Berta Sándor
Kiaknázatlanul hevernek a cégeknél az adatok
A Big Data-elemzések trendek előrejelzésében, a fogyasztók viselkedésének megtippelésében, és a szolgáltatások személyre szabásában segíthetnek.
A cégek általánosságban nagy mennyiségű adatot gyűjtenek, amelyek első pillantásra nem is tűnnek nagy értékűnek. Ezek lehetnek hálózati, szenzor és honlapok interakcióival kapcsolatos adatok, ügyfélhívások, ügyfélszolgálati feljegyzések, valamint közösségi médiaanyagok. Az összetett konfigurációkban a dolgok internete eszközök szoftvernaplóinak is nagy jelentősége lehet. Ron Bodkin, a Think Big Analytics alapítója ezek kihasználásában segít az ügyfeleknek. Támogatják őket az adatelemzési modellek elkészítésében, hogy akár valós idejű információk alapján hozhassanak döntéseket. Az adatokat később szűrhetik, finomíthatják és betölthetik az előrejelzési modelljeikbe. Az első lépés azonban az, hogy lehetőleg minél több adathoz jussanak.
A kliensek között vannak nagy bankok, telekommunikációs vállalatok, de médiaházak, reklámügynökségek és kereskedelmi vállalkozások is. A Big Data számukra elsősorban a szolgáltatások személyre szabásában, az ügyfelekkel való interakciókban és az elégedettség felmérésében játszik fontos szerepet. Például a távközlési társaságoknál zsebbe vágó kérdés az előfizetők elvándorlása. Megfelelő mennyiségű adatra támaszkodva előre jelezhetik, hogy mely ügyfelek akarnak más szolgáltatóhoz váltani és jobb ajánlatokat kínálhatnak nekik. Az üzemekben pedig a szenzoradatok elemzésével például olyan előrejelzések készíthetők, amelyek alapján hatékonyabbá tehetők a gyártási eljárások.
Sok alkalmazási esetnek vannak valós idejű komponensei, például az ügyfelekkel való interakció. Ez egyben azt is jelenti, hogy valós időben kell megérteni a viselkedési adatokat. A Think Big Analytics az egyik európai nagy bankkal együttműködve például a csalás elleni harcban használható adatmodellen dolgozik, s a projektben a neurális hálózatoknak és a gépi tanulási technológiáknak is komoly szerep jut. A technológiai trendek az adatelemzések automatizálásának irányába mutatnak. Ez idővel oda fog vezetni, hogy egyre több és több vállalat alkalmaz majd valós idejű rendszereket az előrejelzési modellek applikációs integrációjához.
De a gépi tanulási technikákban is nagy lehetőségek vannak. Számos olyan eset van, amikor vizuális információkat dolgoznak fel. Létrehoztak egy prototípust egy gépi tanulási rendszerhez, amely képfelismerés segítségével azonosítani tudja az elhaladó autómodelleket. Így aki BMW-t vezet, az teljesen más ajánlatokat láthat majd az autópályák reklámtábláin, mint aki egy Fordot vagy Opelt. A gépi tanulás a gyártási hibák felderítésében is hasznos lehet, míg az egyik ügyfelük arra használja a technológiát, hogy a telefonközpontba beérkező hívások esetében elemezze az ügyfelek hangulatát, és jelzi, ha valaki kezd idegessé válni.
A cégek általánosságban nagy mennyiségű adatot gyűjtenek, amelyek első pillantásra nem is tűnnek nagy értékűnek. Ezek lehetnek hálózati, szenzor és honlapok interakcióival kapcsolatos adatok, ügyfélhívások, ügyfélszolgálati feljegyzések, valamint közösségi médiaanyagok. Az összetett konfigurációkban a dolgok internete eszközök szoftvernaplóinak is nagy jelentősége lehet. Ron Bodkin, a Think Big Analytics alapítója ezek kihasználásában segít az ügyfeleknek. Támogatják őket az adatelemzési modellek elkészítésében, hogy akár valós idejű információk alapján hozhassanak döntéseket. Az adatokat később szűrhetik, finomíthatják és betölthetik az előrejelzési modelljeikbe. Az első lépés azonban az, hogy lehetőleg minél több adathoz jussanak.
A kliensek között vannak nagy bankok, telekommunikációs vállalatok, de médiaházak, reklámügynökségek és kereskedelmi vállalkozások is. A Big Data számukra elsősorban a szolgáltatások személyre szabásában, az ügyfelekkel való interakciókban és az elégedettség felmérésében játszik fontos szerepet. Például a távközlési társaságoknál zsebbe vágó kérdés az előfizetők elvándorlása. Megfelelő mennyiségű adatra támaszkodva előre jelezhetik, hogy mely ügyfelek akarnak más szolgáltatóhoz váltani és jobb ajánlatokat kínálhatnak nekik. Az üzemekben pedig a szenzoradatok elemzésével például olyan előrejelzések készíthetők, amelyek alapján hatékonyabbá tehetők a gyártási eljárások.
Sok alkalmazási esetnek vannak valós idejű komponensei, például az ügyfelekkel való interakció. Ez egyben azt is jelenti, hogy valós időben kell megérteni a viselkedési adatokat. A Think Big Analytics az egyik európai nagy bankkal együttműködve például a csalás elleni harcban használható adatmodellen dolgozik, s a projektben a neurális hálózatoknak és a gépi tanulási technológiáknak is komoly szerep jut. A technológiai trendek az adatelemzések automatizálásának irányába mutatnak. Ez idővel oda fog vezetni, hogy egyre több és több vállalat alkalmaz majd valós idejű rendszereket az előrejelzési modellek applikációs integrációjához.
De a gépi tanulási technikákban is nagy lehetőségek vannak. Számos olyan eset van, amikor vizuális információkat dolgoznak fel. Létrehoztak egy prototípust egy gépi tanulási rendszerhez, amely képfelismerés segítségével azonosítani tudja az elhaladó autómodelleket. Így aki BMW-t vezet, az teljesen más ajánlatokat láthat majd az autópályák reklámtábláin, mint aki egy Fordot vagy Opelt. A gépi tanulás a gyártási hibák felderítésében is hasznos lehet, míg az egyik ügyfelük arra használja a technológiát, hogy a telefonközpontba beérkező hívások esetében elemezze az ügyfelek hangulatát, és jelzi, ha valaki kezd idegessé válni.