Az SPSS szeptemberi hírleveléből tallózunk, melyben többek között az algoritmusok használatának növekvő szerepéről és az adatbányászati módszerek speciális felhasználási módjáról olvashatunk.

The Economist: Business by numbers, avagy az algoritmusok növekvő szerepe a vállalatok életében

A The Economist cikkében az algoritmusok növekvő fontosságáról ír, és példákon keresztül rávilágít, hogy életünk szinte minden területén különböző algoritmusok generálják az információkat. Ha egy könyvet vásárolunk az Amazon.com-on akkor is egy algoritmus segítségével ajánlanak nekünk hasonló könyveket, majd a szállításnál a logisztikai vállalat is egy algoritmus segítségével jelöli ki a legideálisabb szállítási utat, már nem is beszélve például a hitelkártyás fizetés leellenőrzéséről. Az algoritmusok elterjedésének oka, hogy az ember ilyen nagy mennyiségű digitális adathalmaz gyors feldolgozására nem képes. Ahogy az adatok mennyisége nőtt a vásárlási szokásokról szóló információktól kezdve, a médiafogyasztási szokásokon keresztül, a vásárlói igények testreszabásáig, az algoritmusok szerepe egyre fontosabb lett.

Például a hitelkártyás vásárlások növekvő száma miatt egy időben milliónyi tranzakció megy végbe, és sok esetben a kártyaszámokat a vásárló hibásan adja meg. A hibásan megadott kártyaszámot az úgynevezett Luhn algoritmus szűri ki, ami az egyik legegyszerűbb, de annál elterjedtebb algoritmus.

Egy logisztikai szolgáltató akár több millió csomagot kézbesíthet egy nap, így egy futárnak ha csak 3 kézbesítendő csomagja van, hat lehetséges útvonal között kell választania, ha azonban ez a szám növekszik, akkor a lehetséges útvonalak száma sokszorozódik, mely közül a legoptimálisabbat egy algoritmus segítségével választják ki. Ha egy átlagos futárnak napi 150 címe is lehet, akkor elképzelhető hogy az algoritmus hány lehetséges útvonal közül választja ki a legideálisabbat.

A call centerekben is elengedhetetlen az algoritmusok használata, hogy meghatározzák a bejövő hívások mely operátorhoz fussanak be, a hívás oka, a várakozók száma, és a hívó fél helye alapján. Ez azért is kiemelkedően fontos, mert ha egy nem megfelelően működő algoritmus nem a megfelelő operátorhoz irányítja a hívó felet, elégedetlenséget generálhat.

Az algoritmusok nagy mennyiségű adat rendszerezésekor is hasznosak lehetnek. A Tesco például Nagy-Britanniában Clubcard nevezetű hűségkártyát vezetett be, mely 13 millió tagja és 55 ezer termékcsoportja miatt hatalmas mennyiségű adatot generál, így feltérképezhetők a fogyasztói szokások és szegmentálhatók a vásárlók. A szegmentálás alapján személyre szabott direkt marketing üzeneteket képesek küldeni fogyasztóiknak így a válaszadási rátájuk a szokásos 1 % helyett, 10-20 % is lehet. A Tesco a polcokon lévő áruk elhelyezkedését és sorrendjét is algoritmusok segítségével határozza meg, így a valamilyen okból összetartozó, gyakran együtt megvásárolt termékek egymáshoz közel kerülhetnek.

A SPSS egyik ügyfele a ClearCommerce, mely online kerekedők számára nyújt fizetés feldolgozó szolgáltatást, a csalások kiszűrésére is használja az algoritmusokat, azáltal, hogy elemzi a vásárlók korábbi tranzakcióit. Így az egyes tranzakciók kapnak egy csalás hajlandóságra vonatkozó pontszámot, és meghúzhatják, hogy milyen pontszám felett kritikus az érték, illetve milyen lépéseket tesznek ilyen esetben. Az SPSS elnök-vezérigazgatója szerint nemcsak az algoritmusoknak kell hibátlannak lenniük, hanem a rendelkezésre álló adatbázis minősége sem mellékes. Az SPSS termékeinek nagy előnyét abban látja, hogy a hiányzó vagy megbízhatatlan adatokat ki tudja szűrni az adatbázisból mielőtt a végleges algoritmus lefutna rajta.

Természetesen a helyes következtetések levonásához kell az emberi munka is, azonban az egyre növekvő számú adatmennyiség algoritmusokkal történő elemzésével az eredmények egyre pontosabbak lesznek.

Az eredeti cikket itt olvashatja: http://www.economist.com/displayStory.cfm?story_id=9795140&fsrc=nwlbtwfree


Biztosítási csalások kiszűrés adatbányászattal

Az Accenture globális kutatásából kitűnik, hogy a biztosítók csupán 17 százaléka használ IT eszközöket a csalások kiszűrésére, pedig azok akik rendszeresen követnek el biztosítási csalásokat, egyre „okosabbak” lesznek, azaz jól ismerik a biztosítók belső scoring gyakorlatát. Pedig az olyan modern megoldások, mint a prediktív modellezés vagy a szövegbányászat lehetővé teszi, hogy a meglévő és bejövő biztosítási igények alapján a biztosítók előzetes proaktív modelleket készítsenek, összefüggéseket tárjanak fel, ezáltal a lehetséges csalásokat gyorsabban és hatékonyabban kiszűrjék.

Az Accenture amerikai mintán alapuló kutatásából kitűnik, hogy a biztosítók 37 % gyakorlatilag teljesen kezeletlenül hagyják a biztosítási igényeket, és az esetleges csalások kiszűrését az igény feldolgozójára hagyják. Pedig a biztosítási igények közel 12-15 százaléka csalásgyanús, de ennek eddig csak nagyon kis százalékát derítették fel.

A jövőben feltehetőleg elmozdulás történik a csalások felderítésére, amelyek rendszeresen és tartósan megkárosítják a biztosítókat, így egy kis beruházással hatalmas összegeket takaríthatnak meg a biztosítók.

Az eredeti cikket itt olvashatja: http://insurancetech.com/news/showArticle.jhtml?articleID=201804476&pgno=1
Itt bővebben olvashat a lehetséges IT megoldásokról és gyakorlati példák szemléltetik az egyes biztosítótársaságok gyakorlatát.