Операторы связи, как и банки, первыми осваивают новые технологии. Директор департамента стратегического маркетинга МТС Леонид Ткаченко на конференции Teradata Universe 2017, которая прошла в Ницце в апреле, рассказал редактору "Информационные технологии" Светлане Рагимовой о том, как анализ больших данных помогает повышать эффективность и увеличивать выручку компании.
Фото: Предоставлено МТС
— Какой опыт у МТС по работе с большими данными?
— Мы работали с большими данными всегда: у нас миллионы абонентов, и один из основных бизнес-процессов любой телекоммуникационной компании — это биллинг. Даже просто посчитать, кто сколько платит компании,— это уже по факту работа с большими данными.
Но за последние три-пять лет произошла технологическая революция в сфере работы с данными, которая породила инструменты, позволяющие с ними работать по-новому, и, по сути, открыла для нас новые рынки.
Мы стали смотреть на эту тему иначе: не только базовые вещи делать, а создавать продукты, используя данные, которыми обладаем в силу характера нашего бизнеса.
— Приведите примеры, как это на практике может выглядеть? Знаю, что пробовали инструменты социальной аналитики, что еще?
— Да, мы используем до сих пор Social Analysis, чтобы анализировать социальные связи абонентов и выявлять лидеров мнений. Через них можно более успешно продвигать определенные продукты.
Кроме того, у нас есть очень много разных идей по монетизации данных. Приведу пример. Есть продукт по оптимизации рабочих графиков наших салонов. У нас порядка 5 тыс. магазинов, в которых работает огромное количество людей. При этом расписание рабочего времени до сих пор делалось, по сути, вручную, начальниками салонов. Сейчас технологии развились, мы можем собрать данные по всем трансакциям клиентов в одном месте: все визиты в магазин, покупки, обращения. В итоге мы видим, сколько реально нужно сотрудников в каждом салоне в каждый момент в любой день недели. Не нужно, конечно, составлять уникальное расписание под каждый день, достаточно понимать циклы, сколько в конкретный месяц нужно людей по рабочим часам. И вот сейчас мы меняем бизнес-процессы, чтобы оптимально распределить нагрузку в магазинах. В результате, с одной стороны, мы избавляемся от очередей, с другой — от ситуации, когда в салоне три человека, а работает только один, а значит, экономим на фонде оплаты труда.
— Одна из областей применения инструментов Big data — сегментация клиентов для таргетинга рекламы. Как имеющаяся информация о потребителях, которой владеют операторы, может использоваться в этой сфере?
— У операторов есть уникальные данные, которых нет у интернет-компаний. Это в первую очередь информация об офлайн-активностях. Кроме того, мы сейчас пытаемся пересмотреть сам подход к доставке рекламных сообщений. Например, сейчас все, кто пытается сегментировать клиентские базы для каких-либо целей, исходят из интересов человека. Допустим, человек посмотрел в интернете что-то про Грецию, и реклама отелей, туров начинает его преследовать, хотя он может быть давно это уже купил. Или знают, что у вас есть собака, и постоянно показывают вам рекламу кормов для собак. Так сейчас делают все, так устроен этот рынок. Но пока ни одна компания не научилась выявлять наиболее релевантный момент для показа этой таргетированной рекламы. Ведь интересы человека непостоянны, они меняются. Важно не просто понять, что вам нужно. Правильным подходом будет определить, когда это нужно. Здесь операторы могут быть крайне полезны, поэтому мы сейчас работаем в том числе в этом направлении.
— Каким образом вы пытаетесь решить эту задачу? Вводите дополнительные признаки? Включаете в анализ геотеги?
— Да, в том числе мы добавляем новые признаки к традиционным, принятым на рынке. У нас два слоя признаков для сегментации. Базовые — те, которые мы просто снимаем с сети, как всю жизнь это делали: куда абонент ходит, какие звонки совершает, какие сайты посещает. Есть пласт аналитических метрик, которые мы рассчитываем на основе базовых. К примеру, мы понимаем, что, если два человека много друг другу звонят и ночуют в зоне действия одной базовой станции, это одно домашнее хозяйство. Если прекращают звонить друг другу в пятницу вечером — признак, что вместе живут с большой вероятностью. У нас много таких аналитических метрик, построенных на базовых данных.
— Как у вас выстроена работа в департаменте? У ваших коллег, например, в отделе анализа больших данных может быть до сотни человек.
— Изначально у нас в команде работали 35 человек. Уже по результатам первого года нам удалось не просто окупить инвестиции в анализ данных, но и сделать это направление прибыльным. Сейчас мы поставили еще более амбициозные цели по выручке подразделения и расширили команду до 50 человек. Мы не работаем по принципу "сейчас купим самое дорогое решение у вендора и наберем огромный штат, а потом посмотрим, окупится это или нет". Мы идем небольшими шажками, пробуя новые технологии, применяя их на конкретных кейсах. Если решение оказывается успешным, инвестируем в развитие проекта — это касается и финансовых инвестиций, и кадровых ресурсов. В результате по итогам 2016 года совокупный эффект от Big data в МТС превысил 500 млн руб.
— На каких именно проектах удалось заработать эти полмиллиарда?
— Порядка 80% принесли внутренние продукты, которые повышают эффективность работы группы МТС, и только 20% — это то, что мы продаем вовне. В частности, тот проект про расписание в салонах, о котором я уже говорил, один из самых эффективных с точки зрения оптимизации нашего собственного бизнеса.
Если говорить об остальных 20%, то, например, вместе с другими операторами связи мы продаем департаменту инновационных технологий Москвы агрегированную, обезличенную информацию о перемещении людей по городу. Эти данные учитываются при планировании развития транспортной инфраструктуры города. Проект существует уже несколько лет, а значит, его эффективность очевидна для заказчика.
— Вполне понятно, зачем это нужно государственным службам. Есть ли какое-то взаимодействие с бизнесом по этому направлению?
— Конечно, аналогичные проекты мы реализуем и для коммерческих компаний, в том числе помогаем определять, где лучше разместить точки продаж, исходя из анализа потоков передвижения потенциальных клиентов. Есть первые реализованные проекты, например с сетью частных клиник. Есть готовые продукты для больших розничных сетей. Под каждого клиента разрабатываем решение с учетом специфики бизнеса. Но нужно понимать, что этот рынок в России пока только формируется. Мы раскачиваем его, показываем, как можно повышать свою эффективность с использованием больших данных. Но думаю, еще несколько лет уйдет на то, чтобы клиенты массово созрели для таких технологий.