Знаете ли вы своего клиента?
Основные признаки не могут представить потребности клиента
Создаем Customer Experience Profile
Собираем данные по десяткам заранее определенных метрик
Обновляем профиль в реальном времени
Формируем "живые" рабочие данные для маркетинговой коммуникации
Предиктивная аналитика. В чем отличие от традиционных BI систем?
Построение предиктивных моделей поведения клиента
Как предсказать отклик клиента на предложение?
Комплексные решения CleverDATA на базе продуктов партнера Teradata для автоматизации маркетинга
cleverdata.ru
Знаете ли вы своего клиента?
Основные признаки не могут представить потребности клиента
Создаем Customer Experience Profile
Собираем данные по десяткам заранее определенных метрик
Обновляем профиль в реальном времени
Формируем "живые" рабочие данные для маркетинговой коммуникации
Предиктивная аналитика. В чем отличие от традиционных BI систем?
Построение предиктивных моделей поведения клиента
Как предсказать отклик клиента на предложение?
Комплексные решения CleverDATA на базе продуктов партнера Teradata для автоматизации маркетинга
cleverdata.ru
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.
Технологии создания доверенной среды аутентификации клиентов и их транзакцийКРОК
XV Национальный форум информационной безопасности «Инфофорум» http://www.croc.ru/action/detail/20298/
Презентация Чугунова Евгения, ведущего эксперта по информационной безопасности компании КРОК
Константин Червяков и Иван Спиридонов, Ringostat&Mixdata — «Построение сквозн...shevchuk_conf
1. Как мы пришли к построению сквозной системы аналитики?
2. Проблемы, которые нужно было решить:
- учитывать прибыль по рекламным кампаниям и сопоставлять с тратами;
- учитывать промежуточные метрики в виде целевых обращений, при этом отсекая повторы;
- интегрировать всё это дело в бизнес-процессы, чтобы работало в автоматическом режиме в реальном времени;
- обеспечить учёт обращений из всех или как минимум из ключевых каналов коммуникации с клиентами по единой логике.
3. Как именно и с помощью каких инструментов и интеграций решали проблемы.
4. Какие подводные камни мы нашли в конце?
- мы узнаем откуда продажа только в момент закрытия сделки;
- нет доступов к конкретному пользователю в GA — нельзя построить дополнительные событийные модели или просто подгрузить его поведение;
- данные о расходах загружаются на UTM метки, а не на пользователя.
5. Как обходили эти подводные камни?
Посмотреть запись вебинара можно по ссылке ➡️ https://www.owox.com/c/51q
У нас не будет спиритической доски и хрустального шара, но мы будем говорить о предсказаниях. Предсказаниях конверсий!
Рецепт этого зелья прост – качественные данные, машинное обучение, а вместо магии – экспертиза трех команд, работающих вместе. Агентство dentsu Russia использовало инструмент от OWOX BI, чтобы помочь «Эльдорадо» улучшить маркетинговые показатели. Более 60 параметров помогают предсказать вероятность, с которой пользователь купит товар и стоит ли тратить на него рекламный бюджет. Если вероятность покупки низкая – ставки на рекламу снижаются. В итоге – ROI контекстной рекламы увеличился в 2,2 раза!
Звучит сложно? Совсем чуть-чуть, но результат того стоит!
Как использовать внешние данные при найме сотрудников на работу? Какие источники данных могут быть полезны? Как строится аналитическая предиктивная модель для HR скоринга? Опыт реализации проекта от компании CleverDATA
Машинное обучение можно использовать при сегментации клиентов, активности использования цифровых сервисов, разработке персональных финансовых менеджеров и создании индивидуальных рекомендаций для клиентов…
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.
More Related Content
Similar to Бизнес-идея: сеть работодатель-соискатель на основе технологии блокчейн
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.
Технологии создания доверенной среды аутентификации клиентов и их транзакцийКРОК
XV Национальный форум информационной безопасности «Инфофорум» http://www.croc.ru/action/detail/20298/
Презентация Чугунова Евгения, ведущего эксперта по информационной безопасности компании КРОК
Константин Червяков и Иван Спиридонов, Ringostat&Mixdata — «Построение сквозн...shevchuk_conf
1. Как мы пришли к построению сквозной системы аналитики?
2. Проблемы, которые нужно было решить:
- учитывать прибыль по рекламным кампаниям и сопоставлять с тратами;
- учитывать промежуточные метрики в виде целевых обращений, при этом отсекая повторы;
- интегрировать всё это дело в бизнес-процессы, чтобы работало в автоматическом режиме в реальном времени;
- обеспечить учёт обращений из всех или как минимум из ключевых каналов коммуникации с клиентами по единой логике.
3. Как именно и с помощью каких инструментов и интеграций решали проблемы.
4. Какие подводные камни мы нашли в конце?
- мы узнаем откуда продажа только в момент закрытия сделки;
- нет доступов к конкретному пользователю в GA — нельзя построить дополнительные событийные модели или просто подгрузить его поведение;
- данные о расходах загружаются на UTM метки, а не на пользователя.
5. Как обходили эти подводные камни?
Посмотреть запись вебинара можно по ссылке ➡️ https://www.owox.com/c/51q
У нас не будет спиритической доски и хрустального шара, но мы будем говорить о предсказаниях. Предсказаниях конверсий!
Рецепт этого зелья прост – качественные данные, машинное обучение, а вместо магии – экспертиза трех команд, работающих вместе. Агентство dentsu Russia использовало инструмент от OWOX BI, чтобы помочь «Эльдорадо» улучшить маркетинговые показатели. Более 60 параметров помогают предсказать вероятность, с которой пользователь купит товар и стоит ли тратить на него рекламный бюджет. Если вероятность покупки низкая – ставки на рекламу снижаются. В итоге – ROI контекстной рекламы увеличился в 2,2 раза!
Звучит сложно? Совсем чуть-чуть, но результат того стоит!
Как использовать внешние данные при найме сотрудников на работу? Какие источники данных могут быть полезны? Как строится аналитическая предиктивная модель для HR скоринга? Опыт реализации проекта от компании CleverDATA
Машинное обучение можно использовать при сегментации клиентов, активности использования цифровых сервисов, разработке персональных финансовых менеджеров и создании индивидуальных рекомендаций для клиентов…
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.
Similar to Бизнес-идея: сеть работодатель-соискатель на основе технологии блокчейн (20)
Бизнес-идея: сеть работодатель-соискатель на основе технологии блокчейн
1. Сеть работодатель-
соискатель на основе
технологии блокчейн
Команда
Change the Link
Артур Самигуллин
Булат Насрулин
Екатерина Сысоева
Дамир Мирзануров
2. Проблема Аудитория Решение Функционал Экономика Риски
- Артур Самигуллин - - Булат Насрулин -- Дамир Мирзануров -
Сферы интересов:
- Екатерина Сысоева -
СОСТАВ КОМАНДЫ
Достижения
Сферы интересов: Сферы интересов: Сферы интересов:
Достижения Достижения Достижения
2
1. Интеллектуальный анализ
данных, анализ соц. сетей
2. Маркетинг и менеджмент
3. Визуализация данных и
дизайн
1. Управление большими
данными
2. Смарт-сити
3. Когнитивные технологии
1. Распределенные БД на
графах
2. Высокопроизводительные
вычисления на кластерах и
графических картах
3. Когнитивные
вычислительные системы
1. Управление данными
2. Анализ и
совершенствование бизнес-
процессов
3. Экономическое
обоснование ИТ проектов
1. Закончил два
университета в разных
городах на очном
2. Очень грамотный
специалист-оформитель
различных заявок
1. Прошел в полуфинал
конкурса инновационных
идей «Эврика»
2. С другом создавал и
продавал одежду
1. Активный участник
конкурсов научных работ
2. Researcher от Бога:
прочитал очень много
статей
1. Заняла второе место в
конкурсе красоты «Мисс
Вышка»
2. Мастер коммуникаций и
бизнес-процессов
3. Проблема Аудитория Решение Функционал Экономика Риски
3
Процесс рекрутинга не позволяет соискателю и работодателю установить полностью
доверительные отношения ввиду разрозненного хранения данных о трудовой деятельности
Источник: поиск информации -intitle:directory -inurl:dir -inurl:jobs site:ru.***, где *** - адрес сайта
Критерий
Linkedin
(ru.linkedin.com)
Профессионалы
(professionali.ru)
Мой круг
(moikrug.ru)
Viadeo
(ru.viadeo.com)
Год основания 2003 2008 2005 2004
Количество
пользователей
1 340 000 1 300 000 755 000 282 000
Стоимость
$119,95/мес
(на 06.03.2016
8 620,81руб/мес)
990 руб/мес 3 000 руб/мес
€199/мес
(на 06.03.2016
15 722,99 руб/мес)
Недостатки Невозможно доказать истинность указанных сведений
Хотя сервисы поиска сотрудников/вакансий имеют большую базу
резюме, необходимо потратить время и денежные средства для
нахождения сотрудника/подходящей вакансии
Невозможно подтвердить:
образование
• высшее / среднее специальное
• название учебного заведения
• год выпуска
наличие сертификатов
предыдущее место работы
• место
• срок
отзывы с предыдущих мест работы
Основные представители деловых социальных сетей,
предлагающие функции поиска сотрудников и открытых вакансий:
4. 4
Наш пользователь – наниматель или соискатель со специфическими навыками, активно
использующий Интернет
Источник: *По данным Росстат **По данным hh.ru
В тысячах человек
HR-менеджер Соискатель
Цель: принимать на работу квалифицированных
надежных людей с минимальными расходами
Цель: устроится на хорошую работу, надежно хранить
информацию об опыте работы
Наталья, 28-45 лет Александр, 18-45 лет
Выделение целевой аудитории
Проблема Аудитория Решение Функционал Экономика Риски
Работающее население
Квалифицированные
сотрудники
Активные пользователи
рекрутинговых сервисов
71 539*
58 893*
5 000**
5. 5
Система двухэтапного соглашения на основе блокчейн позволит проверять данные соискателя
Источник:
1. Отправка ключа
2. Подтверждение соответствия
3. Передача токена
4. Принят на работу
Отправка ключа
Соискатель отправляет личный
ключ и ключ желаемой позиции
Запускается автоматическая
сверка требований
работодателя и профиля
соискателя
Подтверждение
соответствия
Работодатель отправляет
подтверждение соответствия
кандидата и статистику
компании
Работодатель может задержать
отправку подтверждения для
проведения собеседования
Передача токена
Соискатель передает токен
(возможность трудоустройства),
а также необходимые сведения
для трудоустройства
Соискатель передает токен
только если условия
работодателя его устраивают
Принят на работу
Работодатель передает
сообщение об успешном
принятии на работу
Перед этим работодатель
проверил с помощью блокчейн
наличие у соискателя токена
СоискательРаботодатель
Проблема Аудитория Решение Функционал Экономика Риски
6. 6
Система сфокусирована на решении проблемы отсутствия взаимного доверия между
работодателем и соискателем
Источник:
Для работодателя:
Проверить достоверность опыта и
компетенций соискателя
Для соискателя:
Автоматизировать заполнение документов при
приеме/увольнении
Получать статистику по трудовой деятельности
соискателя
Хранить полную историю о движении кадров
Хранить полную информацию о трудовой
деятельности
Получить статистику по работодателю
Премиум-аккаунт: выбор передаваемой информации при совершении транзакции
Проблема Аудитория Решение Функционал Экономика Риски
7. 7
Оценка реализуемости проекта построена на предположении, что инвестор предоставляет
необходимое программное и аппаратное обеспечение
Источник:
Кодовое название проекта: Chain Link
Краткое описание проекта: реализация системы на
основе технологии блокчейн, позволяющая
установить доверительные отношения между
соискателем и работодателем.
Условия: в пределах реализации данного проекта
организатором не выставляются ограничения:
на количество сотрудников, реализующих проект;
инвестиции;
сроки реализации проекта.
Допущение:
проект будет выполняться нашей командой (4
человека) и финансироваться генеральным
партнером Changellenge в 2016 г. (Лаборатория
Касперского).
Пессимистичный
случай
Ожидаемый
случай
Оптимистичный
случай
Верхняя граница
пользователей,
активно
использующих
систему
100 500 2 000
Срок
окупаемости
14 месяцев 8 месяцев 6 месяцев
NPV к концу
ожидаемого
периода
окупаемости
91 600 241 225 879 625
Проблема Аудитория Решение Функционал Экономика Риски
8. 8
Реализация проекта в большей степени зависит от инвестора
Источник:
Проблема Аудитория Решение Функционал Экономика Риски
Риск Последствие Уровень потерь Вероятность Методы борьбы
Выбранный провайдер
блокчейн (BaaS)
отказывается
продолжать
сотрудничество
Остановка работы,
необходимость
миграции
большого объема
данных
Критический Низкая
Миграция к другому
провайдеру или поднятие
собственной блокчейн
сети
Профессиональные
социальные сети не
согласны на
сотрудничество
Сокращение
количества
потенциальных
пользователей
Низкий Средняя
Сменить курс с
профессиональных
социальных сетей на
рекрутинговые сайты
(например, headhunter.ru)
Недостаток
финансирования
Заморозка
проекта
Катастрофический Высокая
Найти дополнительные
источники
финансирования
(например, государство)