ਡੇਟਾ ਦੀ ਤਰ੍ਹਾਂ ਸਵੀਕਾਰ ਕਰੋ: ਕਾਰੋਬਾਰ ਕਿਵੇਂ ਵੱਡੇ ਡੇਟਾ ਤੋਂ ਲਾਭ ਲੈਣਾ ਸਿੱਖਦੇ ਹਨ

ਵੱਡੇ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਕੰਪਨੀਆਂ ਆਪਣੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੇ ਹੋਏ, ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਬੇਪਰਦ ਕਰਨਾ ਸਿੱਖਦੀਆਂ ਹਨ। ਦਿਸ਼ਾ ਫੈਸ਼ਨੇਬਲ ਹੈ, ਪਰ ਹਰ ਕੋਈ ਉਨ੍ਹਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਸੱਭਿਆਚਾਰ ਦੀ ਘਾਟ ਕਾਰਨ ਵੱਡੇ ਡੇਟਾ ਤੋਂ ਲਾਭ ਨਹੀਂ ਲੈ ਸਕਦਾ

“ਕਿਸੇ ਵਿਅਕਤੀ ਦਾ ਨਾਮ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਆਮ ਹੁੰਦਾ ਹੈ, ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਸਮੇਂ 'ਤੇ ਭੁਗਤਾਨ ਕਰਦੇ ਹਨ। ਤੁਹਾਡੇ ਘਰ ਵਿੱਚ ਜਿੰਨੀਆਂ ਜ਼ਿਆਦਾ ਮੰਜ਼ਿਲਾਂ ਹਨ, ਅੰਕੜਿਆਂ ਦੇ ਤੌਰ 'ਤੇ ਤੁਸੀਂ ਉੱਨੇ ਹੀ ਬਿਹਤਰ ਕਰਜ਼ਦਾਰ ਹੋ। ਰਾਸ਼ੀ ਦੇ ਚਿੰਨ੍ਹ ਦਾ ਰਿਫੰਡ ਦੀ ਸੰਭਾਵਨਾ 'ਤੇ ਲਗਭਗ ਕੋਈ ਪ੍ਰਭਾਵ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਮਨੋਵਿਗਿਆਨ ਮਹੱਤਵਪੂਰਨ ਤੌਰ' ਤੇ ਕਰਦਾ ਹੈ, ”ਹੋਮ ਕ੍ਰੈਡਿਟ ਬੈਂਕ ਦੇ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ, ਸਟੈਨਿਸਲਾਵ ਡੂਜਿੰਸਕੀ, ਉਧਾਰ ਲੈਣ ਵਾਲਿਆਂ ਦੇ ਵਿਵਹਾਰ ਵਿੱਚ ਅਚਾਨਕ ਪੈਟਰਨਾਂ ਬਾਰੇ ਕਹਿੰਦਾ ਹੈ। ਉਹ ਇਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਪੈਟਰਨਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦਾ ਕੰਮ ਨਹੀਂ ਕਰਦਾ - ਉਹ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਪ੍ਰਗਟ ਕੀਤੇ ਗਏ ਸਨ, ਜਿਸ ਨੇ ਹਜ਼ਾਰਾਂ ਗਾਹਕ ਪ੍ਰੋਫਾਈਲਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਸੀ।

ਇਹ ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸ਼ਕਤੀ ਹੈ: ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ ਦੀ ਇੱਕ ਵੱਡੀ ਮਾਤਰਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਪ੍ਰੋਗਰਾਮ ਬਹੁਤ ਸਾਰੇ ਸਬੰਧਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਸਭ ਤੋਂ ਬੁੱਧੀਮਾਨ ਮਨੁੱਖੀ ਵਿਸ਼ਲੇਸ਼ਕ ਨੂੰ ਵੀ ਪਤਾ ਨਹੀਂ ਹੁੰਦਾ। ਕਿਸੇ ਵੀ ਕੰਪਨੀ ਕੋਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਾਤਰਾ ਵਿੱਚ ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ (ਵੱਡਾ ਡੇਟਾ) ਹੁੰਦਾ ਹੈ - ਕਰਮਚਾਰੀਆਂ, ਗਾਹਕਾਂ, ਭਾਈਵਾਲਾਂ, ਪ੍ਰਤੀਯੋਗੀਆਂ ਬਾਰੇ, ਜਿਸਦੀ ਵਰਤੋਂ ਵਪਾਰਕ ਲਾਭ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ: ਤਰੱਕੀਆਂ ਦੇ ਪ੍ਰਭਾਵ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ, ਵਿਕਰੀ ਵਿੱਚ ਵਾਧਾ ਪ੍ਰਾਪਤ ਕਰੋ, ਸਟਾਫ ਟਰਨਓਵਰ ਘਟਾਓ, ਆਦਿ।

ਵੱਡੇ ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਵੱਡੀਆਂ ਤਕਨਾਲੋਜੀ ਅਤੇ ਦੂਰਸੰਚਾਰ ਕੰਪਨੀਆਂ, ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਅਤੇ ਪ੍ਰਚੂਨ ਸਨ, ਡੀਲੋਇਟ ਟੈਕਨਾਲੋਜੀ ਏਕੀਕਰਣ ਸਮੂਹ, ਸੀਆਈਐਸ ਦੇ ਡਾਇਰੈਕਟਰ ਰਾਫੇਲ ਮਿਫਤਾਖੋਵ ਨੇ ਟਿੱਪਣੀ ਕੀਤੀ। ਹੁਣ ਬਹੁਤ ਸਾਰੇ ਉਦਯੋਗਾਂ ਵਿੱਚ ਅਜਿਹੇ ਹੱਲਾਂ ਵਿੱਚ ਦਿਲਚਸਪੀ ਹੈ. ਕੰਪਨੀਆਂ ਨੇ ਕੀ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ? ਅਤੇ ਕੀ ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਹਮੇਸ਼ਾ ਕੀਮਤੀ ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ?

ਬੈਂਕ ਮੁੱਖ ਤੌਰ 'ਤੇ ਗਾਹਕ ਅਨੁਭਵ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਅਤੇ ਲਾਗਤਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੇ ਨਾਲ-ਨਾਲ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਅਤੇ ਧੋਖਾਧੜੀ ਦਾ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ ਵੱਡੇ ਡੇਟਾ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। "ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਅਸਲ ਕ੍ਰਾਂਤੀ ਆਈ ਹੈ," ਡੂਜਿੰਸਕੀ ਕਹਿੰਦਾ ਹੈ। "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਸਾਨੂੰ ਲੋਨ ਡਿਫਾਲਟ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਹੀ ਢੰਗ ਨਾਲ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ - ਸਾਡੇ ਬੈਂਕ ਵਿੱਚ ਅਪਰਾਧ ਸਿਰਫ 3,9% ਹੈ।" ਤੁਲਨਾ ਲਈ, 1 ਜਨਵਰੀ, 2019 ਤੱਕ, ਕੇਂਦਰੀ ਬੈਂਕ ਦੇ ਅਨੁਸਾਰ, ਵਿਅਕਤੀਆਂ ਨੂੰ ਜਾਰੀ ਕੀਤੇ ਗਏ ਕਰਜ਼ਿਆਂ 'ਤੇ 90 ਦਿਨਾਂ ਤੋਂ ਵੱਧ ਬਕਾਇਆ ਭੁਗਤਾਨ ਵਾਲੇ ਕਰਜ਼ਿਆਂ ਦਾ ਹਿੱਸਾ, 5% ਸੀ।

ਇੱਥੋਂ ਤੱਕ ਕਿ ਮਾਈਕ੍ਰੋਫਾਈਨੈਂਸ ਸੰਸਥਾਵਾਂ ਵੀ ਵੱਡੇ ਡੇਟਾ ਦੇ ਅਧਿਐਨ ਤੋਂ ਹੈਰਾਨ ਹਨ। ਔਨਲਾਈਨ ਉਧਾਰ ਪਲੇਟਫਾਰਮ Webbankir ਦੇ CEO, ਐਂਡਰੀ ਪੋਨੋਮਾਰੇਵ ਨੇ ਕਿਹਾ, "ਅੱਜ ਵੱਡੇ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਬਿਨਾਂ ਵਿੱਤੀ ਸੇਵਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਨਾ ਬਿਨਾਂ ਨੰਬਰਾਂ ਦੇ ਗਣਿਤ ਕਰਨ ਵਰਗਾ ਹੈ।" "ਅਸੀਂ ਗਾਹਕ ਜਾਂ ਉਸ ਦੇ ਪਾਸਪੋਰਟ ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਔਨਲਾਈਨ ਪੈਸੇ ਜਾਰੀ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਰਵਾਇਤੀ ਉਧਾਰ ਦੇਣ ਦੇ ਉਲਟ, ਸਾਨੂੰ ਨਾ ਸਿਰਫ਼ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਸੰਜਮਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਸਗੋਂ ਉਸਦੀ ਸ਼ਖਸੀਅਤ ਦੀ ਪਛਾਣ ਵੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।"

ਹੁਣ ਕੰਪਨੀ ਦਾ ਡੇਟਾਬੇਸ 500 ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਗਾਹਕਾਂ ਦੀ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਦਾ ਹੈ। ਹਰ ਨਵੀਂ ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਲਗਭਗ 800 ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਇਸ ਡੇਟਾ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪ੍ਰੋਗਰਾਮ ਨਾ ਸਿਰਫ਼ ਲਿੰਗ, ਉਮਰ, ਵਿਆਹੁਤਾ ਸਥਿਤੀ ਅਤੇ ਕ੍ਰੈਡਿਟ ਹਿਸਟਰੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ, ਸਗੋਂ ਇਹ ਵੀ ਕਿ ਉਹ ਡਿਵਾਈਸ ਜਿਸ ਤੋਂ ਇੱਕ ਵਿਅਕਤੀ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਦਾਖਲ ਹੋਇਆ ਸੀ, ਉਸ ਨੇ ਸਾਈਟ 'ਤੇ ਕਿਵੇਂ ਵਿਵਹਾਰ ਕੀਤਾ ਸੀ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਚਿੰਤਾਜਨਕ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਸੰਭਾਵੀ ਉਧਾਰ ਲੈਣ ਵਾਲੇ ਨੇ ਲੋਨ ਕੈਲਕੁਲੇਟਰ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਜਾਂ ਕਰਜ਼ੇ ਦੀਆਂ ਸ਼ਰਤਾਂ ਬਾਰੇ ਪੁੱਛਗਿੱਛ ਨਹੀਂ ਕੀਤੀ। "ਕੁਝ ਸਟਾਪ ਕਾਰਕਾਂ ਦੇ ਅਪਵਾਦ ਦੇ ਨਾਲ - ਕਹੋ, ਅਸੀਂ 19 ਸਾਲ ਤੋਂ ਘੱਟ ਉਮਰ ਦੇ ਵਿਅਕਤੀਆਂ ਨੂੰ ਲੋਨ ਜਾਰੀ ਨਹੀਂ ਕਰਦੇ - ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਮਾਪਦੰਡ ਆਪਣੇ ਆਪ ਵਿੱਚ ਕਰਜ਼ਾ ਜਾਰੀ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕਰਨ ਜਾਂ ਸਹਿਮਤ ਹੋਣ ਦਾ ਕਾਰਨ ਨਹੀਂ ਹੈ," ਪੋਨੋਮਾਰੇਵ ਦੱਸਦਾ ਹੈ। ਇਹ ਕਾਰਕਾਂ ਦਾ ਸੁਮੇਲ ਹੈ ਜੋ ਮਹੱਤਵਪੂਰਨ ਹੈ। 95% ਮਾਮਲਿਆਂ ਵਿੱਚ, ਅੰਡਰਰਾਈਟਿੰਗ ਵਿਭਾਗ ਦੇ ਮਾਹਿਰਾਂ ਦੀ ਸ਼ਮੂਲੀਅਤ ਤੋਂ ਬਿਨਾਂ, ਫੈਸਲਾ ਆਪਣੇ ਆਪ ਹੀ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਵੱਡੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਨੂੰ ਦਿਲਚਸਪ ਪੈਟਰਨ, Ponomarev ਸ਼ੇਅਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਹਾਇਕ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਆਈਫੋਨ ਉਪਭੋਗਤਾ ਐਂਡਰੌਇਡ ਡਿਵਾਈਸਾਂ ਦੇ ਮਾਲਕਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਅਨੁਸ਼ਾਸਿਤ ਉਧਾਰ ਲੈਣ ਵਾਲੇ ਨਿਕਲੇ - ਸਾਬਕਾ 1,7 ਗੁਣਾ ਜ਼ਿਆਦਾ ਵਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਪ੍ਰਵਾਨਗੀ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਪੋਨੋਮਾਰੇਵ ਕਹਿੰਦਾ ਹੈ, "ਇਹ ਤੱਥ ਕਿ ਫੌਜੀ ਕਰਮਚਾਰੀ ਔਸਤ ਉਧਾਰ ਲੈਣ ਵਾਲੇ ਨਾਲੋਂ ਲਗਭਗ ਇੱਕ ਚੌਥਾਈ ਵਾਰ ਕਰਜ਼ਿਆਂ ਦੀ ਅਦਾਇਗੀ ਨਹੀਂ ਕਰਦੇ ਹਨ, ਕੋਈ ਹੈਰਾਨੀ ਵਾਲੀ ਗੱਲ ਨਹੀਂ ਸੀ।" "ਪਰ ਵਿਦਿਆਰਥੀਆਂ ਤੋਂ ਆਮ ਤੌਰ 'ਤੇ ਜ਼ੁੰਮੇਵਾਰ ਹੋਣ ਦੀ ਉਮੀਦ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ, ਪਰ ਇਸ ਦੌਰਾਨ, ਕ੍ਰੈਡਿਟ ਡਿਫਾਲਟ ਦੇ ਮਾਮਲੇ ਬੇਸ ਲਈ ਔਸਤ ਨਾਲੋਂ 10% ਘੱਟ ਹੁੰਦੇ ਹਨ."

ਵੱਡੇ ਡੇਟਾ ਦਾ ਅਧਿਐਨ ਬੀਮਾਕਰਤਾਵਾਂ ਲਈ ਵੀ ਸਕੋਰਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। 2016 ਵਿੱਚ ਸਥਾਪਿਤ, IDX ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਰਿਮੋਟ ਪਛਾਣ ਅਤੇ ਔਨਲਾਈਨ ਤਸਦੀਕ ਵਿੱਚ ਰੁੱਝਿਆ ਹੋਇਆ ਹੈ। ਇਹ ਸੇਵਾਵਾਂ ਮਾਲ ਭਾੜੇ ਦੇ ਬੀਮਾਕਰਤਾਵਾਂ ਵਿੱਚ ਮੰਗ ਵਿੱਚ ਹਨ ਜੋ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਮਾਲ ਦੇ ਨੁਕਸਾਨ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ। ਮਾਲ ਦੀ ਢੋਆ-ਢੁਆਈ ਦਾ ਬੀਮਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਬੀਮਾਕਰਤਾ, ਡਰਾਈਵਰ ਦੀ ਸਹਿਮਤੀ ਨਾਲ, ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, IDX ਦੇ ਵਪਾਰਕ ਨਿਰਦੇਸ਼ਕ, ਜੈਨ ਸਲੋਕਾ ਦੱਸਦੇ ਹਨ। ਇੱਕ ਸਹਿਭਾਗੀ ਦੇ ਨਾਲ - ਸੇਂਟ ਪੀਟਰਸਬਰਗ ਕੰਪਨੀ "ਜੋਖਮ ਨਿਯੰਤਰਣ" - IDX ਨੇ ਇੱਕ ਸੇਵਾ ਵਿਕਸਤ ਕੀਤੀ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਡਰਾਈਵਰ ਦੀ ਪਛਾਣ, ਪਾਸਪੋਰਟ ਡੇਟਾ ਅਤੇ ਅਧਿਕਾਰਾਂ, ਮਾਲ ਦੇ ਨੁਕਸਾਨ ਨਾਲ ਸਬੰਧਤ ਘਟਨਾਵਾਂ ਵਿੱਚ ਭਾਗੀਦਾਰੀ ਆਦਿ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ ਡਰਾਈਵਰਾਂ ਦੇ ਡੇਟਾਬੇਸ ਵਿੱਚ, ਕੰਪਨੀ ਨੇ ਇੱਕ "ਜੋਖਮ ਸਮੂਹ" ਦੀ ਪਛਾਣ ਕੀਤੀ: ਅਕਸਰ, 30-40 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਡਰਾਈਵਰਾਂ ਵਿੱਚ ਇੱਕ ਲੰਬੇ ਡ੍ਰਾਈਵਿੰਗ ਅਨੁਭਵ ਦੇ ਨਾਲ ਕਾਰਗੋ ਗੁਆਚ ਜਾਂਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਅਕਸਰ ਨੌਕਰੀਆਂ ਬਦਲੀਆਂ ਹਨ। ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਕਾਰਗੋ ਅਕਸਰ ਕਾਰਾਂ ਦੇ ਡਰਾਈਵਰਾਂ ਦੁਆਰਾ ਚੋਰੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਦੀ ਸੇਵਾ ਜੀਵਨ ਅੱਠ ਸਾਲਾਂ ਤੋਂ ਵੱਧ ਹੈ.

ਰਿਟੇਲਰਾਂ ਦਾ ਇੱਕ ਵੱਖਰਾ ਕੰਮ ਹੁੰਦਾ ਹੈ - ਉਹਨਾਂ ਗਾਹਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਜੋ ਖਰੀਦਦਾਰੀ ਕਰਨ ਲਈ ਤਿਆਰ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਾਈਟ ਜਾਂ ਸਟੋਰ 'ਤੇ ਲਿਆਉਣ ਦੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਿਆਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ। ਇਸ ਲਈ, ਪ੍ਰੋਗਰਾਮ ਗਾਹਕਾਂ ਦੇ ਪ੍ਰੋਫਾਈਲ, ਉਹਨਾਂ ਦੇ ਨਿੱਜੀ ਖਾਤੇ ਤੋਂ ਡੇਟਾ, ਖਰੀਦਦਾਰੀ ਦੇ ਇਤਿਹਾਸ, ਖੋਜ ਪ੍ਰਸ਼ਨਾਂ ਅਤੇ ਬੋਨਸ ਪੁਆਇੰਟਾਂ ਦੀ ਵਰਤੋਂ, ਇਲੈਕਟ੍ਰਾਨਿਕ ਟੋਕਰੀਆਂ ਦੀ ਸਮੱਗਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਨੇ ਭਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ ਅਤੇ ਛੱਡ ਦਿੱਤਾ। M.Video-Eldorado ਗਰੁੱਪ ਦੇ ਡਾਟਾ ਦਫਤਰ ਦੇ ਡਾਇਰੈਕਟਰ ਕਿਰਿਲ ਇਵਾਨੋਵ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਤੁਹਾਨੂੰ ਪੂਰੇ ਡੇਟਾਬੇਸ ਨੂੰ ਵੰਡਣ ਅਤੇ ਸੰਭਾਵੀ ਖਰੀਦਦਾਰਾਂ ਦੇ ਸਮੂਹਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜੋ ਕਿਸੇ ਖਾਸ ਪੇਸ਼ਕਸ਼ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ।

ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰੋਗਰਾਮ ਗਾਹਕਾਂ ਦੇ ਸਮੂਹਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਵੱਖ-ਵੱਖ ਮਾਰਕੀਟਿੰਗ ਟੂਲ ਪਸੰਦ ਹਨ - ਇੱਕ ਵਿਆਜ-ਮੁਕਤ ਕਰਜ਼ਾ, ਕੈਸ਼ਬੈਕ, ਜਾਂ ਇੱਕ ਛੂਟ ਪ੍ਰੋਮੋ ਕੋਡ। ਇਹ ਖਰੀਦਦਾਰ ਸੰਬੰਧਿਤ ਤਰੱਕੀ ਦੇ ਨਾਲ ਇੱਕ ਈਮੇਲ ਨਿਊਜ਼ਲੈਟਰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਇੱਕ ਵਿਅਕਤੀ, ਪੱਤਰ ਨੂੰ ਖੋਲ੍ਹਣ ਤੋਂ ਬਾਅਦ, ਕੰਪਨੀ ਦੀ ਵੈਬਸਾਈਟ 'ਤੇ ਜਾਵੇਗਾ, ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਇਵਾਨੋਵ ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵਧਦਾ ਹੈ.

ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਤੁਹਾਨੂੰ ਸੰਬੰਧਿਤ ਉਤਪਾਦਾਂ ਅਤੇ ਸਹਾਇਕ ਉਪਕਰਣਾਂ ਦੀ ਵਿਕਰੀ ਵਧਾਉਣ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਸਿਸਟਮ, ਜਿਸ ਨੇ ਦੂਜੇ ਗਾਹਕਾਂ ਦੇ ਆਰਡਰ ਇਤਿਹਾਸ 'ਤੇ ਕਾਰਵਾਈ ਕੀਤੀ ਹੈ, ਖਰੀਦਦਾਰ ਨੂੰ ਚੁਣੇ ਹੋਏ ਉਤਪਾਦ ਦੇ ਨਾਲ ਕੀ ਖਰੀਦਣਾ ਹੈ ਬਾਰੇ ਸਿਫਾਰਸ਼ਾਂ ਦਿੰਦਾ ਹੈ। ਇਵਾਨੋਵ ਦੇ ਅਨੁਸਾਰ, ਕੰਮ ਦੀ ਇਸ ਵਿਧੀ ਦੀ ਜਾਂਚ ਨੇ ਐਕਸੈਸਰੀਜ਼ ਦੇ ਨਾਲ ਆਰਡਰਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ 12% ਅਤੇ ਸਹਾਇਕ ਉਪਕਰਣਾਂ ਦੇ ਟਰਨਓਵਰ ਵਿੱਚ 15% ਦਾ ਵਾਧਾ ਦਿਖਾਇਆ ਹੈ।

ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਅਤੇ ਵਿਕਰੀ ਵਧਾਉਣ ਲਈ ਸਿਰਫ ਰਿਟੇਲਰ ਹੀ ਨਹੀਂ ਹਨ। ਪਿਛਲੀਆਂ ਗਰਮੀਆਂ ਵਿੱਚ, MegaFon ਨੇ ਲੱਖਾਂ ਗਾਹਕਾਂ ਦੇ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ "ਸਮਾਰਟ" ਪੇਸ਼ਕਸ਼ ਸੇਵਾ ਸ਼ੁਰੂ ਕੀਤੀ। ਉਹਨਾਂ ਦੇ ਵਿਵਹਾਰ ਦਾ ਅਧਿਐਨ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਨਕਲੀ ਬੁੱਧੀ ਨੇ ਟੈਰਿਫ ਦੇ ਅੰਦਰ ਹਰੇਕ ਗਾਹਕ ਲਈ ਨਿੱਜੀ ਪੇਸ਼ਕਸ਼ਾਂ ਬਣਾਉਣਾ ਸਿੱਖ ਲਿਆ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇ ਪ੍ਰੋਗਰਾਮ ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਕੋਈ ਵਿਅਕਤੀ ਆਪਣੀ ਡਿਵਾਈਸ 'ਤੇ ਸਰਗਰਮੀ ਨਾਲ ਵੀਡੀਓ ਦੇਖ ਰਿਹਾ ਹੈ, ਤਾਂ ਸੇਵਾ ਉਸਨੂੰ ਮੋਬਾਈਲ ਟ੍ਰੈਫਿਕ ਦੀ ਮਾਤਰਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਪੇਸ਼ ਕਰੇਗੀ। ਉਪਭੋਗਤਾਵਾਂ ਦੀਆਂ ਤਰਜੀਹਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਕੰਪਨੀ ਗਾਹਕਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਮਨਪਸੰਦ ਕਿਸਮ ਦੇ ਇੰਟਰਨੈਟ ਮਨੋਰੰਜਨ ਲਈ ਅਸੀਮਤ ਟ੍ਰੈਫਿਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ - ਉਦਾਹਰਨ ਲਈ, ਤਤਕਾਲ ਮੈਸੇਂਜਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਾਂ ਸਟ੍ਰੀਮਿੰਗ ਸੇਵਾਵਾਂ 'ਤੇ ਸੰਗੀਤ ਸੁਣਨਾ, ਸੋਸ਼ਲ ਨੈਟਵਰਕਸ 'ਤੇ ਚੈਟਿੰਗ ਕਰਨਾ ਜਾਂ ਟੀਵੀ ਸ਼ੋਅ ਦੇਖਣਾ।

"ਅਸੀਂ ਗਾਹਕਾਂ ਦੇ ਵਿਵਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਸਮਝਦੇ ਹਾਂ ਕਿ ਉਹਨਾਂ ਦੀਆਂ ਦਿਲਚਸਪੀਆਂ ਕਿਵੇਂ ਬਦਲ ਰਹੀਆਂ ਹਨ," ਵਿਟਾਲੀ ਸ਼ਚਰਬਾਕੋਵ, ਮੇਗਾਫੋਨ 'ਤੇ ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਿਰਦੇਸ਼ਕ ਦੱਸਦੇ ਹਨ। "ਉਦਾਹਰਣ ਵਜੋਂ, ਇਸ ਸਾਲ, AliExpress ਟ੍ਰੈਫਿਕ ਵਿੱਚ ਪਿਛਲੇ ਸਾਲ ਦੇ ਮੁਕਾਬਲੇ 1,5 ਗੁਣਾ ਵਾਧਾ ਹੋਇਆ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ, ਔਨਲਾਈਨ ਕਪੜਿਆਂ ਦੇ ਸਟੋਰਾਂ ਦੇ ਦੌਰੇ ਦੀ ਗਿਣਤੀ ਵਧ ਰਹੀ ਹੈ: 1,2-2 ਗੁਣਾ, ਖਾਸ ਸਰੋਤ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।"

ਵੱਡੇ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਓਪਰੇਟਰ ਦੇ ਕੰਮ ਦੀ ਇੱਕ ਹੋਰ ਉਦਾਹਰਣ ਗੁੰਮ ਹੋਏ ਬੱਚਿਆਂ ਅਤੇ ਬਾਲਗਾਂ ਦੀ ਖੋਜ ਲਈ MegaFon Poisk ਪਲੇਟਫਾਰਮ ਹੈ। ਸਿਸਟਮ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਲੋਕ ਲਾਪਤਾ ਵਿਅਕਤੀ ਦੇ ਸਥਾਨ ਦੇ ਨੇੜੇ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲਾਪਤਾ ਵਿਅਕਤੀ ਦੀ ਫੋਟੋ ਅਤੇ ਚਿੰਨ੍ਹ ਦੇ ਨਾਲ ਜਾਣਕਾਰੀ ਭੇਜਦਾ ਹੈ। ਆਪਰੇਟਰ ਨੇ ਅੰਦਰੂਨੀ ਮਾਮਲਿਆਂ ਦੇ ਮੰਤਰਾਲੇ ਅਤੇ ਲੀਜ਼ਾ ਅਲਰਟ ਸੰਸਥਾ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਸਿਸਟਮ ਨੂੰ ਵਿਕਸਤ ਅਤੇ ਟੈਸਟ ਕੀਤਾ: ਲਾਪਤਾ ਵਿਅਕਤੀ ਦੀ ਸਥਿਤੀ ਦੇ ਦੋ ਮਿੰਟਾਂ ਦੇ ਅੰਦਰ, 2 ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਗਾਹਕ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਜੋ ਇੱਕ ਸਫਲ ਖੋਜ ਨਤੀਜੇ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵਧਾਉਂਦਾ ਹੈ।

ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਉਦਯੋਗ ਵਿੱਚ ਐਪਲੀਕੇਸ਼ਨ ਵੀ ਲੱਭੀ ਹੈ. ਇੱਥੇ ਇਹ ਤੁਹਾਨੂੰ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਵਿਕਰੀ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਸ ਲਈ, ਕੰਪਨੀਆਂ ਦੇ ਚੈਰਕਿਜ਼ੋਵੋ ਸਮੂਹ ਵਿੱਚ, ਤਿੰਨ ਸਾਲ ਪਹਿਲਾਂ, SAP BW 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਹੱਲ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਤੁਹਾਨੂੰ ਵਿਕਰੀ ਦੀ ਸਾਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਸਟੋਰ ਕਰਨ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ: ਕੀਮਤਾਂ, ਵਰਗੀਕਰਨ, ਉਤਪਾਦ ਦੀ ਮਾਤਰਾ, ਤਰੱਕੀਆਂ, ਵੰਡ ਚੈਨਲ, ਵਲਾਦਿਸਲਾਵ ਬੇਲਯਾਏਵ, ਸੀ.ਆਈ.ਓ. ਗਰੁੱਪ "ਚੇਰਕੀਜ਼ੋਵੋ. ਇਕੱਤਰ ਕੀਤੀ 2 ਟੀਬੀ ਜਾਣਕਾਰੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਨਾ ਸਿਰਫ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵੰਡ ਨੂੰ ਬਣਾਉਣਾ ਅਤੇ ਉਤਪਾਦ ਪੋਰਟਫੋਲੀਓ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਸੰਭਵ ਬਣਾਇਆ, ਸਗੋਂ ਕਰਮਚਾਰੀਆਂ ਦੇ ਕੰਮ ਦੀ ਸਹੂਲਤ ਵੀ ਦਿੱਤੀ। ਉਦਾਹਰਨ ਲਈ, ਰੋਜ਼ਾਨਾ ਵਿਕਰੀ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਦੇ ਇੱਕ ਦਿਨ ਦੇ ਕੰਮ ਦੀ ਲੋੜ ਹੋਵੇਗੀ - ਹਰੇਕ ਉਤਪਾਦ ਹਿੱਸੇ ਲਈ ਦੋ। ਹੁਣ ਇਹ ਰਿਪੋਰਟ ਰੋਬੋਟ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਸਾਰੇ ਹਿੱਸਿਆਂ 'ਤੇ ਸਿਰਫ 30 ਮਿੰਟ ਖਰਚ ਕੇ.

Umbrella IT ਦੇ CEO ਸਟੈਨਿਸਲਾਵ ਮੇਸ਼ਕੋਵ ਕਹਿੰਦੇ ਹਨ, "ਉਦਯੋਗ ਵਿੱਚ, ਵੱਡੇ ਡੇਟਾ ਚੀਜ਼ਾਂ ਦੇ ਇੰਟਰਨੈਟ ਦੇ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ।" "ਸੰਵੇਦਕ ਦੇ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਅਧਾਰ ਤੇ, ਜਿਸ ਨਾਲ ਉਪਕਰਣ ਲੈਸ ਹਨ, ਇਸਦੇ ਸੰਚਾਲਨ ਵਿੱਚ ਭਟਕਣਾ ਦੀ ਪਛਾਣ ਕਰਨਾ ਅਤੇ ਟੁੱਟਣ ਨੂੰ ਰੋਕਣਾ, ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸੰਭਵ ਹੈ."

ਸੇਵਰਸਟਲ ਵਿੱਚ, ਵੱਡੇ ਡੇਟਾ ਦੀ ਮਦਦ ਨਾਲ, ਉਹ ਗੈਰ-ਮਾਮੂਲੀ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਵੀ ਕਰ ਰਹੇ ਹਨ - ਉਦਾਹਰਨ ਲਈ, ਸੱਟ ਦੀਆਂ ਦਰਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ। 2019 ਵਿੱਚ, ਕੰਪਨੀ ਨੇ ਲੇਬਰ ਸੁਰੱਖਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੇ ਉਪਾਵਾਂ ਲਈ ਲਗਭਗ 1,1 ਬਿਲੀਅਨ RUB ਅਲਾਟ ਕੀਤੇ। ਸੇਵਰਸਟਲ ਸੱਟ ਦੀ ਦਰ ਨੂੰ 2025% ਦੁਆਰਾ 50 ਦੁਆਰਾ ਘਟਾਉਣ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ (2017 ਦੇ ਮੁਕਾਬਲੇ)। "ਜੇ ਇੱਕ ਲਾਈਨ ਮੈਨੇਜਰ - ਫੋਰਮੈਨ, ਸਾਈਟ ਮੈਨੇਜਰ, ਦੁਕਾਨ ਮੈਨੇਜਰ - ਨੇ ਦੇਖਿਆ ਕਿ ਇੱਕ ਕਰਮਚਾਰੀ ਅਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਕੁਝ ਕੰਮ ਕਰਦਾ ਹੈ (ਉਦਯੋਗਿਕ ਸਾਈਟ 'ਤੇ ਪੌੜੀਆਂ ਚੜ੍ਹਨ ਵੇਲੇ ਹੈਂਡਰੇਲ ਨੂੰ ਨਹੀਂ ਫੜਦਾ ਜਾਂ ਸਾਰੇ ਨਿੱਜੀ ਸੁਰੱਖਿਆ ਉਪਕਰਣ ਨਹੀਂ ਪਹਿਨਦਾ), ਤਾਂ ਉਹ ਲਿਖਦਾ ਹੈ। ਕੰਪਨੀ ਦੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਭਾਗ ਦੇ ਮੁਖੀ ਬੋਰਿਸ ਵੋਸਕਰੇਸੇਂਸਕੀ ਕਹਿੰਦੇ ਹਨ, ਉਸ ਲਈ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਨੋਟ - PAB ("ਵਿਹਾਰ ਸੰਬੰਧੀ ਸੁਰੱਖਿਆ ਆਡਿਟ" ਤੋਂ)।

ਡਿਵੀਜ਼ਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਪੀਏਬੀ ਦੀ ਸੰਖਿਆ ਦੇ ਅੰਕੜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਕੰਪਨੀ ਦੇ ਮਾਹਿਰਾਂ ਨੇ ਪਾਇਆ ਕਿ ਸੁਰੱਖਿਆ ਨਿਯਮਾਂ ਦੀ ਅਕਸਰ ਉਹਨਾਂ ਦੁਆਰਾ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਸੀ ਜਿਨ੍ਹਾਂ ਨੇ ਪਹਿਲਾਂ ਹੀ ਕਈ ਟਿੱਪਣੀਆਂ ਕੀਤੀਆਂ ਸਨ, ਅਤੇ ਨਾਲ ਹੀ ਉਹਨਾਂ ਦੁਆਰਾ ਜੋ ਬੀਮਾਰ ਛੁੱਟੀ 'ਤੇ ਸਨ ਜਾਂ ਥੋੜ੍ਹੀ ਦੇਰ ਪਹਿਲਾਂ ਛੁੱਟੀ 'ਤੇ ਸਨ। ਘਟਨਾ. ਛੁੱਟੀਆਂ ਜਾਂ ਬਿਮਾਰ ਛੁੱਟੀ ਤੋਂ ਵਾਪਸ ਆਉਣ ਤੋਂ ਬਾਅਦ ਪਹਿਲੇ ਹਫ਼ਤੇ ਵਿੱਚ ਉਲੰਘਣਾਵਾਂ ਬਾਅਦ ਦੀ ਮਿਆਦ ਦੇ ਮੁਕਾਬਲੇ ਦੋ ਗੁਣਾ ਵੱਧ ਸਨ: 1 ਬਨਾਮ 0,55%। ਪਰ ਰਾਤ ਦੀ ਸ਼ਿਫਟ 'ਤੇ ਕੰਮ ਕਰਨਾ, ਜਿਵੇਂ ਕਿ ਇਹ ਨਿਕਲਿਆ, PABs ਦੇ ਅੰਕੜਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਤ ਨਹੀਂ ਕਰਦਾ.

ਕੰਪਨੀ ਦੇ ਨੁਮਾਇੰਦਿਆਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਵੱਡੇ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਐਲਗੋਰਿਦਮ ਬਣਾਉਣਾ ਕੰਮ ਦਾ ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਹਿੱਸਾ ਨਹੀਂ ਹੈ. ਇਹ ਸਮਝਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ ਕਿ ਇਹਨਾਂ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਹਰੇਕ ਖਾਸ ਕਾਰੋਬਾਰ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਕੰਪਨੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਬਾਹਰੀ ਪ੍ਰਦਾਤਾਵਾਂ ਦੀ ਅਚਿਲਸ ਦੀ ਅੱਡੀ ਝੂਠ ਹੈ, ਜਿਸ ਨੇ, ਇਹ ਲਗਦਾ ਹੈ, ਵੱਡੇ ਡੇਟਾ ਦੇ ਖੇਤਰ ਵਿੱਚ ਮੁਹਾਰਤ ਇਕੱਠੀ ਕੀਤੀ ਹੈ.

"ਮੈਂ ਅਕਸਰ ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੂੰ ਮਿਲਿਆ ਜੋ ਵਧੀਆ ਗਣਿਤ-ਸ਼ਾਸਤਰੀ ਸਨ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਲੋੜੀਂਦੀ ਸਮਝ ਨਹੀਂ ਸੀ," ਸਰਗੇਈ ਕੋਟਿਕ, ਗੁੱਡਸਫੋਰਕਾਸਟ ਦੇ ਵਿਕਾਸ ਦੇ ਨਿਰਦੇਸ਼ਕ ਕਹਿੰਦੇ ਹਨ। ਉਹ ਯਾਦ ਕਰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਦੋ ਸਾਲ ਪਹਿਲਾਂ ਉਸਦੀ ਕੰਪਨੀ ਨੂੰ ਇੱਕ ਸੰਘੀ ਰਿਟੇਲ ਚੇਨ ਲਈ ਇੱਕ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਮੁਕਾਬਲੇ ਵਿੱਚ ਹਿੱਸਾ ਲੈਣ ਦਾ ਮੌਕਾ ਮਿਲਿਆ ਸੀ। ਇੱਕ ਪਾਇਲਟ ਖੇਤਰ ਚੁਣਿਆ ਗਿਆ ਸੀ, ਸਾਰੇ ਸਮਾਨ ਅਤੇ ਸਟੋਰਾਂ ਲਈ ਜਿਸ ਦੇ ਭਾਗੀਦਾਰਾਂ ਨੇ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਸੀ। ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਦੀ ਅਸਲ ਵਿਕਰੀ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਗਈ ਸੀ। ਪਹਿਲਾ ਸਥਾਨ ਰੂਸੀ ਇੰਟਰਨੈਟ ਦਿੱਗਜਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੁਆਰਾ ਲਿਆ ਗਿਆ ਸੀ, ਜੋ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਆਪਣੀ ਮੁਹਾਰਤ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ: ਇਸਦੇ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿੱਚ, ਇਸਨੇ ਅਸਲ ਵਿਕਰੀ ਤੋਂ ਘੱਟ ਤੋਂ ਘੱਟ ਵਿਵਹਾਰ ਦਿਖਾਇਆ.

ਪਰ ਜਦੋਂ ਨੈਟਵਰਕ ਨੇ ਉਸ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦਾ ਵਧੇਰੇ ਵਿਸਥਾਰ ਨਾਲ ਅਧਿਐਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ, ਤਾਂ ਇਹ ਪਤਾ ਚਲਿਆ ਕਿ ਵਪਾਰਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, ਉਹ ਬਿਲਕੁਲ ਅਸਵੀਕਾਰਨਯੋਗ ਹਨ. ਕੰਪਨੀ ਨੇ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ ਜਿਸ ਨੇ ਇੱਕ ਵਿਵਸਥਿਤ ਘੱਟ ਬਿਆਨ ਨਾਲ ਵਿਕਰੀ ਯੋਜਨਾਵਾਂ ਤਿਆਰ ਕੀਤੀਆਂ। ਪ੍ਰੋਗਰਾਮ ਨੇ ਇਹ ਪਤਾ ਲਗਾਇਆ ਕਿ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਕਿਵੇਂ ਘੱਟ ਕਰਨਾ ਹੈ: ਵਿਕਰੀ ਨੂੰ ਘੱਟ ਸਮਝਣਾ ਸੁਰੱਖਿਅਤ ਹੈ, ਕਿਉਂਕਿ ਵੱਧ ਤੋਂ ਵੱਧ ਗਲਤੀ 100% ਹੋ ਸਕਦੀ ਹੈ (ਕੋਈ ਨਕਾਰਾਤਮਕ ਵਿਕਰੀ ਨਹੀਂ ਹੈ), ਪਰ ਵੱਧ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਦਿਸ਼ਾ ਵਿੱਚ, ਇਹ ਮਨਮਾਨੇ ਤੌਰ 'ਤੇ ਵੱਡੀ ਹੋ ਸਕਦੀ ਹੈ, ਕੋਟਿਕ ਸਮਝਾਉਂਦਾ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਕੰਪਨੀ ਨੇ ਇੱਕ ਆਦਰਸ਼ ਗਣਿਤਕ ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ, ਜੋ ਅਸਲ ਸਥਿਤੀਆਂ ਵਿੱਚ ਅੱਧੇ-ਖਾਲੀ ਸਟੋਰਾਂ ਅਤੇ ਅੰਡਰਸੇਲਜ਼ ਤੋਂ ਭਾਰੀ ਨੁਕਸਾਨ ਵੱਲ ਲੈ ਜਾਵੇਗਾ. ਨਤੀਜੇ ਵਜੋਂ, ਇਕ ਹੋਰ ਕੰਪਨੀ ਨੇ ਮੁਕਾਬਲਾ ਜਿੱਤ ਲਿਆ, ਜਿਸ ਦੀਆਂ ਗਣਨਾਵਾਂ ਨੂੰ ਅਮਲ ਵਿਚ ਲਿਆਂਦਾ ਜਾ ਸਕਦਾ ਹੈ।

ਵੱਡੀਆਂ ਡਾਟਾ ਤਕਨਾਲੋਜੀਆਂ ਬਹੁਤ ਸਾਰੇ ਉਦਯੋਗਾਂ ਲਈ ਢੁਕਵੀਆਂ ਹਨ, ਪਰ ਉਹਨਾਂ ਦਾ ਸਰਗਰਮ ਲਾਗੂਕਰਨ ਹਰ ਥਾਂ ਨਹੀਂ ਹੁੰਦਾ, ਮੇਸ਼ਕੋਵ ਨੋਟ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਹੈਲਥਕੇਅਰ ਵਿੱਚ ਡਾਟਾ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਸਮੱਸਿਆ ਹੈ: ਬਹੁਤ ਸਾਰੀ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਇਸਨੂੰ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸੇ ਲਈ ਇਹ ਡੇਟਾ ਅਜੇ ਤੱਕ ਡਿਜੀਟਾਈਜ਼ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਰਕਾਰੀ ਏਜੰਸੀਆਂ ਵਿੱਚ ਵੀ ਬਹੁਤ ਸਾਰਾ ਡੇਟਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਸਾਂਝੇ ਕਲੱਸਟਰ ਵਿੱਚ ਜੋੜਿਆ ਨਹੀਂ ਗਿਆ ਹੈ। ਮਾਹਰ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਨੈਸ਼ਨਲ ਡਾਟਾ ਮੈਨੇਜਮੈਂਟ ਸਿਸਟਮ (NCMS) ਦੇ ਇੱਕ ਯੂਨੀਫਾਈਡ ਇਨਫਰਮੇਸ਼ਨ ਪਲੇਟਫਾਰਮ ਦੇ ਵਿਕਾਸ ਦਾ ਉਦੇਸ਼ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਸਾਡਾ ਦੇਸ਼ ਇਕੱਲੇ ਦੇਸ਼ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੈ ਜਿੱਥੇ ਜ਼ਿਆਦਾਤਰ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲੇ ਸੂਝ ਦੇ ਆਧਾਰ 'ਤੇ ਲਏ ਜਾਂਦੇ ਹਨ, ਨਾ ਕਿ ਵੱਡੇ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ. ਪਿਛਲੇ ਸਾਲ ਅਪ੍ਰੈਲ ਵਿੱਚ, ਡੇਲੋਇਟ ਨੇ ਵੱਡੀਆਂ ਅਮਰੀਕੀ ਕੰਪਨੀਆਂ ਦੇ ਇੱਕ ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਨੇਤਾਵਾਂ (500 ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਸਟਾਫ ਦੇ ਨਾਲ) ਵਿੱਚ ਇੱਕ ਸਰਵੇਖਣ ਕੀਤਾ ਅਤੇ ਪਾਇਆ ਕਿ ਸਰਵੇਖਣ ਕਰਨ ਵਾਲਿਆਂ ਵਿੱਚੋਂ 63% ਵੱਡੀਆਂ ਡੇਟਾ ਤਕਨਾਲੋਜੀਆਂ ਤੋਂ ਜਾਣੂ ਹਨ, ਪਰ ਉਹਨਾਂ ਕੋਲ ਸਾਰੀਆਂ ਲੋੜੀਂਦੀਆਂ ਨਹੀਂ ਹਨ। ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਢਾਂਚਾ। ਇਸ ਦੌਰਾਨ, ਉੱਚ ਪੱਧਰੀ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪਰਿਪੱਕਤਾ ਵਾਲੀਆਂ 37% ਕੰਪਨੀਆਂ ਵਿੱਚੋਂ, ਲਗਭਗ ਅੱਧੀਆਂ ਨੇ ਪਿਛਲੇ 12 ਮਹੀਨਿਆਂ ਵਿੱਚ ਵਪਾਰਕ ਟੀਚਿਆਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪਾਰ ਕਰ ਲਿਆ ਹੈ।

ਅਧਿਐਨ ਨੇ ਖੁਲਾਸਾ ਕੀਤਾ ਕਿ ਨਵੇਂ ਤਕਨੀਕੀ ਹੱਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਤੋਂ ਇਲਾਵਾ, ਕੰਪਨੀਆਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਮੱਸਿਆ ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਸੱਭਿਆਚਾਰ ਦੀ ਘਾਟ ਹੈ। ਤੁਹਾਨੂੰ ਚੰਗੇ ਨਤੀਜਿਆਂ ਦੀ ਉਮੀਦ ਨਹੀਂ ਕਰਨੀ ਚਾਹੀਦੀ ਜੇਕਰ ਵੱਡੇ ਡੇਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਕੀਤੇ ਗਏ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਸਿਰਫ ਕੰਪਨੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੂੰ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਨਾ ਕਿ ਪੂਰੀ ਕੰਪਨੀ ਨੂੰ। "ਹੁਣ ਕੰਪਨੀਆਂ ਵੱਡੇ ਡੇਟਾ ਲਈ ਦਿਲਚਸਪ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਦੀ ਤਲਾਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ," ਮਿਫਤਾਖੋਵ ਕਹਿੰਦਾ ਹੈ। "ਇਸਦੇ ਨਾਲ ਹੀ, ਕੁਝ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਵਾਧੂ ਡੇਟਾ ਨੂੰ ਇਕੱਤਰ ਕਰਨ, ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਲਈ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸਦਾ ਪਹਿਲਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ." ਹਾਏ, "ਵਿਸ਼ਲੇਸ਼ਣ ਅਜੇ ਇੱਕ ਟੀਮ ਖੇਡ ਨਹੀਂ ਹੈ," ਅਧਿਐਨ ਦੇ ਲੇਖਕ ਮੰਨਦੇ ਹਨ।