Interjú
Tipográfia

Telekommunikáció, pénzügy, kereskedelem, vagy éppen agykutatás - mind olyan területek, ahol a növekvő adathalmazokra épülő döntéshozás jelentősége erősödik. A kereskedelem főként marketing területeken hasznosítja az adatokból kinyert előrejelzéseket. Ezek segítségével azt is megtudhatjuk, hogy az adott terméket várhatóan kik, mikor és hol fogják megvásárolni.

Prekopcsák Zoltánt, a Radoop Kft–t felvásárló RapidMiner globális Big Data stratégiáért és partnerkapcsolatokért felelős alelnökét kérdeztük.

Üzleti előrejelzés céljából nagy mennyiségű adathalmaz elemzése manapság egyre szélesebb körben elterjedt tevékenység. Miben különbözik az, amit a Radoop csinál?

A nagy adathalmazok (Big Data) elemzése ma már valóban egy széles körben ismert terület, azonban egyes felmérések szerint a nagyvállalatoknak kevesebb, mint 30 százaléka használja ezeket a módszereket, tehát még mindig hatalmas fejlődés előtt áll. A Radoop 2010-es indulásakor ez még inkább így volt és az elsők között léptünk a piacra egy olyan megoldással, amely egy nagyon könnyen használható felületen tette lehetővé nagy adatok elemzését.

Az egyszerű használat mellett mindvégig specialitásunk volt az előrejelzési funkciók gazdagsága, azaz az adatok alapján például marketing kampányok hatékonyságát, vagy akár az egyes vásárlók várható viselkedését tudjuk előre jelezni.

Egyébként a Big Datán alapuló előrejelzések miben különböznek a hagyományosaktól, amelyek például piackutatásokra vagy egyéb adatok elemzésre épülnek?

PrekopcsákZoltánA Big Data nem helyettesíti a korábbi, évtizedeken át csiszolt módszereket, hanem sokkal inkább kiegészítője illetve természetes evolúciója ezeknek a módszereknek.

Ma már képesek vagyunk a felhasználói viselkedésről személyre lebontva rendkívül részletes adatokat gyűjteni, így nem csak azt tudjuk előre jelezni, hogy hány darab sampon fog fogyni, hanem hogy várhatóan kik és melyik boltban fogják megvásárolni. Ez egy egészen új szintje az adatelemzésnek, amit pontosabb tervezéshez vagy akár személyes ajánlatokhoz tudunk használni.

Kisebb fogyasztói rétegekre is kiterjedhet a figyelem?

Az elmúlt években került napvilágra egy érdekes példa az amerikai Target üzletlánc kapcsán. Egy fiatal lánynak célzott postai marketingüzenetet küldtek, amelyben terhesség során keresett termékek szerepeltek. A lány apja felháborodottan hívta fel a céget, hogy miért küldenek ilyen reklámot a lányának. Két hét múlva újra telefonált, hiszen addigra a lánya elmondta neki, hogy gyermeket vár. A fogyasztás változásából a Target hamarabb tudott a gyermek érkezéséről, mint a jövendőbeli nagypapa. Persze ez az eset már több jogi kérdést is feszeget, de mindenképp jól jelzi, hogy az adatelemzésben mekkora lehetőség van, és milyen kis fogyasztói szegmenseket is meg lehet vele célozni.

Hogy aránylanak egymáshoz az online és offline adatok?

Online esetben sokkal egyszerűbb az adatgyűjtés és sokkal részletesebb adatokból gazdálkodunk. Egy offline áruházban nem tudjuk, hogy melyik vásárló melyik termék esetén nézte meg a termék árát, lejárati dátumát vagy éppen az összetevők listáját. Ez az információ online környezetben rendelkezésre áll, és pontosan tudjuk, hogy melyik vásárló melyik terméklapon mennyit időzik. Így értelemszerűen pontosabb vásárlói profilokat tudunk meghatározni és pontosabb vásárlási előrejelzéseket tehetünk, illetve relevánsabb marketing üzeneteket tudunk célba juttatni.

Mi kellett ahhoz, hogy a Big Data elemzésekkel foglalkozó Radoop Kft. startup vállalkozásként nemzetközi porondra léphessen?

Egy ilyen gyorsan fejlődő réspiacon vannak olyan tudatos vásárlók, akik fürkészik a piacot, velük könnyen kapcsolatba tudtunk kerülni itthonról is. Közepes méretű cégeknél nem feltétlenül probléma, hogy akár találkozás nélkül rendeljék meg a szoftvereinket, idővel azonban azzal szembesültünk, hogy az amerikai piactól való távolságunk a nagy cégek esetén komoly hátrányt jelent. Többek között ezért is egyeztünk meg a RapidMinerrel idén nyáron a felvásárlásról.

Mi történt azóta, hogy a RapidMiner globális szervezetéhez csatlakoztak?

A RapidMiner a fejlett adatelemzés egyik piacvezető vállalata, azonban hiányzott egy nagy adatokat kezelni képes termék a portfóliójából. A két cég összeolvadása teljesen logikus lépés volt, hiszen így a RapidMiner amerikai és londoni irodája végzi az értékesítést, míg a dortmundi és a budapesti iroda pedig a termékfejlesztésre tud fókuszálni. Az összeolvadás után rögtön kinyíltak a kapuk az amerikai nagyvállalatoknál is és sokkal hatékonyabbá vált az értékesítés, már több nagy ügyfelet szereztünk ebben a pár hónapban.

Említene példákat?

Konkrét cégneveket nem említhetek az új ügyfelek közül, de több Fortune 500 vállalat is az ügyfelünkké vált az elmúlt hónapokban.

Milyen iparágra szabott megoldások léteznek, illetve milyen területen alkalmazhatóak a cég megoldásai?

A RapidMiner egy általános adatelemzési platformot biztosít, amely különböző iparágakban, változatos adatforrásokkal és adatmennyiségekkel tud működni. Az ügyfelek között találunk cégeket a pénzügy, telekommunikáció, gyógyszeripar, autóipar, gyártástechnológia, az energia szektor vagy éppen a kereskedelem területéről is. A nagyobb ügyfelek közé tartozik például a Telenor, a Sanofi, a Volkswagen és az eBay.

Milyen trend-, vagy irányváltozásokra hívják fel a figyelmet az adatok?

A részletes adatok nem feltétlenül a nagy globális trendeket tudják jól előre jelezni, hanem sokkal inkább a személyes illetve helyi preferenciákat. Várhatóan mely felhasználók terveznek átmenni a konkurenciához? Milyen személyes ajánlatokat érdemes tenni? Ilyen és ehhez hasonló kérdéseket lehet megválaszolni az adatokból.

Mekkora lehetőségeket jelent a pontos üzleti előrejelzés az élelmiszeriparban vagy tágabb értelemben az FMCG piacon?

A nagy adatokat és úgy általában az előrejelzéseket a kereskedelmi területen jelenleg legaktívabban a marketing használja, ahol a kampányok optimalizálása, a személyre szabott ajánlatok, avagy a keresztértékesítési lehetőségek meghatározása a feladat. Emellett az FMCG piacon a készletek előrejelzése, logisztikai optimalizáció, illetve a felhasználói szegmensek felderítése is hasznos felhasználási módok.

A vevők, felhasználók gyorsan változó igényeire adott válaszok mennyire értékállók?

A prediktív adatelemzés korai szakaszában gyakran előfordult, hogy az előrejelző modellek létrehozását követően azok akár évekig működtek. Fontos azonban látni, hogy egyre gyorsabban változik a világ és vele együtt a felhasználói igények is, így egy ilyen modell akár hetek, hónapok alatt is sokat veszít a pontosságából. Szükség van a modellek megfigyelésére, a pontosság folyamatos kiértékelésére, és szükség esetén az előrejelző modell újraépítésére is. Kereskedelmi felhasználás esetén nagyon fontos komponens a szezonalitás is: a karácsony előtti időszakban annyira más a felhasználói viselkedés, hogy a legtöbb cég teljesen más modelleket használ ennek az időszaknak az előrejelzésére.

Az eredmények általában igazolják az előrejelzéseket, vagy mindez az azokon alapuló stratégia helyességén múlik?

Vannak olyan előrejelzések és modellek, mint például egy új piaci szegmentáció, amely közvetlenül nem épül be az üzletmenetbe, hanem döntéstámogató szerepe van és a végén emberi döntés születik a stratégiáról. Ebben az esetben természetesen sok múlik az emberi döntés helyességén.

Más előrejelzéseknél, mint például a személyre szabott ajánlatok, a célzott marketingüzenetek akár emberi beavatkozás nélkül kerülnek kiküldésre. Ilyenkor az előrejelzés helyessége utólag önmagában is meghatározható.

Milyen versenyelőny származhat a megfelelő előrejelzésből?

Erre nehéz publikus információkkal szolgálni, mert a vállalatok nem szívesen osztják meg versenytársaikkal, hogy mivel és hogyan tettek szert versenyelőnyre. Bizonyos területeken, ahol a tevékenységnek nagyon kicsi az árrése, a hatékonyság egy százalékos növelése is hatalmas versenyelőnyt jelenthet. Ezzel szemben marketing területen nem ritka, hogy az előrejelző modellek 50-100 százalékkal javítják a kampányok hatékonyságát, ami pedig egészen kézzelfogható árbevétel növekedést jelent. Előrejelző modellek bevezetéséhez mindenképp érdemes olyan területet választani, ahol pontosan mérhető az előrejelzések hatása, hiszen így a megtérülés is nagyon pontosan számolható.

Milyen hazai sajátosságokat látnak a vállalatok működésében és a választott stratégiákban?

Azt gondolom, hogy a hazai cégek komoly lemaradásban vannak az amerikai és nyugat-európai vállalatokhoz képest. A multinacionális cégek esetén lassan szivárognak át ezek az adatelemzésre épülő módszerek a hazai leányvállalathoz, míg a magyar tulajdonú cégek körében nem elterjedt az adatokra épülő döntéshozás, pedig sokszor hatalmas adatvagyonnal rendelkeznek. Azzal, hogy a sajtóban is egyre többször lehet találkozni a Big Data és adatelemzés témákkal, sokat javult a terület ismertsége és megítélése, de a valós alkalmazások tömeges terjedése itthon még várat magára.

 

Prekopcsák Zoltán 2011 óta a Big Data elemzésekkel foglalkozó Radoop Kft. társalapítója és ügyvezetője volt, majd 2014 júniusában a céget felvásárolta az amerikai-német RapidMiner, amelynek azóta budapesti irodáját vezeti, valamint a globalis Big Data stratégiáért és partnerkapcsolatokért felelős alelnöke lett.
Korábban a Secret Sauce Partners adatbányászati szakértőjeként a felhasználói viselkedés előrejelzesére szabadalmaztatott technológiát fejlesztett ki. Üzleti tevekenységei mellett a BME oktatója, több tucat publikáció szerzője, nemzetközi és hazai konferenciák rendszeres előadója.


(Termékmix - 2014. decemberi szám)

 

 

 

hírlevél feliratkozás

newsletter

trendfm

Hipermarketek