Oracle big data_da_cut

Company Profile Make your data clever

cleverdata.ru | [email protected]

Make your data clever

Развитие бизнеса на международном рынке с 2012 года

Входит в тройку лидеров российских ИТ компаний 43 подразделения в России и за рубежом Более 5500 сотрудников 100 тыс.проектов для 10 тыс.заказчиков

Инновационная платформа управления данными

«Биржа» данных Облачный сервис

Собственная разработка

Создана в 2014 г. Фокус на работе с «Big Data»

Собственные центры разработки Партнерство с мировыми лидерами

и научными институтами Центр экспертизы по технологиям

Big Data и Digital MarkeVng


Немного о Big Data

ВЫСОКАЯ СКОРОСТЬ БОЛЬШОЙ ОБЪЕМ ЗНАЧИТЕЛЬНАЯ ВАРИАТИВНОСТЬ

Web логи Финансовые транзакции Социальные сети Web контент Машинные данные Открытые данные

Hadoop MPP (VerVca, Exadata, Greenplum, Teradata) NoSQL (Key-‐Value, Document-‐oriented, Column-‐based, Graph-‐oriented) In-‐memory Data Grids, CalculaVon Grids Data Mining Machine Learning / StaVsVcs / Natural Language Processing Event-‐Stream Processing

Значимость данных в том, как вы анализируете и применяете эти данные для развития своего бизнеса Понимание клиента и его поведения Информационная безопасность Управление рисками Повышение операционной эффективности

Crea�ve/Business Cases

“Потенциал Big Data раскрывается в полной мере при взаимодействии с другими данными корпорации.” Билл Фрэнкс.


Что такое Customer Experience?

Нецелевые предложения клиенту приносят больше вреда, чем пользы

Уместно? Вовремя? Ценно? Доступно?


Понять образ жизни и поведение

Считается, что основные жизненные вехи создают портрет клиента и помогают понять потребности

•  Родился в 1958 году в России;

•  Живет в Москве;

•  Отец двух дочерей;

•  Любит рыбалку.

•  Родился в 1958 году в России;

•  Живет в Москве;

•  Отец двух дочерей;

•  Любит рыбалку.


Что такое единый профиль клиента

Набор заранее определенных метрик и характеристик, вычисляемых в режиме реального времени по каждому клиенту Основывается на большом наборе исходной информации от данных транзакционных систем до статистики взаимодействия с клиентом через веб-‐сайт, маркетинговые каналы и внешней информации о клиенте Строится с помощью алгоритмов машинного обучения и математической статистики Предназначен для осуществления таргетированных маркетинговых коммуникаций и повышения response rate

Вероятность оттока 35%

Лояльность 87%

Жалобы 1

Возраст 48 Семья

2 чел Доход семьи

110.500

Инвестиции, экономика

66

Мода 11

Последняя транзакция

2 дн

Кол-‐во платежей

18

Процент операций он-‐лайн 63%

Действующих продуктов

5

Последняя покупка 36 дн

Расходы 28.760

CLTV 90.570

В клиентской базе

35.2 мес

Удовлетворенность 75%

Кросс-‐продажи 2

Уровень отклика 18%


Что за такое внешние данные

Социальные сети

Медийный контент

Машинные данные

История серфинга

Offline данные

Посещение веб-‐сайтов Поисковые запросы Покупки в интернете Просматриваемые фильмы

Пол/возраст/ семейное положение Список друзеи Like/Check-‐in Интересы/Посты

eCommerce

Мобильные приложения Покупки в магазинах Парковки Кредитная история Программы лояльности


Что такое понимание клиента Занятость

•  Безработныи

•  На пенсии

•  Работаете

•  Студент

•  Свой бизнес Профессиональная сфера

•  Гос. Служба

•  Обслуживание

•  Преподавание

•  Продажи и маркетинг

•  Технологии

•  Финансы

•  Юриспруденция Уровень образования

•  Высшее

•  Другое

•  Среднее

•  Учёная степень

Предпочтения

•  Финансы (клиент каких банков, уровень дохода, кредитная нагрузка, страховка)

•  Брендовые предпочтения авто (по маркам) •  Модельные предпочтения авто (по типам автомобилей) •  Жилищные предпочтения (свой дом, своя квартира, аренда

жилья) •  Здоровье (диеты, традиционная медицина, питание) •  Интернет и ТВ (предпочтения по каналам, тематикам передач и

тд) •  Мобильные телефоны (какие мобильные приложения

использует) •  Путешествия (частота, направления, командировки, класс

отдыха) •  Развлечения (театр, кино, клубы, искусство) •  Спортивные предпочтения •  Магазины (в магазинах какого класса обслуживается)


Зачем нужен единый профиль клиента

Получение анонимной информации о поведении и интересах Определение драйверов для привлечения и целевого предложения

Привлечение Получение Владение Удержание

Получение персонифицированного профиля клиента Интеграция с социальным профилем

Использование real Vme данных для повторных покупок и целевых продаж Формирование профиля по текущих потребностям, предпочтениях и намерениях Повышение эффективности up-‐sell и cross-‐sell Повышения уровня обслуживания клиента

Определение признаков оттока клиента Подбор оптимального предложения для удержания

Интернет реклама Собственный веб-‐сайт и личный кабинет Call center Офисы продаж

Email рассылки SMS сообщения Телемаркетинг Социальные сети ATM

Мобильные платформы Партнерские площадки

Каналы взаимодействия

Этапы развития отношений с клиентом


Бизнес-‐идеи

Внутренние Внешние данные

Тран

закции

CR

M

Omni chann

els

analyVcs

Campaign

respon

ses

Транзакционные данные

Соци

альные

сети

Web

logs

Web

con

tent

Платеж

ные

систем

ы

Дан

ные

БКИ

Моб

ильные

опер

атор

ы

eCom

merce

RTB реклама

Скоринг физического лица

Активная матрица кросс-‐предложений

Формирование предложений на событий в реальном времени

Выявление агентов влияния с целью управления оттоком

Формирование профиля типового потребителя продукта

Поведения клиента на сайте компании при звонке в call center

Глубокое сегментирование клиентов


Бизнес-‐идеи

Внутренние Внешние данные

Тран

закции

CR

M

Omni chann

els

analyVcs

Campaign

respon

ses

Транзакционные данные

Соци

альные

сети

Web

logs

Web

con

tent

Платеж

ные

систем

ы

Дан

ные

БКИ

Моб

ильные

опер

атор

ы

eCom

merce

Целевые продажи

Верификация места проведения транзакции

Идентификация клиента по поведению

Адаптация контента и анкеты

•  Более 12 бизнес-‐идей •  Более 10 поставщиков данных


Customer centric архитектура

Customer TransacVon Data

�Customer OperaVon Data

ABS/�ERP/CRM Data

DWH

Company Data

Social Data

Web surfing

�eCommerce Data

3th Party Data

�Mobile Data En

terprise DM

P Co

nnectors API/ETL

Data Exchange

�3th Party Master Data

Enterprise BI and reporVng

ReporVng / AnalyVcs Company Web Site

Mobile Apps

Company acVviVes

Customers acVviVes

Web and Mobile

RTB ecosystem

Partners web and mobile

Social

Web

Email

MarkeVng campaign

Campaign

managem

ent

SMS

Call center

Offline

CRM

Service Desk

Customer eXperience Profiler

Big Data storage

Machine Learning

Real Time storage

PredicVve analyVcs

Common

Services

Scoring Data


Профиль интересов клиента на основе данных их соц.сети

Авто, мото, 173

Автомобильные бренды, 39

Брань, 1293

Дом, офис, 24

Досуг, 1356

Здоровье и красота, 111

История, 11

Культура, 507

Личные вещи, 86

Мир, 473

Недвижимость, строительство, ремонт, 36

Общество, 362

Политика, 53

Продукты, 84

Происшествия, 80

Семья, дети, 45

Спорт, 141

Техника и наука, 233

Экономика и бизнес, 98


Что внутри DMP

Big Data Storage

AnalyVcs Tools

Master Data Storage

Бизнес-‐сервисы


Big Data Appliance

Основные задачи: •  Хранение «мастер» данных •  Аналитическая обработка •  Хранение «сырых» данных и их

сбор Основные преимущества: •  Все в одном •  Стоимость хранения •  Enterprise поддержка


1DMP.RU

Депозитарий данных

Биржа данных

Обработка данных

Накопление и хранение

Обогащение и монетизация

Анализ и преобразование

•  Инновационный продукт

•  Собственная разработка CleverDATA

•  «Биржа» для обмена данными

•  Облачный сервис

•  Набор готовых компонентов для построения собственной DMP платформы

•  Уникальные алгоритмы и сервисы обработки данных

1DMP.RU не является владельцем данных обеспечивая только технические возможности для взаимодействия владельцев данных

и их клиентов


Customer centric архитектура Web and Mobile



•  Периодическая загрузка и выгрузка данных по заданному расписанию •  Поддерживаются протоколы передачи данных WebDAV, SSH, FTP; •  Доступ к данным по протоколу HS2 (с помощью JDBC и ODBC клиентов) для анализа c помощью таких

систем как Tableau, Splunk и прочих инструментов анализа данных; •  Архивирование и распаковка данных; •  Аудит всех событий, происходящих в системе и их отображение в Личном кабинете клиента; •  Детальная статистика по объемам загруженнои и выгруженнои информации




Компонент краулинга

Задача компонента -‐ предоставить пользователю данные, собранные в процессе загрузки веб-‐ресурсов по заданным доменам/URL.


Компонент классификации текстов

Documents

Oracle big data_da_cut