Статья опубликована в №64 (декабрь) 2018
Разделы: Маркетинг
Размещена 30.12.2018. Последняя правка: 09.01.2019.
Просмотров - 2054

Перспективы анализа больших данных в российском маркетинге

Родькина Анастасия Викторовна

Бакалавр

Университет ИТМО, г. Санкт-Петербург

Студент

Будрин Александр Германович, доктор экономических наук. Университет ИТМО, г. Санкт-Петербург

УДК 339.138

Большие данные нельзя назвать новшеством, так как они уже не первый год успешно применяется на практике в различных странах. В США к анализу больших данных прибегают как крупнейшие фирмы, продвигающие свои товары и услуги, так и наиболее востребованные в штатах банки, использующие анализ больших данных для выдачи ипотечных кредитов и предсказания возможного приближающегося банкротства клиента, а также специалисты полицейской системы для снижения уровня совершаемых в стране преступлений.

Несмотря на то, что эффективность анализа больших данных в маркетинге можно считать неоспоримой, данный метод достаточно тяжело приживается в России. Это явление может быть связано с рядом проблем, которые становятся сегодня непреодолимой преградой для большинства российских компаний. В этой связи возникает вопрос – каким образом можно преодолеть основные преграды на пути к настоящей революции в области маркетинга и применению анализа больших данных в России в качестве широко используемой технологи, а не в качестве «стартапов», когда специалисты в этой области должны не просто продавать свою технологию, но перед этим убеждать клиентов в доходности их инвестиций?

Прежде чем ответить на этот вопрос, необходимо разобраться в самой сути термина «большие данные», преимуществах работы с ними, а также ситуации на российском рынке в целом. «Большие данные» – это точнейший инструмент для выявления целевой аудитории, спроса, активности и интересов потребителя [1 стр.101].

Основные задачи групп технологий, объединенных понятием «большие данные», сводятся к:

1. Хранению и обработке большого объема структурированных данных, постоянному их анализу и быстрому реагированию на изменения в реальном времени;.
2. Сбору, хранению и использованию неструктурированных данных различного рода, в том числе и фото-, аудио- и видеоинформацию [1 стр.101].  

Некоторые специалисты в области маркетинга приравнивают значимость использования «больших данных» для компании к значимости труда и капитала. Они выделяют несколько основных значимых направлений использования больших данных [2 стр. 1]:

1. Во-первых, применение Big Data служит для подробного сегментирования различных потребителей, что в свою очередь позволяет персонализировать предложения для них.
2. Во-вторых, хорошо отлаженная система сложной аналитики способствует оптимизации механизма принятия решений.
3. В-третьих, нельзя не отметить и тот факт, что «большие данные» делают информацию более доступной.
4. В-четвертых, в связи с тем, что организации, как правило, создают и хранят большую часть транзакционных данных именно в цифровой форме, «большие данные» способны предоставлять более точную информацию о производительности на всех этапах [2 стр. 1].

Конкуренция – вот главный фактор, оказывающий влияние на развитие технологий под названием «большие данные». Именно поэтому многие эксперты говорят о широком использовании больших данных на сильно конкурирующих рынках: «Наиболее успешные проекты реализуются в таких высоко конкурентных областях как телекоммуникации, банки, розничная торговля. Наряду с крупнейшими мировыми компаниями (IBM, ING, VISA, Merrill, Lynch, Bank of America, Central Bank of India, HSBC, Capital One, Amazon,  Facebook, Twitter, Google и др.), российские компании все чаще применяют технологии Big Data для решения собственных бизнес-задач» [1, стр. 102].

Среди российских компаний, стремящихся к использованию больших данных, можно выделить, в основном, различных технологических лидеров. Например, Big Data успешно применяется в компании «Яндекс», а также в банковской системе. Так, Сбербанк реализует программу по применению технологий больших данных в сфере маркетинга, управления рисками, координации взаимоотношений с банковскими клиентами, в продажах, а также борьбе с мошенничеством. В последнее время применять данные технологии стали и другие банки, такие как: «Альфа-Банк», «Райффайзенбанк», банк «ВТБ24», «Санкт-Петербург» и другие.

В одном из источников научной литературы о Big Data, разработанном Бостонской консалтинговой группой приведен отличный пример о необходимости использования больших данных банками [8, стр. 6]. Так, один из крупнейших европейских банков столкнулся с настоящей головоломкой по созданию нового хранилища данных и систем CRM. Функциональные требования, запрошенные бизнес-единицами банка, намного превысили бюджетные возможности традиционной системы хранения. После чего система менеджмента банка нашла выход в разработке серии новых приложений с использованием структурированных и неструктурированных данных из различных цифровых каналов. Поскольку традиционные системы не подходят для обработки данных такого типа, они потребляют чрезмерные ресурсы для расчета и хранения. Новая гибридная система хранилища данных, объединявшая традиционные технологии и технологии больших данных, обеспечивала все функциональные возможности, необходимые бизнес-единицам, и обеспечивала экономию почти в 30% от первоначальной величины затрат.

Еще один интересный пример выгодного использования больших данных рассмотрен в том же источнике [8, стр 6-7]. Так, один из ведущих европейских банков стал использовать данные с карт своей платежной системы для того, чтобы построить цифровую панель данных для баров и ресторанов. Эта панель содержала в себе многоуровневую, агрегированную информацию, которую можно использовать для улучшения качества обслуживания и привлечения новых клиентов в заведениях общественного питания. Большинство ресторанов всего за несколько месяцев оценили эффективность и прибыльность работы с данной системой, а банк, в свою очередь, прогнозировал доходы от ее создания в размере 50 миллионов евро.

Рассмотрим теперь несколько примеров преимуществ работы с Big Data на примерах применения их анализа компаниями «Яндекс» и «Google».

Анализ больших данных позволяет использовать все новые и новые разработки в сфере маркетинга и персонализации предложений. Например, существуют различные инструменты для визуализации данных, основанных на обработке больших данных. Предположим, маркетолог проводит рекламу в различных социальных ресурсах, таких как «Facebook», «Vkontakte», в системах «Яндекс» и «Google». Он легко может отслеживать эффективность в системе «Google Analytics».

При необходимости он может связать в отчете все данные воедино, с помощью разработанного компанией «Google» инструментом «Google Data Studio», помогающим визуализировать данные с различных источников, а также анализировать эффективность рекламных кампаний. В этом случае ему необходимо просто единожды создать шаблон отчета. С дальнейшей сменой дат в отчете данные будут обновляться автоматически. «Data Studio» связывает систему «Google Analytics», содержащую в себе аналитику за отчетный период по различным параметрам (пол пользователя, возраст, устройства, глубина просмотра, время на сайте и т.д.) вместе с данными рекламных кабинетов. [4].

Еще одним важным плюсом инструмента «Google Data Studio» является возможность предоставления клиенту доступа к отчету с возможностью его редактирования, что позволяет заказчику при помощи смены дат в отчете получать актуальную информацию о результатах рекламной кампании в режиме реального времени.

Рассмотрим еще одно преимущество работы с большими данными на примере работы CEO-специалиста. В настоящее время системы «Яндекс» и «Google» постоянно выделяют новые алгоритмы ранжирования сайтов в поисковых системах. Это значит, что машины, во время работы с большими данными, как и люди, постоянно «обучаются».

Например, существует алгоритм системы «Яндекс» под названием «Спектр». Работа данной технологии основывается на статистике поисковых запросов. Ее создатели заявляют: «Технология Спектр умеет учитывать множество неявных целей пользователей и показывать соответствующие ответы» [3]. По их мнению, 20% пользователей поисковой системы неоднозначно формируют свои запросы. Так, при введении запроса «Наполеон» часть пользователей хочет получить информацию о полководце, в то время как другая часть интересуется рецептом популярного торта. При помощи изучения неявных целей пользователя система способна показывать нужные ответы.

Третий пример работы с большими данными – таргетирование объявлений в рекламных кампаниях. Для любой рекламы (контекстной, RTB, соцмедиа рекламы и т.п.) постоянно расширяются виды таргетингов. Хорошим примером может стать look-alike аудитория. Так, маркетолог может создать в «Яндекс.Аудиториях» сегмент из пользователей, которые совершали заказы (через систему аналитики «Яндекс Метрика», где специалисту представлена возможность для отслеживания данного рода информации). Затем система «Яндекс» просто находит похожих пользователей на основе поведенческих факторов.

И последний пример использования в маркетинге больших данных –разработанный компанией «Яндекс» сервис «Яндекс Дзен». Его основная задача – разработка персональных рекомендаций, основанных на анализе истории посещенных страниц [6]. Например, данный сервис способен составить подборку из новостей, видео, различных постов и иного рода публикаций, которые могут оказаться интересными для пользователя. С переходом от MatrixNet к новому методу машинного обучения – CatBoost результаты выдачи, ранжирования и классификации данных станут более совершенными [7].

Но если примеров, описывающих основные плюсы и выгоды работы с большими данными, становится все больше, то почему данные технологии до сих пор не используется в России повсеместно? Это связано с рядом проблем.

Первая проблема, которую можно выделить – неготовность российского рынка к работе с технологиями больших данных. Чаще всего заказчики, обращающиеся к специалистам в этой области, пока не способны ставить конкретные задачи и до конца осознавать все реальные возможности Big Date. В связи с этим, большинству специализированных агентств в настоящее время приходится убеждать компании в выгодности их инвестиций в работу с большими данными.

Вторая проблема касается как раз профессионалов в области работы с Big Date. Можно выделить две основные категории людей, специализирующихся на работе с большими данными: это аналитики и сами IT-консультанты, которые разрабатывают технологии по работе с большими данными. Если раньше к специалистам по работе с большими данными можно было отнести только обычных математиков-аналитиков, то сейчас уже зарождается новая категория специалистов, которые должны хорошо понимать технологию работы с большими данными и их жизненный цикл.

Однако можно сделать предположение о том, что решение данных проблем не заставит себя долго ждать, и, возможно, уже в самое ближайшее время работа с большими данными в России будет набирать обороты.

Специалисты по работе с большими данными становятся все более востребованными сейчас. В России уже существуют специальные программы в учебных заведениях по данному направлению. Например, в 2007 году компаний «Яндекс» была основана Школа анализа данных, а в апреле 2015 года на основе ранее существовавшего в университете «Высшая школа экономики» факультета бизнес-информатики была создана Школа бизнес-информатики, одним из основных направлений которой стала работа с системой больших данных. И, скорее всего, в дальнейшем количество подобных учебных программ в стране будет расти.

Не стоит забывать, что человечество с каждым днем генерирует все больше разного рода информации, а специалисты в этой области разрабатывают огромное количество различных сервисов и проектов, направленных на извлечение наиболее полезных сведений из этого огромного массива данных. Анализ больших данных, в свою очередь, является высокоэффективным инструментом для проведения маркетингового исследования.

Предположительно, через несколько лет в России все большее количество аналитиков и специалистов в области маркетинга будут владеть необходимыми навыками для работы с большими данными, а их анализ, в условиях быстроразвивающейся информационной среды, станет привычным делом для российских компаний.

1. Бабурин В. А., Яненко М. Е. Технологии Big Data в сервисе: новые рынки, возможности и проблемы // ТТПС. 2014. №1 (27). URL: https://cyberleninka.ru/article/n/tehnologii-big-data-v-servise-novye-rynki-vozmozhnosti-i-problemy (дата обращения: 17.02.2018).
2. Шубина Виктория Ильинична, Кузнецова Елена Леонидовна Big Data: граница инноваций, развития и конкуренции // Концепт. 2017. №S13. URL: https://cyberleninka.ru/article/n/big-data-granitsa-innovatsiy-razvitiya-i-konkurentsii (дата обращения: 17.02.18).
3. Спектр технологии. Официальный сайт Яндекс. URL: https://yandex.ru/company/technologies/spectrum (дата обращения: 14.02.18).
4. Школа веб-аналитики Андрея Осипова. Электронный портал. URL: http://web-analytics.me/review_google_datastudio#1837456027.1500321529 (дата обращения: 14.02.18).
5. Яндекс. Аудитории. Электронный портал. URL: https://audience.yandex.ru/ (дата обращения: 14.02.18).
6. Яндекс. Помощь. Электронный портал. URL:https://yandex.ru/support/browser/recommendation/zen.html?lang=ru (дата обращения: 17.02.2018).
7. CatBoost. Блог Яндекса. Электронный портал. URL: https://yandex.ru/blog/company/catboost-novyy-metod-mashinnogo-obucheniya-ot-yandeksa (дата обращения: 17.02.2018).
8. Elias Baltassis, Christophe Duthoit, Tamin Saleh, Oliver Sampieri. Making Big Data Work in Retail Banking // BCG The Boston Consulting Group. 2015. URL: BCG-Making-Big-Data-Retail-Banking-Nov-2015_tcm80-199867 (дата обращения: 17.02.2018).

Рецензии:

4.01.2019, 14:08 Ямилов Рамиль Могатович
Рецензия: Рекомендую изменить название статьи "Анализ больших данных в маркетинге", которое предполагает рассмотрение применения анализа больших данных в маркетинге, т. е. рассмотрения конкретного инструментария аналитических процедур в отношении больших данных с указанием их положительных и отрицательных свойств, на, например, "Перспективы анализа больших данных в российском маркетинге", что будет более соответствовать "телу" статьи.

1.02.2019, 14:05 Ямилов Рамиль Могатович
Рецензия: Рекомендую статью к публикации



Комментарии пользователей:

Оставить комментарий