डेटा प्रमाणे स्वीकारा: व्यवसाय मोठ्या डेटामधून नफा कसा मिळवायला शिकतात

मोठ्या डेटाचे विश्लेषण करून, कंपन्या लपलेले नमुने उघड करण्यास शिकतात, त्यांचे व्यवसाय कार्यप्रदर्शन सुधारतात. दिशा फॅशनेबल आहे, परंतु प्रत्येकजण त्यांच्यासोबत काम करण्याची संस्कृती नसल्यामुळे मोठ्या डेटाचा फायदा घेऊ शकत नाही

“एखाद्या व्यक्तीचे नाव जितके सामान्य असेल तितकेच ते वेळेवर पैसे देण्याची शक्यता जास्त असते. तुमचे घर जितके जास्त मजले असेल तितके अधिक सांख्यिकीयदृष्ट्या तुम्ही चांगले कर्जदार आहात. राशीच्या चिन्हाचा परतावा मिळण्याच्या शक्यतेवर जवळजवळ कोणताही परिणाम होत नाही, परंतु सायकोटाइप लक्षणीयपणे कार्य करते, ”कर्जदारांच्या वर्तनातील अनपेक्षित नमुन्यांबद्दल होम क्रेडिट बँकेचे विश्लेषक स्टॅनिस्लाव दुझिन्स्की म्हणतात. यापैकी अनेक नमुने समजावून सांगण्याचे काम तो करत नाही – ते कृत्रिम बुद्धिमत्तेद्वारे प्रकट झाले होते, ज्याने हजारो ग्राहक प्रोफाइलवर प्रक्रिया केली.

ही मोठ्या डेटा विश्लेषणाची शक्ती आहे: मोठ्या प्रमाणात असंरचित डेटाचे विश्लेषण करून, प्रोग्राम अनेक सहसंबंध शोधू शकतो ज्याबद्दल सर्वात बुद्धिमान मानवी विश्लेषकाला देखील माहिती नसते. कोणत्याही कंपनीकडे मोठ्या प्रमाणात असंरचित डेटा (मोठा डेटा) असतो – कर्मचारी, ग्राहक, भागीदार, प्रतिस्पर्धी यांच्याबद्दल, ज्याचा वापर व्यवसायाच्या फायद्यासाठी केला जाऊ शकतो: जाहिरातींचा प्रभाव सुधारणे, विक्री वाढ साध्य करणे, कर्मचारी उलाढाल कमी करणे इ.

मोठ्या डेटासह काम करणारे पहिले मोठे तंत्रज्ञान आणि दूरसंचार कंपन्या, वित्तीय संस्था आणि किरकोळ होते, डेलॉइट टेक्नॉलॉजी इंटिग्रेशन ग्रुप, सीआयएसचे संचालक राफेल मिफ्ताखोव्ह यांनी टिप्पणी केली. आता अनेक उद्योगांमध्ये अशा उपायांमध्ये स्वारस्य आहे. कंपन्यांनी काय साध्य केले? आणि मोठ्या डेटा विश्लेषणामुळे नेहमीच मौल्यवान निष्कर्ष निघतात का?

बँका प्रामुख्याने ग्राहकांचा अनुभव सुधारण्यासाठी आणि खर्च ऑप्टिमाइझ करण्यासाठी, तसेच जोखीम व्यवस्थापित करण्यासाठी आणि फसवणुकीचा सामना करण्यासाठी मोठ्या डेटा अल्गोरिदम वापरतात. "अलिकडच्या वर्षांत, मोठ्या डेटा विश्लेषणाच्या क्षेत्रात खरी क्रांती झाली आहे," दुझिन्स्की म्हणतात. "मशीन लर्निंगचा वापर आम्हाला कर्ज चुकवण्याच्या संभाव्यतेचा अधिक अचूकपणे अंदाज लावू देतो - आमच्या बँकेत केवळ 3,9% आहे." तुलनेसाठी, 1 जानेवारी 2019 पर्यंत, सेंट्रल बँकेच्या मते, व्यक्तींना जारी केलेल्या कर्जावरील 90 दिवसांपेक्षा जास्त थकीत पेमेंट असलेल्या कर्जाचा वाटा 5% होता.

मायक्रोफायनान्स संस्थाही बिग डेटाच्या अभ्यासामुळे हैराण झाल्या आहेत. “आज मोठ्या डेटाचे विश्लेषण न करता आर्थिक सेवा प्रदान करणे म्हणजे आकड्यांशिवाय गणित करण्यासारखे आहे,” वेबबँकीरचे सीईओ आंद्रे पोनोमारेव्ह म्हणतात, ऑनलाइन कर्ज देण्याचे व्यासपीठ. "आम्ही क्लायंट किंवा त्याचा पासपोर्ट न पाहता ऑनलाइन पैसे जारी करतो आणि पारंपारिक कर्ज देण्याच्या विपरीत, आम्ही केवळ एखाद्या व्यक्तीच्या दिवाळखोरीचे मूल्यांकन केले पाहिजे असे नाही तर त्याचे व्यक्तिमत्व देखील ओळखले पाहिजे."

आता कंपनीचा डेटाबेस 500 हजाराहून अधिक ग्राहकांची माहिती संग्रहित करतो. प्रत्येक नवीन अनुप्रयोगाचे सुमारे 800 पॅरामीटर्समध्ये या डेटासह विश्लेषण केले जाते. प्रोग्राम केवळ लिंग, वय, वैवाहिक स्थिती आणि क्रेडिट इतिहासच नाही तर एखाद्या व्यक्तीने प्लॅटफॉर्मवर प्रवेश केलेला डिव्हाइस, त्याने साइटवर कसे वागले हे देखील विचारात घेतले जाते. उदाहरणार्थ, संभाव्य कर्जदाराने कर्ज कॅल्क्युलेटर वापरला नाही किंवा कर्जाच्या अटींबद्दल चौकशी केली नाही हे चिंताजनक असू शकते. “काही स्टॉप फॅक्टर्स वगळता – म्हणा, आम्ही 19 वर्षांपेक्षा कमी वयाच्या व्यक्तींना कर्ज देत नाही – यापैकी कोणतेही पॅरामीटर्स कर्ज देण्यास नकार देण्याचे किंवा मान्य करण्याचे कारण नाही,” पोनोमारेव्ह स्पष्ट करतात. हे घटकांचे संयोजन महत्त्वाचे आहे. 95% प्रकरणांमध्ये, अंडररायटिंग विभागातील तज्ञांच्या सहभागाशिवाय निर्णय आपोआप घेतला जातो.

मोठे डेटा विश्लेषण आम्हाला मनोरंजक नमुने मिळविण्याची परवानगी देते, पोनोमारेव्ह शेअर्स. उदाहरणार्थ, आयफोन वापरकर्ते Android डिव्हाइसच्या मालकांपेक्षा अधिक शिस्तबद्ध कर्जदार असल्याचे दिसून आले - पूर्वीच्या 1,7 पट अधिक वेळा अनुप्रयोगांना मंजूरी मिळते. "सरासरी कर्जदाराच्या तुलनेत लष्करी कर्मचारी जवळजवळ एक चतुर्थांश वेळा कर्जाची परतफेड करत नाहीत हे आश्चर्यकारक नव्हते," पोनोमारेव्ह म्हणतात. "परंतु विद्यार्थ्यांकडून सहसा बंधनकारक असणे अपेक्षित नसते, परंतु दरम्यान, क्रेडिट डिफॉल्टची प्रकरणे बेससाठी सरासरीपेक्षा 10% कमी सामान्य असतात."

मोठ्या डेटाच्या अभ्यासामुळे विमा कंपन्यांनाही स्कोअर मिळू शकतो. 2016 मध्ये स्थापित, IDX रिमोट आयडेंटिफिकेशन आणि कागदपत्रांची ऑनलाइन पडताळणी करण्यात गुंतलेली आहे. या सेवांना मालवाहतूक विमा कंपन्यांमध्ये मागणी आहे ज्यांना शक्य तितक्या कमी मालाचे नुकसान करण्यात रस आहे. मालाच्या वाहतुकीचा विमा काढण्यापूर्वी, विमाकर्ता, चालकाच्या संमतीने, विश्वासार्हतेची तपासणी करतो, असे IDX चे व्यावसायिक संचालक जान स्लोका स्पष्ट करतात. एका भागीदारासोबत - सेंट पीटर्सबर्ग कंपनी "रिस्क कंट्रोल" - IDX ने एक सेवा विकसित केली आहे जी तुम्हाला ड्रायव्हरची ओळख, पासपोर्ट डेटा आणि अधिकार, कार्गोच्या नुकसानीशी संबंधित घटनांमध्ये सहभाग इत्यादी तपासण्याची परवानगी देते. विश्लेषण केल्यानंतर ड्रायव्हर्सचा डेटाबेस, कंपनीने "जोखीम गट" ओळखला: बहुतेकदा, 30-40 वर्षे वयोगटातील ड्रायव्हिंगचा दीर्घ अनुभव असलेल्या ड्रायव्हर्समध्ये माल गमावला जातो, ज्यांनी अलीकडे अनेकदा नोकरी बदलली आहे. हे देखील निष्पन्न झाले की कार्गो बहुतेकदा कारच्या चालकांकडून चोरी केली जाते, ज्याचे सेवा आयुष्य आठ वर्षांपेक्षा जास्त आहे.

किरकोळ विक्रेत्यांचे एक वेगळे कार्य आहे – खरेदी करण्यास तयार असलेल्या ग्राहकांना ओळखणे आणि त्यांना साइटवर किंवा स्टोअरवर आणण्याचे सर्वात प्रभावी मार्ग निश्चित करणे. यासाठी, प्रोग्राम ग्राहकांच्या प्रोफाइलचे विश्लेषण करतात, त्यांच्या वैयक्तिक खात्यातील डेटा, खरेदीचा इतिहास, शोध क्वेरी आणि बोनस पॉइंट्सचा वापर, इलेक्ट्रॉनिक बास्केटची सामग्री जी त्यांनी भरण्यास सुरुवात केली आणि सोडून दिली. M.Video-Eldorado समूहाच्या डेटा ऑफिसचे संचालक Kirill Ivanov म्हणतात, डेटा अॅनालिटिक्स तुम्हाला संपूर्ण डेटाबेसचे विभाजन करण्यास आणि एखाद्या विशिष्ट ऑफरमध्ये स्वारस्य असलेल्या संभाव्य खरेदीदारांचे गट ओळखण्याची परवानगी देते.

उदाहरणार्थ, प्रोग्राम ग्राहकांच्या गटांना ओळखतो, ज्यापैकी प्रत्येकाला विविध विपणन साधने आवडतात – व्याजमुक्त कर्ज, कॅशबॅक किंवा सवलत प्रोमो कोड. या खरेदीदारांना संबंधित जाहिरातीसह ईमेल वृत्तपत्र प्राप्त होते. एखाद्या व्यक्तीने पत्र उघडल्यानंतर, कंपनीच्या वेबसाइटवर जाण्याची शक्यता, या प्रकरणात लक्षणीय वाढ होते, इव्हानोव्ह नोट्स.

डेटा विश्लेषण तुम्हाला संबंधित उत्पादने आणि अॅक्सेसरीजची विक्री वाढविण्यास देखील अनुमती देते. प्रणाली, ज्याने इतर ग्राहकांच्या ऑर्डर इतिहासावर प्रक्रिया केली आहे, निवडलेल्या उत्पादनासह काय खरेदी करावे याबद्दल खरेदीदारांना शिफारसी देते. इव्हानोव्हच्या म्हणण्यानुसार कामाच्या या पद्धतीच्या चाचणीत, अॅक्सेसरीजच्या ऑर्डरच्या संख्येत 12% वाढ आणि अॅक्सेसरीजच्या उलाढालीत 15% वाढ दिसून आली.

किरकोळ विक्रेते केवळ सेवेची गुणवत्ता सुधारण्यासाठी आणि विक्री वाढवण्यासाठी प्रयत्नशील नसतात. गेल्या उन्हाळ्यात, मेगाफोनने लाखो सदस्यांच्या डेटाच्या प्रक्रियेवर आधारित "स्मार्ट" ऑफर सेवा सुरू केली. त्यांच्या वर्तनाचा अभ्यास केल्यावर, आर्टिफिशियल इंटेलिजन्सने प्रत्येक क्लायंटसाठी टॅरिफमध्ये वैयक्तिक ऑफर तयार करण्यास शिकले आहे. उदाहरणार्थ, जर प्रोग्रामने लक्षात घेतले की एखादी व्यक्ती त्याच्या डिव्हाइसवर सक्रियपणे व्हिडिओ पाहत आहे, तर सेवा त्याला मोबाइल रहदारीचे प्रमाण वाढविण्याची ऑफर देईल. वापरकर्त्यांची प्राधान्ये लक्षात घेऊन, कंपनी ग्राहकांना त्यांच्या आवडत्या प्रकारच्या इंटरनेट विश्रांतीसाठी अमर्यादित रहदारी प्रदान करते - उदाहरणार्थ, इन्स्टंट मेसेंजर वापरणे किंवा स्ट्रीमिंग सेवांवर संगीत ऐकणे, सोशल नेटवर्क्सवर चॅट करणे किंवा टीव्ही शो पाहणे.

"आम्ही सदस्यांच्या वर्तनाचे विश्लेषण करतो आणि त्यांच्या आवडी कशा बदलत आहेत हे समजून घेतो," विटाली श्चेरबाकोव्ह स्पष्ट करतात, मेगाफोनमधील बिग डेटा अॅनालिटिक्सचे संचालक. "उदाहरणार्थ, गेल्या वर्षीच्या तुलनेत यावर्षी AliExpress रहदारी 1,5 पट वाढली आहे आणि सर्वसाधारणपणे, ऑनलाइन कपड्यांच्या दुकानांना भेटींची संख्या वाढत आहे: विशिष्ट संसाधनावर अवलंबून 1,2-2 पट."

मोठ्या डेटासह ऑपरेटरच्या कामाचे आणखी एक उदाहरण म्हणजे हरवलेल्या मुलांचा आणि प्रौढांचा शोध घेण्यासाठी मेगाफोन पोइस्क प्लॅटफॉर्म. सिस्टम हरवलेल्या व्यक्तीच्या ठिकाणाजवळ कोणते लोक असू शकतात याचे विश्लेषण करते आणि त्यांना हरवलेल्या व्यक्तीचा फोटो आणि चिन्हांसह माहिती पाठवते. ऑपरेटरने अंतर्गत व्यवहार मंत्रालय आणि लिसा अलर्ट संस्थेसह सिस्टम विकसित आणि चाचणी केली: हरवलेल्या व्यक्तीकडे लक्ष देण्याच्या दोन मिनिटांत, 2 हजाराहून अधिक सदस्य प्राप्त होतात, ज्यामुळे यशस्वी शोध परिणामाची शक्यता लक्षणीय वाढते.

बिग डेटा अॅनालिसिसला उद्योगात देखील अनुप्रयोग आढळला आहे. येथे ते आपल्याला मागणीचा अंदाज आणि विक्रीची योजना करण्यास अनुमती देते. तर, चेर्किझोवो ग्रुप ऑफ कंपन्यांमध्ये, तीन वर्षांपूर्वी, एसएपी बीडब्ल्यूवर आधारित एक उपाय लागू करण्यात आला होता, जो तुम्हाला सर्व विक्री माहिती संग्रहित आणि प्रक्रिया करण्यास अनुमती देतो: किंमती, वर्गीकरण, उत्पादन खंड, जाहिराती, वितरण चॅनेल, व्लादिस्लाव बेल्याएव, सीआयओ म्हणतात. चेर्किझोवो या गटातील. जमा केलेल्या 2 TB माहितीच्या विश्लेषणामुळे केवळ प्रभावीपणे वर्गीकरण तयार करणे आणि उत्पादन पोर्टफोलिओ ऑप्टिमाइझ करणे शक्य झाले नाही तर कर्मचार्‍यांचे काम देखील सुलभ झाले. उदाहरणार्थ, दैनंदिन विक्री अहवाल तयार करण्यासाठी अनेक विश्लेषकांचे एक दिवसाचे काम आवश्यक असते – प्रत्येक उत्पादन विभागासाठी दोन. आता हा अहवाल रोबोटने सर्व विभागांवर फक्त 30 मिनिटे खर्च करून तयार केला आहे.

"उद्योगात, मोठा डेटा इंटरनेट ऑफ थिंग्जच्या संयोगाने प्रभावीपणे कार्य करतो," स्टॅनिस्लाव मेश्कोव्ह म्हणतात, अंब्रेला आयटीचे सीईओ. "उपकरणांनी सुसज्ज असलेल्या सेन्सर्सच्या डेटाच्या विश्लेषणावर आधारित, त्याच्या ऑपरेशनमधील विचलन ओळखणे आणि ब्रेकडाउन टाळणे आणि कार्यप्रदर्शनाचा अंदाज लावणे शक्य आहे."

सेव्हर्स्टलमध्ये, मोठ्या डेटाच्या मदतीने, ते क्षुल्लक नसलेली कार्ये सोडवण्याचा देखील प्रयत्न करीत आहेत - उदाहरणार्थ, दुखापतीचे प्रमाण कमी करण्यासाठी. 2019 मध्ये, कंपनीने कामगार सुरक्षा सुधारण्यासाठी उपायांसाठी सुमारे 1,1 अब्ज RUB वाटप केले. सेव्हर्स्टलला दुखापतीचे प्रमाण 2025% 50 ने कमी करण्याची अपेक्षा आहे (2017 च्या तुलनेत). “जर एखाद्या लाइन मॅनेजर — फोरमॅन, साइट मॅनेजर, शॉप मॅनेजर — च्या लक्षात आले की एखादा कर्मचारी काही विशिष्ट ऑपरेशन्स असुरक्षितपणे करतो (औद्योगिक साइटवर पायऱ्या चढताना हॅन्डरेल्सला धरत नाही किंवा सर्व वैयक्तिक संरक्षणात्मक उपकरणे परिधान करत नाही), तो लिहितो. त्यांच्यासाठी एक विशेष टीप – PAB (“वर्तणूक सुरक्षा ऑडिट” मधून),” कंपनीच्या डेटा विश्लेषण विभागाचे प्रमुख बोरिस वोसक्रेसेन्स्की म्हणतात.

एका विभागातील PAB च्या संख्येवरील डेटाचे विश्लेषण केल्यानंतर, कंपनीच्या तज्ञांना असे आढळून आले की ज्यांनी यापूर्वी अनेकदा टिप्पणी केली होती, तसेच जे आजारी रजेवर होते किंवा काही वेळापूर्वी सुट्टीवर होते त्यांच्याद्वारे सुरक्षा नियमांचे उल्लंघन केले जाते. घटना. सुट्टीतील किंवा आजारी रजेवरून परतल्यानंतर पहिल्या आठवड्यात उल्लंघन पुढील कालावधीपेक्षा दुप्पट जास्त होते: 1 विरुद्ध 0,55%. परंतु रात्रीच्या शिफ्टमध्ये काम केल्याने, PABs च्या आकडेवारीवर परिणाम होत नाही.

मोठ्या डेटावर प्रक्रिया करण्यासाठी अल्गोरिदम तयार करणे हा कामाचा सर्वात कठीण भाग नाही, असे कंपनीचे प्रतिनिधी म्हणतात. प्रत्येक विशिष्ट व्यवसायाच्या संदर्भात हे तंत्रज्ञान कसे लागू केले जाऊ शकते हे समजून घेणे अधिक कठीण आहे. कंपनी विश्लेषक आणि अगदी बाह्य पुरवठादारांची अकिलीसची टाच येथेच आहे, ज्यांनी मोठ्या डेटाच्या क्षेत्रात कौशल्य जमा केले आहे असे दिसते.

गुड्सफोरकास्टचे विकास संचालक सेर्गेय कोटिक म्हणतात, “मी अनेकदा मोठ्या डेटा विश्लेषकांना भेटलो जे उत्कृष्ट गणितज्ञ होते, परंतु त्यांना व्यावसायिक प्रक्रियांची आवश्यक माहिती नव्हती. दोन वर्षांपूर्वी त्यांच्या कंपनीला फेडरल रिटेल साखळीसाठी मागणी अंदाज स्पर्धेत भाग घेण्याची संधी कशी मिळाली ते आठवते. सर्व वस्तू आणि स्टोअरसाठी एक पायलट प्रदेश निवडला गेला ज्याचा सहभागींनी अंदाज लावला. त्यानंतर अंदाजांची वास्तविक विक्रीशी तुलना केली गेली. पहिले स्थान रशियन इंटरनेट दिग्गजांपैकी एकाने घेतले होते, जे मशीन लर्निंग आणि डेटा विश्लेषणातील कौशल्यासाठी ओळखले जाते: त्याच्या अंदाजानुसार, वास्तविक विक्रीपासून कमीतकमी विचलन दिसून आले.

परंतु जेव्हा नेटवर्कने त्याच्या अंदाजांचा अधिक तपशीलवार अभ्यास करण्यास सुरवात केली तेव्हा असे दिसून आले की व्यवसायाच्या दृष्टिकोनातून ते पूर्णपणे अस्वीकार्य आहेत. कंपनीने एक मॉडेल सादर केले जे पद्धतशीर अधोरेखित करून विक्री योजना तयार करते. प्रोग्रामने अंदाजात त्रुटींची संभाव्यता कशी कमी करावी हे शोधून काढले: विक्रीला कमी लेखणे अधिक सुरक्षित आहे, कारण कमाल त्रुटी 100% असू शकते (कोणतीही नकारात्मक विक्री नाही), परंतु जास्त अंदाज करण्याच्या दिशेने, ते अनियंत्रितपणे मोठे असू शकते, कोटिक स्पष्ट करतात. दुसऱ्या शब्दांत, कंपनीने एक आदर्श गणितीय मॉडेल सादर केले, जे वास्तविक परिस्थितीत अर्धे-रिक्त स्टोअर्स आणि अंडरसेल्समधून प्रचंड नुकसान होऊ शकते. परिणामी, दुसर्या कंपनीने स्पर्धा जिंकली, ज्याची गणना सराव मध्ये केली जाऊ शकते.

बिग डेटा तंत्रज्ञान अनेक उद्योगांसाठी उपयुक्त आहेत, परंतु त्यांची सक्रिय अंमलबजावणी सर्वत्र होत नाही, मेश्कोव्ह नमूद करतात. उदाहरणार्थ, आरोग्यसेवेमध्ये डेटा स्टोरेजमध्ये समस्या आहे: बरीच माहिती जमा केली गेली आहे आणि ती नियमितपणे अपडेट केली जाते, परंतु बहुतेक भागांसाठी हा डेटा अद्याप डिजिटायझेशन केलेला नाही. सरकारी एजन्सीमध्ये देखील भरपूर डेटा आहे, परंतु ते एका सामान्य क्लस्टरमध्ये एकत्र केलेले नाहीत. नॅशनल डेटा मॅनेजमेंट सिस्टम (NCMS) च्या युनिफाइड इन्फॉर्मेशन प्लॅटफॉर्मचा विकास या समस्येचे निराकरण करण्याच्या उद्देशाने आहे, असे तज्ञ म्हणतात.

तथापि, आपला देश एकमेव देशापासून दूर आहे जेथे बहुतेक संस्थांमध्ये महत्त्वाचे निर्णय अंतर्ज्ञानाच्या आधारे घेतले जातात, मोठ्या डेटाच्या विश्लेषणावर नाही. गेल्या वर्षी एप्रिलमध्ये, डेलॉइटने मोठ्या अमेरिकन कंपन्यांच्या एक हजाराहून अधिक नेत्यांमध्ये (500 किंवा त्याहून अधिक कर्मचारी असलेल्या) एक सर्वेक्षण केले आणि असे आढळले की सर्वेक्षण केलेल्यांपैकी 63% मोठ्या डेटा तंत्रज्ञानाशी परिचित आहेत, परंतु त्यांच्याकडे सर्व आवश्यक गोष्टी नाहीत. त्यांचा वापर करण्यासाठी पायाभूत सुविधा. दरम्यान, उच्च पातळीचे विश्लेषणात्मक परिपक्वता असलेल्या 37% कंपन्यांपैकी, जवळजवळ अर्ध्या कंपन्यांनी गेल्या 12 महिन्यांत व्यावसायिक उद्दिष्टे लक्षणीयरीत्या ओलांडली आहेत.

अभ्यासातून असे दिसून आले आहे की नवीन तांत्रिक उपायांची अंमलबजावणी करण्याच्या अडचणींव्यतिरिक्त, कंपन्यांमधील एक महत्त्वाची समस्या म्हणजे डेटासह कार्य करण्याची संस्कृती नसणे. मोठ्या डेटाच्या आधारे घेतलेल्या निर्णयांची जबाबदारी केवळ कंपनीच्या विश्लेषकांवर सोपवली गेली असेल आणि संपूर्ण कंपनीला नाही तर तुम्ही चांगल्या परिणामांची अपेक्षा करू नये. "आता कंपन्या मोठ्या डेटासाठी मनोरंजक वापर प्रकरणे शोधत आहेत," मिफ्ताखोव्ह म्हणतात. "त्याच वेळी, काही परिस्थितींच्या अंमलबजावणीसाठी अतिरिक्त डेटाचे संकलन, प्रक्रिया आणि गुणवत्ता नियंत्रण यासाठी सिस्टममध्ये गुंतवणूक करणे आवश्यक आहे ज्याचे आधी विश्लेषण केले गेले नाही." अरेरे, "विश्लेषण हा अद्याप सांघिक खेळ नाही," अभ्यासाचे लेखक कबूल करतात.