sas high-performance analytics overview (category) · 2016-03-11 · • Телеком: bell...

Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .

Текстовая аналитика


BIG DATA НЕСТРУКТУРИРОВАННЫЕ ДАННЫЕ

• в 2013 г. 25% населения земного шара использовали социальные сети

• Yandex обрабатывает более 100 млн поисковых запросов в день

• 200 млн человек используют VK, более 1 млрд - Facebook

• Каждые 60 сек на YouTube загружается 60 часов видео

• В колл-центрах крупных корпораций одновременно работают тысячи

операторов


Структурированные

данные

Полуструктурированные

данные

Неструктурированные

данные

5%

25%

70%

ИНФОРМАЦИЯ


Мониторинг Интернета

Мониторинг динамики

упоминаемости тем, личностей,...

• Выделение сообщений по

интересующим темам: статьи,

комментарии

Выделение фактов, например:

• Мероприятия

• Люди

• С кем встречался

• Интересы человека/ сообщества

• Места

• Даты

Анализ мнений – выделение

позитива/негатива

• В целом, к заданным объектам, к

характеристикам объектов

• Сравнение мнений о компании и о ее

конкурентах

• Мониторинг динамики позитива/негатива

Аналитика:

• Выявление факторов и анализ динамики

возникновения общественного резонанса

• В том числе с отображением на графе и

выделением ролей сайтов/людей/...


Выбор

тем

Динамика числа

статей

Позитив/

негатив в

статьях

Динамика числа

комментариев

Выбор

источников

Позитив/ негатив

в комментариях


Что конкретно

пишут

Динамика

сообщений/

комментариев


Динамика позитика/

негатива

Выбор тем

Выбор года

Сравнение

динамики позитива/

негатива по годам

Copyright © 2011, SAS Institute Inc. All rights reserved.

СВЯЗЬ АКТИВНОСТИ ПОЛЬЗОВАТЕЛЕЙ ИНТЕРНЕТ И

СОЦИАЛЬНЫХ ПОКАЗАТЕЛЕЙ


ИНФОРМАЦИОННЫЕ ВОЛНЫ

Информационная волна

заранее спланированное распространение провокационной информации через соцсети

Доколе ...?

Верно говорят –

правительство ...

И снова правительство не

смогло решить...

Ну правда, когда уже

правительство ... ?

Правительство – одно

разочарование. Вот опять...

Правительство

неспособно! ...


АНАЛИЗ ИНФОРМАЦИОННЫХ ВОЛН

ИДЕНТИФИКАЦИЯ

Как выявить сообщенияв одной информационной волне?

АНАЛИЗ

- Кто является источником?

- Кто наиболее эффективныйраспространитель?

- Как волна распространяетсяво времени?

Текстовая аналитикаSAS Text Analytics

Анализ социальных сетейSAS Social Network

Analytics


МОНИТОРИНГ

ИНТЕРНЕТROYAL BANK OF SCOTLAND: ВЫХОД НОВОГО ПРОДУКТА


ТАМОЖНЯ

ШВЕЦИИ

”Package” - ”Canada”, ”Vacuum containers”, ”tupperware containers”

АНАЛИЗ ТЕНДЕНЦИЙ

”Упаковка” - ”Канада”, ”Вакуумные контейнеры”, ”контейнеры Tupperware”


United States Department of Defense

inspection and audit office FEDERAL GOVERNMENT

BUSINESS GOALS

• Reduce resource strain on audits and investigations

• Analyze hot line information and prioritize investigative activities

• Seamless integration across numerous sources of data, both

structured and unstructured

RESULTS and EXPECTED RESULTS

• Better use of resources

• Faster completion of audits

• Fully auditable investigative trail

“We now can greatly increase auditing and investigation efficiencies and productivity while maintaining a high level of integrity in their chain-of-custody process. This will result in recovering greater amounts of taxpayer dollars.”Senior Auditor

United States

Department of Defense

Customer

Validated


• Письма с жалобами, предложениями, гарантийные обращения

• Данные с форумов в Интернет

• Записи операторов call-центров

• Анализ• Выявление ключевых тем жалоб

• Выявление предметов жалоб, обстоятельств инцидента/ поломки

• Анализ взаимосвязей между предметами жалоб

• Автоматизация• Настройка разбиения новых жалоб на категории

• Автоматическое распределение жалоб по подразделениям

• Мониторинг динамики числа жалоб по категориям

Анализ жалоб и обращений


SAS Text Miner

SAS Business Analytics АНАЛИЗ ЖАЛОБ И АВТОМАТИЧЕСКАЯ

ДИСПЕТЧЕРИЗАЦИЯ

Организация

• Hong Kong Efficiency Unit – объединенный колл-центр

правительственных структур и организаций

Задача

• Быстрая обработка огромного объема структурированного

и неструктурированного текста на нескольких наречиях

китайского и английском языках

Решение

• Построение интеллектуальной системы обработки жалоб

• Нахождение корневой причины жалобы в

неструктурированной информации

• Принятие решений и выработка стратегий на основе

проанализированной информации от населения

ФАКТЫ И РЕЗУЛЬТАТЫ

Обработка ежегодно около

2,65 миллиона звонков и

98 000 электронных писем

Прогноз и предотвращение

будущих жалоб, благодаря

нахождению корневой

причины


Текстовая аналитика SAS ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ

Анализ причин жалоб и их автоматическая маршрутизация

• Банки: ABSA bank, RSB

• Телеком: Bell Canada, Grameenphone Limited

• Гос. учреждения: HONG KONG EFFICIENCY

• UNIT, Government Accountability Office, US

• Прототип для РЖД

АНАЛИЗ ЖАЛОБ


SAS Text Analytics

ПОВЫШЕНИЕ КАЧЕСТВА

AMERICAN HONDA

• Выявление серьезных проблем до

момента, когда хотя бы один клиент

столкнулся с ними.

• Целостное представление всех

имеющихся данных: текстовых и

структурированных.

• Повышение надежности

автомобилей.

• Снижение расходов на доработку

автомобилей и корректировку процесса

сборки.

• Как следствие, снижение стоимости

владения для клиента и повышение его

лояльности клиентов.

• Отсутствие интеграции

между различными источниками

информации:

• БД гарантийных обращений.

• Call-центр тех. помощи.

• Call-центр для клиентов.

• Структурированные

источники.

• Данные о продажах

запчастей.

• Отсутствие возможности

выявления и предотвращения

поломок и неисправностей до

момента, когда они получат

широкое распространение.

ПРОБЛЕМА РЕЗУЛЬТАТЫ


SAS Text Analytics

ПОВЫШЕНИЕ КАЧЕСТВА

HP

• Детальный анализ жалоб и постов

клиентов относительно конкретных

продуктов и их составляющих

• Формирование требований к

следующим моделям на основе «слов»

клиентов.

• Увеличение на 50% выполненных

заказов.

• Увеличение дохода от HPDirect.com на

50%.

• 20% увеличение ROI по кампаниям.

• 42% увеличение ROI по

маркетинговым активностям.


анализа всех доступных данных:

• 900 Тб

• 2.5 млрд взаимодействий с

клиентами: сайт, call-центр,

чаты с клиентами.


углубленного анализа текстовых

источников.

ПРОБЛЕМА РЕЗУЛЬТАТЫ


ОБОГАЩЕНИЕ

ИНФОРМАЦИИ

ПО КЛИЕНТАМ:

КОНЦЕПЦИЯ

Интересы Социальный

сегмент

Важные события в жизни

Профиль личности

Новые

характеристики

клиентов

Повышение

точности

моделей

Целевой маркетинг Риск-менеджмент

+ ищет кредит онлайн+ увлекается экстримом- алкоголик- тунеядец

+ Data Mining(SAS EM)


ПРОВАЙДЕРЫ ТЕКСТОВЫХ ДАННЫХ – ПАРТНЕРЫ SAS

1. Liveinternet: поисковые запросы и посещенные web-страницы клиентов за последние 84 дня. Сервис работает в реальном времени (отклик - менее 1 сек)

2. Sociohub: Унифицированное содержимое страниц клиентов из 4 соцсетей VK + FB + Одноклассники + Мой Мир + [позже] hh.ru Посты (last 50), названия и описания групп, интересы и др.

3. Центр Речевых Технологий: Автоматический перевод в текст записей разговоров из колл-центра и голосовая биометрия


SAS Text Analytics РАЗЛИЧНЫЕ ПОДХОДЫ К АНАЛИЗУ ТЕКСТОВ

лингвистические методыnatural language processing

статистические методымашинное обучение

Enterprise

Content

Categorization

Text MiningSentiment

Analysis

Ontology

Management


ПОЧЕМУ SAS TEXT ANALYTICS

Самый широкий на рынке набор алгоритмов для работы с текстовыми данными “Who is who in Text Analytics” - Gartner, 2012

Легкая интеграция SAS Text Analytics с SAS Enterprise Miner: непрерывный процесс анализа текстовой информации и её использования в аналитических моделях

Интуитивно понятный интерфейс: получение моделей оптимального качества и ключевых фактов даже неспециалистом в лингвистике

Интеграция с SAS RTDM для принятия решений в реальном времени

sas high-performance analytics overview (category) · 2016-03-11 · • Телеком: bell...

Documents