Глубокое понимание своего потребителя достигается компаниями с помощью сбора и анализа гигантских объемов информации о клиентах. Современная технология, получившая название «большие данные», наилучшим образом подходит для этого, но ключевой проблемой, требующей решения, становится мгновенное использование полученной аналитики в повседневных бизнес-процессах.
От традиционных аналитических инструментов у «больших данных» три отличия: информации очень много, она может быть плохо структурирована, обработка «сырья» и поиск результатов ведется в реальном времени. Благодаря этому, работа с данными, хранящимися в компании, нередко выявляет важные скрытые закономерности или дает неожиданные выводы. Неудивительно, что, по данным опроса McKinsey, 49% компаний, внедривших «большие данные», используют технологию для того, чтобы лучше понимать своего клиента, его потребности и особенности поведения. В практическом применении красивая теория нередко дает сбой: хотя аналитическая система готова произвести пригодные для принятия решения выводы за несколько секунд, бизнес-процессы в компании просто не настроены на то, чтобы учитывать эту информацию в повседневных операциях. Например, клерки банков и страховых компаний, для которых критически важно оценить риски, связанные с конкретным клиентом, обычно пользуются простыми таблицами или статично настроенными экспертными системами, вместо того, чтобы построить профиль риска для конкретного человека, подавшего заявку на кредит или страховку. Причина такой аномалии довольно проста: системы документооборота в компаниях с трудом настраиваются на интеграцию с системой «больших данных». Это затрудняет воплощение современных принципов управления делами (case management), которые требуют, чтобы вся информация по текущему клиенту, включая применимые к нему процедуры и ограничения, содержалась буквально на одном экране. Чтобы все же достичь этой задачи, потребуется система управления делами, которая изначально приспособлена к двунаправленному обмену информацией с системой «больших данных»: «скармливать» первичные документы аналитической системе, а в дальнейшем, когда по конкретному делу потребуется принятие решения, получать уместные в конкретном случае аналитические выводы.
Примером такого интегрированного решения может быть связка EMC Documentum xCP 2.0 и EMC Greenplum. Весьма эффектной демонстрацией их взаимодействия станет внедрение в страховой компании. Первоначально клиента, приобретающего полис автострахования, оценивают по стандартной шкале и назначают типовую страховую премию. Но если клиент согласится на установку в машине GPS-трекера, то уже спустя месяц, проанализировав собранную коллекцию точек на карте, аналитическая система выставит несколько оценок манере езды водителя и особенностям его маршрутов. Исходя из этого, можно будет заново посчитать страховую премию – для аккуратных водителей это обернется существенной выгодой, для страховщика – снижением рисков. Весьма важно, что весь описанный процесс происходит почти автоматически, страховому агенту не требуется общаться ни с андеррайтерами, ни с техническим отделом, чтобы произошли учет данных GPS и перерасчет. Это дает ощутимую экономию времени. А доступность интерфейса Documentum xCP на различных устройствах, включая iPad, позволяет страховым агентам значительно ускорить обслуживание клиентов на выезде и заметно снизить количество бумаги в работе. Типичен пример европейской страховой компании Generali Hellas Eliminates, которая после перехода на Documentum xCP снизила количество расходуемой бумаги на треть, а срок выдачи полисов – с 10 дней до 2. В России, правда, приведенный пример с автострахованием вряд ли приживется – особенности российской езды не очень сочетаются со страховым GPS-трекером в машине. По оценкам заместителя председателя правления корпорации EMC Билла Тьюбера, , в России подобные решения будут наиболее востребованы в банковском и нефтегазовом секторе.