EOS and other financial actors already use data to generate knowledge for the business. With prescriptive analytics, the use of data continues to develop and poses itself the question: What actions should be performed for a particular outcome?
Какво да правим сега с това? Понятието “Големи масиви от данни” звучи модерно и важно, но не всяка фирма е готова да борави смислено с големи количества от данни.

Използване на данните на ново ниво: Защо финансовият сектор трябва да се заеме с прескриптивен анализ и дигитални „близнаци”.

Изчисляването на прогнози, основаващи се на усреднени стойности, е вече в миналото: Днес предприятията могат да провеждат сложни симулации за всеки един клиент – с помощта на „живи” данни.

Извеждането на познания за бизнеса от големите масиви от данни не е нищо ново за финансовия сектор. Изчисления с използване на модели и симулации е имало също много преди преекспонираното понятие „големи масиви от данни”. Новото, обаче, е развойната дейност, която се изразява чрез понятията „прескриптивен анализ” и дигитални „близнаци”. Тя може да промени цели индустрии: Анализът на данните и намирането на решения се сближават до степен, която доскоро не би била възможна.

Това става най-ясно при дигиталните „близнаци”, една концепция, която произлиза от преработвателната индустрия. Дигиталният „близнак” в случая е компютърна симулация на един единствен компонент или на една цяла машина. Което всъщност не е нищо ново – отдавна инженерите проектират компоненти на компютъра и изчисляват с помощта на характеристиките на материалите дали те ще се справят със задачата си. След това проектните данни се прехвърлят към всякакви други екземпляри.

Due to the large amount of data collected at companies, it is possible to create digital twins. This means that predictions can be made for each component on the basis of data. Even customers can be represented by digital twins.
разнообразие от източници: Дигиталните „близнаци” са възможни само при наличието на изобилие от данни за консумацията и поведението, които хората произвеждат в ежедневието.

Each physical version gets its own live simulation

При дигиталните „близнаци” вместо това за всеки екземпляр се изтегля копие на инженерния проект и то постоянно се захранва с данни. Къде се прилага компонентът, каква е околната среда, колко силно е натоварен? Така инженерите могат предварително да изчислят общия експлоатационен живот на всеки един компонент, как е възможно той да се държи и на какви натоварвания може да издържи – дори не средно, а доста точно за този екземпляр с неговата индивидуална, непрекъснато актуализирана история.

Данните за този контрол в реално време се доставят от мрежовите сензори в машините и компонентите, които все повече се разпространяват в индустрията – често споменаваният „Интернет на нещата”. Според едно изследване на предприятието за пазарни проучвания Gartner половината от големите индустриални предприятия ще внедрят технологията на „близнаците” до 2021 г.

Дори и клиентите могат да бъдат изобразени като дигитални „близнаци”

Дори и хората се оставят все повече и повече да бъдат регистрирани от сензори и произвеждат данни, свързани с поведението и консумацията, в неподозиран досега мащаб. Това всъщност улеснява създаването на дигитални „близнаци” във финансовия сектор. Те могат например да симулират решения по отношение на реални банкови клиенти – много по-точно от изчисленията въз основа на усреднените стойности. Дигиталният „близнак” тук се създава въз основа на социодемографски, финансови и здравни данни, както и на познания в резултат от изследванията на поведението. Към тях се добавят данните на предприятието. Благодарение на постоянното вливане на нови познания за навиците за разходи и спестяване на клиента, неговият виртуален близнак постоянно усвоява нещо ново. Накрая, например, може да се изработи оптимална стратегия за спестяванията или инвестициите по отношение на клиента – в случай, че той е съгласен със съответната правомерна обработка на неговите данни.

Прогнозиране на последиците от собствените действия с помощта на данни

Даване на препоръки за действия въз основа на анализи на данни – тази идея лежи в основата на концепцията за „прескриптивния анализ”. Звучи подобно на „прогнозния анализ”, който стана известен главно благодарение на Amazon: въз основа на своята база данни търговският гигант непрекъснато изчислява кой, с каква вероятност, кога, къде и какви продукти ще поръча и съответно управлява своите потоци на стоки. Прескриптивният анализ отива една стъпка по-напред: При него компютрите въз основа на актуалните данни изчисляват различни варианти за действие, проиграват ги в симулация, изпитват последиците на различните сценарии и след това издават препоръка за действие.

Пакетната услуга UPS, например, следи с помощта на сензори своите товарни автомобили, техните места за престой и задръстванията. С познанията тя оптимизира маршрутите на износителите. Хуан Перез, генерален директор „Информация” на UPS, обяснява: „Ако само в САЩ съкратим пътя на всеки шофьор с една миля на ден, за една година спестяваме 50 милиона долара.”

Copyrights: Getty Images

Печат