In today’s world, nothing is certain but death, taxes, and the growth of data. The quantity of information generated from the dawn of time until 2003—some 5 exabytes, according to Intel—is now created every two days. Businesses have long understood that there is value—somewhere—to be extracted from this burgeoning volume of data. And increasingly, they have been able to get at it more efficiently and cost effectively. Yet for all their enthusiasm for “big data,” most companies are only scratching the surface of the opportunities that await them. They are analyzing data for insight—an important, value-generating strategy, to be sure—but have yet to exploit the truly transformative role that big data can play in how and where they do business.
The companies that get ahead will be the ones that see and seize the full range of opportunities that big data offers. We envision five major applications: generating new business insights; improving core operating processes; enabling faster, better decision making; taking advantage of changing value chains; and creating new data-centric businesses. Not all of these opportunities will be relevant to every business, but most companies can benefit on multiple fronts. For those that do, the prize won’t be just a competitive advantage but, potentially, the ability to reshape the competitive landscape.
Seeing the Big Picture on Big Data
Views on big data have shifted recently for many companies. Skeptics who saw an overhyped route to riches—having been burned, perhaps, by their own costly, complex, and ultimately disappointing efforts to turn data into dollars—are increasingly becoming believers. They’re no longer asking whether big data can generate value for them but how it can do so.
Por que a mudança de música? Os custos de processamento e armazenamento de dados diminuíram um fator de mais de 1.000 na última década. Surgiram poderosas técnicas analíticas. E novas tecnologias como Hadoop e MapReduce significam que os dados não precisam mais ser armazenados de forma rigidamente estruturada a ser processada (uma proposta caro e intensiva em mão-de-obra). Agora, as informações podem residir em qualquer forma que ele seja naturalmente - desde as postagens do Facebook até gravações de áudio das chamadas de atendimento ao cliente - em data centers geograficamente dispersos ou na nuvem. As empresas entendem isso. Em 2013, o Big Data está previsto para gerar US $ 34 bilhões em gastos com TI, de acordo com o Gartner. E as iniciativas estão ficando mais sofisticadas e mais difundidas. Na Chevron, uma plataforma de análise interna minas de dados sísmicos para informações sobre onde os depósitos de petróleo e gás podem ser localizados-ajudando a empresa a foco seus esforços de perfuração e seus gastos. Na cidade de Nova York, onde existem cerca de 1 milhão de edifícios, mas apenas 200 inspetores de construção, as análises permitem que a cidade identifique essas estruturas com maior probabilidade de estar em risco-aumentando a eficiência de seus inspetores cinco vezes. (Ver "
Insights that would have stayed buried just a couple of years ago can now be uncovered routinely and often relatively easily. Businesses understand this. In 2013, big data is forecast to drive $34 billion in IT spending, according to Gartner. And the initiatives are growing more sophisticated and more widespread. At Chevron, an in-house analytics platform mines seismic data for insight into where oil and gas deposits may be located—helping the company focus its drilling efforts and its spending. In New York City, where there are some 1 million buildings but only 200 building inspectors, analytics enable the city to pinpoint those structures most likely to be at risk—increasing the efficiency of its inspectors fivefold.
Indeed, the ability of advanced analytics to address high-priority challenges is so great that we advocate its rapid deployment. (See “ Como começar com big data , "Artigo do BCG, maio de 2013.) Em vez de permanecer à margem, brainstorming de grandes estratégias, as empresas precisam começar, obter experiência e obter resultados. Ao mesmo tempo, no entanto, eles precisam entender o que estão fazendo, e não estão sendo que os novos e o que estão em potencial para o que estão em potencial. O Big Data pode estimular a inovação e a agilidade. Aeroporto), a empresa pode oferecer produtos altamente relevantes - e, portanto, altamente atraentes - em tempo real. Este é o tipo de opção fora da caixa-e fora do setor-que pode agregar um valor enorme.
At the heart of big data lies tremendous potential to transform the way companies operate, driving not only new insights and processes but new business models. Big data can spur innovation and agility. It can lead to new revenue streams—even in areas far removed from a company’s traditional line of business. In BCG’s project work, we are already seeing companies benefit from this broader view of big data. For example, a telecom company is leveraging its mobile network data to offer subscribers one-time, location-based insurance policies. By inferring users’ most likely activity from their location (travel, for example, if the subscriber is at an airport), the company can offer highly relevant—and thus highly attractive—products in real time. This is the sort of outside-the-box—and outside-the-sector—opportunity that can deliver huge value.
Abaixo, analisamos os cinco principais aplicativos do Big Data e como algumas empresas prospectivas já os estão adotando-transformando seus negócios e, em alguns casos, até mesmo os setores de transformação. (Consulte a exposição.)
Gerando novos dados de negócios. Problemas específicos (como onde abrir uma nova agência bancária ou qual cupom para enviar ao smartphone mantido por um comprador em uma loja). Como resultado, as empresas podem incorporar dados que não usaram anteriormente na tomada de decisões, como postagens de mídia social e dados não estruturados com os quais as ferramentas mais antigas não conseguiram trabalhar. Isso resultou em informações melhores, mais rápidas e mais acionáveis. Os sistemas eólicos Vestas, por exemplo, foram capazes de enfrentar um importante desafio no negócio de energia eólica: onde colocar turbinas. O posicionamento preciso ajuda a maximizar a produção de energia ao longo da vida útil operacional de mais de 20 anos de uma usina eólica. Para casa com a localização ideal, o Vestas analisa informações de uma série de fontes: dados de vento e clima, níveis de turbulência, mapas topográficos e dados de sensores de mais de 25.000 turbinas que monitora em todo o mundo. Esse processo oferece à empresa uma vantagem competitiva, pois ajuda seus clientes a maximizar seu retorno do investimento. São ocasiões que podem desencadear interesse em produtos financeiros de alto valor (como uma hipoteca doméstica ou uma conta poupança conjunta). Se uma instituição financeira puder identificar esses momentos críticos, pode corresponder melhor aos clientes com as promoções mais apropriadas-e ainda mais significativas, estabelecer relacionamentos de longo prazo. Trabalhando com nosso cliente, o BCG desenvolveu um modelo de segmentação que, em seus estágios iniciais de implementação, está se mostrando 2,5 vezes mais eficaz do que as abordagens existentes. De fato, a integração de análises nos processos cotidianos ou “industrializando-os” pode ser particularmente benéfica, pois as idéias obtidas podem ser aplicadas- automaticamente, repetidamente e frequentemente em tempo real ou quase real- em principais funções comerciais. No entanto, as empresas que deram essa etapa tiveram alguns resultados poderosos. A Visa, por exemplo, a análise integrada em seus processos de fraude em agosto de 2011. Em março de 2013, o sistema identificou US $ 2 bilhões em transações fraudulentas - bloqueando -as antes que o dinheiro fosse perdido. No setor de comércio eletrônico, a Amazon.com usa recomendações geradas dinamicamente-com base no histórico de compras e navegação de cada cliente-para impulsionar cerca de 25 % de suas vendas. Enquanto isso, os bancos estão usando análises de plataformas na pontuação de riscos, processando automaticamente uma variedade de dados internos e externos para julgar a capacidade de crédito de um requerente de um empréstimo. Alguns dos usos emergentes podem parecer surpreendentes-o am removido dos aplicativos relacionados ao consumidor mais comumente associado ao big data. Na Itália, um sistema chamado Redditometro usa análises avançadas para encontrar Evaders tributários. Ele analisa os dados de uma série de fontes - registros de bancos, transações com cartão de crédito, pagamentos de seguros, pesquisa estatística - para determinar os gastos provavelmente de um indivíduo e se sua declaração de imposto de renda corresponde. Analisando dados - geralmente a partir de sensores implantados na ou em infraestrutura crítica - as compras podem prever quando as falhas estão prestes a ocorrer e intervir antes dos problemas de problemas. Com efeito, a solução de problemas se torna proativa e não reativa. A análise avançada pode procurar padrões - como no tipo e frequência de alertas - que historicamente pressagiam falhas. Essa abordagem permitiu que um de nossos clientes preveja incidentes uma ou duas horas antes de ocorrer, proporcionando tempo para uma intervenção eficaz. Como resultado, as dicas críticas de inatividade operacionais foram reduzidas em mais de 50 %.
Most of the advanced-analytics efforts we see have a tactical focus: leveraging data to get a few key decisions right or to solve specific problems (such as where to open a new bank branch or what coupon to send to the smartphone held by a shopper in a store).
The ability to use information in this way has been greatly enhanced by a combination of developments: more data coming from existing and new sources, greatly improved analytical techniques, and lower processing and storage costs. As a result, companies can incorporate data they hadn’t previously used in decision making, such as social-media posts and unstructured data that older tools were unable to work with. This has resulted in better, faster, more actionable insights.
Advanced analytics can be applied to a vast array of situations. Vestas Wind Systems, for example, has been able to tackle an important challenge in the wind energy business: where to place turbines. Precise positioning helps maximize energy output over the more than 20-year operational lifetime of a wind power plant. To home in on the optimal location, Vestas analyzes information from a host of sources: wind and weather data, turbulence levels, topographic maps, and sensor data from more than 25,000 turbines that it monitors worldwide. This process gives the company a competitive edge as it helps its customers maximize their return on investment.
In the financial sector, a client has launched an innovative project that analyzes customers’ transaction data to infer the occurrence of major life events, such as marriage or a new job. These are occasions that can trigger interest in high-value financial products (such as a home mortgage or a joint savings account). If a financial institution can identify these critical moments, it can better match customers with the most appropriate promotions—and, even more significant, establish long-term relationships. Working with our client, BCG developed a targeting model that, in its initial stages of implementation, is proving 2.5 times more effective than existing approaches.
Improving Core Operating Processes
The use of advanced analytics need not be limited to one-time or infrequent tasks. In fact, integrating analytics into everyday processes, or “industrializing” them, can be particularly beneficial, as the insights gained can be applied—automatically, repeatedly, and often in real- or near-real time—in key business functions.
Such platform analytics are still relatively rare. Yet companies that have taken this step have seen some powerful results. Visa, for instance, integrated analytics into its frauddetection processes in August 2011. By March 2013, the system had identified $2 billion in fraudulent transactions—blocking them before money was lost. In the e-commerce sector, Amazon.com uses dynamically generated recommendations—based on each customer’s purchasing and browsing history—to drive an estimated 25 percent of its sales. Banks, meanwhile, are using platform analytics in risk scoring, automatically processing a variety of internal and external data to judge a loan applicant’s credit-worthiness.
The beauty of platform analytics is that it can be incorporated into all manner of processes in a wide range of industries. Some of the emerging uses might seem surprising—far removed from the consumer-related applications most commonly associated with big data. In Italy, a system called redditometro uses advanced analytics to find tax evaders. It looks at data from a host of sources—bank records, credit card transactions, insurance payments, statistical research—to determine an individual’s likely spending and whether his or her tax return matches up.
Platform analytics have also proven effective in facilitating preventive maintenance. By analyzing data—often from sensors implanted in or on critical infrastructure—companies can predict when failures are about to occur and intervene before trouble strikes. In effect, troubleshooting becomes proactive rather than reactive. Advanced analytics can look for patterns—such as in the type and frequency of alerts—that have historically presaged failures. This approach has enabled one of our clients to predict incidents an hour or two before they occur, providing time for effective intervention. As a result, critical operational downtimes have been cut by more than 50 percent.
Tomando decisões mais rápidas e melhores
A disponibilidade de dados de gerenciamento precisa e em tempo real é fundamental para a tomada de decisões (sobre onde concentrar os esforços de P&D, por exemplo ou como precificar novos produtos). No entanto, na maioria das empresas, essas informações tendem a ser fragmentadas em toda a empresa, com todos os departamentos trabalhando com sua própria "versão da verdade". Piorando a situação, essas informações geralmente estão desatualizadas quando as devidas são levadas em consideração em decisões - se forem levadas em consideração. Em muitas empresas, um grande volume de dados potencialmente úteis - em forma estruturada e não estruturada - nunca é usada. O resultado: decisões conflitantes, decisões prematuras, decisões erradas. A idéia não é apenas coletar e processar dados operacionais, mas também apresentá -los de maneira clara, consistente e prontamente disponível em toda a organização - melhorando a velocidade e a qualidade da tomada de decisão. Vemos o sistema EIM ideal como aquele que combina um único conjunto de dados-de fontes dentro e fora da empresa-com elementos gráficos intuitivos, como painéis na tela. O resultado é uma visão acessível, uniforme, real ou quase real das operações que permite que diferentes departamentos falem uma linguagem comum e baseie suas decisões nos mesmos fatos. Analítica avançada e novas fontes de dados estão permitindo que as empresas em um setor desempenhem um papel nos produtos e serviços de outros setores - até mesmo removidos de sua linha de negócios tradicional. Isso está confundindo os limites entre as indústrias e a mudança de dinâmica competitiva. (Ver "
Not surprisingly, one of the most promising applications for big data is in enterprise information management (EIM). The idea is not just to collect and process operational data but also to present it in a clear, consistent, readily available manner throughout the organization—improving the speed and the quality of decision making. We see the ideal EIM system as one that combines a single set of data—from sources both inside and outside the company—with intuitive graphic elements like on-screen dashboards. The result is an accessible, uniform, real- or near-real-time view of operations that allows different departments to speak a common language and base their decisions on the same facts.
Taking Advantage of Changing Industry Value Chains
Big data is upending traditional value chains, presenting risks to companies that don’t respond accordingly—and presenting opportunities to those that do. Advanced analytics and new data sources are enabling companies in one sector to play a role in the products and services of other sectors—even ones far removed from their traditional line of business. This is blurring the boundaries between industries and changing competitive dynamics. (See “ A idade dos ecossistemas digitais: prosperando em um mundo de big data , ”Artigo do BCG, julho de 2013.)
Empresas que transformam seus modelos de negócios em paralelo com essas mudanças encontrarão novas portas abrindo para elas. Por exemplo, no mercado de termostato doméstico - um setor tradicional de que o STATTENS e o STATTING WATTING e o Settates Watching e o Settups Watching e o Settups Weatting e o Settates Watching e o Settates Watching e o Setents Watching e o Setents Watching e o Settates Watching e o Setents Watching e o Setents Watching e o Setents Watching e o Setents Watching e o Settates Watching e o Settuts é o que o Nest é capaz de desafiar os incumentos, que se destacam em um termoestato, que o que é o que se destaca. O romance de Nest, o modelo de negócios de Datadring, permitiu que ele fosse encerrado por muito tempo para pessoas de fora. hábitos de direção reais. Bons motoristas são recompensados com prêmios mais baixos - em média, uma economia de 10 a 15 %. Para os motoristas que colocaram seus sonhos de Grande Prêmio para trás, isso pode ser uma proposta de valor convincente. Sites de mídia social, por exemplo, geralmente capturam dados referentes às preferências e opiniões dos usuários-informações de interesse para os fabricantes que desejam concentrar seus esforços de desenvolvimento de produtos e profissionais de marketing que desejam direcionar suas campanhas de produtos. Os operadores de rede móvel rotineiramente coletam dados de localização do assinante - de valor para os varejistas que desejam saber onde os consumidores estão comprando. Ao disponibilizar essas informações - por um preço - as empresas podem desenvolver novos fluxos de receita. Embora a venda de informações pessoais rastreáveis a indivíduos específicos possa levantar preocupações de privacidade, as empresas podem reduzir bastante as sensibilidades, agregando e garantindo o anonimato dos dados. A idéia é fornecer às empresas de diferentes indústrias informações que eles podem usar para realizar sua própria inteligência de negócios. Mas isso é apenas um começo. Prevemos fontes externas-como informações de mídia social-desempenhando um papel fundamental nos próximos anos, enriquecendo os dados internos do banco e aprimorando ainda mais sua proposta de valor para seus clientes de dados.
Yet the payoff isn’t just for new players. For established companies, new data-driven business models can help keep—and even expand— share in an existing market. In the automobile insurance sector, for instance, Progressive uses driving data—collected from a small device customers plug into their car’s diagnostic port—to help calculate premiums based on actual driving habits. Among the data analyzed: when and how far the customer drives and the number of hard brakes he or she makes. Good drivers are rewarded with lower premiums—on average, a savings of 10 to 15 percent. For drivers who have put their Grand Prix dreams behind them, that can be a compelling value proposition.
Creating New Data-Centric Businesses
The large volume of information that companies generate—and the insight it affords— may well have value to other organizations, both within and outside the industry. Social-media sites, for example, often capture data pertaining to users’ preferences and opinions— information of interest to manufacturers that want to focus their product-development efforts and marketers that want to target their product campaigns. Mobile network operators routinely collect subscriber location data—of value to retailers that want to know where consumers are shopping. By making this information available—for a price—companies can develop new revenue streams. While the sale of personal information traceable to specific individuals can raise privacy concerns, companies can greatly reduce sensitivities by aggregating and ensuring the anonymity of data.
BCG is working with a large international bank to create new data businesses by leveraging transactional information—such as credit card activity—captured in the bank’s normal course of business. The idea is to provide companies from different industries with information they can use to perform their own business intelligence. But this is just a start. We envision external sources—such as social-media information—playing a key role in the coming years, enriching the bank’s internal data and further enhancing its value proposition to its data customers.
A estrada à frente
Identificando aplicativos relevantes é, obviamente, apenas a primeira etapa na derivação do valor do big data. Novos recursos, novas estruturas organizacionais (e mentalidades) e mudanças internas significativas também serão necessárias. (Abordaremos esses desafios em publicações futuras.) Mas as empresas não devem subestimar a importância de se concentrar nas oportunidades certas. Eles precisarão pensar fora da caixa, abraçar novos modelos e até reimaginar como e onde fazem negócios. Uma cultura que incentiva a inovação e a experimentação, e até mesmo algum pensamento radical, servirá bem a esse empreendimento - mas também chamará a ajuda externa quando necessário para avaliar, priorizar e desenvolver as diferentes rotas para valorizar. As empresas precisam mudar junto com isso. Vendo onde estão as oportunidades e a criação de estratégias para aproveitá -las ajudará as empresas a transformar a promessa de Big Data em realidade - e ganhar novos clientes, novas receitas e até novos mercados ao longo do caminho. Jon Brock
Big data isn’t just changing the competitive environment—it is transforming it. Businesses need to change along with it. Seeing where the opportunities lie and creating strategies to seize them will help companies turn big data’s promise into reality—and gain new customers, new revenue, and even new markets along the way.
