50
0
0
Скопировать ссылку
Telegram
WhatsApp
Vkontakte
Одноклассники
Назад

Делаем продукты на основе больших данных: как избежать рисков и не развалить бизнес?

Время чтения 1 минута
Нет времени читать?
Скопировать ссылку
Telegram
WhatsApp
Vkontakte
Одноклассники
50
0
0
Нет времени читать?
Скопировать ссылку
Telegram
WhatsApp
Vkontakte
Одноклассники

В своей работе компании всё чаще используют большие данные для получения информации, принятия взвешенных решений и стимулирования роста бизнеса. Однако этот мощный инструмент сопряжен со значительной долей рисков, управлять которыми нужно научиться до того, как ваш бизнес и продукты, приносящие доход, пострадают или даже прекратят свое существование.

Меня зовут Евгений Теленков, я член наблюдательного совета некоммерческого партнерства «РусРиск» — старейшей в России ассоциации риск-менеджеров. В этой статье я расскажу, какие опасности несет для бизнеса использование больших данных.

Делаем продукты на основе больших данных: как избежать рисков и не развалить бизнес?

Зачем корпорациям большие данные

Компании стремятся использовать большие данные (Big Data) для извлечения прибыли. Например, для лучшего понимания потребительского поведения, когда на основе данных анализируется информация о покупках, предпочтениях и поведении клиентов, чтобы улучшить свои продукты и услуги, а также для создания персональных маркетинговых кампаний. 

В отдельных компаниях есть подразделения, ответственные за изучение клиентского опыта, и их рекомендации позволяют развивать сеть и качество услуг в конкретных регионах ведения бизнеса, а также разрабатывать продукты, отвечающие интересам конкретных групп клиентов.

Благодаря использованию больших данных компании оптимизируют свои операции. Пример — сбор и анализ данных с датчиков и систем мониторинга позволяют ускорять производственные процессы, сокращать затраты и повышать эффективность изготовления. Так, например, можно анализировать данные финансовых поступлений от оказываемых компанией услуг в режиме реального времени, что позволяет выявлять случаи оказания безвозмездных услуг и оперативно на них реагировать, а также выявлять различные сценарии фрода и злоупотреблений со стороны недобросовестных абонентов.

Еще один хороший пример — это генерация лидов, когда большие данные помогают компаниям находить новых клиентов и создавать целевые предложения для увеличения продаж на основе анализа существующих баз данных. Для сотовых операторов это возможность работать с базами данных клиентов, предлагая им новые услуги, специально сфокусированные на их потребностях, — например, тарифы для путешествующих за границу, тарифы для тех, кто любит и много качает данные или активно пользуется социальными сетями. Кроме того, машинное обучение позволяет оценивать итоговые результаты и оперативно корректировать стратегию продаж в случае ошибки.

Анализ больших объемов данных создает и новые возможности для инноваций и разработки новых продуктов, которые будут отвечать текущим и будущим потребностям. Например, создание продуктов на основе геолокации абонентов позволяет персонализировать рекламные предложения и повышать эффективность и отдачу от рекламы, показываемой клиентам, привязывая рекламные предложения к конкретным запросам и фактическому местонахождению.

Опасности при использовании больших данных

Само по себе использование больших данных и создание на их основе продуктов несет в себе существенные риски. Данные риски могут оказать негативное влияние на оперативное управление компанией и ее репутацию, привести к снижению удовлетворенности клиентов и остановке бизнеса. Вот несколько таких примеров.

1. Конфиденциальность и защита данных.

В условиях, когда компании собирают и анализируют большие объемы данных, конфиденциальность данных становится критической проблемой. Поскольку компании собирают и хранят огромные объемы данных, они становятся привлекательными мишенями для кибератак. Нарушения могут привести к финансовым потерям, ущербу репутации и юридическим последствиям. Конфиденциальная информация, хранящаяся в базах данных, является источником жизненной силы многих организаций. Если информация попадет не в те руки, будь то из-за киберпреступности, взлома или непреднамеренной утечки, это может серьезно повлиять на репутацию компании и ее прибыль. 

Вспомните, с каким интересом люди обсуждают кейсы, связанные с утечкой данных клиентов или даже сотрудников крупных компаний. Нарушение закона здесь лишь часть проблемы, тогда как упоминание в новостных лентах в негативном ключе распространяет недоверие к продуктам компании и бренду в целом. Защита конфиденциальности данных необходима для поддержания доверия со стороны клиентов и заинтересованных сторон.

Чтобы управлять этим риском, нужно:

  • внедрять надежные меры защиты данных, включая шифрование, контроль доступа и регулярные проверки безопасности;
  • соблюдать правила конфиденциальности для защиты пользовательских данных;
  • обучать сотрудников: рассказывать им о фишинге, социальной инженерии и методах обеспечения безопасности;
  • иметь план реагирования на инциденты: составить четко определенный план действий по устранению инцидентов безопасности.

2. Неуправляемый рост затрат на инфраструктуру и развитие инструментов работы с большими данными.

Большие данные требуют значительных инвестиций в инфраструктуру, хранение, обработку и аналитику. Компании должны тщательно планировать затраты, связанные со сбором, хранением, анализом и формированием отчетности на основе больших данных. Составление бюджета на эти расходы имеет решающее значение для предотвращения непредвиденных финансовых трудностей и возможного банкротства бизнеса.

Управление этим риском может включать: 

  • разработку комплексной стратегии управления затратами;
  • использование облачных решений для оптимизации затрат, включая OpenStack, оптимизацию количества лицензий и контроль их фактического использования;
  • регулярную оценку окупаемости инвестиций (ROI) продуктов на основе больших данных.

3. Низкое качество данных, не позволяющее их эффективное использование в работе.

Большие данные часто поступают в неструктурированном или полуструктурированном формате. Без надлежащей организации становится сложно извлекать полезную информацию. Неорганизованные данные могут привести к неэффективности, упущенным возможностям и ошибочным решениям. Данные низкого качества снижают точность сделанных на их основе выводов, вводя пользователей в заблуждение.

Решения для управления риском:

  • устанавливать стандарты качества данных и контролировать их соблюдение;
  • использовать инструменты каталогизации и категоризации данных;
  • создавать четкие каналы передачи данных и управления метаданными, проверять качество данных — например, при трансфере данных с одного домена на другой.

4. Дефицит мощностей хранения данных.

Хранение больших объемов данных требует значительных ресурсов. Компании должны решить, как долго хранить данные, соблюдая баланс между требованиями и затратами на хранение. Хранение ненужных данных может привести к беспорядку и уязвимостям в системе безопасности.

Чтобы управлять риском, надо:

  • определить политики хранения данных на основе нормативно-правовых документов и потребностей бизнеса;
  • архивировать или удалять данные, которые больше не служат цели;
  • оптимизировать инфраструктуру хранения для повышения эффективности.

5. Использование некорректных алгоритмов работы с большими данными.

Неправильная интерпретация больших данных или неправильное обращение с ними могут привести к ошибочным выводам. Некомпетентный анализ может быть результатом недостаточных навыков, предвзятых предположений или ошибочных алгоритмов.

Решение, позволяющее управлять риском:

  • инвестировать в обучение сотрудников по работе с данными;
  • поощрять междисциплинарное сотрудничество между специалистами по обработке данных, экспертами в предметной области и бизнес-аналитиками;
  • тщательно проверять аналитические модели на предмет ошибок, через определенное время возвращаясь к повторному анализу результатов.

6. Сбои в работе продуктов при масштабировании.

Успешное развертывание решений для работы с большими данными сопряжено с рисками масштабирования, интеграции и производительности. Компании должны обеспечить плавный переход от среды разработки к производственной среде.

Управлять риском можно:

  • через тщательное тестирование перед развертыванием;
  • контроль производительности и масштабируемости системы;
  • тесную работу с ИТ-подразделениями для устранения узких мест при развертывании.

Заключение

Конечно, есть и другие риски, связанные с работой с большими данными, которые также необходимо учитывать. Например, этические дилеммы, возникающие, когда алгоритмы учатся на исторических данных и наследуют любые предубеждения, присутствующие в этих данных. Это может привести к дискриминационным результатам в системах найма, кредитования и уголовного правосудия.

Например, инструмент найма на базе искусственного интеллекта может отдавать предпочтение кандидатам-мужчинам из-за исторического гендерного дисбаланса в определенных профессиях.

Слепое доверие алгоритмам без контроля со стороны человека может привести к печальным результатам и в здравоохранении, и в финансовой сфере, и в уголовном правосудии. Решениям, основанным исключительно на алгоритмических предсказаниях, может не хватать контекста и эмпатии.

В итоге большие данные — это палка о двух концах. Хотя данные дают компаниям беспрецедентную информацию, они также сопряжены со значительными рисками. Организации должны применять целостный подход, сочетающий инновации с ответственностью. Решая эти риски напрямую, компании могут использовать потенциал больших данных, защищая интересы своих заинтересованных сторон. Помните: данные — это мощный бизнес-инструмент, но их этичное и ответственное использование имеет первостепенное значение.

Комментарии0
Тоже интересно
Комментировать
Поделиться
Скопировать ссылку
Telegram
WhatsApp
Vkontakte
Одноклассники