Охота за данными: почему бизнес хочет знать все про своих клиентов

Чем больше компания знает о своем покупателе, тем лучше может выполнить его запросы. Бизнесы тщательно собирают всю информацию, которую могут получить о клиентах, предлагают им заполнять анкеты, проводят опросы, запускают программы лояльности.

Принято выделять собственные данные бизнеса (First Party Data) и данные партнеров (Second party data), которые компания получает от других организаций при наличии договоренности о передаче такой информации. Например, сеть отелей может сотрудничать с авиакомпанией. Third party data ‒ данные сторонних сервисов, специализирующихся на сборе и продаже информации о пользователях, например исследователей, проводящих опросы потребителей.

Цена всезнания

Бизнес всегда стремится узнать о клиентах как можно больше, но процесс сбора и особенности использования информации могут привести к проблемам. Например, Uber в 2017 г. угодил в скандал после того, как была обнародована информация, что компания продолжает отслеживать перемещение пользователя какое-то время после завершения поездки. Uber отрицал этот факт, но работы лишились несколько менеджеров сервиса. Годом позже разразился еще более громкий скандал с британским стартапом Cambridge Analytica, который якобы собирал данные пользователей Facebook (принадлежит компании Meta, признанной экстремистской и запрещенной в России) при помощи развлекательных приложений и тестов, а затем использовал их для доставки контента, влияющего на решения людей, в том числе во время выборов президента США. Судебные разбирательства продолжались долго, и в декабре 2024 г. владеющая соцсетью компания согласилась выплатить австралийскому регулятору штраф в $31 млн за закрытие дела. 

Большинство правительств запрещают передавать третьим лицам какую-либо информацию о поведении клиентов, указывающую на конкретного человека. То есть передача информации вроде «Иван Иванов в три часа дня купил в магазине булочку с корицей» считается во многих странах серьезным преступлением. Но можно делиться данными вида «в день около ста мужчин в возрасте от 20 до 40 лет покупают булочки с корицей в определенном магазине». Процесс, при котором разные базы обезличенной информации накладываются друг на друга, называется обогащением данных.

По данным Grand View Research, объем мирового рынка решений для обогащения данных в 2023 г. оценивался в $2,37 млрд, и ожидается, что с 2024 по 2030 г. он будет увеличиваться в среднем на 10,1% в год. «Растущая зависимость бизнеса от принятия решений, основанных на данных, требует наличия высококачественных данных, что повышает спрос на решения для их обогащения», ‒ говорится в отчете компании.

По информации Grand View Research, в 2023 г. самую большую долю на мировом рынке обогащения данных занимали облачные решения ‒ около 56%. Популярность таких решений обусловлена тем, что они предлагают масштабируемые и эффективные средства управления постоянно растущим объемом данных. Кроме того, их использование облегчает соблюдение требований законов по работе с персональными данными и ускоряет доступ к ним, отмечают в Grand View Research.

В ходе исследования, проведенного Google и BCG, обнаружилось, что некоторые бренды, использующие сторонние данные для разработки маркетинговых стратегий, добились увеличения выручки в 2,9 раза и экономии средств в 1,5 раза. Правда, в исследованиях речь шла о комплексном эффекте от грамотного применения данных, а не об их обогащении как отдельном инструменте. Например, Netflix использует обогащенные данные для улучшения пользовательского опыта и разработки бизнес-стратегий. Компания сотрудничала с независимым поставщиком решений DataHub для создания платформы самообслуживания, которая оптимизирует управление данными.

Британская компания Precisely, специализирующаяся на решениях в области аналитики больших данных, приводит информацию о том, как используют эту технологию ее клиенты из страховой индустрии. Благодаря обогащению геопространственных данных страховщики имеют возможность намного лучше предсказать страховые случаи, которые могут произойти с конкретным объектом недвижимости. Например, дома, расположенные вблизи горючей растительности, подвергаются большему риску лесных пожаров, как и объекты недвижимости, расположенные вдоль естественных ветровых воронок. Расстояние между строениями, тип кровельного материала и расположение горючих материалов по отношению к строению могут существенно влиять на риск.

Обогащая существующие данные о недвижимости контекстуальными деталями, такими как материалы и качество изготовления, погодные условия, дорожное движение, статистика преступности и многое другое, страховщики могут составить подробную картину каждого объекта недвижимости и получить максимально точный профиль риска, утверждают в компании.

Разложить по полочкам

Решения по обогащению данных применимы и в промышленности. Крупной российской компании в цветной металлургии было необходимо интегрировать собственные IT-решения в единую цифровую систему для оптимизации технологических процессов. С этой задачей компания обратилась к Softline Digital, входящую в группу компаний Softline.

Ранее все ИТ-решения использовались на предприятии разрозненно и ситуативно. Из-за этого замедлялся обмен актуальными данными и снижалась эффективность техпроцессов, доверие к решениям падало. Чтобы оптимизировать производство, все IT-решения перенесли в единый цифровой контур – на ИИ-платформу AiLine Softline Digital.

Это позволило отслеживать все показатели в одной программе, своевременно обновлять данные, повысить качество принимаемых решений и оптимизировать технологические процессы. В результате удалось увеличить объемы производства и снизить затраты на электроэнергию, утверждают в Softline.

В одном из российских банков на основе платформы ROBIN были автоматизированы процедуры ежегодной актуализации данных клиентов ‒юридических лиц. «Ежедневно наши программные роботы актуализировали данные по списку клиентов: искали по ним информацию на государственных ресурсах, проверяли ее в системе банка и в случае необходимости вносили корректировки», ‒ рассказал Иван Мельников, директор по развитию продуктов ROBIN компании SL Soft.

В том числе роботы проверяли информацию на ЕГРЮЛ: скачивали выписку и извлекали из нее данные (реквизиты, уставной капитал, цепочки бенефициаров), в вестнике государственной регистрации уточняли информацию о статусе ликвидации юридического лица. В едином государственном источнике банкротства роботы сверяли информацию о наличии процесса банкротства в отношении юридического лица. Также автоматически проверялась на валидность электронная подпись найденных документов.

«Другими способами (интеграциями, доработками систем и др.) банк не смог бы решить задачу: слишком много внешних ресурсов, на которых нужно было производить поиск, и все они не имеют внешнего API», ‒ говорит Мельников.

Одна из сложностей при работе с данными ‒ поиск информации в неструктурированных источниках. «Для нашего клиента мы решили задачу проверки контрагентов, с которыми заключаются договора. Необходимо было извлечь из договора реквизиты контрагента и подписантов и проверить информацию в открытых источниках», ‒ говорит Мельников. Эта задача была реализована при помощи модулей искусственного интеллекта. Вторая сложность ‒ при парсинге интернет-ресурсов компания может столкнуться с защитой от роботов и капчами, но эта проблема также решаема при помощи инструментов ИИ, рассуждает Мельников.

Полный материал в источнике