Αποδοχή όπως τα δεδομένα: πώς οι επιχειρήσεις μαθαίνουν να επωφελούνται από τα μεγάλα δεδομένα

Αναλύοντας μεγάλα δεδομένα, οι εταιρείες μαθαίνουν να αποκαλύπτουν κρυφά μοτίβα, βελτιώνοντας την επιχειρηματική τους απόδοση. Η σκηνοθεσία είναι της μόδας, αλλά δεν μπορούν όλοι να επωφεληθούν από τα μεγάλα δεδομένα λόγω της έλλειψης κουλτούρας συνεργασίας μαζί τους

«Όσο πιο κοινό είναι το όνομα ενός ατόμου, τόσο πιο πιθανό είναι να πληρώσει στην ώρα του. Όσο περισσότερους ορόφους έχει το σπίτι σας, τόσο πιο στατιστικά είστε καλύτερος δανειολήπτης. Το ζώδιο δεν έχει σχεδόν καμία επίδραση στην πιθανότητα επιστροφής χρημάτων, αλλά ο ψυχότυπος έχει σημαντικά», λέει ο Stanislav Duzhinsky, αναλυτής στην Home Credit Bank, σχετικά με απροσδόκητα μοτίβα στη συμπεριφορά των δανειοληπτών. Δεν αναλαμβάνει να εξηγήσει πολλά από αυτά τα μοτίβα – αποκαλύφθηκαν από την τεχνητή νοημοσύνη, η οποία επεξεργάστηκε χιλιάδες προφίλ πελατών.

Αυτή είναι η δύναμη της ανάλυσης μεγάλων δεδομένων: αναλύοντας έναν τεράστιο όγκο αδόμητων δεδομένων, το πρόγραμμα μπορεί να ανακαλύψει πολλούς συσχετισμούς που ο σοφότερος ανθρώπινος αναλυτής δεν γνωρίζει καν. Οποιαδήποτε εταιρεία διαθέτει τεράστιο όγκο μη δομημένων δεδομένων (μεγάλα δεδομένα) – για υπαλλήλους, πελάτες, συνεργάτες, ανταγωνιστές, τα οποία μπορούν να χρησιμοποιηθούν για επιχειρηματικό όφελος: βελτίωση της επίδρασης των προωθήσεων, επίτευξη αύξησης πωλήσεων, μείωση εναλλαγής προσωπικού κ.λπ.

Οι πρώτοι που εργάστηκαν με μεγάλα δεδομένα ήταν μεγάλες εταιρείες τεχνολογίας και τηλεπικοινωνιών, χρηματοπιστωτικά ιδρύματα και λιανικό εμπόριο, σχολιάζει ο Rafail Miftakhov, διευθυντής του Deloitte Technology Integration Group, CIS. Τώρα υπάρχει ενδιαφέρον για τέτοιες λύσεις σε πολλούς κλάδους. Τι έχουν πετύχει οι εταιρείες; Και η ανάλυση μεγάλων δεδομένων οδηγεί πάντα σε πολύτιμα συμπεράσματα;

Οι τράπεζες χρησιμοποιούν αλγόριθμους μεγάλων δεδομένων κυρίως για τη βελτίωση της εμπειρίας των πελατών και τη βελτιστοποίηση του κόστους, καθώς και για τη διαχείριση του κινδύνου και την καταπολέμηση της απάτης. «Τα τελευταία χρόνια, μια πραγματική επανάσταση έχει λάβει χώρα στον τομέα της ανάλυσης μεγάλων δεδομένων», λέει ο Duzhinsky. «Η χρήση της μηχανικής μάθησης μας επιτρέπει να προβλέψουμε την πιθανότητα αθέτησης του δανείου με πολύ μεγαλύτερη ακρίβεια – η παραβατικότητα στην τράπεζά μας είναι μόνο 3,9%. Συγκριτικά, από την 1η Ιανουαρίου 2019, το ποσοστό των δανείων με ληξιπρόθεσμες πληρωμές άνω των 90 ημερών σε δάνεια που εκδόθηκαν σε φυσικά πρόσωπα ήταν, σύμφωνα με την Κεντρική Τράπεζα, 5%.

Ακόμη και οι μικροχρηματοδοτούμενοι οργανισμοί προβληματίζονται από τη μελέτη των μεγάλων δεδομένων. «Η παροχή χρηματοοικονομικών υπηρεσιών χωρίς ανάλυση μεγάλων δεδομένων σήμερα είναι σαν να κάνεις μαθηματικά χωρίς αριθμούς», λέει ο Andrey Ponomarev, Διευθύνων Σύμβουλος της Webbankir, μιας διαδικτυακής πλατφόρμας δανεισμού. «Εκδίδουμε χρήματα διαδικτυακά χωρίς να βλέπουμε τον πελάτη ή το διαβατήριό του και σε αντίθεση με τον παραδοσιακό δανεισμό, δεν πρέπει μόνο να αξιολογούμε τη φερεγγυότητα ενός ατόμου, αλλά και να προσδιορίζουμε την προσωπικότητά του».

Τώρα η βάση δεδομένων της εταιρείας αποθηκεύει πληροφορίες για περισσότερους από 500 χιλιάδες πελάτες. Κάθε νέα εφαρμογή αναλύεται με αυτά τα δεδομένα σε περίπου 800 παραμέτρους. Το πρόγραμμα λαμβάνει υπόψη όχι μόνο το φύλο, την ηλικία, την οικογενειακή κατάσταση και το πιστωτικό ιστορικό, αλλά και τη συσκευή από την οποία ένα άτομο εισήλθε στην πλατφόρμα, πώς συμπεριφέρθηκε στον ιστότοπο. Για παράδειγμα, μπορεί να είναι ανησυχητικό το γεγονός ότι ένας πιθανός δανειολήπτης δεν χρησιμοποίησε αριθμομηχανή δανείου ή δεν ρώτησε τους όρους ενός δανείου. «Με εξαίρεση ορισμένους παράγοντες διακοπής – ας πούμε, δεν χορηγούμε δάνεια σε άτομα κάτω των 19 ετών – καμία από αυτές τις παραμέτρους από μόνη της δεν αποτελεί λόγο άρνησης ή συμφωνίας για την έκδοση δανείου», εξηγεί ο Ponomarev. Είναι ο συνδυασμός παραγόντων που έχει σημασία. Στο 95% των περιπτώσεων η απόφαση λαμβάνεται αυτόματα, χωρίς τη συμμετοχή ειδικών από το τμήμα αναδοχής.

Η ανάλυση μεγάλων δεδομένων μας επιτρέπει να αντλήσουμε ενδιαφέροντα μοτίβα, μοιράζεται ο Ponomarev. Για παράδειγμα, οι χρήστες iPhone αποδείχτηκαν πιο πειθαρχημένοι δανειολήπτες από ό,τι κάτοχοι συσκευών Android – οι πρώτοι λαμβάνουν έγκριση εφαρμογών 1,7 φορές πιο συχνά. «Το γεγονός ότι το στρατιωτικό προσωπικό δεν αποπληρώνει δάνεια σχεδόν ένα τέταρτο λιγότερο συχνά από τον μέσο δανειολήπτη δεν ήταν έκπληξη», λέει ο Ponomarev. «Αλλά οι φοιτητές συνήθως δεν αναμένεται να είναι υποχρεωμένοι, αλλά εν τω μεταξύ, οι περιπτώσεις αθέτησης πίστωσης είναι 10% λιγότερο συχνές από τον μέσο όρο της βάσης».

Η μελέτη των μεγάλων δεδομένων επιτρέπει τη βαθμολόγηση και για τους ασφαλιστές. Η IDX ιδρύθηκε το 2016 και ασχολείται με την απομακρυσμένη αναγνώριση και την ηλεκτρονική επαλήθευση εγγράφων. Αυτές οι υπηρεσίες είναι σε ζήτηση μεταξύ των ασφαλιστών εμπορευμάτων που ενδιαφέρονται για την απώλεια αγαθών όσο το δυνατόν λιγότερο. Πριν ασφαλίσει τη μεταφορά εμπορευμάτων, ο ασφαλιστής, με τη συγκατάθεση του οδηγού, ελέγχει την αξιοπιστία, εξηγεί ο Jan Sloka, εμπορικός διευθυντής της IDX. Μαζί με έναν συνεργάτη – την εταιρεία «Risk Control» της Αγίας Πετρούπολης – η IDX έχει αναπτύξει μια υπηρεσία που σας επιτρέπει να ελέγχετε την ταυτότητα του οδηγού, τα δεδομένα και τα δικαιώματα διαβατηρίου, τη συμμετοχή σε περιστατικά που σχετίζονται με την απώλεια φορτίου κ.λπ. Μετά την ανάλυση στη βάση δεδομένων των οδηγών, η εταιρεία εντόπισε μια «ομάδα κινδύνου»: τις περισσότερες φορές, το φορτίο χάνεται μεταξύ οδηγών ηλικίας 30–40 ετών με μακρά εμπειρία οδήγησης, οι οποίοι άλλαξαν συχνά δουλειά πρόσφατα. Αποδείχθηκε επίσης ότι το φορτίο κλέβεται συχνότερα από οδηγούς αυτοκινήτων, η διάρκεια ζωής των οποίων υπερβαίνει τα οκτώ χρόνια.

Οι έμποροι λιανικής έχουν διαφορετικό καθήκον – να εντοπίσουν πελάτες που είναι έτοιμοι να κάνουν μια αγορά και να καθορίσουν τους πιο αποτελεσματικούς τρόπους για να τους φέρουν στον ιστότοπο ή το κατάστημα. Για το σκοπό αυτό, τα προγράμματα αναλύουν το προφίλ των πελατών, δεδομένα από τον προσωπικό τους λογαριασμό, το ιστορικό αγορών, τα ερωτήματα αναζήτησης και τη χρήση πόντων bonus, το περιεχόμενο των ηλεκτρονικών καλαθιών που άρχισαν να συμπληρώνουν και εγκατέλειψαν. Η ανάλυση δεδομένων σάς επιτρέπει να τμηματοποιήσετε ολόκληρη τη βάση δεδομένων και να εντοπίσετε ομάδες πιθανών αγοραστών που μπορεί να ενδιαφέρονται για μια συγκεκριμένη προσφορά, λέει ο Kirill Ivanov, διευθυντής του γραφείου δεδομένων του ομίλου M.Video-Eldorado.

Για παράδειγμα, το πρόγραμμα προσδιορίζει ομάδες πελατών, σε καθεμία από τις οποίες αρέσουν διαφορετικά εργαλεία μάρκετινγκ – άτοκο δάνειο, επιστροφή μετρητών ή κωδικός προσφοράς έκπτωσης. Αυτοί οι αγοραστές λαμβάνουν ένα ενημερωτικό δελτίο ηλεκτρονικού ταχυδρομείου με την αντίστοιχη προσφορά. Η πιθανότητα ένα άτομο, έχοντας ανοίξει την επιστολή, να μεταβεί στον ιστότοπο της εταιρείας, σε αυτή την περίπτωση αυξάνεται σημαντικά, σημειώνει ο Ιβάνοφ.

Η ανάλυση δεδομένων σάς επιτρέπει επίσης να αυξήσετε τις πωλήσεις σχετικών προϊόντων και αξεσουάρ. Το σύστημα, το οποίο έχει επεξεργαστεί το ιστορικό παραγγελιών άλλων πελατών, δίνει στον αγοραστή συστάσεις για το τι να αγοράσει μαζί με το επιλεγμένο προϊόν. Η δοκιμή αυτής της μεθόδου εργασίας, σύμφωνα με τον Ivanov, έδειξε αύξηση στον αριθμό των παραγγελιών με αξεσουάρ κατά 12% και αύξηση του κύκλου εργασιών των αξεσουάρ κατά 15%.

Οι έμποροι λιανικής δεν είναι οι μόνοι που προσπαθούν να βελτιώσουν την ποιότητα των υπηρεσιών και να αυξήσουν τις πωλήσεις. Το περασμένο καλοκαίρι, η MegaFon ξεκίνησε μια «έξυπνη» υπηρεσία προσφοράς που βασίζεται στην επεξεργασία δεδομένων από εκατομμύρια συνδρομητές. Έχοντας μελετήσει τη συμπεριφορά τους, η τεχνητή νοημοσύνη έχει μάθει να σχηματίζει προσωπικές προσφορές για κάθε πελάτη εντός των τιμολογίων. Για παράδειγμα, εάν το πρόγραμμα σημειώσει ότι ένα άτομο παρακολουθεί ενεργά βίντεο στη συσκευή του, η υπηρεσία θα του προσφέρει να επεκτείνει τον όγκο της κίνησης από κινητά. Λαμβάνοντας υπόψη τις προτιμήσεις των χρηστών, η εταιρεία παρέχει στους συνδρομητές απεριόριστη επισκεψιμότητα για τους αγαπημένους τους τύπους αναψυχής στο Διαδίκτυο - για παράδειγμα, χρήση άμεσων μηνυμάτων ή ακρόαση μουσικής σε υπηρεσίες ροής, συνομιλία σε κοινωνικά δίκτυα ή παρακολούθηση τηλεοπτικών εκπομπών.

«Αναλύουμε τη συμπεριφορά των συνδρομητών και κατανοούμε πώς αλλάζουν τα ενδιαφέροντά τους», εξηγεί ο Vitaly Shcherbakov, διευθυντής ανάλυσης μεγάλων δεδομένων στη MegaFon. «Για παράδειγμα, φέτος, η επισκεψιμότητα του AliExpress έχει αυξηθεί 1,5 φορές σε σύγκριση με πέρυσι και γενικά, ο αριθμός των επισκέψεων σε ηλεκτρονικά καταστήματα ρούχων αυξάνεται: 1,2–2 φορές, ανάλογα με τον συγκεκριμένο πόρο».

Ένα άλλο παράδειγμα της δουλειάς ενός χειριστή με μεγάλα δεδομένα είναι η πλατφόρμα MegaFon Poisk για αναζήτηση εξαφανισμένων παιδιών και ενηλίκων. Το σύστημα αναλύει ποια άτομα θα μπορούσαν να βρίσκονται κοντά στον τόπο του αγνοούμενου και τους στέλνει πληροφορίες με φωτογραφία και σημάδια του αγνοούμενου. Ο χειριστής ανέπτυξε και δοκίμασε το σύστημα μαζί με το Υπουργείο Εσωτερικών και τον οργανισμό Lisa Alert: μέσα σε δύο λεπτά από τον προσανατολισμό στον αγνοούμενο, λαμβάνουν περισσότεροι από 2 χιλιάδες συνδρομητές, γεγονός που αυξάνει σημαντικά τις πιθανότητες επιτυχούς αποτελέσματος αναζήτησης.

Η ανάλυση μεγάλων δεδομένων έχει βρει εφαρμογή και στη βιομηχανία. Εδώ σας επιτρέπει να προβλέψετε τη ζήτηση και να προγραμματίσετε τις πωλήσεις. Έτσι, στον όμιλο εταιρειών Cherkizovo, πριν από τρία χρόνια, εφαρμόστηκε μια λύση βασισμένη στο SAP BW, η οποία σας επιτρέπει να αποθηκεύετε και να επεξεργάζεστε όλες τις πληροφορίες πωλήσεων: τιμές, ποικιλία, όγκους προϊόντων, προσφορές, κανάλια διανομής, λέει ο Vladislav Belyaev, CIO της ομάδας ” Cherkizovo. Η ανάλυση των συσσωρευμένων 2 TB πληροφοριών όχι μόνο κατέστησε δυνατή την αποτελεσματική διαμόρφωση της ποικιλίας και τη βελτιστοποίηση του χαρτοφυλακίου προϊόντων, αλλά διευκόλυνε και το έργο των εργαζομένων. Για παράδειγμα, η προετοιμασία μιας ημερήσιας αναφοράς πωλήσεων θα απαιτούσε μια ημερήσια εργασία από πολλούς αναλυτές – δύο για κάθε τμήμα προϊόντος. Τώρα αυτή η αναφορά προετοιμάζεται από το ρομπότ, ξοδεύοντας μόνο 30 λεπτά σε όλα τα τμήματα.

«Στη βιομηχανία, τα μεγάλα δεδομένα λειτουργούν αποτελεσματικά σε συνδυασμό με το Διαδίκτυο των πραγμάτων», λέει ο Stanislav Meshkov, Διευθύνων Σύμβουλος της Umbrella IT. «Με βάση την ανάλυση των δεδομένων από τους αισθητήρες με τους οποίους είναι εξοπλισμένος ο εξοπλισμός, είναι δυνατός ο εντοπισμός αποκλίσεων στη λειτουργία του και η αποφυγή βλαβών και η πρόβλεψη της απόδοσης».

Στο Severstal, με τη βοήθεια μεγάλων δεδομένων, προσπαθούν επίσης να λύσουν μάλλον μη ασήμαντες εργασίες – για παράδειγμα, να μειώσουν τα ποσοστά τραυματισμών. Το 2019, η εταιρεία διέθεσε περίπου 1,1 δισεκατομμύρια RUB για μέτρα βελτίωσης της ασφάλειας της εργασίας. Η Severstal αναμένει να μειώσει το ποσοστό τραυματισμών κατά 2025% κατά 50 (σε σύγκριση με το 2017). «Εάν ένας διευθυντής γραμμής — εργοδηγός, διευθυντής τοποθεσίας, διευθυντής καταστήματος — παρατήρησε ότι ένας υπάλληλος εκτελεί ορισμένες λειτουργίες με ανασφάλεια (δεν κρατιέται από τις χειρολαβές όταν ανεβαίνει σκάλες στη βιομηχανική περιοχή ή δεν φορά όλο τον ατομικό προστατευτικό εξοπλισμό), γράφει. μια ειδική σημείωση προς αυτόν – PAB (από τον «έλεγχο ασφάλειας συμπεριφοράς»)», λέει ο Boris Voskresensky, επικεφαλής του τμήματος ανάλυσης δεδομένων της εταιρείας.

Αφού ανέλυσαν δεδομένα για τον αριθμό των PAB σε ένα από τα τμήματα, οι ειδικοί της εταιρείας διαπίστωσαν ότι οι κανόνες ασφαλείας παραβιάζονταν συχνότερα από εκείνους που είχαν ήδη πολλές παρατηρήσεις στο παρελθόν, καθώς και από εκείνους που ήταν σε αναρρωτική άδεια ή σε διακοπές λίγο πριν το συμβάν. Οι παραβιάσεις την πρώτη εβδομάδα μετά την επιστροφή από τις διακοπές ή την αναρρωτική άδεια ήταν διπλάσιες σε σχέση με την επόμενη περίοδο: 1 έναντι 0,55%. Αλλά η εργασία στη νυχτερινή βάρδια, όπως αποδείχθηκε, δεν επηρεάζει τα στατιστικά στοιχεία των PAB.

Η δημιουργία αλγορίθμων για την επεξεργασία μεγάλων δεδομένων δεν είναι το πιο δύσκολο κομμάτι της δουλειάς, λένε εκπρόσωποι της εταιρείας. Είναι πολύ πιο δύσκολο να κατανοήσουμε πώς μπορούν να εφαρμοστούν αυτές οι τεχνολογίες στο πλαίσιο κάθε συγκεκριμένης επιχείρησης. Εδώ βρίσκεται η αχίλλειος πτέρνα των αναλυτών εταιρειών, ακόμη και των εξωτερικών παρόχων, οι οποίοι, όπως φαίνεται, έχουν συσσωρεύσει τεχνογνωσία στον τομέα των μεγάλων δεδομένων.

«Συχνά συναντούσα αναλυτές μεγάλων δεδομένων που ήταν εξαιρετικοί μαθηματικοί, αλλά δεν είχαν την απαραίτητη κατανόηση των επιχειρηματικών διαδικασιών», λέει ο Sergey Kotik, διευθυντής ανάπτυξης στο GoodsForecast. Θυμάται πώς πριν από δύο χρόνια η εταιρεία του είχε την ευκαιρία να συμμετάσχει σε έναν διαγωνισμό πρόβλεψης ζήτησης για μια ομοσπονδιακή αλυσίδα λιανικής. Επιλέχθηκε μια πιλοτική περιοχή, για όλα τα αγαθά και τα καταστήματα για τα οποία οι συμμετέχοντες έκαναν προβλέψεις. Στη συνέχεια, οι προβλέψεις συγκρίθηκαν με τις πραγματικές πωλήσεις. Την πρώτη θέση κατέλαβε ένας από τους ρωσικούς κολοσσούς του Διαδικτύου, γνωστός για την τεχνογνωσία του στη μηχανική μάθηση και την ανάλυση δεδομένων: στις προβλέψεις του, έδειξε μια ελάχιστη απόκλιση από τις πραγματικές πωλήσεις.

Αλλά όταν το δίκτυο άρχισε να μελετά τις προβλέψεις του με περισσότερες λεπτομέρειες, αποδείχθηκε ότι από επιχειρηματική άποψη, είναι απολύτως απαράδεκτες. Η εταιρεία εισήγαγε ένα μοντέλο που παρήγαγε σχέδια πωλήσεων με συστηματική υποτίμηση. Το πρόγραμμα ανακάλυψε πώς να ελαχιστοποιήσει την πιθανότητα σφαλμάτων στις προβλέψεις: είναι ασφαλέστερο να υποτιμηθούν οι πωλήσεις, καθώς το μέγιστο σφάλμα μπορεί να είναι 100% (δεν υπάρχουν αρνητικές πωλήσεις), αλλά προς την κατεύθυνση της υπερπρόβλεψης, μπορεί να είναι αυθαίρετα μεγάλο, Ο Kotik εξηγεί. Με άλλα λόγια, η εταιρεία παρουσίασε ένα ιδανικό μαθηματικό μοντέλο, που σε πραγματικές συνθήκες θα οδηγούσε σε μισοάδεια καταστήματα και τεράστιες απώλειες από τις υποπωλήσεις. Ως αποτέλεσμα, μια άλλη εταιρεία κέρδισε τον διαγωνισμό, της οποίας οι υπολογισμοί μπορούσαν να γίνουν πράξη.

Οι τεχνολογίες μεγάλων δεδομένων είναι σχετικές για πολλές βιομηχανίες, αλλά η ενεργή εφαρμογή τους δεν συμβαίνει παντού, σημειώνει ο Meshkov. Για παράδειγμα, στην υγειονομική περίθαλψη υπάρχει ένα πρόβλημα με την αποθήκευση δεδομένων: έχουν συσσωρευτεί πολλές πληροφορίες και ενημερώνονται τακτικά, αλλά ως επί το πλείστον αυτά τα δεδομένα δεν έχουν ψηφιοποιηθεί ακόμη. Υπάρχουν επίσης πολλά δεδομένα σε κρατικούς φορείς, αλλά δεν συνδυάζονται σε ένα κοινό σύμπλεγμα. Η ανάπτυξη μιας ενιαίας πλατφόρμας πληροφοριών του Εθνικού Συστήματος Διαχείρισης Δεδομένων (NCMS) στοχεύει στην επίλυση αυτού του προβλήματος, λέει ο ειδικός.

Ωστόσο, η χώρα μας απέχει πολύ από τη μόνη χώρα όπου στους περισσότερους οργανισμούς οι σημαντικές αποφάσεις λαμβάνονται με βάση τη διαίσθηση και όχι την ανάλυση των μεγάλων δεδομένων. Τον Απρίλιο του περασμένου έτους, η Deloitte διεξήγαγε μια έρευνα μεταξύ περισσότερων από χίλιων ηγετών μεγάλων αμερικανικών εταιρειών (με προσωπικό 500 ή περισσότερο) και διαπίστωσε ότι το 63% των ερωτηθέντων είναι εξοικειωμένοι με τις τεχνολογίες μεγάλων δεδομένων, αλλά δεν διαθέτουν όλα τα απαραίτητα. υποδομής για τη χρήση τους. Εν τω μεταξύ, μεταξύ του 37% των εταιρειών με υψηλό επίπεδο αναλυτικής ωριμότητας, σχεδόν οι μισές έχουν υπερβεί σημαντικά τους επιχειρηματικούς στόχους τους τελευταίους 12 μήνες.

Η μελέτη αποκάλυψε ότι εκτός από τη δυσκολία εφαρμογής νέων τεχνικών λύσεων, σημαντικό πρόβλημα στις εταιρείες είναι η έλλειψη κουλτούρας εργασίας με δεδομένα. Δεν πρέπει να περιμένετε καλά αποτελέσματα εάν η ευθύνη για τις αποφάσεις που λαμβάνονται με βάση τα μεγάλα δεδομένα ανατίθεται μόνο στους αναλυτές της εταιρείας και όχι σε ολόκληρη την εταιρεία στο σύνολό της. «Τώρα οι εταιρείες αναζητούν ενδιαφέρουσες περιπτώσεις χρήσης για μεγάλα δεδομένα», λέει ο Miftakhov. «Ταυτόχρονα, η υλοποίηση κάποιων σεναρίων απαιτεί επενδύσεις σε συστήματα συλλογής, επεξεργασίας και ποιοτικού ελέγχου πρόσθετων δεδομένων που δεν έχουν αναλυθεί στο παρελθόν». Δυστυχώς, «η ανάλυση δεν είναι ακόμη ομαδικό άθλημα», παραδέχονται οι συγγραφείς της μελέτης.