Технология big data применение для бизнеса - Контакты компаний и предприятий

Big data в медицине: прогноз заболеваний и сбор данных о пациентах

В медицинской сфере большие данные в перспективе можно использовать для диагностики и лечения, большинство интересных проектов пока находятся на стадии разработки или тестирования, но есть и уже реализованные.

Прогнозирование заболеваний. Если собрать достаточно данных о пациентах, можно делать предположения о том, чем они больны сейчас или могут заболеть в ближайшее время.

Так, в детской больнице Торонто внедрили проект Artemis. Больничная система собирает и анализирует данные по новорожденным — она каждую секунду анализирует 1260 показателей. На основе этих данных система может предсказать нестабильное состояние ребенка, чтобы ему смогли вовремя помочь.

Ведение базы пациентов. У многих пациентов длинная история болезни, которая часто хранится в разных больницах и у разных врачей. Чтобы увидеть полную картину, нужно собрать данные в единую базу. С помощью технологий big data можно не только организовать такую базу, но и настроить в ней удобный поиск и аналитику.

Например, в Массачусетской больнице общего профиля создали систему QPID, которая собирает электронные данные о пациентах и быстро предоставляет нужную информацию: и пациентам, и врачам. К примеру, пациент может посмотреть информацию по своей болезни: анализы, диагнозы, снимки, назначенные лекарства. А врач может увидеть информацию о хронических заболеваниях и прошлом лечении.

Big data в образовании: помощь в выборе курсов и предотвращение отчислений

Помощь в выборе курсов. В образовании проекты big data помогают студентам с профориентацией: анализируют их способности и помогают выбрать направление обучения и будущую профессию.

Так, в американском университете Остин Пии разработали рекомендательную систему подбора курсов. Она собирает данные об успеваемости, находит «похожих» студентов, и на основе этого подбирает курсы для конкретного человека. Предсказания устраивают студентов в 90% случаев.

Предотвращение отчислений. В США из университетов отчисляются 400 тысяч студентов в год. Чтобы решить эту проблему, в Университете Содружества Виргинии проанализировали данные об отчислениях и построили алгоритм, который выявляет студентов в группе риска.

Система оповещает, когда студент становится проблемным. И тогда с ним работают индивидуально, например, предлагают перевод на другой курс или помощь репетитора. По итогам семестра число студентов, закончивших курс, увеличилось на 16%.

Big data в маркетинге: повышение прибыли и привлечение клиентов

Создание коммерчески успешных продуктов. Большие данные о поведении клиентов помогут предсказывать спрос и позволяют до вывода продукта на рынок понять, будет ли он успешным.

Например, такие технологии использует Netflix. Этой платформой для просмотра фильмов и сериалов пользуются более 150 миллионов человек. В компании анализируют поведение клиентов: какие сериалы они смотрят, какие бросают, какие моменты перематывают. Это помогает лучше понимать психологию зрителей и грамотно рекомендовать им новые сериалы.

Еще Netflix анализирует поведение зрителей, чтобы снимать успешные сериалы и эффективно их продвигать. Например, перед созданием «Карточного домика» в компании проанализировали 30 миллионов сценариев, 4 миллиона зрительских оценок и 3 миллиона поисковых запросов.

Таргетированная реклама и снижение стоимости привлечения клиента. Big data помогает лучше настраивать целевые аудитории и показывать таргетированную рекламу более точечно.

Например, ритейлер Ozon использует большие данные для таргетированной рекламы и рекомендации товаров. Для этого на сайте и в мобильном приложении собирают логи пользователей — фиксируют всё, что они просмотрели, пролистали, на что кликнули. На основе данных составляют прогноз: планирует ли пользователь покупку, товар какой категории, скорее всего, его заинтересует. Релевантные товары показывают в таргетированной рекламе.

Также в Ozon тестировали полки рекомендаций для различных товаров. Пользователей разделили на две группы: для первой рекомендации вручную составили эксперты, для второй — собрали автоматически на основе данных логов. В итоге во второй группе продажи оказались в 10 раз ваше.

В компании Nestle Purina начали использовать платформу для сбора данных о клиентах. Они проанализировали поведение покупателей и выделили в отдельную категорию людей, которые недавно искали в интернете щенков. С помощью таргетированной рекламы в Facebook этим клиентам показывали товары для щенков. Благодаря такому подходу конверсия выросла на 300%, а стоимость привлечения клиента снизилась на 90%.

Источник

Big Data (большие данные) стали наступившим будущем. Одни определяют их как революцию, другие отводят им роль оптимизаторов бизнес-процессов. Но все сходятся в одном: большие данные важны. Встает главный вопрос — как можно эффективно применять большие данные в бизнесе?

Weerapatkiatdumrong

Что говорит статистика?

Последние 10 лет происходит непрерывный рост числа компаний, использующих большие данные.

В 2015 г. доля компаний, использующих большие данные, составляла 17% в мире.

Сегодня доля таких компаний — 50%.

И это неудивительно — сбор и анализ больших данных дает важные преимущества:

Информация поступает из разных источников, что делает ее достоверней;
Информация поступает постоянно, что делает ее актуальной;
Данные не анализируются вручную, что уменьшает количество ошибок и увеличивает объем информации, возможный для обработки;
У компании есть централизованный доступ к информации.

Что происходит на российском рынке?

Российский рынок больших данных уступает своим масштабом западному, но 55,4% отечественных компаний уже начали инвестировать в аналитику Big Data. На практике мы видим не один пример успешной попытки интегрировать большие данные в бизнес. Например, Сбербанк с его ботами-операторами, заменяющими консультантов. Или гипермаркет Hoff, который на основе больших данных формирует персональные предложения клиентам.

С малым бизнесом и большими данными сложнее. Процесс интеграции больших данных в бизнес — удовольствие дорогое и сложное. Встает вопрос, способен ли малый бизнес на такие подвиги? Что говорят специалисты?

Малый бизнес может данные купить, интегрировать и экстраполировать в свои задачи. Например, есть сеть магазинов по продаже настольных игр «Мосигра». Каждая торговая точка продаж — отдельный малый бизнес. В своей работе они используют big data от торгового центра, где представлен магазин. На основе этих данных корректируют продажи и способы привлечении аудитории. У каждого ТЦ эти данные разные, что позволяет каждому магазину быть востребованным.

Дмитрий Спиридонов, Сооснователь, генеральный директор CloudPayments

Есть смысл с самого старта бизнеса собирать максимальное количество данных, накопить как можно больше метрик. Когда бизнес начнет стагнировать, будет достаточно информации, чтобы понять, что происходит.

Константин Баев,

IT-директор компании Domino’s Pizza

Малый бизнес более динамичен, конкуренция в разы больше, чем «у больших». Сложность вызывает стоимость, которую малый бизнес не готов платить за собственную платформу. Поэтому вариант для небольших компаний — покупать сервисы, которые продают готовую аналитику.

Сергей Чернов, Директор по разработке программного обеспечения компании CTI

Что показывает практика?

Кейс Hoff

Сервис: Google BigQuery + Alytics

Бизнес-задачи:

Рост конверсии внутри сайта;
Увеличение узнаваемости бренда онлайн;
Увеличение доли мультиканальных покупателей.

Способ: все данные были собраны в одном месте, на их основе по собственным параметрам были построены необходимые отчеты, затем полученные данные были переданы в Alytics для управления ставками.

Результат: показатель ROI вырос в нескольких категориях товаров до 17%. Показатели Email-рассылки продемонстрировали, что на 1 руб. онлайн-выручки приходится 4 руб. в оффлайне. Роль мультиканальных пользователей увеличилась, а 1/3 прибыли московских гипермаркетов приходятся на посетителей сайта Hoff.ru.

Кейс CarPrice

Сервис: Mail.ru Cloud Solutions

Бизнес-задачи:

Оптимизация расходов на трафик;
Увеличения скорости передачи контента.

Способы: все данные были собраны в одном месте, а оперативность службы поддержки позволяла быстро решить все технические вопросы и проблемы сервиса.

Результат: расходы на сервис сократились примерно в 4 раза, при этом возросло его качество. Пользователи благодаря быстрой загрузке контента сократили время на принятие решений.

Кейс Zarina

Бизнес-задачи:

Персонализация разделов сайта интернет-магазина;
Создание персонализированных рекомендаций дополнительных товаров.

Способы: на основе анализа больших данных были персонализированы рекомендации в категориях товаров, корзине, были созданы карточки товаров и персонализированы рекомендации в них.

Результат: выручка увеличилась более чем на 28%.

Кейс S7 Airlines

Бизнес-задачи:

Увеличение конверсий;
Снижение стоимости расходов на конверсии.

Способы: на основе больших данных были созданы персонализированные креативы. Накапливание информации позволило системе увеличить точность прогнозов.

Результат: увеличились в 2 раза конверсии (за тот же бюджет), при этом стоимость конверсии снизилась на 40 %.

Кейс AllTime.ru

Бизнес-задачи:

Увеличение интереса пользователей к карточкам товаров и странице поиска;
Создание разнообразных персонализированных предложений;
Увеличение вовлеченности пользователи, что должно привести к росту ключевых метрик.

Способы: на основе больших данных были созданы персонализированные карточки товаров, подобрано оптимальное расположение блоков, персонализированы страница поиска, рекомендации сопутствующих товаров.

Результат: каждое действие дало рост конверсии и прирост среднего чека:

Блоки рекомендаций: 3,1% (конверсия) + 1,5 (ср. чек) = рост выручки на 4,7%.
Сопутствующие товары: 2,4% (конверсия) + 10,6 (ср. чек) = рост выручки на 13,2%.
Поисковые рекомендации: 17,3% (конверсия) + 13,2% (ср. чек) = рост выручки на 32,7% .

Взгляд специалистов

Большие данные оказывают революционный эффект на бизнес, потому что современная бизнес-аналитика базируется на анализе big data. Например, в маркетинге и рекламе: клиентам могут быть направлены целевые офферы, которые соответствуют их же потребностям. Благодаря аналитике больших данных предложение бизнеса не вызывает у потребителя раздражение, потому что формируется на основе его предпочтений и прошлых покупок.

Илья Соломатин, Руководитель проектов цифровой экосистемы all.me

Нужно понять, что мы включаем в понятие «Большие Данные» с позиции бизнеса. Для нас, практиков, это прежде всего постулат, что идти нужно не от данных, а от решаемых задач. Сбор данных ради самих данных в отрыве от реальной потребности заводит в тупик. Мы видим перспективы от использования Big Data в области предсказательной аналитики, а также операционной аналитики (распределенная обработка данных, потоков и событий). В таком ключе Big data способны превратить «мёртвые» информационные терабайты данных компании в главный бизнес-актив.

Андрей Крехов, Заместитель директора по специальным программам ICL Services

Технологии больших данных способны перевернуть всю суть бизнеса и по-новому взглянуть на ситуацию на рынке. Например, выстроить новую модель продаж, как это сделала Kaeser Kompressoren, производитель сложных компрессоров. Благодаря анализу данных с датчиков на оборудовании компания создала новый подход к продажам: поставка сжатого воздуха вместо продаж самого оборудования. Поставка готового продукта сделала возможным закладывать более высокую маржу, чем при продаже самого оборудования. Kaeser Kompressoren получила контролируемый постоянный денежный поток и зарабатывает больше на поставке кубометров сжатого воздуха.

Юрий Бондарь, Заместитель генерального директора SAP CIS

Наличие больших массивов информации ни в одной компании не гарантирует их ценности, если на их основе не будут приняты стратегические решения.

Какие шаги подготовки предпринять для проекта по big data?

1. Определить проблему;

2. Оценить стоимость использования Big Data: з/п специалистов, затраты на сервера;

3. Поставить KPI на проект;

4. Посчитать ROI на использование Big Data.

Елена Герасимова, Руководитель направления Data Science в «Нетологии»

Цифры из практики

Сервисы на основе больших данных могут существенно сэкономить рабочее время сотрудников, занятых в выполнении рутинных операций. Например, время на заведение бумажных ТТН сокращается примерно в 3 раза, и это ежедневные операции. Процесс заведения нового товара в каталог позволяет экономить минимум 50% времени операциониста.

Раис Хальфиев, Эксперт компании СКБ Контур

Внедрение анализа больших данных увеличивает средний чек на 7-15% и серьезно влияет на возвратность потребителя (частоту посещения магазина).

Денис Царев, Генеральный директор Моризо Диджитал

Разберем применение больших данных на примере компании «Утконос». «Утконос» создает автоматизированные и триггерные маркетинговые кампании по различным каналам с возможностью получения аналитических данных. В результате использования технологии рост доходов по e-mail каналу составил 41%, а по sms — 8 %, причем количество заказов увеличилось на 2%. А в канале Viber на 18% увеличилась конверсия в покупку. Что касается больших данных в сфере производства — их применение повышают эффективность оборудования на 5-10%.

Юрий Бондарь, Заместитель генерального директора SAP CIS

Что в итоге?

Анализ Big Data разрешает следующие бизнес-задачи:

Составление более детализированного портрета ЦА и клиента, сбор информации о причинах оттока посетителей, сегментирование клиентов;
Персонализация предложений, оптимизация таргетинга;

Создание единой актуальной базы данных с вычислением ошибок и нахождением связей;
Сбор информации о пользе продукта и его безопасности;

Расчет рисков, борьба с мошенничеством (например, в банковской сфере);
Оптимизация логистики, использования оборудования, выявление качества сервиса;
Обеспечение более упорядоченного и дешевого метода хранения данных с возможностью составить отчет по нужным параметрам.

Использование больших данных в большей степени влияет на маркетинг, сервис, устранение «слабых» звеньев в производстве, выявление множества зависимостей при продаже продукта или услуги.

Практика показывает, что большие данные можно использовать эффективно (и даже очень), но их интеграция — это не волшебная таблетка, превращающая любой проект в прибыльное дело. Нужно понять, как большие данные помогут конкретно вам.

Источник

Технологии Big Data: как использовать Большие данные в маркетинге

Big Data — это сложные и объёмные наборы разной информации. Они представлены в «сыром виде» и требуют предварительной обработки, чтобы получить из них ценные сведения, которые могут принести пользу предприятиям и организациям.

В этой статье вы узнаете:

Что такое Big Data?

Термин Big Data появился в 2008 году. Впервые его употребил редактор журнала Nature — Клиффорд Линч. Он рассказывал про взрывной рост объемов мировой информации и отмечал, что освоить их помогут новые инструменты и более развитые технологии.

Чтобы понять Big Data, необходимо определиться с понятием и его функцией в маркетинге. В наши дни пользователи генерируют данные регулярно: когда они открывают какое-либо приложение, ищут информацию в Google, совершают покупки в интернете или просто путешествуют со смартфоном в кармане. В результате возникают огромные массивы ценной информации, которую компании собирают, анализируют и визуализируют.

Big Data буквально переводится на русский язык как «Большие данные». Этим термином определяют массивы информации, которые невозможно обработать или проанализировать при помощи традиционных методов с использованием человеческого труда и настольных компьютеров. Особенность Big Data еще и в том, что массив данных со временем продолжает экспоненциально расти, поэтому для оперативного анализа собранных материалов необходимы вычислительные мощности суперкомпьютеров. Соответственно, для обработки Big Data необходимы экономичные, инновационные методы обработки информации и предоставления выводов.

Но зачем прилагать столько усилий для систематизации и анализа Big Data? Аналитику Больших данных используют, чтобы понять привлекательность товаров и услуг, спрогнозировать спрос на рынке и реакцию на рекламную кампанию. Работа с Big Data помогает фирмам привлечь больше потенциальных клиентов и увеличить доходы, использовать ресурсы рационально и строить грамотную бизнес-стратегию.

А это значит, что аналитики, умеющие извлекать полезную информацию из больших данных, сейчас нарасхват. Научиться этому можно, даже если вы никогда не работали в IT. Например, «Факультет аналитики Big Data» от GeekBrains предлагает удобные онлайн-занятия и десяток кейсов в портфолио. Кстати, первые шесть месяцев обучения бесплатно. Успешно прошедших курс обязательно трудоустроят – это прописано в договоре.

Разница подходов

Функции и задачи больших данных

Анализ Больших данных начинается с их сбора. Информацию получают отовсюду: с наших смартфонов, кредитных карт, программных приложений, автомобилей. Веб-сайты способны передавать огромные объемы данных. Из-за разных форматов и путей возникновения Big Data отличаются рядом характеристик:

Volume. Огромные «объемы» данных, которые организации получают из бизнес-транзакций, интеллектуальных (IoT) устройств, промышленного оборудования, социальных сетей и других источников, нужно где-то хранить. В прошлом это было проблемой, но развитие систем хранения информации облегчило ситуацию и сделало информацию доступнее.

Velocity. Чаще всего этот пункт относится к скорости прироста, с которой данные поступают в реальном времени. В более широком понимании характеристика объясняет необходимость высокоскоростной обработки из-за темпов изменения и всплесков активности.

Variety. Разнообразие больших данных проявляется в их форматах: структурированные цифры из клиентских баз, неструктурированные текстовые, видео- и аудиофайлы, а также полуструктурированная информация из нескольких источников. Если раньше данные можно было собирать только из электронных таблиц, то сегодня данные поступают в разном виде: от электронных писем до голосовых сообщений.

В России под Big Data подразумевают также технологии обработки, а в мире — лишь сам объект исследования.

Big Data характеризует большой объем структурированных и неструктурированных данных, которые ежеминутно образуется в цифровой среде. IBM утверждает, что в мире предприятия ежедневно генерируют почти 2,5 квинтиллиона байтов данных! А 90% глобальных данных получено только за последние 2 года.

Но важен не объем информации, а возможности, которые даёт её анализ. Одно из основных преимуществ Big Data — предиктивный анализ. Инструменты аналитики Больших данных прогнозируют результаты стратегических решений, что оптимизирует операционную эффективность и снижает риски компании.

Big Data объединяют релевантную и точную информацию из нескольких источников, чтобы наиболее точно описать ситуацию на рынке. Анализируя информацию из социальных сетей и поисковых запросов, компании оптимизируют стратегии цифрового маркетинга и опыт потребителей. Например, сведения о рекламных акциях всех конкурентов, позволяют руководство фирмы предложить более выгодный «персональный» подход клиенту.

Компании, правительственные учреждения, поставщики медицинских услуг, финансовые и академические учреждения — все используют возможности Больших данных для улучшения деловых перспектив и качества обслуживания клиентов. Хотя исследования показывают, что еще почти 43% коммерческих организаций до сих пор не обладают необходимыми инструментами для фильтрации нерелевантных данных, теряя потенциальную прибыль. Поэтому сегодня на рынке наметился курс на модернизацию бизнес-процессов, освоение новых технологий и внедрение Big Data.

Блокчейн и Биг Дата: потенциал объединенной технологии

Блокчейн — это децентрализованная система транзакций, где каждую транзакцию проверяет каждый элемент сети. Такая система гарантирует неизменность и невозможность манипуляции данными.

Криптовалюты и другие технологии блокчейн становятся все более популярными. Только в Японии почти 50 банков вступили в партнерские отношения с Ripple, сетью блокчейнов с открытым исходным кодом и с третьей по величине рыночной капитализацией криптовалютой в мире. Для банков сотрудничество обеспечит мгновенные безрисковые транзакции по низкой цене. Интерес к подобным операциям проявляют финансовые структуры в других странах, что означает дальнейшее развитие новых технологий в банковской сфере.

Популярность технологии предвещает рост объема транзакционных данных, записанных в регистрах, в геометрической прогрессии. К 2030 году информация, содержащаяся в реестре блокчейн, составит до 20% мирового рынка Больших данных и будет генерировать до 100 миллиардов долларов годового дохода. Хранение этих «озер данных» у традиционных поставщиков облачных хранилищ (AWS или Azure) обойдется в целое состояние. Своевременно на рынке появились поставщики децентрализованных хранилищ данных, предлагающие экономию затрат до 90%. Их работа облегчает внедрение блокчейн по всему миру и гарантирует развитие сферы.

Если большие данные — это количество, то блокчейн — это качество.

Использование блокчейна открывает новый уровень аналитики Big Data. Такая информация структурирована, полноценна и безопасна, так как ее невозможно подделать из-за сетевой архитектуры. Анализируя ее, алгоритмы смогут проверять каждую транзакцию в режиме реального времени, что практически уничтожит мошенничество в цифровой сфере. Вместо анализа записей о махинациях, которые уже имели место, банки могут мгновенно выявлять рискованные или мошеннические действия и предотвращать их.

Технология блокчейн применима не только к финансовому сектору. Неизменяемые записи, контрольные журналы и уверенность в происхождении данных — всё это применимо в любых бизнес-сферах. Уже сейчас компании внедряют блокчейн при торговле продуктами питания, а с другой стороны — изучают перспективы технологии при освоении космоса. Ожидается, что будущие решения в сфере Big Data и блокчейн радикально изменят способы ведения бизнеса.

Машинное обучение

Сегодня во многих отраслях внедряют машинное обучение для автоматизации бизнес-процессов и модернизации экономической сферы. Концепция предусматривает обучение и управление искусственным интеллектом (ИИ) с помощью специальных алгоритмов. Они учат систему на основе открытых данных или полученного опыта. Со временем такое приложение способно прогнозировать развитие событий без явного программирования человеком и часов потраченных на написание кода.

Например, с помощью машинного обучения можно создать алгоритм технического анализа акций и предполагаемых цен на них. Используя регрессионный и прогнозный анализы, статистическое моделирование и анализа действий, эксперты создают программы, которые рассчитывают время выгодных покупок на фондовом рынке. Они анализируют открытые данные с бирж и предлагают наиболее вероятное развитие событий.

При работе с Большими данными машинное обучение выполняет сходную функцию: специальные программы анализируют внушительные объемы информации без вмешательства человека. Все, что требуется от оператора «научить» алгоритм отбирать полезные данные, которые нужны компании для оптимизации процессов. Благодаря этому аналитики составляют отчеты за несколько кликов мыши, высвобождая своё время и ресурсы для более продуктивных задач: обработки результатов и поиск наиболее эффективных стратегий.

В динамично развивающемся мире, где ожидания клиентов всё выше, а человеческие ресурсы всё ценнее, машинное обучение и наука о данных играют решающую роль в развитии компании. Цифровая технологизация рабочего процесса жизненно необходима для сохранения лидирующих позиций в конкурентной среде.

Большие данные в бизнесе

Всех, кто имеет дело с большими данным, можно условно разделить на несколько групп:

Датамайнеры — разработчики алгоритмов, которые помогают заказчикам извлекать ценные сведения. Среди них: Yandex Data Factory, «Алгомост», Glowbyte Consulting, CleverData и др.

Поставщики инфраструктуры — решают задачи хранения и предобработки данных. Например: IBM, Microsoft, Oracle, Sap и другие.

Системные интеграторы — компании, которые внедряют системы анализа больших данных на стороне клиента. К примеру: «Форс», «Крок» и др.

Потребители — компании, которые покупают программно-аппаратные комплексы и заказывают алгоритмы у консультантов. Это «Сбербанк», «Газпром», «МТС», «Мегафон» и другие компании из отраслей финансов, телекоммуникаций, ритейла.

Разработчики готовых сервисов — предлагают готовые решения на основе доступа к большим данным. Они открывают возможности Big Data для широкого круга пользователей.

Основные поставщики больших данных в России — поисковые системы. Они имеют доступ к массивам данных, а кроме того, обладают достаточной технологической базой для создания новых сервисов.

На рынке бизнес-аналитики с 2012 года, когда компания запустила Google BigQuery — облачный сервис для анализа Big Data в режиме реального времени. Через год его интегрировали в Google Analytics Premium — платную версию счетчика. Недавно Google представила Cloud Bigtable — масштабируемый, облачный сервис баз данных.

Большинство сервисов компании построено на анализе больших данных: поисковый алгоритм на основе нейросетей «Палех», машинный перевод, фильтрация спама, таргетинг в контекстной рекламе, предсказание пробок и погоды, распознавание речи и образов, управление беспилотными автомобилями.

Некоторое время в «Яндексе» существовало отдельное подразделение Yandex Data Factory, которое оказывало консультационные услуги крупным компаниям. Но впоследствии эта структура была внедрена в отдел поиска.

Система веб-аналитики «Рейтинг Mail.Ru» — первый проект, который начал применять технологии обработки больших данных. Сейчас Big Data используется практически во всех сервисах компании — «Таргет.Mail.Ru», «Почта Mail.Ru», «Одноклассники», «Мой Мир», «Поиск Mail.Ru» и других.

С помощью анализа больших данных Mail.Ru таргетирует рекламу, оптимизирует поиск, ускоряет работу техподдержки, фильтрует спам, изучает поведение пользователей и т.д.

Сначала медиахолдинг использовал большие данные только в поиске, а затем в компании появилось направление датамайнинга. «Рамблер» применяет технологии для персонализации контента, блокировки ботов и спама, обработки естественного языка.

Выгоды использования технологии в бизнесе

Повышаются шансы проекта на востребованность.

Увеличивается скорость запуска новых проектов.

Можно оценить степень удовлетворенности пользователей.

Проще найти и привлечь целевую аудиторию.

Ускоряется взаимодействие с клиентами и контрагентами.

Оптимизируются интеграции в цепи поставок.

Повышается качество клиентского сервиса, скорость взаимодействия.

Повышается лояльность текущих клиентов.

Интерес к технологиям больших данных в России растет, но у Big Data есть как драйверы, так и ограничители.

Big Data в маркетинге

Зачем нужны большие данные в маркетинге? Анализ массивов информации о компании открывает новые возможности:

Понять работу бизнеса в цифрах.

Маркетинг сможет выйти на новый уровень понимания и аналитики, что позволит снизить издержки и увеличить продажи.

Выгоды использования технологии в маркетинге

Максимальная персонализация рекламных сообщений.

Предсказание реакции потребителей на маркетинговые сообщения.

Создание точных портретов целевых потребителей.

Увеличение кросс-продаж, повторных продаж, ремаркетинга.

Поиск и определение причин популярности востребованных товаров и продуктов.

Совершенствование продуктов и услуг, повышение лояльности клиентов.

Повышение качества обслуживания.

Предупреждение мошенничества.

Снижение издержек в работе с поставщиками и клиентами.

Благодаря специальным сервисам технологии больших данных, Big Data найдется применение в любом отделе маркетинга, в том числе среднего и малого бизнеса. Вам не потребуется устанавливать и обслуживать дорогостоящее оборудование и содержать специалиста.

Сервисы Big Data

«1С-Битрикс BigData»

Облачный сервис для персонализации торговых предложений, встроенный в систему управления сайтом. Позволяет повысить качество управления и эффективность рекламы, увеличить средний чек, объемы продаж и конверсию за счет персональных предложений, которые создаются на основе знаний о пользователе.

RTB Media

Сервис по управлению закупками цифровой рекламы, который помогает эффективно участвовать в RTB-аукционах. Использует большие данные для привлечения нужных покупателей. С помощью сервиса можно настроить кросс-канальный, поисковый и товарный ретаргетинг.

Alytics

Система сквозной аналитики с автоматизацией контекстной рекламы и интерактивными отчетами. Возможности: аналитика, интерактивные дашборды, коллтрекинг, автоматическое управление контекстной рекламой. Позволяет эффективно управлять рекламными бюджетами, предоставляет отчет о таких показателях, как CPA, ROI, выручка и др. Внедряется в несколько кликов, подойдет для специалистов по контекстной рекламе, маркетологов и руководителей.

Интерфейс раздела аналитики

Crossss

Сервис для мультиканальной персонализации интернет-магазинов, своеобразный мерчендайзинг для e-commerce. Сервис собирает информацию об интересах пользователей, анализирует ее и помогает предугадывать желания покупателя. Crossss может перестроить контент сайта лично на каждого пользователя на основе его поведения: выстроить выкладку товаров в каталоге, создать персонализированные и таргетированные почтовые рассылки.

Раздел аналитики в сервисе

Технологии Big Data уже обыденность — множество компаний использует их для решения задач своего бизнеса, наряду с автоматизацией и CRM. Будущее больших данных — применение технологий Blockchain, глубокое внедрение искусственного интеллекта, повсеместный переход на облачные сервисы и платформы для самостоятельной работы, а также анализ Dark Data — всей неоцифрованной информации о компании.

Читайте по теме

Подпишитесь на нашу рассылку

Мы отправляем полезные материалы, которые помогут вам в работе

Другие статьи

22 апреля 2021

Зачем бизнесу создавать собственные маркетплейсы

21 апреля 2018

15 мин.

52640

Как составить семантическое ядро для интернет-магазина

16 марта 2020

30 мин.

57086

Теория ограничений систем Голдратта: как повысить эффективность бизнеса

Услуги

Сайты и сервисы

Создаем удобные и эффективные сайты, которые нравятся пользователям и хорошо продвигаются в поисковых системах.

Дизайн

Сервисный дизайн на основе аналитики, метрик и пользовательского опыта — продуктовый подход для создания привлекательных и эффективных решений.

Аналитика

Изучаем бизнес клиента и его конкурентов, подбираем инструменты и способы продвижения.

SEO-продвижение

Увеличиваем органический трафик на сайте и снижаем затраты на привлечение клиентов.

Источник

Смартфоны предлагают нам загрузить все данные в облако, а большие компании вроде Google и «Яндекса» — воспользоваться своими экосистемами. Проще говоря, мы живем в эпоху Big Data. Но что это значит на самом деле?

Что такое Big Data?

Big Data или большие данные — это структурированные или неструктурированные массивы данных большого объема. Их обрабатывают при помощи специальных автоматизированных инструментов, чтобы использовать для статистики, анализа, прогнозов и принятия решений.

Сам термин «большие данные» предложил редактор журнала Nature Клиффорд Линч в спецвыпуске 2008 года [1]. Он говорил о взрывном росте объемов информации в мире. К большим данным Линч отнес любые массивы неоднородных данных более 150 Гб в сутки, однако единого критерия до сих пор не существует.

«Лиза Алерт» использует Big Data, чтобы находить пропавших людей

До 2011 года анализом больших данных занимались только в рамках научных и статистических исследований. Но к началу 2012-го объемы данных выросли до огромных масштабов, и возникла потребность в их систематизации и практическом применении.

Всплеск интереса к большим данным в Google Trends

С 2014 на Big Data обратили внимание ведущие мировые вузы, где обучают прикладным инженерным и IT-специальностям. Затем к сбору и анализу подключились IT-корпорации — такие, как Microsoft, IBM, Oracle, EMC, а затем и Google, Apple, Facebook (с 21 марта 2022 года соцсеть запрещена в России решением суда) и Amazon. Сегодня большие данные используют крупные компании во всех отраслях, а также — госорганы. Подробнее об этом — в материале «Кто и зачем собирает большие данные?»

Какие есть характеристики Big Data?

Компания Meta Group предложила основные характеристики больших данных [2]:

Volume — объем данных: от 150 Гб в сутки;
Velocity — скорость накопления и обработки массивов данных. Большие данные обновляются регулярно, поэтому необходимы интеллектуальные технологии для их обработки в режиме онлайн;
Variety — разнообразие типов данных. Данные могут быть структурированными, неструктурированными или структурированными частично. Например, в соцсетях поток данных не структурирован: это могут быть текстовые посты, фото или видео.

Сегодня к этим трем добавляют еще три признака [3]:

Veracity — достоверность как самого набора данных, так и результатов его анализа;
Variability — изменчивость. У потоков данных бывают свои пики и спады под влиянием сезонов или социальных явлений. Чем нестабильнее и изменчивее поток данных, тем сложнее его анализировать;
Value — ценность или значимость. Как и любая информация, большие данные могут быть простыми или сложными для восприятия и анализа. Пример простых данных — это посты в соцсетях, сложных — банковские транзакции.

Как работает Big Data: как собирают и хранят большие данные?

Большие данные необходимы, чтобы проанализировать все значимые факторы и принять правильное решение. С помощью Big Data строят модели-симуляции, чтобы протестировать то или иное решение, идею, продукт.

Главные источники больших данных:

интернет вещей (IoT) и подключенные к нему устройства;
соцсети, блоги и СМИ;
данные компаний: транзакции, заказы товаров и услуг, поездки на такси и каршеринге, профили клиентов;
показания приборов: метеорологические станции, измерители состава воздуха и водоемов, данные со спутников;
статистика городов и государств: данные о перемещениях, рождаемости и смертности;
медицинские данные: анализы, заболевания, диагностические снимки.

С 2007 года в распоряжении ФБР и ЦРУ появилась PRISM — один из самых продвинутых сервисов, который собирает персональные данные обо всех пользователях соцсетей, а также сервисов Microsoft, Google, Apple, Yahoo и даже записи телефонных разговоров.

Современные вычислительные системы обеспечивают мгновенный доступ к массивам больших данных. Для их хранения используют специальные дата-центры с самыми мощными серверами.

Как выглядит современный дата-центр

Помимо традиционных, физических серверов используют облачные хранилища, «озера данных» (data lake — хранилища большого объема неструктурированных данных из одного источника) и Hadoop — фреймворк, состоящий из набора утилит для разработки и выполнения программ распределенных вычислений. Для работы с Big Data применяют передовые методы интеграции и управления, а также подготовки данных для аналитики.

Big Data Analytics — как анализируют большие данные?

Благодаря высокопроизводительным технологиям — таким, как грид-вычисления или аналитика в оперативной памяти, компании могут использовать любые объемы больших данных для анализа. Иногда Big Data сначала структурируют, отбирая только те, что нужны для анализа. Все чаще большие данные применяют для задач в рамках расширенной аналитики, включая искусственный интеллект.

Выделяют четыре основных метода анализа Big Data [4]:

1. Описательная аналитика (descriptive analytics) — самая распространенная. Она отвечает на вопрос «Что произошло?», анализирует данные, поступающие в реальном времени, и исторические данные. Главная цель — выяснить причины и закономерности успехов или неудач в той или иной сфере, чтобы использовать эти данные для наиболее эффективных моделей. Для описательной аналитики используют базовые математические функции. Типичный пример — социологические исследования или данные веб-статистики, которые компания получает через Google Analytics.

Антон Мироненков, управляющий директор «X5 Технологии»:

«Есть два больших класса моделей для принятия решений по ценообразованию. Первый отталкивается от рыночных цен на тот или иной товар. Данные о ценниках в других магазинах собираются, анализируются и на их основе по определенным правилам устанавливаются собственные цены.

Второй класс моделей связан с выстраиванием кривой спроса, которая отражает объемы продаж в зависимости от цены. Это более аналитическая история. В онлайне такой механизм применяется очень широко, и мы переносим эту технологию из онлайна в офлайн».

2. Прогнозная или предикативная аналитика (predictive analytics) — помогает спрогнозировать наиболее вероятное развитие событий на основе имеющихся данных. Для этого используют готовые шаблоны на основе каких-либо объектов или явлений с аналогичным набором характеристик. С помощью предикативной (или предиктивной, прогнозной) аналитики можно, например, просчитать обвал или изменение цен на фондовом рынке. Или оценить возможности потенциального заемщика по выплате кредита.

3. Предписательная аналитика (prescriptive analytics) — следующий уровень по сравнению с прогнозной. С помощью Big Data и современных технологий можно выявить проблемные точки в бизнесе или любой другой деятельности и рассчитать, при каком сценарии их можно избежать их в будущем.

Сеть медицинских центров Aurora Health Care ежегодно экономит $6 млн за счет предписывающей аналитики: ей удалось снизить число повторных госпитализаций на 10% [5].

4. Диагностическая аналитика (diagnostic analytics) — использует данные, чтобы проанализировать причины произошедшего. Это помогает выявлять аномалии и случайные связи между событиями и действиями.

Например, Amazon анализирует данные о продажах и валовой прибыли для различных продуктов, чтобы выяснить, почему они принесли меньше дохода, чем ожидалось.

Данные обрабатывают и анализируют с помощью различных инструментов и технологий [6] [7]:

Cпециальное ПО: NoSQL, MapReduce, Hadoop, R;
Data mining — извлечение из массивов ранее неизвестных данных с помощью большого набора техник;
ИИ и нейросети — для построения моделей на основе Big Data, включая распознавание текста и изображений. Например, оператор лотерей «Столото» сделал большие данные основой своей стратегии в рамках Data-driven Organization. С помощью Big Data и искусственного интеллекта компания анализирует клиентский опыт и предлагает персонифицированные продукты и сервисы;
Визуализация аналитических данных — анимированные модели или графики, созданные на основе больших данных.

Примеры визуализации данных (data-driven animation)

Как отметил в подкасте РБК Трендов менеджер по развитию IoT «Яндекс.Облака» Александр Сурков, разработчики придерживаются двух критериев сбора информации:

Обезличивание данных делает персональную информацию пользователей в какой-то степени недоступной;
Агрегированность данных позволяет оперировать лишь со средними показателями.

Чтобы обрабатывать большие массивы данных в режиме онлайн используют суперкомпьютеры: их мощность и вычислительные возможности многократно превосходят обычные. Подробнее — в материале «Как устроены суперкомпьютеры и что они умеют».

Big Data и Data Science — в чем разница?

Data Science или наука о данных — это сфера деятельности, которая подразумевает сбор, обработку и анализ данных, — структурированных и неструктурированных, не только больших. В ней используют методы математического и статистического анализа, а также программные решения. Data Science работает, в том числе, и с Big Data, но ее главная цель — найти в данных что-то ценное, чтобы использовать это для конкретных задач.

В каких отраслях уже используют Big Data?

Государственное управление. Изучение и анализ больших данных помогает правительствам принимать решения в таких областях, как здравоохранение, занятость населения, экономическое регулирование, борьба с преступностью и обеспечение безопасности, реагирование на чрезвычайные ситуации;
Промышленность. Внедрение инструментов Big Data помогает повысить прозрачность промышленных процессов и внедрять «предиктивное производство», позволяющее более точно прогнозировать спрос на продукцию и, соответственно, планировать расходование ресурсов;
Медицина. Огромное количество данных, собираемых медицинскими учреждениями и различными электронными приспособлениями (фитнес-браслетами и т.п.) открывает принципиально новые возможности перед индустрией здравоохранения. Большие данные помогают находить новые лекарства, точнее ставить диагнозы, подбирать эффективное лечение, бороться с пандемий;
Ретейл. Развитие сетевой и электронной торговли невозможно представить без основанных на Big Data решениях — так магазины персонализируют ассортимент и доставку;
Интернет вещей. Big Data и интернет вещей неразрывно связаны между собой. Промышленные и бытовые приборы, подключенные к интернету вещей, собирают огромное количество данных, на основе анализа которых впоследствии регулируется работа этих приборов;
Рынок недвижимости. Девелоперы используют технологии Big Data, чтобы собрать и проанализировать весь массив информации, а затем выдать пользователю наиболее интересные для него варианты. Уже сейчас будущий покупатель может посмотреть понравившийся дом без продавца;
Спорт. С помощью больших данных футбольные клубы отбирают самых перспективных игроков и разрабатывают эффективную стратегию для каждого противника.

Выпуск «Индустрии 4.0» о том, как используют Big Data в футболе
Сельское хозяйство.

«IoT-решение из области так называемого точного земледелия — это когда специальные метеостанции, которые стоят в полях, с помощью сенсоров собирают данные (температура, влажность) и с помощью передающих радио-GSM-модулей отправляют их на IoT-платформу. На ней посредством алгоритмов big data происходит обработка собранной с сенсоров информации и строится высокоточный почасовой прогноз погоды. Клиент видит его в интерфейсе на компьютере, планшете или смартфоне и может оперативно принимать решения», — прокомментировали в «МегаФоне».

Подробнее — в материале «Умные» комбайны и дроны-геологи: как цифровизация меняет экономику».

Big Data в России и мире

По данным компании IBS [8], в 2012 году объем хранящихся в мире цифровых данных вырос на 50%: с 1,8 до 2,7 Збайт (2,7 трлн Гбайт). В 2015-м в мире каждые десять минут генерировалось столько же данных, сколько за весь 2003 год.

По данным компании NetApp, к 2003 году в мире накопилось 5 Эбайтов данных (1 Эбайт = 1 млрд Гбайт). В 2015-м — более 6,5 Збайта, причем тогда большие данные использовали лишь 17% компаний по всему миру [9]. Большую часть данных будут генерировать сами компании, а не их клиенты. При этом обычный пользователь будет коммуницировать с различными устройствами, которые генерируют данные, около 4 800 раз в день.

Первыми Big Data еще пять лет назад начали использовать в ИТ, телекоме и банках. Именно в этих сферах скапливается большой объем данных о транзакциях, геолокации, поисковых запросах и профилях в Сети. В 2019 году прибыль от использования больших данных оценивались в $189 млрд [10] — на 12% больше, чем в 2018-м, при этом к 2022 году она ежегодно будет удваиваться.

Сейчас в США с большими данными работает более 55% компаний [11], в Европе и Азии — около 53%. Только за последние пять лет распространение Big Data в бизнесе выросло в три раза.

Как большие данные помогают онлайн-кинотеатрам подбирать персональные рекомендации

Мировыми лидерами по сбору и анализу больших данных являются США и Китай. Так, в США еще при Бараке Обаме правительство запустило шесть федеральных программ по развитию больших данных на общую сумму $200 млн. Главными потребителями Big Data считаются крупные корпорации, однако их деятельность по сбору данных ограничена в некоторых штатах — например, в Калифорнии.

В Китае действует более 200 законов и правил, касающихся защиты личной информации. С 2019 года все популярные приложения для смартфонов начали проверять и блокировать, если они собирают данные о пользователях вопреки законам. В итоге данные через местные сервисы собирает государство, и многие из них недоступны извне.

С 2018 года в Евросоюзе действует GDPR — Всеобщий регламент по защите данных. Он регулирует все, что касается сбора, хранения и использования данных онлайн-пользователей. Когда закон вступил в силу год назад, он считался самой жесткой в мире системой защиты конфиденциальности людей в Интернете.

Подробнее — в материале «Цифровые войны: как искусственный интеллект и большие данные правят миром».

В России рынок больших данных только зарождается. К примеру, сотовые операторы делятся с банками информацией о потенциальных заемщиках [12]. Среди корпораций, которые собирают и анализируют данные — «Яндекс», «Сбер», Mail.ru. Появились специальные инструменты, которые помогают бизнесу собирать и анализировать Big Data — такие, как российский сервис Ctrl2GO.

Big Data в бизнесе

Большие данные полезны для бизнеса в трех главных направлениях:

Запуск продуктов и сервисов, которые точнее всего «выстрелят» по потребностям целевой аудитории;
Анализ клиентского опыта в отношении продукта или услуги, чтобы улучшить их;
Привлечение и удержание клиентов с помощью аналитики.

Большие данные помогают MasterCard предотвращать мошеннические операции со счетами клиентов на сумму более $3 млрд в год [13]. Они позволяют рекламодателям эффективнее распределять бюджеты и размещать рекламу, которая нацелена на самых разных потребителей.

Крупные компании — такие, как Netflix, Procter & Gamble или Coca-Cola — с помощью больших данных прогнозируют потребительский спрос. 70% решений в бизнесе и госуправлении принимается на основе геоданных. Подробнее — в материале о том, как бизнес извлекает прибыль из Big Data.

Каковы проблемы и перспективы Big Data?

Главные проблемы:

Большие данные неоднородны, поэтому их сложно обрабатывать для статистических выводов. Чем больше требуется параметров для прогнозирования, тем больше ошибок накапливается при анализе;
Для работы с большими массивами данных онлайн нужны огромные вычислительные мощности. Такие ресурсы обходятся очень дорого, и пока что доступны только большим корпорациям;
Хранение и обработка Big Data связаны с повышенной уязвимостью для кибератак и всевозможных утечек. Яркий пример — скандалы с профилями Facebook;
Сбор больших данных часто связан с проблемой приватности: не все хотят, чтобы каждое их действие отслеживали и передавали третьим лицам. Герои подкаста «Что изменилось» объясняют, почему конфиденциальности в Сети больше нет, и технологическим гигантам известно о нас все;
Большие данные используют в своих целях не только корпорации, но и политики: например, чтобы повлиять на выборы.

Плюсы и перспективы:

Большие данные помогают решать глобальные проблемы — например, бороться с пандемией, находить лекарства от рака и предотвращать экологический кризис;
Big Data — хороший инструмент для создания умных городов и решения проблемы транспорта;
Большие данные помогают экономить средства даже на государственном уровне: например, в Германии вернули в бюджет около €15 млрд [14], обнаружив, что часть граждан получают пособие по безработице без всяких оснований. Их вычислили с помощью транзакций.

Как Big Data и ИИ меняют наше представление о справедливости

В ближайшем будущем большие данные станут главным инструментом для принятия решений — начиная с сетевых бизнесов и заканчивая целыми государствами и международными организациями [15].

Источник

Работа с непрерывно растущими потоками данных самого разного вида требует постоянного увеличения ресурсов и усложнения технологических решений. В 2008–2011 гг. появилась новая концепция в сфере взаимодействия с большими массивами данных под названием Big Data. В чем уникальность этого подхода и почему с каждым годом растет объем инвестиций в этот рынок?

Как это работает

Big Data – это набор методов обработки и анализа больших объемов разнообразной информации, которую сложно обработать с помощью обычных технологий. В результате работы с таким материалом появляется полезная информация, скрытые закономерности, незаметные для человеческого мозга. Далее этот ценный продукт может использоваться, например, для корректировки бизнес-процессов компании.

Как понять, какие данные могут считаться большими, чтобы использовать эту технологию? Основными характеристиками такой информации являются так называемые три V:

Объем/volume – большой физический объем массива информации. Для хранения данных используют огромные кластеры объединенных компьютеров.
Скорость/velocity. Массивы данных не стоят на месте, а быстро увеличиваются, и так же увеличивается скорость их обработки.
Разнообразие информации/variety. Одновременная работа в режиме реального времени с самыми разными типами массивов информации, как имеющих структуру так и без нее.

В качестве исходного материала выступают электронные письма, данные из профилей пользователей, любые изображения, текст, аудио- и видеофайлы, непрерывные показания датчиков, финансовые показатели и многое другое.

В работе с большими массивами информации активно используется новый подход – машинное обучение. Человек создает программу, по которой компьютер далее самостоятельно учится, анализирует данные и принимает решение, получает результат. Это направление из области искусственного интеллекта.

Один из примеров работы Big Data – вы отвечаете на вопросы анкеты и получаете свою родословную. Еще пример – с помощью анализа разрозненных потоков документооборота можно найти неплательщиков налогов. Или интересный вариант сотрудничества Microsoft и Siemens по разработке рентгенаппарата, связанного с облачной системой на основе искусственного интеллекта. Эта система анализирует и хранит огромные базы снимков, при этом постоянно самообучается. Снимок получает врач и система, после этого сравниваются диагнозы и, в случае расхождения, врачу предлагают еще раз проверить заключение.

Часто Big Data используется компаниями в качестве нового инструмента для повышения эффективности бизнес-процессов. Есть способ управления компанией исключительно на основе анализа данных (Data Driven Management). Знаменитые Гугл, Яндекс и Фейсбук давно принимают решения на основе концепции Big Data.

Рассмотрим, какие условия необходимы при работе с большими массивами:

возможность горизонтального расширения – если информации становится больше, то и место ее хранения должно увеличиваться в этом же масштабе;
устойчивость системы в случае выхода из строя некоторых машин, которых может быть огромное количество (только у Yahoo в системе Hadoop около 42 000 компьютеров);
локальность информации – обработка данных должна выполняться на той же машине, где они хранятся, передача больших объемов данных слишком затратна.

Сейчас, благодаря облачным сервисам, это направление доступно практически любым, даже небольшим, компаниям.

Где находятся генераторы Больших Данных? Основные источники Big Data:

Интернет (информация с сайтов, блогов, соцсетей, поисковиков). База Гугла и Яндекса, например, содержит до 1500 разных видов данных о каждом активном пользователе и его предпочтениях.
Корпоративная информация (документы, транзакции, БД).
Непрерывные показания датчиков, метеоданные, астрономические наблюдения и т. д.

Группы игроков на рынке Больших Данных

Рассмотрим, кто входит в структуру рынка и какой выбрать вариант для внедрения технологии в вашу компанию. На рынке Big Data можно выделить несколько направлений:

компании, в задачи которых входит хранение и начальная обработка данных (Oracle, SAP, Teradata, Microsoft, ЕМС, IBM и др.);
разработчики ПО – обработка и поиск информации (АлгоМост, CleverData, IBS, Google BigQuery, Amazon, и др.);
компании, которые создают системы на стороне заказчика (Крок, Форс и др.);
фирмы-разработчики готовых приложений или платформ (часто в облаке), для широкой аудитории. Оптимальный вариант для любого бизнеса. (Auditorius, Cross, 1С-Битрикс BigData, Usalytics, Opiner и др.).

Какие задачи решают Большие Данные

Основные глобальные задачи, с которыми успешно справляется технология:

сбор и хранение больших потоков непрерывно изменяющихся данных;
управление массивами растущей информации;
структурирование разных типов данных, поиск неявных зависимостей;
анализ полученных данных и точное прогнозирование бизнес-процессов.

Если рассматривать более узкие задачи, которые помогает решать Big Data, то можно выделить изучение поведения клиентов и таргетинг, анализ и планирование финансовых операций, продажи и планирование запасов, анализ жизненного цикла продукта и др. Все большая роль отводится этой технологии в сфере управления человеческими ресурсами.

Преимущества технологии

Рассмотрим основные преимущества, которые вы можете получить от Big Data в сфере продаж и маркетинга:

Принятие обоснованных решений на основе анализа больших объемов информации и снижение затрат.
Увеличение скорости разработки и внедрения проектов, совершенствование продукта.
Подробный анализ деятельности ваших конкурентов.
Упрощение и ускорение процесса формирования целевой аудитории. На основе огромных массивов данных из интернет-ресурсов можно составить точный портрет целевой аудитории, узнать все ее предпочтения и привлечь новых клиентов.
Увеличение up-sale и cross-sale в результате информации о предпочтениях покупателей.
Позволяет находить удивительные закономерности, например, зависимость спроса на товар от погоды или мероприятий, и использовать их для увеличения продаж.
Можно сделать подробный анализ, который даст ответы на вопросы «Почему это происходит?», «Что ожидается в будущем?» и «Как получить нужный результат?». Например, поиск причины популярности или непопулярности товаров.

Все эти возможности позволяют улучшить обслуживание покупателей и повысить их лояльность. Когда вы не угадываете, а точно знаете «боль» потребителей, вы можете предложить им те продукты, которые полностью удовлетворят потребности. В выигрыше остаются все.

Большие Данные – это полная информация о вашем бизнесе, подробные знания о конкурентах и клиентах.

Где используют методы Больших Данных

Наибольшее развитие концепции Big Data наблюдается в тех отраслях, где создаются и обрабатываются огромные потоки информации в режиме онлайн. Их используют в торговле, инжиниринге, здравоохранении, различных госучреждениях, телекоммуникациях, финансовой сфере и логистике. Основные три направления, в которых компании применяют Big Data, – это клиентский сервис (предпочтения клиентов), оценка эффективности бизнес-процессов и управление рисками. Рассмотрим популярные сферы применения технологии Больших Данных.

Сфера финансов

Big Data ускоряют принятие решения о выдаче кредита, на основе анализа операций клиента подбирают оптимальный пакет банковских услуг, анализируют его кредитоспособность. Компании, которые используют технологию, могут выполнить мгновенную обработку персональных данных клиента.

Торговля

За время деятельности магазина/компании накапливается много данных о покупателях, поставщиках, товарах и управлении запасами. На основе обработки этой информации можно управлять движением товара, прогнозировать продажи и уменьшать затраты.

Отрасль телекоммуникаций

Эта отрасль владеет одним из самых объемных массивов данных, проводит подробный анализ информации о клиентах. Компании выполняют сегментацию аудитории, анализ трафика, борьбу с мошенничеством. Главная задача – повышение лояльности текущих и привлечение новых клиентов.

Проблемы Big Data

Несмотря на быстрый рост популярности технологии, у нее есть свои сложности:

высокая стоимость технологии, не приносят быстрый доход, а рассчитаны на перспективу;
гарантия безопасности хранения и обработки информации – атаки хакеров и вирусные внедрения иногда бывают успешны;
нехватка квалифицированного персонала – прежде чем обрабатывать данные, нужно понимать, что именно обрабатывать и уметь применить результат;
несоответствие накопленного объема требованиям Big Data (мало данных) и некачественные данные;
сложное внедрение новых инструментов в старую IT-систему бизнеса;
проблемы этического характера, когда сбор данных о клиенте или пользователе граничит с нарушением прав личности. В 2019 году создан кодекс саморегулирования в области Больших Данных, который пытается решить эту проблему.

Примеры использования технологии

Тем не менее, рынок Больших Данных развивается ускоренными темпами. Растет число приложений, которые используют сложную прогнозную аналитику. Все больше появляется решений с алгоритмами машинного обучения, развивается обработка и аналитика медиа-данных (неструктурированная информация). Рассмотрим примеры удачных решений с применением Больших Данных:

В банковской сфере Big Data успешно противодействует мошенничеству с пластиковыми картами. В компании HSBC эффективность отдела безопасности выросла в три раза. А система Watson (разработка IBM) обрабатывает данные потоков денежных транзакций с целью выявления подозрительных операций.
В области ритейла концепция Big Data помогает с анализом поведения покупателей. Компания офисной канцелярии OfficeMax благодаря технологии увеличила продажи в В2В на 13 %.
Procter & Gamble использует технологию при разработке новых продуктов и маркетинговых кампаний. На основе Big Data анализируются текущие бизнес-процессы и составляются прогнозы развития компании.
В Германии Big Data помогает проанализировать, имеет ли право безработный на получение пособия. Внедрение технологии помогло значительно сократить расходы – около 20 % денег выдавалось незаслуженно.
В России сеть магазинов «Лента» одна из первых внедрила технологию и стала для анализа покупателей собирать данные из чеков. Эта информация позволяет моделировать поведение клиентов, улучшает качество принимаемых решений в области продаж и обслуживания. По данным Hadoop, внедрение Big Data в торговле увеличивает прибыль на 7–10 %.
В правоохранительных органах успешное соединение системы распознавания лиц с видеокамерами помогает находить опасных преступников, а системы видеонаблюдения с элементами искусственного интеллекта выявляют в магазинах покупателей с нестандартным поведением.

Если вы хотите повысить эффективность компании, оптимизировать затраты, улучшить точность бизнес-прогнозов и свести к минимуму финансовые риски – обратите внимание на новую технологию, за которой будущее.

Источник