ទទួលយកដូចជាទិន្នន័យ៖ របៀបដែលអាជីវកម្មរៀនរកប្រាក់ចំណេញពីទិន្នន័យធំ

តាមរយៈការវិភាគទិន្នន័យធំ ក្រុមហ៊ុនសិក្សាស្វែងយល់ពីគំរូដែលលាក់កំបាំង ធ្វើអោយប្រសើរឡើងនូវដំណើរការអាជីវកម្មរបស់ពួកគេ។ ទិសដៅគឺទាន់សម័យ ប៉ុន្តែមិនមែនគ្រប់គ្នាអាចទទួលបានអត្ថប្រយោជន៍ពីទិន្នន័យធំនោះទេ ដោយសារតែខ្វះវប្បធម៌នៃការធ្វើការជាមួយពួកគេ។

“ឈ្មោះរបស់មនុស្សទូទៅកាន់តែច្រើន ទំនងជាពួកគេត្រូវបង់ប្រាក់ទាន់ពេល។ ផ្ទះរបស់អ្នកមានជាន់កាន់តែច្រើន ស្ថិតិអ្នកកាន់តែជាអ្នកខ្ចីកាន់តែប្រសើរ។ Stanislav Duzhinsky អ្នកវិភាគនៅធនាគារ Home Credit Bank និយាយអំពីគំរូដែលមិននឹកស្មានដល់ក្នុងអាកប្បកិរិយារបស់អ្នកខ្ចីនិយាយ សញ្ញានៃរាសីចក្រស្ទើរតែមិនមានឥទ្ធិពលលើលទ្ធភាពនៃការសងប្រាក់វិញទេ ប៉ុន្តែប្រភេទចិត្តសាស្ត្រធ្វើយ៉ាងសំខាន់។ គាត់មិនពន្យល់ពីគំរូទាំងនេះច្រើនទេ - ពួកគេត្រូវបានបង្ហាញដោយបញ្ញាសិប្បនិម្មិត ដែលបានដំណើរការទម្រង់អតិថិជនរាប់ពាន់នាក់។

នេះគឺជាថាមពលនៃការវិភាគទិន្នន័យធំ៖ តាមរយៈការវិភាគចំនួនដ៏ធំនៃទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធ កម្មវិធីអាចរកឃើញការជាប់ទាក់ទងគ្នាជាច្រើនដែលអ្នកវិភាគដែលមានប្រាជ្ញាបំផុតមិនធ្លាប់ដឹង។ ក្រុមហ៊ុនណាមួយមានទិន្នន័យគ្មានរចនាសម្ព័ន្ធច្រើន (ទិន្នន័យធំ) - អំពីបុគ្គលិក អតិថិជន ដៃគូប្រកួតប្រជែង ដែលអាចត្រូវបានប្រើសម្រាប់ផលប្រយោជន៍អាជីវកម្ម៖ កែលម្អឥទ្ធិពលនៃការផ្សព្វផ្សាយ សម្រេចបានកំណើនការលក់ កាត់បន្ថយចំនួនបុគ្គលិក។ល។

ដំបូងគេដែលធ្វើការជាមួយទិន្នន័យធំគឺក្រុមហ៊ុនបច្ចេកវិទ្យា និងទូរគមនាគមន៍ធំៗ ស្ថាប័នហិរញ្ញវត្ថុ និងការលក់រាយ មតិយោបល់ Rafail Miftakhov នាយកនៃ Deloitte Technology Integration Group, CIS ។ ឥឡូវនេះមានការចាប់អារម្មណ៍លើដំណោះស្រាយបែបនេះនៅក្នុងឧស្សាហកម្មជាច្រើន។ តើក្រុមហ៊ុនសម្រេចបានអ្វីខ្លះ? ហើយតើការវិភាគទិន្នន័យធំតែងតែនាំទៅរកការសន្និដ្ឋានដ៏មានតម្លៃដែរឬទេ?

ធនាគារប្រើក្បួនដោះស្រាយទិន្នន័យធំជាចម្បង ដើម្បីកែលម្អបទពិសោធន៍របស់អតិថិជន និងបង្កើនប្រសិទ្ធភាពការចំណាយ ក៏ដូចជាគ្រប់គ្រងហានិភ័យ និងការប្រយុទ្ធប្រឆាំងនឹងការក្លែងបន្លំ។ Duzhinsky មានប្រសាសន៍ថា "ក្នុងរយៈពេលប៉ុន្មានឆ្នាំថ្មីៗនេះ បដិវត្តន៍ពិតប្រាកដមួយបានកើតឡើងនៅក្នុងវិស័យវិភាគទិន្នន័យធំ" ។ "ការប្រើប្រាស់ម៉ាសុីនរៀនអនុញ្ញាតឱ្យយើងទស្សន៍ទាយប្រូបាប៊ីលីតេនៃការសងប្រាក់កម្ចីដោយភាពត្រឹមត្រូវជាងមុន - ភាពយឺតយ៉ាវនៅក្នុងធនាគាររបស់យើងគឺត្រឹមតែ 3,9% ប៉ុណ្ណោះ។" សម្រាប់ការប្រៀបធៀប គិតត្រឹមថ្ងៃទី 1 ខែមករា ឆ្នាំ 2019 ចំណែកនៃប្រាក់កម្ចីជាមួយនឹងការបង់ប្រាក់ហួសកាលកំណត់ក្នុងរយៈពេល 90 ថ្ងៃលើប្រាក់កម្ចីដែលចេញឱ្យបុគ្គលម្នាក់ៗគឺ 5% ។

សូម្បី​តែ​ស្ថាប័ន​មីក្រូ​ហិរញ្ញវត្ថុ​ក៏​ឆ្ងល់​ដោយ​ការ​សិក្សា​ទិន្នន័យ​ធំ។ លោក Andrey Ponomarev នាយកប្រតិបត្តិនៃក្រុមហ៊ុន Webbankir ដែលជាវេទិកាផ្តល់ប្រាក់កម្ចីតាមអ៊ីនធឺណិតបាននិយាយថា "ការផ្តល់សេវាកម្មហិរញ្ញវត្ថុដោយមិនវិភាគទិន្នន័យធំនាពេលបច្ចុប្បន្ននេះ គឺដូចជាការធ្វើគណិតវិទ្យាដោយគ្មានលេខ។ "យើងចេញលុយតាមអ៊ីនធឺណិតដោយមិនឃើញអតិថិជន ឬលិខិតឆ្លងដែនរបស់គាត់ ហើយមិនដូចការអោយខ្ចីបែបប្រពៃណីទេ យើងត្រូវមិនត្រឹមតែវាយតម្លៃពីភាពរសើបរបស់មនុស្សម្នាក់ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងកំណត់អត្តសញ្ញាណបុគ្គលិកលក្ខណៈរបស់គាត់ផងដែរ។"

ឥឡូវនេះមូលដ្ឋានទិន្នន័យរបស់ក្រុមហ៊ុនរក្សាទុកព័ត៌មានលើអតិថិជនជាង 500 ពាន់នាក់។ កម្មវិធីថ្មីនីមួយៗត្រូវបានវិភាគជាមួយទិន្នន័យនេះក្នុងប៉ារ៉ាម៉ែត្រប្រហែល 800 ។ កម្មវិធីនេះមិនត្រឹមតែគិតគូរពីភេទ អាយុ ស្ថានភាពអាពាហ៍ពិពាហ៍ និងប្រវត្តិឥណទានប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងឧបករណ៍ដែលមនុស្សម្នាក់ចូលក្នុងវេទិកា របៀបដែលគាត់ប្រព្រឹត្តនៅលើគេហទំព័រ។ ជាឧទាហរណ៍ វាអាចជារឿងគួរឱ្យព្រួយបារម្ភដែលអ្នកខ្ចីដែលមានសក្តានុពលមិនបានប្រើម៉ាស៊ីនគណនាប្រាក់កម្ចី ឬមិនបានសាកសួរអំពីលក្ខខណ្ឌនៃប្រាក់កម្ចី។ លោក Ponomarev ពន្យល់ថា "លើកលែងតែកត្តាបញ្ឈប់មួយចំនួន - និយាយថាយើងមិនផ្តល់ប្រាក់កម្ចីដល់មនុស្សដែលមានអាយុក្រោម 19 ឆ្នាំទេ - គ្មានប៉ារ៉ាម៉ែត្រទាំងនេះនៅក្នុងខ្លួនវាគឺជាហេតុផលសម្រាប់ការបដិសេធឬយល់ព្រមក្នុងការផ្តល់ប្រាក់កម្ចី" ។ វាគឺជាការរួមបញ្ចូលគ្នានៃកត្តាដែលសំខាន់។ ក្នុង 95% នៃករណី ការសម្រេចចិត្តត្រូវបានធ្វើឡើងដោយស្វ័យប្រវត្តិ ដោយគ្មានការចូលរួមពីអ្នកឯកទេសពីនាយកដ្ឋានធានាទិញ។

ការវិភាគទិន្នន័យធំអនុញ្ញាតឱ្យយើងទាញយកគំរូគួរឱ្យចាប់អារម្មណ៍ភាគហ៊ុន Ponomarev ។ ជាឧទាហរណ៍ អ្នកប្រើប្រាស់ iPhone បានក្លាយជាអ្នកខ្ចីដែលមានវិន័យច្រើនជាងម្ចាស់ឧបករណ៍ Android – ពីមុនទទួលបានការយល់ព្រមពីកម្មវិធី 1,7 ដងញឹកញាប់ជាង។ Ponomarev និយាយថា "ការពិតដែលថាបុគ្គលិកយោធាមិនសងប្រាក់កម្ចីស្ទើរតែមួយភាគបួនតិចជាងអ្នកខ្ចីមធ្យមមិនមែនជាការភ្ញាក់ផ្អើលទេ" ។ "ប៉ុន្តែជាធម្មតា សិស្សមិនត្រូវបានគេរំពឹងថានឹងមានកាតព្វកិច្ចនោះទេ ប៉ុន្តែទន្ទឹមនឹងនោះ ករណីនៃការខកខានឥណទានគឺជារឿងធម្មតា 10% តិចជាងមធ្យមភាគសម្រាប់មូលដ្ឋាន។"

ការសិក្សាអំពីទិន្នន័យធំអនុញ្ញាតឱ្យដាក់ពិន្ទុសម្រាប់ក្រុមហ៊ុនធានារ៉ាប់រងផងដែរ។ បង្កើតឡើងក្នុងឆ្នាំ 2016 IDX ត្រូវបានចូលរួមនៅក្នុងការកំណត់អត្តសញ្ញាណពីចម្ងាយ និងការផ្ទៀងផ្ទាត់ឯកសារតាមអ៊ីនធឺណិត។ សេវាកម្មទាំងនេះស្ថិតនៅក្នុងតម្រូវការក្នុងចំណោមក្រុមហ៊ុនធានារ៉ាប់រងដឹកជញ្ជូនដែលចាប់អារម្មណ៍នឹងការបាត់បង់ទំនិញតិចបំផុតតាមដែលអាចធ្វើទៅបាន។ លោក Jan Sloka នាយកពាណិជ្ជកម្មនៃ IDX ពន្យល់ថា មុននឹងធានាលើការដឹកជញ្ជូនទំនិញ ក្រុមហ៊ុនធានាដោយមានការយល់ព្រមពីអ្នកបើកបរ ពិនិត្យភាពជឿជាក់។ រួមគ្នាជាមួយដៃគូ – ក្រុមហ៊ុន St. Petersburg “Risk Control” – IDX បានបង្កើតសេវាកម្មដែលអនុញ្ញាតឱ្យអ្នកត្រួតពិនិត្យអត្តសញ្ញាណអ្នកបើកបរ ទិន្នន័យលិខិតឆ្លងដែន និងសិទ្ធិ ការចូលរួមក្នុងឧប្បត្តិហេតុដែលទាក់ទងនឹងការបាត់បង់ទំនិញ។ល។ បន្ទាប់ពីធ្វើការវិភាគរួច មូលដ្ឋានទិន្នន័យរបស់អ្នកបើកបរ ក្រុមហ៊ុនបានកំណត់អត្តសញ្ញាណ "ក្រុមហានិភ័យ"៖ ជាញឹកញាប់បំផុត ទំនិញត្រូវបានបាត់បង់ក្នុងចំណោមអ្នកបើកបរដែលមានអាយុពី 30-40 ឆ្នាំជាមួយនឹងបទពិសោធន៍បើកបរយូរ ដែលជារឿយៗបានផ្លាស់ប្តូរការងារនាពេលថ្មីៗនេះ។ វាក៏បានប្រែក្លាយថាទំនិញត្រូវបានលួចជាញឹកញាប់បំផុតដោយអ្នកបើកបររថយន្តដែលអាយុកាលសេវាកម្មលើសពីប្រាំបីឆ្នាំ។

អ្នកលក់រាយមានភារកិច្ចផ្សេងគ្នា - ដើម្បីកំណត់អត្តសញ្ញាណអតិថិជនដែលត្រៀមខ្លួនជាស្រេចដើម្បីធ្វើការទិញ និងកំណត់វិធីដ៏មានប្រសិទ្ធភាពបំផុតក្នុងការនាំពួកគេទៅកាន់គេហទំព័រ ឬហាង។ ដល់ទីបញ្ចប់នេះ កម្មវិធីវិភាគទម្រង់អតិថិជន ទិន្នន័យពីគណនីផ្ទាល់ខ្លួនរបស់ពួកគេ ប្រវត្តិនៃការទិញ សំណួរស្វែងរក និងការប្រើប្រាស់ពិន្ទុបន្ថែម ខ្លឹមសារនៃកន្ត្រកអេឡិចត្រូនិចដែលពួកគេបានចាប់ផ្តើមបំពេញ និងបោះបង់ចោល។ លោក Kirill Ivanov ប្រធានការិយាល័យទិន្នន័យនៃក្រុម M.Video-Eldorado មានប្រសាសន៍ថា ការវិភាគទិន្នន័យអនុញ្ញាតឱ្យអ្នកបែងចែកមូលដ្ឋានទិន្នន័យទាំងមូល និងកំណត់ក្រុមអ្នកទិញសក្តានុពលដែលអាចចាប់អារម្មណ៍លើការផ្តល់ជូនពិសេសមួយ។

ជាឧទាហរណ៍ កម្មវិធីនេះកំណត់ក្រុមអតិថិជន ដែលម្នាក់ៗចូលចិត្តឧបករណ៍ទីផ្សារផ្សេងៗគ្នា - ប្រាក់កម្ចីគ្មានការប្រាក់ ប្រាក់ត្រលប់មកវិញ ឬលេខកូដបញ្ចុះតម្លៃ។ អ្នកទិញទាំងនេះទទួលបានព្រឹត្តិបត្រអ៊ីម៉ែលជាមួយនឹងការផ្សព្វផ្សាយដែលត្រូវគ្នា។ Ivanov កត់សំគាល់ថា ប្រូបាប៊ីលីតេដែលមនុស្សម្នាក់បានបើកសំបុត្រនឹងចូលទៅកាន់គេហទំព័ររបស់ក្រុមហ៊ុនក្នុងករណីនេះកើនឡើងយ៉ាងខ្លាំង។

ការវិភាគទិន្នន័យក៏អនុញ្ញាតឱ្យអ្នកបង្កើនការលក់ផលិតផល និងគ្រឿងបន្លាស់ដែលពាក់ព័ន្ធផងដែរ។ ប្រព័ន្ធដែលបានដំណើរការប្រវត្តិនៃការបញ្ជាទិញរបស់អតិថិជនផ្សេងទៀត ផ្តល់ឱ្យអ្នកទិញនូវការណែនាំអំពីអ្វីដែលត្រូវទិញរួមជាមួយផលិតផលដែលបានជ្រើសរើស។ ការធ្វើតេស្តនៃវិធីសាស្រ្តនៃការងារនេះបើយោងតាម ​​​​Ivanov បានបង្ហាញពីការកើនឡើងនៃចំនួននៃការបញ្ជាទិញជាមួយនឹងគ្រឿងបន្លាស់ 12% និងការកើនឡើងនៃការផ្លាស់ប្តូរនៃគ្រឿងបន្លាស់ 15% ។

អ្នក​លក់​រាយ​មិន​មែន​ជា​អ្នក​តែ​ម្នាក់​គត់​ដែល​ខិតខំ​ពង្រឹង​គុណភាព​សេវាកម្ម និង​បង្កើន​ការ​លក់។ កាលពីរដូវក្តៅមុន MegaFon បានចាប់ផ្តើមសេវាកម្មផ្តល់ជូន "ឆ្លាតវៃ" ដោយផ្អែកលើដំណើរការទិន្នន័យពីអតិថិជនរាប់លាននាក់។ ដោយបានសិក្សាពីអាកប្បកិរិយារបស់ពួកគេ បញ្ញាសិប្បនិមិត្តបានរៀនបង្កើតការផ្តល់ជូនផ្ទាល់ខ្លួនសម្រាប់អតិថិជននីមួយៗក្នុងអត្រាពន្ធ។ ជាឧទាហរណ៍ ប្រសិនបើកម្មវិធីកត់សម្គាល់ថាមនុស្សម្នាក់កំពុងមើលវីដេអូយ៉ាងសកម្មនៅលើឧបករណ៍របស់គាត់ នោះសេវាកម្មនឹងផ្តល់ជូនគាត់ដើម្បីពង្រីកចំនួនចរាចរណ៍ទូរសព្ទ។ ដោយគិតពីចំណូលចិត្តរបស់អ្នកប្រើប្រាស់ ក្រុមហ៊ុនផ្តល់ឱ្យអតិថិជននូវចរាចរណ៍គ្មានដែនកំណត់សម្រាប់ប្រភេទកម្សាន្តតាមអ៊ីនធឺណិតដែលពួកគេចូលចិត្ត ឧទាហរណ៍ ការប្រើប្រាស់កម្មវិធីផ្ញើសារភ្លាមៗ ឬស្តាប់តន្ត្រីនៅលើសេវាកម្មស្ទ្រីម ការជជែកនៅលើបណ្តាញសង្គម ឬមើលកម្មវិធីទូរទស្សន៍។

លោក Vitaly Shcherbakov នាយកផ្នែកវិភាគទិន្នន័យធំនៅ MegaFon ពន្យល់ថា "យើងវិភាគឥរិយាបថរបស់អ្នកជាវ និងយល់ពីរបៀបដែលចំណាប់អារម្មណ៍របស់ពួកគេកំពុងផ្លាស់ប្តូរ" ។ "ឧទាហរណ៍ ឆ្នាំនេះ ចរាចរណ៍ AliExpress បានកើនឡើង 1,5 ដងបើធៀបនឹងឆ្នាំមុន ហើយជាទូទៅចំនួននៃការចូលមើលហាងលក់សំលៀកបំពាក់តាមអ៊ីនធឺណិតកំពុងកើនឡើង: 1,2-2 ដង អាស្រ័យលើធនធានជាក់លាក់។"

ឧទាហរណ៍មួយទៀតនៃការងាររបស់ប្រតិបត្តិករដែលមានទិន្នន័យធំគឺវេទិកា MegaFon Poisk សម្រាប់ស្វែងរកកុមារ និងមនុស្សពេញវ័យដែលបាត់ខ្លួន។ ប្រព័ន្ធវិភាគថាតើមនុស្សណាខ្លះអាចនៅជិតកន្លែងបាត់ខ្លួន ហើយបញ្ជូនព័ត៌មានឱ្យពួកគេជាមួយនឹងរូបថត និងសញ្ញានៃមនុស្សបាត់ខ្លួន។ ប្រតិបត្តិករបានបង្កើត និងសាកល្បងប្រព័ន្ធនេះ រួមជាមួយក្រសួងកិច្ចការផ្ទៃក្នុង និងអង្គការ Lisa Alert៖ ក្នុងរយៈពេលពីរនាទីនៃការតំរង់ទិសទៅកាន់មនុស្សបាត់ខ្លួន អតិថិជនជាង 2 ពាន់នាក់ទទួលបាន ដែលបង្កើនឱកាសនៃលទ្ធផលស្វែងរកជោគជ័យ។

ការវិភាគទិន្នន័យធំក៏បានរកឃើញកម្មវិធីនៅក្នុងឧស្សាហកម្មផងដែរ។ នៅទីនេះវាអនុញ្ញាតឱ្យអ្នកព្យាករណ៍តម្រូវការ និងរៀបចំផែនការលក់។ ដូច្នេះនៅក្នុងក្រុមក្រុមហ៊ុន Cherkizovo បីឆ្នាំមុនដំណោះស្រាយផ្អែកលើ SAP BW ត្រូវបានអនុវត្តដែលអនុញ្ញាតឱ្យអ្នករក្សាទុកនិងដំណើរការព័ត៌មានលក់ទាំងអស់: តម្លៃការចាត់ថ្នាក់បរិមាណផលិតផលការផ្សព្វផ្សាយបណ្តាញចែកចាយ Vladislav Belyaev, CIO និយាយថា។ នៃក្រុម "Cherkizovo ។ ការវិភាគនៃព័ត៌មាន 2 TB បង្គរមិនត្រឹមតែធ្វើឱ្យវាអាចបង្កើតការចាត់ថ្នាក់ប្រកបដោយប្រសិទ្ធភាព និងបង្កើនប្រសិទ្ធភាពផលប័ត្រផលិតផលប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងជួយសម្រួលដល់ការងាររបស់និយោជិតផងដែរ។ ជាឧទាហរណ៍ ការរៀបចំរបាយការណ៍លក់ប្រចាំថ្ងៃនឹងត្រូវការការងារប្រចាំថ្ងៃរបស់អ្នកវិភាគជាច្រើន - ពីរសម្រាប់ផ្នែកផលិតផលនីមួយៗ។ ឥឡូវនេះរបាយការណ៍នេះត្រូវបានរៀបចំដោយមនុស្សយន្តដោយចំណាយពេលត្រឹមតែ 30 នាទីប៉ុណ្ណោះលើផ្នែកទាំងអស់។

លោក Stanislav Meshkov នាយកប្រតិបត្តិនៃ Umbrella IT មានប្រសាសន៍ថា "នៅក្នុងឧស្សាហកម្ម ទិន្នន័យធំដំណើរការប្រកបដោយប្រសិទ្ធភាពដោយភ្ជាប់ជាមួយអ៊ីនធឺណិត។ "ផ្អែកលើការវិភាគទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាដែលឧបករណ៍នេះត្រូវបានបំពាក់ដោយវាអាចធ្វើទៅបានដើម្បីកំណត់អត្តសញ្ញាណគម្លាតនៅក្នុងប្រតិបត្តិការរបស់វា និងការពារការបែកបាក់ និងព្យាករណ៍ពីដំណើរការ។"

នៅក្នុង Severstal ដោយមានជំនួយពីទិន្នន័យធំ ពួកគេក៏កំពុងព្យាយាមដោះស្រាយបញ្ហាដែលមិនមែនជារឿងតូចតាចផងដែរ ឧទាហរណ៍ ដើម្បីកាត់បន្ថយអត្រារបួស។ ក្នុងឆ្នាំ 2019 ក្រុមហ៊ុនបានបែងចែកប្រហែល 1,1 ពាន់លាន RUB សម្រាប់វិធានការកែលម្អសុវត្ថិភាពការងារ។ Severstal រំពឹងថានឹងកាត់បន្ថយអត្រារបួសត្រឹមឆ្នាំ 2025% ត្រឹម 50 (បើធៀបនឹងឆ្នាំ 2017)។ "ប្រសិនបើអ្នកគ្រប់គ្រងជួរ - មេការ អ្នកគ្រប់គ្រងគេហទំព័រ អ្នកគ្រប់គ្រងហាង - បានកត់សម្គាល់ថានិយោជិតអនុវត្តប្រតិបត្តិការមួយចំនួនដោយមិនមានសុវត្ថិភាព (មិនកាន់ដៃចង្កូតនៅពេលឡើងជណ្តើរនៅកន្លែងឧស្សាហកម្ម ឬមិនពាក់ឧបករណ៍ការពារផ្ទាល់ខ្លួនទាំងអស់) គាត់បានសរសេរចេញ។ លោក Boris Voskresensky ប្រធានផ្នែកវិភាគទិន្នន័យរបស់ក្រុមហ៊ុននិយាយថា កំណត់ចំណាំពិសេសមួយដល់គាត់ – PAB (ពី "សវនកម្មសុវត្ថិភាពអាកប្បកិរិយា")។

បន្ទាប់ពីការវិភាគទិន្នន័យលើចំនួន PABs នៅក្នុងផ្នែកមួយ អ្នកឯកទេសរបស់ក្រុមហ៊ុនបានរកឃើញថា ច្បាប់សុវត្ថិភាពត្រូវបានបំពានជាញឹកញាប់បំផុតដោយអ្នកដែលមានការកត់សម្គាល់ជាច្រើនពីមុន ក៏ដូចជាអ្នកដែលឈប់សម្រាកឈឺ ឬវិស្សមកាលមុននេះបន្តិច។ ឧប្បត្តិហេតុ។ ការបំពានក្នុងសប្តាហ៍ដំបូងបន្ទាប់ពីត្រឡប់ពីវិស្សមកាល ឬឈប់សម្រាកឈឺមានការកើនឡើងពីរដងធៀបនឹងរយៈពេលបន្ទាប់៖ 1 ធៀបនឹង 0,55% ។ ប៉ុន្តែការធ្វើការលើវេនយប់ ដូចដែលវាបានប្រែក្លាយ មិនប៉ះពាល់ដល់ស្ថិតិរបស់ PABs នោះទេ។

អ្នកតំណាងក្រុមហ៊ុនបាននិយាយថា ការបង្កើតក្បួនដោះស្រាយសម្រាប់ដំណើរការទិន្នន័យធំមិនមែនជាផ្នែកពិបាកបំផុតនៃការងារនោះទេ។ វាពិបាកជាងក្នុងការស្វែងយល់ពីរបៀបដែលបច្ចេកវិទ្យាទាំងនេះអាចត្រូវបានអនុវត្តនៅក្នុងបរិបទនៃអាជីវកម្មជាក់លាក់នីមួយៗ។ នេះគឺជាកន្លែងដែលអ្នកវិភាគរបស់ក្រុមហ៊ុន Achilles និងសូម្បីតែអ្នកផ្តល់សេវាខាងក្រៅកុហក ដែលវាហាក់ដូចជាមានជំនាញប្រមូលផ្តុំនៅក្នុងវិស័យទិន្នន័យធំ។

លោក Sergey Kotik នាយកផ្នែកអភិវឌ្ឍន៍នៅក្រុមហ៊ុន GoodsForecast មានប្រសាសន៍ថា "ជារឿយៗខ្ញុំបានជួបអ្នកវិភាគទិន្នន័យធំៗ ដែលជាគណិតវិទូឆ្នើម ប៉ុន្តែមិនមានការយល់ដឹងចាំបាច់អំពីដំណើរការអាជីវកម្ម" ។ គាត់រំលឹកពីរបៀបដែលកាលពីពីរឆ្នាំមុនក្រុមហ៊ុនរបស់គាត់មានឱកាសចូលរួមក្នុងការប្រកួតប្រជែងការព្យាករណ៍តម្រូវការសម្រាប់ខ្សែសង្វាក់លក់រាយសហព័ន្ធ។ តំបន់សាកល្បងមួយត្រូវបានជ្រើសរើស សម្រាប់ទំនិញ និងហាងទាំងអស់ដែលអ្នកចូលរួមធ្វើការព្យាករណ៍។ បន្ទាប់មកការព្យាករណ៍ត្រូវបានប្រៀបធៀបជាមួយនឹងការលក់ជាក់ស្តែង។ កន្លែងទីមួយត្រូវបានយកដោយក្រុមហ៊ុនអ៊ីនធឺណេតយក្សរបស់រុស្ស៊ី ដែលត្រូវបានគេស្គាល់ថាមានជំនាញក្នុងការរៀនម៉ាស៊ីន និងការវិភាគទិន្នន័យ៖ នៅក្នុងការព្យាករណ៍របស់វា វាបានបង្ហាញពីគម្លាតតិចតួចពីការលក់ជាក់ស្តែង។

ប៉ុន្តែនៅពេលដែលបណ្តាញចាប់ផ្តើមសិក្សាការព្យាករណ៍របស់គាត់ឱ្យកាន់តែលម្អិត វាបានប្រែក្លាយថាតាមទស្សនៈអាជីវកម្ម ពួកគេពិតជាមិនអាចទទួលយកបានទេ។ ក្រុមហ៊ុនបានណែនាំគំរូដែលផលិតផែនការលក់ដោយមានការបញ្ជាក់ជាប្រព័ន្ធ។ កម្មវិធីនេះបានគិតពីរបៀបកាត់បន្ថយប្រូបាប៊ីលីតេនៃកំហុសក្នុងការព្យាករណ៍៖ វាមានសុវត្ថិភាពជាងក្នុងការប៉ាន់ស្មានការលក់ ដោយសារកំហុសអតិបរិមាអាចមាន 100% (មិនមានការលក់អវិជ្ជមានទេ) ប៉ុន្តែក្នុងទិសដៅនៃការព្យាករណ៍លើស វាអាចមានទំហំធំតាមអំពើចិត្ត។ Kotik ពន្យល់។ ម្យ៉ាងវិញទៀត ក្រុមហ៊ុនបានបង្ហាញគំរូគណិតវិទ្យាដ៏ល្អមួយ ដែលតាមលក្ខខណ្ឌជាក់ស្តែងនឹងនាំឱ្យហាងពាក់កណ្តាលទំនេរ និងការខាតបង់យ៉ាងច្រើនពីការលក់ក្រោម។ ជាលទ្ធផលក្រុមហ៊ុនមួយផ្សេងទៀតបានឈ្នះការប្រកួតប្រជែងដែលការគណនារបស់ពួកគេអាចត្រូវបានអនុវត្ត។

Meshkov កត់សំគាល់ថា បច្ចេកវិទ្យាទិន្នន័យធំគឺពាក់ព័ន្ធសម្រាប់ឧស្សាហកម្មជាច្រើន ប៉ុន្តែការអនុវត្តសកម្មរបស់ពួកគេមិនកើតឡើងគ្រប់ទីកន្លែងនោះទេ។ ជាឧទាហរណ៍ ក្នុងការថែទាំសុខភាពមានបញ្ហាជាមួយការផ្ទុកទិន្នន័យ៖ ព័ត៌មានជាច្រើនត្រូវបានប្រមូលផ្តុំ ហើយវាត្រូវបានធ្វើបច្ចុប្បន្នភាពជាទៀងទាត់ ប៉ុន្តែសម្រាប់ផ្នែកភាគច្រើនទិន្នន័យនេះមិនទាន់ត្រូវបានឌីជីថលនៅឡើយទេ។ វាក៏មានទិន្នន័យជាច្រើននៅក្នុងភ្នាក់ងាររដ្ឋាភិបាលផងដែរ ប៉ុន្តែពួកគេមិនត្រូវបានបញ្ចូលគ្នាទៅក្នុងចង្កោមទូទៅនោះទេ។ អ្នកជំនាញបាននិយាយថា ការអភិវឌ្ឍន៍វេទិកាព័ត៌មានបង្រួបបង្រួមនៃប្រព័ន្ធគ្រប់គ្រងទិន្នន័យជាតិ (NCMS) គឺសំដៅដោះស្រាយបញ្ហានេះ។

ទោះជាយ៉ាងណាក៏ដោយ ប្រទេសរបស់យើងគឺនៅឆ្ងាយពីប្រទេសតែមួយគត់ដែលនៅក្នុងអង្គការភាគច្រើន ការសម្រេចចិត្តសំខាន់ៗត្រូវបានធ្វើឡើងដោយផ្អែកលើវិចារណញាណ ហើយមិនមែនការវិភាគទិន្នន័យធំនោះទេ។ កាលពីខែមេសាឆ្នាំមុន ក្រុមហ៊ុន Deloitte បានធ្វើការស្ទង់មតិមួយក្នុងចំណោមអ្នកដឹកនាំជាងមួយពាន់នាក់នៃក្រុមហ៊ុនអាមេរិកធំៗ (ដែលមានបុគ្គលិកចាប់ពី 500 នាក់ឡើងទៅ) ហើយបានរកឃើញថា 63% នៃអ្នកដែលបានស្ទង់មតិគឺស៊ាំនឹងបច្ចេកវិទ្យាទិន្នន័យធំ ប៉ុន្តែមិនមានតម្រូវការចាំបាច់ទាំងអស់នោះទេ។ ហេដ្ឋារចនាសម្ព័ន្ធដើម្បីប្រើប្រាស់ពួកគេ។ ទន្ទឹមនឹងនេះ ក្នុងចំណោម 37% នៃក្រុមហ៊ុនដែលមានកម្រិតខ្ពស់នៃភាពចាស់ទុំនៃការវិភាគ ស្ទើរតែពាក់កណ្តាលបានលើសពីគោលដៅអាជីវកម្មយ៉ាងខ្លាំងក្នុងរយៈពេល 12 ខែចុងក្រោយនេះ។

ការសិក្សាបានបង្ហាញថា បន្ថែមពីលើការលំបាកក្នុងការអនុវត្តដំណោះស្រាយបច្ចេកទេសថ្មី បញ្ហាសំខាន់មួយនៅក្នុងក្រុមហ៊ុនគឺកង្វះវប្បធម៌នៃការធ្វើការជាមួយទិន្នន័យ។ អ្នកមិនគួររំពឹងថានឹងមានលទ្ធផលល្អទេ ប្រសិនបើទំនួលខុសត្រូវសម្រាប់ការសម្រេចចិត្តដែលធ្វើឡើងដោយឈរលើមូលដ្ឋាននៃទិន្នន័យធំត្រូវបានប្រគល់ឱ្យតែអ្នកវិភាគរបស់ក្រុមហ៊ុនប៉ុណ្ណោះ ហើយមិនមែនសម្រាប់ក្រុមហ៊ុនទាំងមូលទាំងមូលនោះទេ។ Miftakhov មានប្រសាសន៍ថា "ឥឡូវនេះក្រុមហ៊ុនកំពុងស្វែងរកករណីប្រើប្រាស់គួរឱ្យចាប់អារម្មណ៍សម្រាប់ទិន្នន័យធំ" ។ "ក្នុងពេលជាមួយគ្នានេះ ការអនុវត្តសេណារីយ៉ូមួយចំនួនទាមទារឱ្យមានការវិនិយោគលើប្រព័ន្ធសម្រាប់ការប្រមូល ដំណើរការ និងការត្រួតពិនិត្យគុណភាពនៃទិន្នន័យបន្ថែមដែលមិនត្រូវបានវិភាគពីមុនមក។" Alas, "ការវិភាគមិនមែនជាកីឡាជាក្រុមទេ" អ្នកនិពន្ធនៃការសិក្សាបានសារភាព។