся и заказной • Курирование интеграционных
аналитической отчётности для проектов
руководства
• Взаимодействие с внешними
• Выявление новых источников провайдерами информации
оптимизации и эффективности
работы с данными • Участие в проектах в качестве
ключевых пользователей
• Поиск качественно новых источников
данных в организации и за её аналитических систем
пределами
13. Организационные задачи
Этап 1. Децентрализованный анализ Этап 2. Централизованный анализ
данных данных
• Анализ данных отдельно для каждой • Заручиться поддержкой всех
системы владельцев систем
• Аналитик в каждом подразделении- • Реализация MDM и интеграция
владельце системы и данных систем
• Собрать данные в централизованном
• Отсутствие Master data management хранилище
(MDM)
• Собрать и обучить аналитическую
• «подсадить» бизнес показатели на команду
интеллектуальные процессы и
• Реализовать пилотный и
обосновать централизацию данных и
полномасштабные пилоты
выделение отдельного
аналитического подразделения • Интегрировать системы
14. Резюме
• Создайте институт аналитиков данных для каждого из приложений, которые затем
образуют костяк выделенного аналитического центра
• «Сгребите» и «Придвиньте» данные к себе, централизуйте их
• Персонализируйте клиентские предложения
• Проработайте и встройте своё решение в цепочку продаж и CRM
• Расширяйте доступные источники данных внутри организации и за её пределами
• Разработайте предложения руководству по развитию многоканального и оперативного
взаимодействия с клиентом
• Бизнесу нужен эффект, считайте и проверяйте его