Правильное использование алгоритмов аналитики больших данных и машинного обучения помогает повысить удовлетворенность клиентов, обеспечить чистую прибыль и повысить рентабельность инвестиций. Напротив, результаты неправомерного использования больших данных будут ужасными.

Blazent, компания по анализу ИТ-данных, опубликовала исследование состояния качества больших данных еще в 2016 году, которое дало некоторые интересные выводы о предполагаемых результатах неправомерного использования больших данных корпоративным бизнесом, проведенное среди представителей высшего звена. руководители.

Например, 80% руководителей высшего звена предприятий признают, что использование аналитики больших данных помогает им находить новые возможности для получения прибыли. Кроме того, 50% респондентов заявили, что такой подход помогает увеличить доходы, а 50% руководителей уверяют, что это снижает затраты. Мы уже рассказали о 8 реальных историях успеха в бизнесе, основанных на больших данных, подчеркнув невероятные результаты, которые появляются при правильном использовании анализа больших данных.

С другой стороны, 42% руководителей заявляют, что неправомерное использование больших данных может снизить доходы, а 39% считают, что это может ухудшить принятие правильных решений. Более того, в то время как 40% руководителей компаний уверены, что их проекты Big Data Mining успешны, почти 95% осознают, что такие усилия могут быть неверными. разрушительно для бизнеса.

Таким образом, действительно были случаи, когда неправильное использование аналитики больших данных имело негативные последствия для бизнеса. Перечислим их ниже.

Нерелевантные большие данные наводняют вас ненужными деталями

Одна огромная медицинская компания была полна решимости как можно быстрее внедрить Big Data. Это привело к недостаточному планированию процедур проверки релевантности и курирования больших данных, что в значительной степени привело к подходу «собрать все, проанализировать позже». В результате их отчеты по анализу больших данных занимали в основном более 200 страниц, что наводняло читателей текстовыми деталями и фактически приводило к тому, что отчеты становились абсолютно бесполезными.

Однако после изменения своих стратегий курирования потоков данных для отслеживания только важных данных и выбора правильных инструментов визуализации больших данных компания получила 20 страниц инфографики, которые было легко понять и принять решения. на.

Поспешная миграция больших данных может привести к долгому и дорогостоящему ремонту

Многие компании уже довольно давно используют локальные системы бизнес-аналитики. Однако по мере того, как выбор аналитики больших данных становится мейнстримом, многие компании стремятся как можно скорее внедрить передовые технологии и методы. К сожалению, это может привести к определенному ущербу, так как более 50% незапланированных проектов миграции данных приводят к определенным беспорядкам и требуют гораздо больше времени и усилий для приведения в порядок. Таким образом, тщательное планирование и медленный подход к миграции больших данных позволяет в конечном итоге сэкономить много денег и усилий.

Крупный интернет-магазин решил перейти на анализ больших данных без помощи опытных подрядчиков. Они оказались в ужасном замешательстве и были вынуждены приостановить работу своих систем и процессов, ориентированных на клиентов, чтобы исправить ошибки. Нет необходимости говорить, что длительное обслуживание веб-сайта привело к значительному разочарованию клиентов, не говоря уже о репутационных потерях и упущенных доходах.

Внутренние проблемы недопонимания

Аналитика больших данных - это сложный бизнес-процесс, который должен иметь множество точек ввода и вывода. Когда некоторые отделы компании считают, что это их внутренний бизнес, который не должен никого беспокоить, в том числе их коллег из других отделов, бизнес в целом может пострадать от тяжелых последствий.

Один онлайн-продавец электроники столкнулся с ситуацией, когда представители его отдела маркетинга считали себя «крупными источниками дохода», а остальные отделы несколько уступали им. Не было ничего хорошего тимбилдингового мероприятия, и несколько месяцев сотрудничества нельзя было исправить, но, как выяснилось, у них не было такой роскоши. Жалоба клиента на Facebook относительно сбоя тележки для покупок была отправлена ​​команде разработчиков, а на сообщение в Facebook был дан общий и несколько едкий ответ.

Заказчик, 16-летний подражатель-разработчик, опубликовал подробный ответ, в котором выделил все технические проблемы с системами компании и дал понять, что представители компании были невежественными и технически подкованными. Буря комментариев обрушилась, и, хотя исправление для первоначального комментария было разработано довольно скоро, репутация компании сильно пострадала после такой напыщенной речи. Руководству приходилось ломать голову над маркетингом и следить за тем, чтобы команда делилась всеми данными и уважала обязанности друг друга в будущем.

Некорректное продвижение по результатам анализа Big Data

Когда анализируется множество элементов больших данных, некоторые незначительные детали могут испортить всю картину. Все мы помним печально известный случай, когда репортер New York Times Чарльз Дахигг рассказывал о том, что Target отправляет отцу девочки-подростка в Миннеаполисе купоны на товары для беременных. Когда возмущенный покупатель пришел в магазин и потребовал объяснений, выяснилось, что его дочь совершила определенные покупки, после чего аналитическая система Big Data прогнозирования беременности Target пришла к выводу, что она беременна, и выпустила здесь несколько купонов, чтобы подтвердить дополнительные покупки. Как вскоре стало известно, подросток действительно ждал ребенка, только отцу она еще не сказала.

Многие люди были оскорблены вторжением гиганта розничной торговли в такие деликатные области их жизни, как беременность, и последовала буря СМИ / PR, когда Target запретила репортеру Duhigg брать интервью у сотрудников компании на основании решения суда. Неприятный образ действий, да? Такое пятно на имидже бренда преодолеть непросто, и никакие судебные постановления этого не сделают.

В той же статье содержится объяснение того, как Target на самом деле использовала свою систему аналитики больших данных для правильных мер и преуспела в правильном продвижении своих продуктов.

Неправильная персонализация результатов аналитики

Есть немало примеров неправильного использования результатов аналитики. Например, печально известный случай, когда Golden Key International отправил письмо на имя «LisaIsASlut McIntire» своему клиенту в 2014 году, также должен быть свеж в ваших воспоминаниях. Было невозможно определить, кто ввел такой адрес электронной почты в систему, а сам инструмент не мог проверить базу данных или исправить адрес, поэтому общественный имидж компании был сильно поврежден.

Другой случай - сбой OfficeMax PR. Компания направила электронное письмо одному из своих клиентов, скорбящему отцу, с надписью «Майк Сэй / дочь, убитая в автокатастрофе / или текущее дело». Излишне говорить, что никакие официальные извинения не могли помочь успокоить боль и разочарование этого человека. Компания заявила, что в их системы данных были внесены значительные (и, очевидно, дорогостоящие) обновления, чтобы предотвратить такие случаи в будущем, но это мало что могло помочь очистить их репутацию.

Пример правильной обработки сбоев в работе с большими данными можно найти в случае антикризисного управления AppFirst после случайной очистки базы данных клиентов. Генеральный директор и соучредитель компании Дэвид Рот не остановился на публикациях и объяснениях. Он разослал электронные письма всем клиентам, пострадавшим от стихийного бедствия, и в течение 4 дней звонил им, чтобы объяснить ситуацию и извиниться. Благодаря такому личному подходу клиенты быстро простили, и продажи фактически выросли, а не резко упали после такой неудачи.

Заключительные мысли о результатах неправомерного использования больших данных

Аналитика больших данных - палка о двух концах. Это может быть грозное оружие, чтобы одолеть ваших конкурентов, но оно может иметь неприятные последствия для бизнеса, который не действует осторожно. Возможно, эти примеры помогут вам избежать таких печально известных ошибок при работе с вашими системами аналитики больших данных. Вы когда-нибудь сталкивались с подобным злоупотреблением? Как вы справились с последствиями? Пожалуйста, поделитесь своим опытом в комментариях ниже!

Изначально я разместил эту историю в блоге моей компании - https://itsvit.com/blog/big-data-misuse-can-break-your-business/