Области применения Big Data

В настоящее время существует огромное множество возможностей применения Big Data в самых разных областях экономики.
Так, например, широко применяется в настоящее время автоматизация управления рисками. Особенно востребована эта возможность в кредитных организациях с целью предварительного отбора (по скоринговым методологиям) потенциальных клиентов, обладающих достаточной кредитоспособностью, и представляющих интерес для банков, как целевая аудитория. С помощью данной технологии кредитные организации могут максимально точно определить уровень подходящей кредитной ставки и суммы кредита.
Управление данными о клиенте представляет собой еще одну важную область применения технологий Big Data. Информация о целевой аудитории может быть найдена в социальных сетях, мессенджерах и тому подобных современных источниках информации. Этот огромный поток неструктурированной информации может быть обработан лишь с помощью технологий Big Data, что незаменимо для компаний сектора B2C.
Технология Big Data широко используется в аналитическом прогнозировании при ведении маркетинговых исследований и кампаний. Алгоритмы machine learning и методы анализа предпочтений клиентов позволяют персонализировать подход к клиенту, изменять набор услуг и предложений компании потребителям в соответствии с их потребностями и предпочтениями на основании анализа данных, полученных из соцсетей и областей активности потребителей в сети Интернет. Аналитики, работающие с технологией, создают прогностические модели, изучающие поведение покупателей, и прогнозирующие их потребительское поведение в интересующих компании случаях.
Еще одним направлением использования Big Data является так называемая алгоритмическая торговля, представляющая собой объединение оперативной аналитики (в реальном времени) и аналитики прогнозирования

. Алгоритмическая торговля используется в основном на фондовых рынках, рынках ценных бумаг, прогнозируя тренды подъема и падения определенных акций на основании Big Data. Фактически алгоритмическая торговля представляет собой определенный синтез фундаментального и технического анализа, соединяя в себе преимущества обоих этих видов аналитики и прогнозирования. В связи с тем, что Big Data позволяет обработку огромных массивов данных за приемлемое время, основные недостатки фундаментального анализа – сложность и длительность – могут быть нивелированы, а огромный объем исследуемой информации позволяет применить приемы технического анализа, обладающего преимуществом скорости, но не исследующего такой объем данных, как при фундаментальном анализе, для целей более точного и корректного прогноза коротких трендов и тенденций на фондовом рынке.
Еще в середине 90-х была выработана концепция использования ресурсов кредитно-финансового сектора, описывающая общие процессы и подходы в практике финансовых и нефинансовых компаний. Теоретические положения, обосновывающие научную значимость данного стандарта позволили связать воедино бизнес-процессы и бизнес-цели компании в рамках существующих ресурсов.
Концептуально новым элементом данного стандарта стали информационные данные, определяющие необходимость использования больших данных и их последующую обработку на цикличной основе (рис. 1.4).
89154013335Рисунок 1.4 – Концептуальное видение стандарта на основе взаимосвязи бизнес-процессов и бизнес-целей компаний в рамках существующих ресурсов
Позднее концепция стандарта на основе взаимосвязи бизнесе-процессов и бизнес-целей компаний кредитно-финансового сектора в рамках существующих ресурсов была преобразована в отдельную методологию CRISP-DM, в основе которой заложено пошаговое руководство по достижению бизнес-целей компании.
При реализации любого проекта эта методология предусматривает последовательную реализацию пяти основных шагов:
- анализ бизнеса компании;
- анализ данных;
- подготовка данных;
- моделирование процесса;
- оценка его результата и практическое внедрение.
Важнейшая особенность данной методологии состоит в изучении бизнеса компании или клиента на предмет соответствия бизнес-целям, что позволяет воспринимать любой проект в качестве «песочницы» для внедрения эксперимента