Mail.Ru Group выделила в отдельное направление работу с big data

Компания Mail.Ru Group выделила в отдельное направление работу с большими данными (big data) своих клиентов и в его рамках будет предоставляться услуги по созданию предиктивных математических моделей, проведению маркетинговых исследований, консалтингу в области развития инфраструктуры и методологии работы с большими данными, сообщается в пресс-релизе на сайте компании.

 

Директором по развитию нового направления назначен Роман Стятюгин.

 

"Компания занимается анализом данных фактически с момента основания. Накопленная экспертиза и компетенции позволяют предоставлять услуги по анализу big data сторонним заказчикам вне зависимости от географии присутствия. Прежде всего, это проекты, которые направлены на серьезное повышение эффективности процессов маркетинга и продаж, оптимизации производства, логистики, управления рисками, планирования, управления персоналом и другие рабочие процессы различных бизнесов. В этой связи было принято решение выделить эту работу в отдельное подразделение", – сообщил заместитель генерального директора Mail.Ru Group Дмитрий Сергеев.

 

Как поясняется в релизе, целью анализа больших данных является извлечение закономерностей из ограниченного объема данных с возможностью их распространения на весь массив информации. Полученная таким образом закономерность может служить моделью предсказания наступления какого-либо события и в итоге может существенно повысить эффективность бизнес-процессов организаций. К примеру, модели прогнозирования оттока клиентов, отклика на предложения, прогноз реакции на обращение через определенный канал коммуникации позволяют сделать взаимодействие с потенциальным клиентом более персонифицированным, учитывающим контекст ситуации, и тем самым добиться повышения коммерческих показателей организации.

 

В реализации таких проектов Mail.Ru Group использует как собственные технологии (например, NoSQL базы данных Tarantool), так и другие open source-решения (Apache Hadoop, Apache Spark). Предиктивные математические модели специалисты компании создают с помощью методов машинного обучения (Machine Learning), в том числе используя разработки компании, например, алгоритм построения моделей Multiclass Look-alike, являющийся развитием метода PU Learning.