Вообще понятие сквозного объединения данных уже лет семь активно используется на Западе и означает слияние информации из множества различных источников и их анализ с помощью машинного обучения.

При этом подобные источники информации могут содержать разнородные данные, представляемые различными форматами, структурами и реализуемыми на разнотипных платформах. Основными факторами разнородности данных и их источников являются различные типы данных (логический, целый, вещественный, объектный), различная природа данных (числовые массивы, тексты, медиа данные), различные типы (или модели) баз данных (реляционные, иерархические, объектно-ориентированные, сетевые, многомерные), различные форматы представления данных, различия в степени распределенности систем хранения данных, различной природы данных (например, тексты, изображения, сигналы), различная степень достоверности и точности данных, измеряемых в различных масштабах и единицах измерения, различная степень и форма структурированности данных и т. д.

Сами понимаете, почему главной задачей технологии Data Fusion является объединение данных из разных источников в интересах решения последующих содержательных задач: принятие решений, классификация, определение состояния объектов, оценка ситуации и др.

Для чего же нужна такая сложная работа? Для того, чтобы компании точно понимали своих клиентов. Вот так просто. Вы спросите, а как же принцип know your customer? Его же уже более 20 лет используют глобальные компании, прежде всего, Amazon, тщательно собирая всю возможную информацию о нашем цифровом следе. В чем ключевые отличия технологии Data Fusion?

Для концепции «знай своего клиента» более всего важен сбор данных и способ регулирования этого процесса. Data Fusion же не ограничивается объединением клиентских данных. Это только первый шаг. Вот мы наконец данные собрали в Data Lake – а как мы уже обсудили выше, данные эти совершенно разные, - и начинается главная работа для алгоритмов машинного обучения. Сначала персональные данные преобразуются в обезличенный вид, для того чтобы соблюсти все законы о персональных данных. Преобразованные данные используются для формирования моделей. Затем идет обучение моделей при помощи различных технологий, от криптографии до атипичных граф и сложных алгоритмов нейросетей. На выходе получается фактически новая база данных, обогащенная множеством дополнительных сведений. И ее можно использовать в интересах бизнеса, что делается уже во многих отраслях.

Например, в ритейле. Уже давно известно, что банковские операции, перемещение по торговому залу и геоданные в совокупности позволяют ритейлеру в разы увеличивать точность предсказаний покупательского поведения.

Эти данные могут использоваться для сегментирования аудитории или формирования множества обезличенных поведенческих моделей. К примеру, модели принятия решений, приоритета эмоциональной или рациональной коммуникации, комфортных форматов восприятия рекламы.

При этом хотя, очевидно, как выгодна Data Fusion ритейлеру: конверсия, увеличение среднего чека, более эффективный прогноз следующей наиболее вероятной покупки, - не менее выгодна она покупателю. Системы обработки данных подбирают персонифицированные предложения вплоть до определения размера одежды, комфортной цветовой гаммы, предпочитаемых производителей, ценового сегмента и множества других параметров.

В России концепцию Data Fusion активно продвигает холдинг ВТБ, который создает на своей базе платформу c участием других игроков рынка для слияния и последующей обработки данных.

Сам ВТБ с помощью data fusion разработал технологию Geo-embeddings, которую готов продавать другим компаниям. Geo embeddings позволяет найти оптимальные локации для новых точек продаж. Бизнес обладает своими внутренними данными о трафике и среднем чеке и получает возможность дополнить картину геоданными и сформированными алгоритмами прогнозами о локации с наибольшим количеством платежеспособных клиентов. Таким образом, можно не гадать, где открывать точку продаж.

Кроме ВТБ Data Fusion используют инновационный центр «Сколково», X5 Group, S7, «Магнит», «Яндекс». Вот вам интересный кейс data fusion в маркетинге и в рекламном бизнесе. Причем в Москве. Synaps Labs занимается фото- и видеофиксацией транспорта Москвы для оптимизации наружной рекламы. В зависимости от трафика и других внешних условий цифровые билборды в режиме реального времени меняют свой контент, предлагая оптимальное содержимое. При этом учет трафика позволяет продавать клиенту не рекламную площадь, а количество целевых контактов. Система собирает информацию с видеокамер, распознает модель приближающегося автомобиля и принимает решение в режиме реального времени, показывать ли владельцу этого автомобиля рекламу. Помимо этого, благодаря новым технологиям повышается вовлеченность аудитории и снижается рекламный шум.

Тут действует способность Data Fusion работать одновременно с несколькими моделями. Например, с моделью склонности, которая показывает, какие предложения могут заинтересовать клиента. Дальше - с моделью, определяющей, насколько целесообразен показ объявления тому или иному клиенту, насколько этот клиент подходит под целевую аудиторию. И еще — с моделью, показывающей оптимальные ценовые условия для данного клиента.

Активно применяется Data Fusion и в финансовом секторе. Cashoff, интегрированный в мобильное приложение программы лояльности того же ВТБ, позволяет клиентам получать кэшбек за покупки, а сервис Tezis.io помогает обработать данные, влияющие на стоимость акций, анализирует поведение инвесторов и состояние фондового рынка, далее на основе этого дает рекомендации по инвестициям.

Еще один пример из финансов – от «Мультикарты». Она реализует несколько проектов для преобразования бизнес-модели сервиса эквайрингового оборудования. Решение ряда задач требует использования подходов по слиянию данных из различных источников: датчиков работы оборудования, транзакционных данных, информации об остатках денежных средств и др.

Распространено использование Data Fusion в банках. Data Fusion позволяет сделать клиенту банка предложение, которое заинтересует его в данный момент времени. Банковские данные дают представление об образе жизни клиентов, уровне дохода, о его финансовых интересах, и в совокупности с цифровым следом это позволяет подобрать пользователю наиболее релевантное предложение.

В российском телекоме об опыте использования Data Fusion рассказывали недавно Tele2. Технология используется для получения информации о перемещениях граждан, что позволяет контролировать потоки пассажиров на объектах транспортной инфраструктуры – то есть в аэропортах, авиакомпаниях, вокзалах, маршрутах, дорогах, - и прогнозировать и регулировать трафик по направлениям, географии маршрутов и типам транспорта. Продукты геоаналитики направлены на повышение доступности транспорта для населения, увеличению эффективности предприятий и развитию отрасли в целом. В основу разработки таких продуктов легли инновационные методы моделирования маршрутов и треков перемещения абонентов мобильной сети, разработанные в Tele2.

Несмотря на эффективность использования концепции Data Fusion, встает вопрос о конфиденциальности данных. Однако сегодня существуют технологии, позволяющие получать знания и сохранять приватность пользователей. В этих процессах используются обезличенные данные, так как для модели не имеет значение, кто именно из клиентов заинтересуется рекламным предложением. Модель анализирует триггеры цифрового следа пользователей и прогнозирует результат на основании этих триггеров. Иными словами, благодаря Data Fusion можно очень детально описать профиль человека, однако, его персональные данные останутся неизвестными.

Главные преимущества Data Fusion — объединение данных, которое позволяет сегментировать аудиторию в обезличенные поведенческие группы и выстраивать персонифицированную коммуникацию. А также работа с новыми, менее доступными сегментами аудитории и более сложными продуктами. Использование данных из различных источников и построение моделей на этих данных открывает большие возможности для бизнеса и расширяет потенциальную аудиторию. И это применимо в любой организации, для которой важно знать о клиенте всё.

Источник: TAdviser