Mezi základní poslání analýzy dat patří především popisná analýza a prediktivní analýza dat. Podstatou té popisné je, co nejlépe ukázat jaká je skutečnost, kterou sesbíraná data zachycují. Prediktivní analýza využívá zachycenou minulost pro předpověď budoucího vývoje. Pomocí statistických metod i algoritmů umělé inteligence lze zpracovávat nejen strukturovaná data, ale i texty a obrázky. U obojího platí, že kvalita analytických výstupů z velké míry souvisí s kvalitou, rychlostí, objemem a rozsahem zpracovaných dat.

Z analýz mohou vyplynout popisy klíčových okamžiků, které vedou k tomu, že zákazník provede v krátké budoucnosti významné rozhodnutí. Může se jednat třeba o opakované neúspěšné volání z míst, kde je velmi dobré pokrytí, ale kapacita odbavení BTSkou je nízká. Rozladění klienta pak může vést k tomu, že změní operátora a cena nemusí hrát tu nejpodstatnější roli. Pokud tuto situaci umí operátor detekovat z dat, pak může být zákazníkovi kvalitním partnerem a uvedené technické problémy řešit včas a na úrovni. Obdobné může platit v bance. Například, pokud klient opakovaně hledá na webových stránkách kurzovní lístek své banky, možná by stálo za zamyšlení, nabídnout mu nějakou službu související s touto situací.

Zpracování transakčních, operativních nebo logovacích dat může velkým společnostem prospět. Pokud ví, jak na to.

• V prvé řadě to představuje solidní technickou infrastrukturu, která zajistí, že systémy umí všechna data nejen sesbírat, ale i v rozumném čase předávat, transformovat a ukládat. Technologický rozvoj vede k „near real time“ řešením. Když máme data ve strukturované podobě, pak s nimi můžeme začít provádět různé analýzy a kouzla.
• Ve druhé řadě je nutné tato data uchovávat dlouhodobě nebo z nich alespoň dlouhodobě agregovat podstatné informace. Bez historie se totiž žádný dobrý prediktivní model sestavit nedá. To, že transakčních a logovacích dat je hodně donedávna pro většinu společností znamenalo, že měly detailní záznamy jen v řádu týdnů, měsíců, maximálně jednoho roku či dvou let. S nástupem úložišť pro velká data v podobě cloudových či Hadoop řešení toto omezení padá. Už se tedy pomalu můžeme setkávat s tím, že velké společnosti mají svá velká data pod svými křídly.
• Když máme dost záznamů, na nichž můžeme analyzovat, kde se co s kým děje, ještě to ale neznamená, že to pro nás rovnou generuje nějakou konkurenční výhodu. Abychom uměli této skutečnosti využít, musíme si leckteré analytické výstupy propojit se současnými systémy pro prodej, péči o zákazníka (CRM, call centrum), marketing, vývoj produktů a služeb apod.
• Teprve nyní přichází ten okamžik, kdy data scientista může začít budovat svoje modely, které dokáží odhadnout komu a kdy doporučit správnou službu ve správný okamžik. Cesta k modelům tedy není úplně jednoduchá. Ale při troše snahy dokáží klasifikační a prediktivní modely najít tu správnou cestu k personalizovanému přístupu.
• Nicméně ani tím, že modelář připraví perfektní model, nejsme ještě u konce. Pokud nedojde k celé řadě procesních a systémových vylepšení, nemůžeme očekávat, že pokročilá analýza Big Dat přinese své ovoce.

5 kroků pro úspěšnou analýzu Big Data

Aby zpracování analýz bylo úspěšné, nemělo by se dít jen tak pro formu, nebo do šuplíku, ale mělo by mít jisté poslání. Především sem patří využití výstupů pro detekci včasných příležitostí a vylepšení obchodních výsledků. Šikovný analytik tak může přispět k efektivnější péči o zákazníka a lepšímu poskytování relevantních služeb.

Dagmar Bínová Autorka článku působí jako Big Data Science Leader ve společnosti Adastra.