[Čo čítajú CRM experti] Filip Vítek – To najlepšie z roku 2016

Som vášnivý čitateľ. To však ľudia, čo ma poznajú dobre, už vedia dávno. Čo už nie je až tak známe, že si vediem aj pomerne detailný čitateľský denník. Na prelome rokov tak môžem detailne bilancovať, k čomu sa za ostatný rok “prečítal”. Môj čitateľský fanatizmus by dokázal vyrobiť niekoľko ohromujúcich grafov, ale tento blog má byť o niečom inom. Tak sa v tomto odseku obmedzím len na stručné konštatovanie, že ROK 2016 bol pre mňa zatiaľ najúšpešnejším rokom: rukami (ale hlavne očami) mi prešlo 55 kníh, čo malo za následok 12 263 prečítaných a ďalších 4 089 rozčítaných strán. Poďme však preč od tej kvantity …

Knihy sú špecifický tovar, ktorý predstavuje veľkú časovú investíciu a preto oveľa viac ako počet strán je dôležitý samotný prínos knihy. To je dôvod, prečo radšej ako farebným grafom o mojej čitateľskej úchyľke, by som rád nasledujúce riadky venoval výberu TOP z mojich 2016 kníh, ktorý môže možno inšpirovať aj niekoho z vás. Aby som udržal určitý balans medzi pracovným a relaxačným rozmerom čítania (áno, knihy čítam aj aby som si oddýchol), rozdelil som knihy prečítané v roku 2016 do ucelených skupín:

Odborné knihy – Marketing, Obchod a Analýza dát

Superforecasting: The Art and Science of Prediction

Autor(i): Philip E. Tetlock, Den Gardner ISBN: 978-0804136693 Počet strán: 352 Jazyk: angličtina

Prečo som ju čítal: Fascinujúca kniha o tom, ako sa človek môže zlepšiť v predikovaní javov. Často napriek tomu, že im nerozumie.

Kúpiť knihu :

Small Data: The Tiny Clues That Uncover Huge Trends

Autor(i): Martin Lindstrom ISBN: 978-1250080684 Počet strán: 256 Jazyk: angličtina

Prečo som ju čítal: Kniha, ktorá sa snaží vybalansovať hystériu ohľadne BigData. Obsahuje veľa zaujímavých market research príkladov, aj keď autor (bez toho, že by to sám pochopil) sa na konci vlastne vráti k BigData. Stále však pútavé čitanie.

Kúpiť knihu :

Data Intelligence: Computer Science Principles

Autor(i): Ashok Rangaswamy ISBN: 978-0996025539 Počet strán: 41 Jazyk: angličtina

Prečo som ju čítal: Jedno zo sklamaní roku 2016. Rýchly e-book, ale trošku plytký v obsahu, odporúčam len pre úplných začiatočníkov do analytiky a Big Data

Kúpiť knihu :

Story telling with data

Autor(i): cole nussbaumer knaflic ISBN: 978-1119002253 Počet strán: 267 Jazyk: angličtina

Prečo som ju čítal: Asi najlepšia kniha o tom ako robiť grafy a slidy do prezentácie, akú som čítal. Prudko odporúčam tým, čo musia často premienať excely na powerpointy.

Kúpiť knihu :

Intuitivní marketing pro 21. století

Autor(i): Miloš Toman ISBN: 978-8072613991 Počet strán: 163 Jazyk: čeština

Prečo som ju čítal: Kúpil som si ju na základe skvelých predchádzajúcich kníh z tejto série. Táto najnovšia kniha sa zameriava na malých podnikateľov a hovorí jasne ich rečou. V niektorých zákrutách však už cítiť, že autor verí skôr starším ako novým cestám k úspechu. Poteší konzervatívnych podnikateľov.

Kúpiť na :

Marketing podle cílových skupin

Autor(i): Jochen Kalka, Florian Allgayer ISBN: 978-8072613991 Počet strán: 270 Jazyk: čeština

Prečo som ju čítal: Trochu dvojsečná kniha, ak sa nepoužíva s nadhľadom, môže spôsobiť viac škody ako úžitku. V princípe sa snaží ukázať generickú segmentáciu zákazníkov (typu nominačná segmentácia) naprieč všetkými odvetviami. Môže však slúžiť ako inšpirácia, čo všetko by ste mali vedieť o klientoch, keď budete robiť nejakú svoju segmentáciu. PRUDKO neodporúčam začať hľadať spomínané segmenty vo svojom biznise!

Kúpiť na :

Ecommerce Evolved

Autor(i): Tanner Larsson ISBN: 978-1534619340 Počet strán: 332 Jazyk: angličtina

Prečo som ju čítal: Veľmi zaujímavé čítanie pre tých, čo majú alebo chcú mať úspešný e-shop. Autor ponúka (trošku manipulatívnym jazykom) užitočné rady ako robiť E-commerce v novej dobe.

Kúpiť knihu :

How Brands Grow: What Marketers Don’t Know

Autor(i): Byron Sharp ISBN: 978-0195573565 Počet strán: 228 Jazyk: angličtina

Prečo som ju čítal: Dosť kontroverzná kniha o tom, ako robiť marketing. Ostro vystupuje proti CRM a tak ma zaujímalo, ako si to autor predstavuje. Vo veľa veciach ma nepresvedčil, ale neľutujem. Bolo to zaujímavé čítanie. Dobrý tip na darček, ak chcete zneistiť alebo nasrdiť CRM manažéra.

Kúpiť knihu :

Odborné knihy – Zdravotníctvo

Health Analytics: Gaining the Insights to Transform Health Care

Autor(i): Jason Burke ISBN: 978-1118383049 Počet strán: 252 Jazyk: angličtina

Prečo som ju čítal: Veľmi zaujímavé pohľady, čo všetko a ako je možné analyzovať v Zdravotníctve a aké benefity od toho možno očakávať. Kniha vysvetľuje aj to, ktoré časti CRM z bežného biznisu je reálne preniesť do Zdravotníctva.

Kúpiť knihu :

Reengineering Health Care: A Manifesto for Radically Rethinking Health Care Delivery

Autor(i): Jim Champy, Harry Grrenspun ISBN: 978-0137052653 Počet strán: 227 Jazyk: angličtina

Prečo som ju čítal: Kto pozná Jima Champyho z 90.rokov, nebude ani chvíľu váhať. Pre ostatných len stručne: Sada fascinujúcich (a pritom jednoduchých) spôsobov ako readikálne zmeniť poskytovanie zdravotnej starostlivosti. Som odhodlaný pošlať jednu kópiu tejto knihy T. Druckerovi.

Kúpiť knihu :

Health Care Market Strategy

Autor(i): Steven G. Hillestad, Eric N. Berkowitz ISBN: 978-0763789282 Počet strán: 358 Jazyk: angličtina

Prečo som ju čítal: Vysvetľuje polopate ako viesť zdravotné zariadenie na trhových princípoch. Napísané štýlom, že aj primár, ktorý sa stal riaditeľom nemocnice, by si mal z toho odniesť pointu (ak bude chcieť).

Kúpiť knihu :

Odborné knihy – Informačné technológie

Introduction to Algorithms

Autor(i): Udi Manber ISBN: 978-0201120370 Počet strán: 478 Jazyk: angličtina

Prečo som ju čítal: Na odporúčanie kolegu našiel som túto hutnú knihu, ktorá vysvetľuje podstatu všetkých algortimov, ktoré budete potrebovať na Artificial Intelligence v biznise. Pozor! Čítanie iba pre ľudí, ktorí sa neboja ťažšej matematiky.

Kúpiť knihu :

Big Data Science & Analytics

Autor(i): Arshdeep Bahga ISBN: 978-0996025539 Počet strán: 541 Jazyk: angličtina

Prečo som ju čítal: Ak sa potrebujete zorientovať v tom, ako inak vyzerá analýza dát v Big Data prostredí, tak toto je vhodná kniha. Po jej prečítaní budete schopný/á zapojiť sa do Big Data projektov alebo si začať sám(a) takýto projekt.

Kúpiť knihu :

Programming Hive

Autor(i): Edward Capriolo, Dean Wampler, Jason Ruthergen ISBN: 978-1491934456 Počet strán: 350 Jazyk: angličtina

Prečo som ju čítal: Ak sa chcete motať okolo Hadoopu, tak Hive je jedna z (mnohých) technológii, ktoré by ste mali poznať. V tejto knihe sa dá naučiť všetko podstatné na spustenie Hive programovania.

Kúpiť knihu :

Mining the Social Web

Autor(i): Matthew A. Russell ISBN: 978-1449367619 Počet strán: 332 Jazyk: angličtina

Prečo som ju čítal: Potrebujete pochopiť ako funguje zbieranie dát zo sociálnych sietí? Tak si tu prečítajte, ako to beží, a aké úskalia majú jednotlivé sociálne siete.

Kúpiť knihu :

R for Marketing Research and Analytics

Autor(i): Matthew A. Russell ISBN: 978-3319144351 Počet strán: 454 Jazyk: angličtina

Prečo som ju čítal: Dátová analytika sa v dohľadnej dobe vyberie skôr smerom opensource systémov. Tieto veci sa však u nás (takmer) nikde nedozviete, preto odporúčam napríklad túto knihu, ktorá je písana veľmi polopate.

Kúpiť knihu :

Web Data mining

Autor(i): Bing Liu ISBN: 978-3642194597 Počet strán: 622 Jazyk: angličtina

Prečo som ju čítal: Veľmi tažká a hutná kniha, ktorá však vysvetľuje postupy na všetky dôležité dolovania dát z webu. Čítanie skôr pre programátorov a IT ľudí ako pre biznis ľudí. Vyberte si kapitolu, nečítajte zaradom.

Kúpiť knihu :

Knihy na relax a zamyslenie

Poslední vzpoura bílých mužů

Autor(i): Tomáš Klvaňa ISBN: 978-8090572089 Počet strán: 237 Jazyk: čeština

Prečo som ju čítal: Hlbšie vysvetlenie spoločenského rozpoloženia, ktoré predchádzalo americkým voľbám, v ktorých bol zvolený Trump. Autorovi kvitujem rozhľad, trošku mi tam však chýba “lepidlo” medzi kapitolami.

Kúpiť na :

Ani smrť nerozdelí: Príbeh Oskara Fegyveresa, korunného svedka únosu prezidentovho syna

Autor(i): Matúš Burčík ISBN: 978-8055901336 Počet strán: 160 Jazyk: slovenčina

Prečo som ju čítal: Smutný životný príbeh človeka, ktorý bol na začiatku hrdinom, až nakoniec padol nebezpečne blízko úplného dna spoločnosti. Kompletne popísaná najväčšia kauza našej tajnej služby.

Kúpiť na :

Tržní farma

Autor(i): Nicolas Bradbury ISBN: 978-8074700880 Počet strán: 189 Jazyk: čeština

Prečo som ju čítal: Paródia na naše spoločneské zriadenie, ktoré vysvetľuje vtipne zlatý štandard a finančnú krízu jazykom, ktorému rozumie aj 5 ročné dieťa.

Kúpiť na :

Báječne léta pod psa

Autor(i): Michal Viewegh ISBN: 978-8072273430 Počet strán: 189 Jazyk: čeština

Prečo som ju čítal: Neskutočne zábavný román od Viewegha, pri ktorej sa budete podozrivo často chlámať. Neodporúčam čítať pri jedle 🙂

Kúpiť na :

Až na samé dno

Autor(i): Jorn Lier Horst ISBN: 978-8081593574 Počet strán: 250 Jazyk: slovenčina

Prečo som ju čítal: Skvelá severská detektívka, ďalší diel zo strhujúcej série od tohto autora.

Kúpiť na :

Žena v kleci

Autor(i): Jussi Adler-Olsen ISBN: 978-8072945108 Počet strán: 400 Jazyk: čeština

Prečo som ju čítal: Trochu strašidelná, ale inak výborná, serverská detektívka. Počas roka som čítal viac kníh zo série tohto autora.

Kúpiť na :

Osamelý Strelec (Rogue Lawyer)

Autor(i): John Grisham ISBN: 978-8055149691 Počet strán: 344 Jazyk: slovenčina (alebo angličtina)

Prečo som ju čítal: Thriller z právnického prostredia. Ako vždy u Grishama, stávka na skvelý a napínavý zážitok.

Kúpiť na :

Škoricovník II – Zrkadielko

Autor(i): Martin Jurík, Michal Ružička ISBN: 978-8081148156 Počet strán: 240 Jazyk: slovenčina

Prečo som ju čítal: Bláznivá fantasy kniha, ktorú napísal môj kamarát. Občas treba ulietnuť a vypnúť aj nad takýmito knihami. Odporúčam však najprv prečítať si prvú časť série, aby ste chápali aspoň osoby a obsadenie 🙂

Kúpiť na :

Hedvábnik

Autor(i): Robert Galbraith ISBN: 978-8025903650 Počet strán: 480 Jazyk: čeština

Prečo som ju čítal: Trošku rozvláčna, ale ináč zaujímavá, britská detektívka, ktorú pod novým pseudonymom napísala J.K.Rowlingová (autorka Harryho Pottera).

Kúpiť na :

7 kníh od Dominika Dána

Jazyk: slovenčina

Prečo som ju čítal: Proste som musel doplniť svoje nedbalé resty z tohto skvelého slovenského autora detektívnych románov.

Kúpiť na :

Ak sa chcete o kúpe niektorej z kníh (neverejne) poradiť, neváhajte mi napísať na info@mocnedata.sk

Registrovaní čitatelia portálu Mocné Dáta majú k dispozícii aj dodatočné, neverejné blogy. Ak ešte nie ste registrovaným členom, zadarmo sa ním môžete stať tu.

Čo čakať od CRM v roku 2017

5 CRM expertov radí, na čo si dať pozor v roku 2017

Čo čítajú iní CRM experti

Milan Schnorrer – Ako lepšie robiť marketing rozhodnutia

Ďalšie zaujímavé knihy …

Späť na domovskú stránku

5 expertov predstavuje trendy CRM v 2017

Tak ako som avizoval už pri spustení portálu Mocné dáta, jednou zo zásadných zmien oproti starším blogom je, že chcem sprostredkovať názor aj ostatných expertov v CRM oblasti. Prelom rokov je vždy najpríhodnejšia chvíľa na predstavenie trendov, ktoré nás v roku 2017 postretnú. Požiadal som preto niekoľko ďalších autorov, aby sa ku mne pridali a spoločne predstavili ako vidia CRM rok 2017.

Daniel Minárik: Big dáta, náš ďalší problém

Z hľadiska efektívneho využitia a práce s dátami je väčšina spoločností v rámci regiónu stále len v plienkach. Po období, kedy sa riešilo ako sa vôbec k nejakým dátam dostať, je momentálne hlavnou otázkou, ako tieto dáta efektívne spracovať a aké výstupy sledovať. Najlepším príkladom je maloobchod, ktorý za posledné roky z hľadiska technológii urazil dlhú cestu: momentále dokážeme sledovať okrem dnes už štandardných vecí (nákupné správanie, kompozícia košíka) aj to ako sa zákazník po predajni pohybuje alebo či je v okolí predajne a podobne.

Problém však vzniká v efektivite spracovania dát z týchto rôznych zdrojov, keď všetko aj tak končí v Exceli a v priemere 80% času zamestanci strávia len tým, aby sa dostali k “použíteľným” výstupom. Ako najväčší “challenge”, ktorý sa snažíme riešiť, vnímam práve normalizáciu dát a reportingu. Čo sa týka CRM alebo budúcnosti vernostných programov, je očakávaný výrazny presun do mobilného prostredia a väčšie využitie proximity marketingu a technológii ako iBeacon a podobne.

Kto je Daniel Minárik:

Founder and CEO of Korner Analytics – business intelligence solution for retail, wholesale, shopping malls and banking. Winner of Entrepreneurial Idea of 2012 and Telekom Business Wall of Fame 2015.

Hana Kvartová: Za CRM budú hroziť od budúceho roka veľké pokuty

V roku 2017 bude určite pokračovať trend čoraz väčšieho využívania dát z online prostredia (ako sa človek správa na web stránkach, mobilných aplikáciach…) a snaha o obohatenie profilu klienta týmito údajmi, ako aj interakciu s klientom v reálnom čase.

Avšak podla mňa – hlavne vo väčších inštitúciach – marketérom hlavu zamotá nová regulácia ochrany osobných údajov z Európskej Únie (General Data Protection Regulation), ktorá bude platné od 25. mája 2018 pre všetkých podnikateľov. Za jej neplnenie hrozia naozaj seriózne pokuty. Stále je ešte nejasné, ako presne bude musieť byť aplikovaná, ale pokiaľ sa potvrdia najčiernejšie scenáre, organizácie budú potrebovať konkrétny súhlas aj na profilovanie klienta (spájania dát z dvoch rôznych databáz). Viem si predstaviť, že to svetom CRM silne zahýbe a budeme musieť byť veľmi kreatívni.

Na začiatku roka však chcem byť pozitívna a tak verím, že to nakoniec dopadne dobre a prispeje to práve naopak k lepšiemu prehľadu v dátach o klientoch a k ich lepšiemu využívaniu.

Kto je Hana Kvartová:

Celý kariérny život zasvätila Customer Intelligence a CRM témam, aktuálne pôsobí ako Country Manager pre ČR a SR pre SAS, jedného zo svetových lídrov v oblasti software na analýzu klientskych dát.

********* Nič už nezmeškáš! Na blogu Mocné dáta vznikla skupina pravidelných čitateľov, ktorí dostanú avízo na každý nový článok. Pridaj svoj email tu. *********

Milan Schnorrer: 2017 = Biznis kreatíva + stratégia nad dátami

Technológie zberu, vyhodnocovania a práce s dátami sú čoraz dostupnejšie. Preto v 2017 sa opäť rozšíri počet firiem, ktoré tieto technológie nasadia. Zároveň však narazia na hranicu svojich možností a po implementácii si položia otázku: “Ok, a čo ďalej?”

Teda napriek tomu, že firmy dosiahnu pokrok v práci s dátami, hrozí im že sa stanú obeťou vlastnej tzv. “dátovej prokrastinácie“. Budú sa venovať vyhodnocovaniu nepodstatných indikátorov a budú sa znažiť doladiť produkt alebo službu, ktorú v skutočnosti treba vylepšiť od základu.

Firmy tak síce dosiahnu marginálne zlepšenia, ale naozaj najdôležitejšie rozhodnutia budú stále tlačiť pred sebou. Najväčší insight sa totiž často ukrýva mimo firemných dát. Tie totižto neraz demaskujú aj súčasný nedokonalý stav (zakiaľ podľa interných dát to vyzerá klamlivo ružovejšie). V roku 2017 preto pre firmy najväčšou výzvou nebude upratovanie dát, ale oveľa viac biznis kreatíva a upratanie si vlastnej stratégie. Jedine dobrá kreatíva, ktorá je z časti podporená dátami, má šancu dosiahnuť veľkú zmenu. V roku 2017 preto želám všetkým, aby si našli čas prejsť sa občas v lese. Nájdete tam viac insightov ako v Googli alebo v neupratanom dátovom sklade.

Kto je Milan Schnorrer:

Jeden z mála ľudí v našich kruhoch so skutočným vzdelaním v Kvantitatívnom marketingu (získal ho v Holandskom Groningene). V oblasti Direct marketingu a vernostných programov citlivo balansuje na hrane medzi kreatívnym (art) a vedeckým (science). Milan je zároveň aj jedným z Pricewise partnerov na pozadí vernostných programov GoPass či Medusacard, s ktorými sa môžete stretnúť na lyžiarskych svahoch, či v sieti reštaurácii Medusa Group. Miluje lyžovanie a horskú cyklistiku. Pre jeho vášeň k šermu by som však neodporúčal skrížiť s ním kordy.

Miroslav Milán: Omilostenie cloudu a Digitálne produkty

Personalizácia a interná monetizácia. V energetickom biznise budú firmy riešiť v roku 2017, vďaka rozvoju dataminingu, stále viac personalizonalizovanú ponuku na mieru. Snahou bude prepájať interné dáta čoraz viac s dátami z onlinu. Vďaka neustálej evanjelizácii v oblasti dátovej analytiky sa povedomie o hodnote dát začne aj v tomto sektore zvyšovať a nebude sa hľadať len v retencii klientov.
Smart home a digitalizácia. Po vzore vyspelejších trhov sa (i vďaka dátam) dostane aj v utilitách do popredia trend smart home. Digitalizácia sa začne postupne dostávať aj do zákazníckych procesov. Online zákaznícke portály budú viacej personalizované a viac založené na UX zážitku. Zákazníci v rámci smart home budú môcť viac využívať smart technológie pre pohodlie svojho domova od bezpečnosti až po šetrenie energiou.
Cloud a DWH modernizácia. Cloudové riešenia postupne začnú byť brané na milosť aj vo väčších korporáciách. Súčasné DWH prestanú postupne stačiť potrebám biznisu, ktorý sa začne viac zaujímať, ako interné dáta prepojiť s big dátami z onlinu. Začne rásť dopyt po skúsených dátových scientistoch, ktorých hodnota pre firmy prevýši hodnotu niektorých manažérov.

Kto je Miroslav Milán:

Absolvoval Národohospodársku fakultu na Ekonomickej univerzite v Bratislave. Viac ako 10 rokov pôsobí v SPP v riadiacich pozíciách v oblasti marketingovej stratégie, výskumu trhu, analýz a BI. V SPP riadil projekt implementácie dataminingu zákazníckych dát, vrátane prediktívnej analytiky. V súčasnosti v SPP zodpovedá za oblasť analýz a biznis intelligence.

Filip Vítek: Udeje sa toho viac, ako sme si schopní pripustiť

Keďže tempo zmien a inovácii sa pekelne zrýchľuje z roka na rok, som presvedčený, že v roku 2017 sa toho udeje v oblasti CRM a klientskych dát viac, ako sme si ochotní pripustiť. Skúsim preto vypichnúť telegraficky iba tie najvypuklejšie vplyvy.

Konvenčný politický marketing dostal v roku 2016 na frak (tak na lokálnej ako aj svetovej úrovni). V 2017 sa preto rozbehnú horúčkovité preteky ako spresniť volebnú dátovú analytiku. Jedni budú hľadať presnejšie dáta, iní budú testovať nové guerilla techniky nad tými existujúcimi.

V Telco biznise sa budú u operátorov naďalej otvárať nožnice medzi zozbieranými a skutočne monetizovanými údajmi o klientoch, zvyšujúci sa tlak povedie k zvýšeniu počtu start-upov alebo spin-offov ako je slovenský Market Locator. Prebudia sa šípkové ruženky dátovej analytiky, Utility. Rýchlo však zistia, že z dát zo smart-metrov nevedia sami postaviť produkty pre klientov, budú preto hľadať pomoc u západnych “súrodencov” alebo preplácať teamy z retailových a finančných firiem.

Naplno prepukne kríza s hiringom Data scientistov (podľa odhadov, v ČR a SR je cca 80 ľudí schopných robiť túto prácu, ročný prírastok je cca 30 ľudí), začnú vzniknať opevnené hrady (Deloitte v Prahe) alebo butikové analytické firmy (Essential data, Pygmalios, …). Banky a iné mainstream odvetvia, ako sa hovorí ľudovo, “utrú hubu na prázdno”. To len prehĺbi ich analytickú zaostalosť oproti napredujúcim odvetviam.

Aj v našich končinách začnú vznikať prvé čisto Pay-By-Data biznisy (klient bude mať celú službu úplne zadarmo výmenou za súhlas s analyzovaním a predajom jeho dát). Najhorúcejšími kandidátmi budú FinTech, Maloobchod a Zdravotníctvo. Na druhej strane sa objavia prvé usecasy na komerčné použitie Boring Data (dáta o správaní klientov v zdanlivo nezaujímavých odvetviach ako municipality, či doprava, viď samostatný blog k tejto téme). Do popredia pôjde aj Prediktívny UX, nová vlna analytiky na predikovanie klientskeho zážitku. Vďaka tlaku IT komunít v mnohých krajinách sa konečne posunú vpred OpenData (verejne dostupné registre dostupné cez API), vznikne samostatná vetva integračných projektov na zakomponovanie týchto registrov do aplikácií a procesov firiem.

Kto je Filip Vítek:

CRM Expert, blogger a speaker. Analyzovanie klientskych dát je pre neho už viac ako 12 rokov nielen prácou, ale aj vášňou. Slovensko je, žiaľ, jedna z tých meších krajín, kde expertných diskusií o napredovaní CRM, Big Data či analýzy dát je veľmi málo. Aby sme sa s tým nemuseli len zmieriť, pokúša sa Filip blogom Mocné dáta rozdúchať pahrebu CRM napredovania. Ako sám často hovorí, jeho pohnútky vystihuje citát: „Predieraj sa húštinou, aby po Tebe zostal chodník“

– – – – – –

Týmto v mene portálu Mocné dáta ďakujem všetkým panelistom za príspevok z ich krištáľových gulí na 2017. Na záver si dovolím jednu konkrétnejšiu predpoveď: na rok 2017 je pripravených viac ako 50 nových článkov na Mocné dáta (z ktorých niektoré budú adresovať priamo aj témy tu spomenuté). Blogy budú vychádzať priebežne, preto ak nechete žiaden z nich zmeškať, pridajte sa do skupiny pravidelných čitateľov, ktorí bezplatne dostávajú avízo na každý nový blog na tejto stránke.

Späť na domovskú stránku

Deep alebo Machine Learning – viete aký je medzi nimi rozdiel?

Artificial Intelligence, Strojové učenie, Učiace sa algoritmy. Média na nás strieľajú tieto výrazy zo všetkých strán. Občas sa preto zlejú do spoločnej guče aj pojmy, ktoré nie sú úplne synonymami. Tak sa stáva, že si ľudia zamieňajú aj pojmy Machine Learning a Deep Learning. Viete aký je medzi nimi rozdiel ?

Machine Learning

Pod týmto pojmom sú združené všetky metódy, ktoré automatizujú proces postupného učenia počítačov. Rečou bežných ľudí, počítače sa môžu sami naprogramovať na určité činnosti bez toho, že by do tohto procesu učenia zasahoval človek. V rámci machine learningu stroj zoberie dostupné dáta, sám si určí, ktoré su dôležité a odhadne z nich podľa akých pravidiel sa daný jav správa. Takýmto príkladom môže byť databáza podvodných platieb kreditnou kartou, z ktorej si počítač sám odvodí, že nie je s kostolným poriadkom, keď tá istá karta je použítá najprv v Číne a za pár minút na to v Prešove. Rovnako stroje sa z histórie poistných udalostí naučia, že dopravné nehody nahlásené v noci sú oveľa častejšie pokusom o poistný podvod ako havárky za bieleho dňa.

Hlavnou črtou Strojového učenia je teda to, že z jednotlivých opakovaní určitého javu alebo správania vzniká systém pravidiel (algoritmus). Tento systém pravidiel však nie je rozmar programátorov, ako si autisticky pokecať s milovanými integrovanými obvodmi. Väčšina machine learning algoritmov vzniká s cieľom, že budú použité na odhad výsledku budúcich (či práve prebiehajúcich) opakovaní toho javu, z dát ktorého model vznikol. Teda ak poisťovňa vytvorí model na popísanie podozrivých poistných udalostí, robí tak kvôli tomu, aby vedela odhadnúť, na ktoré poistné udalosti sa pri preverovaní podvodov (v budúcnosti) zamerať.

Ukážka použitia Machine learningu [predikcia príjmu klienta]

——————————————————————–

Deep Learning

Čisto z akademického hľadiska je Deep learning jednou z vetiev Machine Learningu. Ale pozornému citateľovi hneď nanapadne, že keď sa na niečo používa samostatný pojem, bude tam asi nejaká podstatná odlišnosť. Inak by sme predsa mohli mať len citrusové plody a nepotrebovali zvlášť pomaranče a citróny. Nuž Deep learning má predsa jednu podstatnú a zásadnú odlišnosť. Na rozdiel od ostatných foriem Machine Learningu, Deep Learning na začiatku ani nevie, čo bude cieľom skúmania? Že vám to znie ako popis väčšiny vašich firemných porád (kde tiež nie je jasné, čo je vlastne cieľom) ? Tak vedzte, že Deep Learning (na rozdiel od tých porád) sa s tým poľahky vysporiada.

Proces Deep learningu prebieha tak, že počítač si všíma vnútorné odlišnosti a sám si vytvorí hypotézy, čo by mohli byť pravidlá a tieto hypotézy si sám aj potvrdí alebo vyvráti. Väčšine ostatných machine learningových modelov musí človek povedať, ktoré sú tie žiaduce prípady (napr. korektné poistné udalosti) a ktoré napoak nežiaduce (poistné podvody). Machine learning si potom odvodí pravidla na rozlišovanie zlých od dobrých a dokáže predpovedať, ktoré budú podozrivo nežiaduce. Deep learning postupuje podobne, ale navyše ani nevie na začiastku, ktoré sú tie dobré a zlé. On si ich sám najprv zoskupí podľa podobných črtov a vytvorí si skupiny dobrých a zlých. Deep learning algoritmy síce nevedia povedať, akí presne sú tí zlí, ale vedia, že sú iní ako dobrí.

Poďme si to priblížiť na príklade: Predstavte si, že počítaču dodáte niekoľko miliónov fotiek. On si ich postupne zanalyzuje, rozloží si ich na miniaturné dátové farebné plôšky a postupne sa naučí rozoznať, ako vyzerá mačka. On síce nevie, že je to mačka ani by to nevedel pomenovať, ale viem, že ten istý typ objektu X sa na obrázku nachádza. Nakonci cvičenia by Deep Learning algoritmus vedel povedať, či na fotke je objekt X (mačka) alebo nie a vytriediť fotky (aj tie, ktoré počas učenia nevidel), na ktorý sa mačka nachádza. Len zdôrazňujem, že môže ísť o mačky rozličných farieb a mačacích rás, Deep Learning algoritmus dokáže vytvoriť schématický model mačky podľa tvaru/obrysu bez ohľadu na konkrétnosti mačiek. V biznise samozrejme je potrebné z Deep Learningu vyťažiť podstatnejšie postrehy než, či na fotke Vášho biznis partnera je aj mačka a tak sa deep learning používa hlavne na strojové analyzovanie ľudských prejavov (analýza hlasu v telefóne, videa pohybu klienta po predajni alebo neverbálnej komunikácie klienta pri komunikácii s obsluhou). Deep Learning algoritmy sú teda omnoho viac “wow”, ale aj podstatne ťažšie na vývoj.

Ukážka použitia deep learningu [falšovanie písma]

——————————————————————–

Nech už budete vo svojej praxi potrebovať počítač naučiť nejaký Machine Learning model alebo priam Deep Learning model, pamätajte, že nie je dôležitá eleganciamodelu alebo exorickosť parametrov, ale skôr to, ako dobre dokáže predikovať skúmaný jav. Obávam sa, že vstupujeme do doby, keď nadobudne platnosť jemne parafrázované heslo minulosti: “S Machine Learningom na veky vekov a nikdy inak.” Tak teda Vašej analytickej práci česť!

——————————————————————–

Cieľom portálu Mocné dáta je okrem sprostredkovania CRM trendov & noviniek, byť aj studňou inšpirácie a rozšírenia poznatkov. K tomu smeruje aj séria blogov [AKO NA TO], ktorá je vám k dispozícii. Ak chceš dostať avízo na ďalšie blogy o postupoch CRM a dataminingu, zaregistruj sa do bezplatnej komunity stálych čitateľov Mocné dáta. Odmenou Ti budú aj prezentácie a detailnejšie návody, ku ktorým majú prístup len stáli čitatelia.

Prehľad iných CRM blogov autora

Späť na domovskú stránku

[Čo čítajú CRM experti] Milan Schnorrer – Ako lepšie robiť marketing rozhodnutia

Portál Mocné dáta už vo svojej DNA mal napísané, že chce byť iný. Jedným zo 6 dôvodov, prečo som sa odhodlal si tento projekt naložiť na plecia, je snaha, aby Mocné dáta boli spojením širšej komunity CRM expertov. V dnešnej fregmentovanej dobe nik nemôže byť expertom na všetko a to ani v tak “jednoduchej téme”, akou je marketing, či dokonca CRM. Preto chcem, aby ste na stránkach Mocných dát, pravidelne našli aj názory iných CRM expertov. Zároveň na našom CRM portáli v seriáli [Čo čítajú CRM experti] pravidelne vyspovedám niektorého z naslovovzatých expertov, aby nám odporučil nejakú dobrú knihu. V dnešnom prvom dieli som o to požiadal svojho dlhoročného kamaráta Milana Schnorrera.

[Čo číta] Milan SCHNORRER ?

Názov knihy: Creating Value with Big Data Analytics: Making Smarter Marketing Decisions

Autor(i): Peter Verhoef, Edwin Kooge, Natasha Walk

Prečo Milan túto knihu odporúča: Big data je často zneužívaný “buzz word”. Autori knihy, však pristúpili k téme prakticky a bez zbytočnej nadsázky. Pôsobia totiž na pomedzí praxe a akademickej sféry, čo im umožnuje dať si od témy patričný odstup. Pre samotnú knihu je to od prvých stránok citeľnou výhodou, pretože kapitolu po kapitole postupne ustanoví poriadok v nielen v možných spôsoboch analýzy marketingových dát ale aj v miere ich aktuálnej využiteľnosti. Na rozdiel od mnohých blogov na túto (pomaly sprofanovanú) tému, v knihe nie sú zbytočné slepé uličky, izolované od celkového pohľadu. Autori sa zdržali aj nutkania novými pojmami vytvárať ďalšiu vlnu senzačných buzz-wordov.

Text skôr sumarizuje a triedi jednotlivé prístupy, aj k tažkým témam pristupuje pragmaticky a zrozumiteľne. Netypickou a veľmi zaujímavou je kapitola venovaná ochrane dát. Veľmi cenný pohľad prináša rovnako aj záverečná kapitola, ktorá vysvetľuje, že analýza dát je praktický, nie teoretický problém. Teda okrem systémov na samotnú analýzu dát je dôležité správne nastaviť organizáciu, (dáta generujúce) procesy a hlavne ľudí (a to tých analyzujúcich ako aj analyzovaných). Celkovo knihu odporúčam ako hodnotné doplnenie rozhľadu o dátach a ich reálnom komerčnom použití.

Milan Schnorrer … je jeden z mála ľudí v našich kruhoch so skutočným vzdelaním v Kvantitatívnom marketingu (získal ho v Holandskom Groningene). To mu umožňuje v oblasti Direct marketingu a vernostných programov citlivo balansovať na hrane medzi kreatívnym (art) a vedeckým (science). Milan je zároveň aj jedným z kúzelníkov na pozadí vernostných programov GoPass či Medusacard, s ktorými sa môžete stretnúť na našich lyžiarskych svahoch, respektíve v sieti reštaurácii Medusa Group. Miluje lyžovanie a pozvať ho môžeš aj na horskú cyklistiku. Pre jeho vášeň k šermu by som Ti však neodporúčal skrížiť s ním kordy. Jeho najčerstvejší blog sa venuje javu Tichých Firiem.

Späť na domovskú stránku

Chránené heslom: [Ako na to] Nájsť a opraviť anomálie v dátach

Späť na domovskú stránku

Myslím to vážne: Data cleaning zomiera

Nedávno som na odbornej konferencii povedal, že Big Data budú mať za následok niekoľko zásadných zmien, napríklad aj to, že úplne zabijú služby Data cleaningu. Po konferencii sa mi ozvalo niekoľko ľudí: “že to snáď nie, že to som možno trochu prehnal.” Nuž vedzte, že neprehnal a skúsim si pomôcť parafázou Galileo Galileia “A predsa zomierajú”. Keďže však táto téma stále vyvoláva istú kontroverziu, povedal som, že kde už o tom napísať blog, keď nie práve na portáli, ktorý sa vola Mocné dáta ? 🙂

Prečo má pacient negatívnu prognózu?

Len pár viet pre uvedenie do deja tých čitateľov, ktorí na danej konferencii nemali šancu byť. Blok prednášok, v ktorom som vystúpil na danej konferencii, sa zameriaval na to v čom bude dátová analytika vyzerať inak v dobe Big Data oproti štandardným data analytickým postupom. Vysvetlil som, že pre niektoré odvetvia bude Big Data éra požehnaním a naopak pre niektoré bude umieračikom. Ako príklad tých, ktoré Big Data časy neprežijú, som uviedol aj služby Čistenia dát (data cleaning). Pre niektorých to možno znie trochu protichodne. Veď predsa Big Data znamenajú oveľa väčší objem dát a tým zákonite aj oveľa viac neporiadku? Teda dopyt po upratovaní dát by mal predsa rásť a nie klesať, či dokonca úplne zaniknúť, nie? Prečo má teda “náš data cleaning pacient”, také zlé vyhliadky do budúcnosti ?

Ako to naozaj je s tým čistením dát

Hneď na začiatok treba povedať, že Big Data skutočne prinesú väčšie objemy dát a všetko nasvedčuje tomu, že budú podobne nekvalitné ako tie, čo sme používali pri klasickej dátovej analytike. Teda základná premisa sedí. Realita budúcnosti sa však začína vzďaľovať od data cleaningu cez fakt, že Big Data nebudú potrebovať externé funkcie/služby na čistenie dát. Oni, totiž, (pozor prekvapenie!) sú schopné sa očistiť samé. Zakiaľ pri tradičných dátach išlo iba o malé vzorky údajov, kde nebolo zrejme, čo je správne a čo chyba, pri Big Data nastáva zlom. Big Data totiž neobsahujú len nejakú podmožinu/vzorku všetkých možných údajov, ale často obsahujú všetky údaje. A tam, kde sú na jednej kope aj správne aj nesprávne hodnoty, tam je cesta ako stroj sám pochopí, ktoré su ktoré. No a kde je cesta tam je vôla, … či ako to vlastne bolo, Mikuláš?

Koala alias BigData čistotné

Aby princíp, o ktorom hovoríme bol zrozumiteľnejší, skúsim to vysvetliť na niekoľkých príkladoch. Predstavte si, že máte databázu kliento, napríklad veľkej banky alebo poisťovne a v nej aj dátove pole Mesto v rámci bydliska klienta. Ak by ste zobrali nejaký komplikovanejší názov obce (napr. Liptovský Mikuláš), tak je pravdepodobné, že zopár klientov bude mať v meste preklep (či už z ruky samotného klienta alebo zamestnanca, ktorý dáta do systému zadával.) Keď som v minulosti čistil databázu jednej zo spoločností, tak v ich dátach klienti napísali Liptovský Mikuláš 27 rôznymi spôsobmi. V minulosti by sa k riešeniu tohto problému pristupovalo tak, že by sa zobral číselník miest a PSČ a podľa jedného údaju by sa upravoval ten druhý (teda buď na základe PSČ oficiálny,úradný názov mesta alebo z mesta správne PSČ). V dnešnej dobe je to však inak.

Je možné, že konkétny jedinec sa môže netrafiť pri vyplňaní nejakého formuláru, ale ruku na srdce, aká je pravdepodobnosť, že sa v tej istej kolonke pomýli rovnakým spôsobom 10 000 ľudí? Ak teda máte dostatočne veľa záznamov (klientov) s týmto údajom, tak veľa z nich to bude mať správne. V skutočnosti správna možnosť bude celkom určite aj najpočetnejšou hodnotou, ktorá sa v danom poli bude nachádzať. A tu prichádzame k pointe. Ak dáte stroju dostatočne veľký počet záznamov, v ktorých sú správne hodnoty aj ich chyby, tak počítač dokáže sám pochopiť, ktorá možnosť je správna. Ak teda klient zadá niečo iné ako je očakávaná správna podoba, stroj dokáže sám chybu rozpoznať a opraviť.

Asi najčastejšie sa s týmto fenoménom stretávame (bez toho, že by sme si to uvedomovali) v prípade vyhľadávania na Googli. Už počas toho, ako píšeš svoje zadanie pre vyhľadanie, Google na pozadí prechádza najčastejšie vyhľadávané spojenia slov a ponúka Ti ich ako zrýchlenú možnosť. Ak sa náhodou aj tak preklepneš, tak ťa upozorní cez “Mysleli ste …” že zásadne častejšie sa hľadá niečo podobne vyzerajúce ako to vaše. (mimochodom, len málo ľudí vie, že Google to robí aj z oveľa zistnejšieho dôvodu ako je váš komfort: totiž pre všetky napovedané možnosti Google má relevantné odpovede, takže ak si vyberieš niektorú z odporúčaných možností, tak Google má istotu, že si našiel/-a to, čo potrebuješ. A teda s vyhľadávaním budeš spokojný, čo v konečnom dôsledku zlepšuje image Google medzi ich používateľmi).

Jama je ešte hlbšia ako vyzerá

Poviete si dobre, ale to musím vedieť aspoň základné údaje o tom poli, ktoré sa má dátovo čistiť a opäť teda je potrebný nejaký ľudský vstup. Obávam sa, že ťa znovu sklamem a naledujúci príklad pekne vykreslí prečo. Predstav si, že chceme vedieť z dát telekomunikačného operátora zistiť, ktorí z pravidelných účastníkov Pohody vynechali tento ročník. Problémom však je, že ani nemáme dátumy, počas ktorých sa jednotlivé ročníky festivalu konali. Má význam takúto neúplnú úlohu vôbec zadať počítaču? Nuž moc Big Data je naozaj fenomenálna. Počítaču totiž stačí povedať, GPS súradnice Trenčianskeho letiska. On vyhľadá v histórii dni, kedy boli na vykrývačoch, ktoré “dočiahnu” signálom na daný bod najväčšie počty ľudí (Okrem Pohody na danom mieste zrejme nebývajú desaťtisíce ľudí v tom istom momente 3 dni po sebe). Vyhľadá tie dni, keď boli “početné” dni bezprostredne za sebou, overí v koľkých rokoch ste boli so svojim telefónom aspoň jeden deň v danej lokalite dostatočne dlhý čas, oddelí príležitostných návštevníkov od skalných a pozrie sa, kto zo skalných tam v tomto roku nebol. To všetko len s jedným GPS údajom, zvyšok je strojové učenie (Machine learning). Fascinujúce nie?

Ak vás ani tento príklad nepresvedčil, tak len dodám, že obdobne sa dá spočítať koľko blízkych vám zomrelo za posledných 5 rokov (a to ste im nemuseli ísť ani na pohreb) alebo koľko ľudí, ktorí bývajú s Vami na tej istej ulici, prišli v poslednej dobe o prácu.

– – – Súčasťou portálu Mocná dáta je aj sada inštruktážnych blogov [Ako na to], v ktorých popisujem ako konkrétne techniky použiť v praxi. Od dnešného dňa si teda môžu registrovaní užívatelia prečítať prvý diel [Ako na to] Nájsť a opraviť anomálie v dátach. Ak ešte nie si registrovaným užívateľom, môžeš sa ním zadarmo stať tu. Pre čerstvo registrovaných užívateľov príde heslo k [Ako na to] článku do 24 hodín od registrácie. – – –

A predsa zomiera

Vyššie uvedené príklady dokumentujú, že je čas sa zmieriť s tým, že stroje dokážu efektívnejšie odchytiť a vyriešiť chyby v dátach ako ľudia. Paradoxne, to jediné, čo k potrebujú k tomu, aby upratali, je ešte viac neporiadku. To znamená, že Data cleaning bude mať šancu prežiť tam, kde nie je dosť záznamov rovnakého charakteru. Všade inde si stroje opravia dáta sami. No a keďže sa rútime do doby, keď bude digitalizované azda všetko, je zrejmé, že ľudskému čisteniu dát naozaj zvoní umieračik. Nie je to však dôvod pre všeobecný smútok (teda ak vás náhodou data cleaning doposiaľ neživil). Big Data totiž prinesú aj niektoré nové príležitosti.

Ak vás zaujíma, aké zaujímavé zistenia sa dajú vydolovať z dát, pozrite si niektorý zo starších blogov (sekcia CRM v rôznych odvetviach). Prečítať si môžete aj o použití dát v športe alebo preskúšať svoje myslenie na CRM hádankách.

Späť na domovskú stránku