Разделы: Маркетинг
Размещена 19.03.2026. Последняя правка: 26.03.2026.
Просмотров - 189

Анализ теоретико-методологических основ и практических аспектов применения технологий больших данных в цифровом маркетинге

Родичева Ольга Ростиславовна

Финансовый Университет

Студент

Чыонг Иен Ньи, студент; Рожков Илья Вячеславович, кандидат экономических наук, доцент, заместитель заведующего Кафедрой маркетинга Финансового университета при Правительстве Российской Федерации

УДК 339.138

Введение

Современный этап развития мировой экономики характеризуется интенсификацией процессов цифровой трансформации, оказывающей существенное влияние на все сферы хозяйственной деятельности, включая маркетинг. Цифровизация бизнес-процессов обусловила формирование принципиально новых подходов к организации взаимодействия компаний с потребителями, базирующихся на глубокой аналитике данных, персонализации коммерческих предложений и автоматизации маркетинговых коммуникаций. В сложившихся обстоятельствах отказ от применения инструментов цифрового маркетинга перестаёт быть просто нереализованным потенциалом и превращается в фундаментальный стратегический просчёт для экономических субъектов, ориентированных на поддержание и развитие своего конкурентного положения в рыночной среде.

Методы работы с массивами больших данных (Big Data), включающие их сбор, систематизацию и интерпретацию, являются одним из определяющих факторов цифровой модернизации маркетинговых функций современных компаний. Согласно исследованиям Т.А. Сахнович, Б.В. Погодина и Н.О. Красилова, большие данные представляют собой структурированные и неструктурированные массивы информации значительного объёма, обрабатываемые посредством специализированных специализированных программных решений, предназначенных для проведения статистических исследований, построения прогностических моделей и информационного обеспечения процесса принятия стратегических и операционных решений. В актуальных условиях функционирования маркетинговых служб применение аналитических методов обработки больших данных приобретает статус определяющего условия формирования устойчивых конкурентных преимуществ, так как создаёт предпосылки для всестороннего изучения моделей потребительского поведения, идентификации рыночных трендов и оптимизации рекламных кампаний.​

Актуальность настоящего исследования детерминирована совокупностью факторов научно-практического характера. Во-первых, на протяжении 2025 года в России реализуется трансформация государственной политики в сфере цифровизации: происходит смена приоритетов от подходящего к завершению национального проекта «Цифровая экономика» к новому стратегическому проекту «Экономика данных», который ориентирован на формирование интегрированной цифровой инфраструктуры в стратегически значимых отраслях народного хозяйства и создание передовых технологических платформ для аккумулирования, обработки и безопасного хранения данных. Во-вторых, эмпирические исследования свидетельствуют о том, что компании, активно интегрирующие технологии больших данных в маркетинговую деятельность, демонстрируют показатель возврата инвестиций (ROI), превышающий аналогичный показатель компаний, не использующих указанные технологии, приблизительно на 35 %. В-третьих, динамичный прогресс в области искусственного интеллекта и алгоритмов машинного обучения формирует принципиально иные перспективы для внедрения технологий больших данных в аналитическую маркетинговую деятельность и повседневные бизнес-процессы организаций.

Цель исследования

Целью настоящего исследования является комплексный анализ теоретико-методологических основ и практических аспектов применения технологий больших данных в цифровом маркетинге, а также выявление ключевых направлений их использования для повышения эффективности маркетинговой деятельности организаций. Достижение поставленной цели предполагает решение следующих исследовательских задач: систематизация теоретико-методологических положений концепции Big Data и установление её функциональной связи с цифровым маркетингом; изучение ключевых сфер прикладного использования аналитики больших данных в маркетинговых процессах; рассмотрение инструментов прогностической аналитики и методов машинного обучения применительно к маркетинговым исследованиям; выявление трудностей и ограничений при интеграции технологий больших данных в практическую маркетинговую деятельность; разработка аргументированных практических рекомендаций по результативному внедрению Big Data в маркетинговую стратегию компаний [9].​

Материалы и методы

Теоретико-методологическую основу исследования составили фундаментальные и прикладные труды отечественных и зарубежных учёных в области цифрового маркетинга, информационных технологий и анализа данных. Теоретическая база исследования сформирована на основе работ С.В. Карповой, посвящённых информационным технологиям в маркетинге, инновационному маркетингу и теоретическим аспектам брендинга, публикаций Т.В. Болдыревой, М.В. Россинской и соавторов, освещающих вопросы актуальных маркетинговых механизмов продвижения продукции и услуг в эпоху цифровых преобразований, научных трудов К.В. Барышкова, посвящённых использованию больших данных в целях оптимизации go-to-market стратегий, а также публикаций С.А. Курбанова, З.З. Омарова и К.А. Тоне, исследующих воздействие процессов цифровой трансформации на результативность коммерческих операций.

Эмпирическую базу исследования составили научные статьи, опубликованные в рецензируемых изданиях, индексируемых в базах данных РИНЦ, ВАК, Scopus и Web of Science, учебные пособия издательства Юрайт, материалы международных научных конференций. Особое внимание уделено анализу зарубежных исследований в области интеграции искусственного интеллекта и маркетинговой аналитики, в частности работам G. Cao, N. Tian и C. Blankson, исследующим взаимосвязь больших данных и маркетинговых возможностей фирмы, публикациям S.R. Krishna и соавторов, посвящённым интеграции искусственного интеллекта с аналитикой больших данных для целей маркетинга, а также систематическому обзору C. Patricio-Peralta и соавторов, анализирующему влияние Big Data на маркетинговую индустрию.​

В процессе исследования применялся комплекс общенаучных и специальных методов познания. Методы анализа и синтеза использовались для декомпозиции и последующей интеграции теоретических положений концепции больших данных применительно к маркетинговой деятельности. Сравнительный анализ позволил выявить особенности различных подходов к использованию Big Data в маркетинге и оценить их эффективность. Систематизация и обобщение эмпирических данных обеспечили формирование целостного представления о практике применения технологий больших данных в различных отраслях экономики. Методы индукции и дедукции применялись для формулирования теоретических выводов на основе анализа частных случаев и верификации общих положений на конкретных примерах. Системный подход обеспечил рассмотрение проблематики применения инструментов digital-маркетинга как комплексного явления, характеризующегося множественными взаимосвязями между элементами.

Научная новизна

Научная новизна заключается в комплексном анализе влияния использования Big Data на формирование рекламной кампании и её корректировке для достижения максимально высоких целевых показателей. Работа раскрывает преимущества персонализированного контакта с целевой аудиторией, которого позволяет достичь использование аналитики, полученной с помощью методики консолидированного сбора больших данных.

Результаты и их обсуждение

Фундаментальные положения концепции больших данных нуждаются в углублённом анализе. Аналитическая компания Meta Group сформулировала базовые характеристики больших данных, известные как модель «три V». Volume (объём) подразумевает оперирование информационными массивами, превышающими 150 гигабайт ежесуточно. Velocity (скорость) отражает интенсивность поступления и обработки потоков информации в реальном времени. Variety (разнообразие) характеризует множественность форматов данных, включая структурированные, неструктурированные и полуструктурированные типы. Ряд учёных расширяет данную модель дополнительными параметрами: Veracity (достоверность), отражающим надёжность информации и точность аналитических выводов, Variability (изменчивость), описывающим колебания интенсивности информационных потоков под воздействием сезонных колебаний или социальных событий, и Value (ценность), определяющим практическую полезность данных для предпринимательской деятельности.

Эволюция маркетинга в условиях цифровизации привела к формированию подхода Data-Driven Marketing (маркетинг на основе данных), предполагающего принятие всех стратегических решений исключительно на основе анализа данных и гибкой сегментации клиентов. Гибкая сегментация представляет собой многофакторную кластеризацию по множеству критериев, преодолевая ограничения стандартных параметров. Компании, грамотно применяющие инструменты современных маркетинговых коммуникаций на основе данных, достигают более точных результатов при решении поставленных задач [2].

Аккумулирование больших данных в маркетинговых целях реализуется посредством многочисленных каналов: платформ социальных медиа, систем управления взаимоотношениями с клиентами (CRM), мобильных приложений, инструментов веб-аналитики, интернет-опросов и традиционных офлайн-источников. Процедура сбора информации выполняется с помощью автоматизированных программных решений, обеспечивающих извлечение данных из разнородных источников и их консолидацию в единых хранилищах для дальнейшей аналитической обработки средствами искусственного интеллекта. Массивы Big Data включают многообразный информационный контент: изображения и видеоматериалы, текстовые сообщения, пользовательские отзывы, хештеги, сведения из профилей социальных сетей, журналы активности пользователей [5].

Персонализация клиентского опыта выступает одним из ключевых направлений использования больших данных в сфере цифрового маркетинга. Персонализация определяется как процесс формирования индивидуализированных маркетинговых коммуникаций, товаров или сервисов, в максимальной степени отвечающих запросам отдельного потребителя, что обеспечивается посредством сбора и аналитической обработки демографической информации, сведений о совершённых покупках и паттернов поведения на веб-ресурсах. Результаты эмпирических исследований демонстрируют значительную эффективность данного подхода: анализ 50 кейсов компаний показал рост конверсии на 42 % по сравнению с не персонализированными коммуникациями, а применение аналитики для прогнозирования оттока клиентов позволяет снизить данный показатель в среднем на 28 % [6].

Предиктивная аналитика является одной из наиболее многообещающих областей применения больших данных в маркетинговой практике. Данный подход обеспечивает возможность задействования алгоритмов искусственного интеллекта для построения прогнозов относительно поведенческих моделей и потребительских предпочтений целевой аудитории. Прогностические модели находят применение при прогнозировании уровня спроса на товары и услуги, определения вероятности оттока клиентов, оценки эффективности маркетинговых кампаний и оптимизации ценообразования. Анализ данных от социальных медиа до истории покупок позволяет выявлять тренды и точно таргетировать рекламу [3].

Использование больших данных в современных маркетинговых стратегиях позволяет компаниям добиться значительного влияния в нескольких областях: привлечение новых и сохранение существующих клиентов, рационализация маркетинговых затрат, выработка инновационных стратегий, прогнозирование объёмов реализации. Data-driven управление предусматривает организацию бизнес-процессов посредством формирования системы принятия типовых решений с предварительно разработанной архитектурой данных и механизмами их получения, что даёт возможность автоматизировать текущие операции и укрепить стратегическое планирование [1].

При формировании рекламной кампании таргетинг и ретаргетинг, базирующийся на аналитике больших данных, значительно увеличивает результативность рекламного взаимодействия с аудиторией. Таким образом, есть возможность оценить данные, которые были собраны и консолидированы с целевой аудитории перед стартом рекламной кампании. Что в значительной степени повысит релевантность коммуникации и увеличит конверсию в целевое действие. Современный технологический инструментарий обеспечивает демонстрацию рекламных материалов исключительно тем пользователям, которые демонстрируют высокую вероятность заинтересованности в продвигаемом продукте. Платформы управления данными (DMP — Data Management Platform) реализуют индивидуализацию рекламного контента в режиме онлайн, адаптивно формируя оптимальные предложения для каждого потребителя с учётом информации о его поведенческих паттернах и предпочтениях, что способствует росту вовлечённости и укреплению лояльности целевой аудитории [13].

Объединение технологий искусственного интеллекта и машинного обучения с аналитикой больших данных создаёт качественно новые перспективы для маркетинговой деятельности. К числу ключевых технологических решений относятся: CRM-системы, осуществляющие накопление и аналитическую обработку клиентских данных; инструменты автоматизации маркетинга, реализующие рассылку персонализированных коммуникаций; рекомендательные механизмы, исследующие покупательскую историю и формирующие релевантные товарные предложения; алгоритмы машинного обучения, выстраивающие комплексные модели клиентского поведения и автоматизирующие процедуры персонализации [12].

Вместе с тем, невзирая на очевидные преимущества, интеграция технологий больших данных сопровождается значительными препятствиями. Ключевой проблемой выступает недостаток квалифицированных специалистов, обладающих компетенциями в области обработки больших данных и владеющих инструментами машинного обучения. Переход к data-driven управлению предъявляет повышенные требования к профессиональной подготовке IT-специалистов и предполагает наличие специализированных компетенций у руководящего состава. Рассматривая более конкретные препятствия, можно выделить следующие проблемы: 1) Интеграция данных — объединение информации из разнородных источников (структурированных, неструктурированных и полуструктурированных) сопровождается трудностями обеспечения согласованности, полноты и точности данных; 2) Масштабируемость — по мере роста объёмов данных возникает необходимость в гибкой инфраструктуре, способной эффективно масштабироваться без потери производительности и увеличения задержек обработки; 3) Безопасность и соблюдение нормативных требований — обработка персональных данных требует внедрения комплексных мер защиты (шифрование, контроль доступа), а также соответствия действующим регуляторным требованиям, таким как General Data Protection Regulation и California Consumer Privacy Act; 4) Высокие затраты — разработка, внедрение и поддержка инфраструктуры Big Data требуют значительных инвестиций, включая расходы на технологии, хранение данных и подготовку квалифицированных специалистов; 5) Качество и управление данными — обеспечение достоверности, актуальности и непротиворечивости данных остаётся сложной задачей, при этом низкое качество данных может приводить к ошибочным управленческим решениям и увеличению бизнес-рисков. Таким образом, эффективное внедрение технологий Big Data требует комплексного подхода, включающего развитие инфраструктуры, совершенствование процессов управления данными и соблюдение требований информационной безопасности [10].

Вопросы обеспечения конфиденциальности персональных данных приобретают особую актуальность в условиях ужесточения регуляторных требований. Сбор и обработка потребительской информации предполагают неукоснительное следование нормативно-правовым требованиям и обязательное получение пользовательского согласия. Механизмы защиты информации охватывают криптографическое шифрование данных, многоуровневую аутентификацию пользователей, разграничение прав доступа, систематическое резервное копирование и непрерывный мониторинг информационной безопасности.

Перспективы развития применения больших данных в маркетинге связаны с совершенствованием технологий искусственного интеллекта и машинного обучения. При релевантном внедрении данных технологий в маркетинговые компании оптимизация и конверсия быстро окупят затраты на квалификацию персонала и подготовку технологической базы. Ключевые аспекты современного маркетинга всё больше связываются с индивидуальными предложениями, интерактивными технологиями, автоматизированными сценариями коммуникации и цифровой сенсорикой. Совершенствование системного подхода к формированию омниканальных коммуникационных стратегий и консолидации разнородных информационных потоков обеспечит возможность улучшения качества клиентского взаимодействия и своевременного устранения барьеров, препятствующих росту организации [4].

Выводы

Технологии больших данных представляют собой фундаментальную основу современного цифрового маркетинга, обеспечивающую возможности для персонализации клиентского опыта, прогнозирования потребительского поведения и оптимизации маркетинговых стратегий [7].

Основными направлениями применения больших данных выступают: индивидуализация коммерческих предложений посредством исследования моделей потребительского поведения; предиктивная аналитика для прогнозирования спроса и оттока клиентов; оптимизация таргетированной рекламы; формирование стратегий на основе комплексного анализа данных. Интеграция искусственного интеллекта существенно расширяет возможности анализа и повышает точность маркетинговых решений [11].

Ключевыми барьерами внедрения технологий Big Data являются недостаток квалифицированных специалистов, сложности интеграции данных из разнородных источников, вопросы соблюдения конфиденциальности персональной информации. Устранение указанных препятствий предполагает системный подход, охватывающий инвестирование в повышение квалификации сотрудников, имплементацию передовых платформ для управления данными и строгое соответствие нормативным актам в области защиты персональных данных. В эпоху цифровой трансформации бизнеса конкурентоспособными оказываются компании, демонстрирующие способность результативно применять данные для принятия маркетинговых решений и формирования долгосрочных отношений с потребителями [8].

1. Барышков К. В. Использование больших данных для повышения эффективности go-to-market стратегий //Практический маркетинг. – 2024. – №. 5. – С. 70-76.
2. Болдырева Т. В. и др. Современные маркетинговые инструменты продвижения товаров и услуг //Креативная экономика. – 2025. – Т. 19. – №. 4. – С. 1053-1074.
3. Донской Д. А., Дубикова М. А. Эволюция маркетинга в эпоху цифровых технологий //ЭФО: Экономика. Финансы. Общество. – 2025. – №. 2 (14). – С. 4-15.
4. Инновационный маркетинг : учебник для вузов / под общей редакцией С. В. Карповой. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2024. — 474 с. — (Высшее образование). — ISBN 978-5-534-13282-3. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/535965 (дата обращения: 13.02.2026).
5. Информационные технологии в маркетинге : учебник и практикум для вузов / под общей редакцией С. В. Карповой. — Москва : Издательство Юрайт, 2025. — 367 с. — (Высшее образование). — ISBN 978-5-534-02476-0. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/560242 (дата обращения: 13.02.2026).
6. Карпова С. В. Сущность и содержание понятий "бренд" и "брендинг" //Евразийская адвокатура. – 2024. – №. 4 (69). – С. 62-65.
7. Купрейчик, А. С. Оптимизация управления данными для повышения эффективности цифрового маркетинга // Cifra. Информационные технологии и телекоммуникации. – 2024. – № 4. – С. 1–7.
8. Курбанов С. А., Омаров З. З., Тоне К. А. Влияние цифровой трансформации на эффективность процессов продаж в коммерческой деятельности //Региональные проблемы преобразования экономики. – 2024. – №. 12 (170). – С. 47.
9. Сахнович Т.А., Погодин Б.В., Красилов Н.О. Использование BigData в маркетинговой деятельности // Сборник научных статей БНТУ. — 2025. — С. 605–615. — URL: https://rep.bntu.by/bitstream/handle/data/158512/605-615.pdf (дата обращения: 13.02.2026).
10. Big Data Technologies: What They Are and Why They Matter. – URL: https://www.datacamp.com/de/blog/big-data-technologies (дата обращения: 25.03.2026). 11. Cao G., Tian N., Blankson C. Big data, marketing analytics, and firm marketing capabilities //Journal of Computer Information Systems. – 2022. – Т. 62. – №. 3. – С. 442-451.
12. Krishna S. R. et al. Artificial Intelligence Integrated with Big Data Analytics for Enhanced Marketing //2023 International Conference on Inventive Computation Technologies (ICICT). – IEEE, 2023. – С. 1073-1077.
13. Patricio-Peralta C. et al. Big data analysis and its impact on the marketing industry: a systematic review //Indonesian Journal of Electrical Engineering and Computer Science. – 2024. – Т. 35. – №. 2. – С. 1032-1040.

Рецензии:

24.03.2026, 8:37 Ашрапов Улугбек Товфикович
Рецензия: Технологии обработки больших данных имеют решающее значение для бизнеса, позволяя получать конкурентное преимущество за счет извлечения ценных аналитических данных из огромных массивов информации. Инструменты данных (от хранения до анализа и визуализации) являются краеугольными камнями современного принятия решений. Интеграция их в ИИ, граничные вычисления и гибридные облачные архитектуры, позволяет бизнесу эффективно развиваться и внедрять инновации в управлении данными. Эффективно используя эти технологии, компании могут преобразовывать необработанные данные в ценные ресурсы, получая конкурентное преимущество в экономике. Однако, имеются также и проблемы внедрения технологий больших данных: 1) Интеграция данных : Объединение данных из различных источников – структурированных, неструктурированных или полуструктурированных – представляет собой сложную задачу с точки зрения обеспечения согласованности и точности; 2) Масштабируемость : По мере роста объемов данных инфраструктура должна эффективно масштабироваться без ущерба для производительности. 3) Проблемы безопасности : защита конфиденциальных данных в системах обработки больших данных требует надежного шифрования, контроля доступа и соблюдения нормативных требований. Такие нормативные акты, как GDPR и CCPA, оказывают все большее давление на компании по всему миру, требуя внедрения мер безопасности при одновременной защите конфиденциальности пользователей; 4) Высокие затраты : создание и поддержание инфраструктуры больших данных требует значительных средств на технологии и персонал с их обучением; 5) Качество и управление данными: Поскольку данные поступают из различных источников, обеспечение их точности, согласованности и надежности крайне затруднительно. Ненадлежащее управление может привести к проблемам с соблюдением нормативных требований и бизнес-рискам [https://www.datacamp.com/de/blog/big-data-technologies]. Актуальную статью "Анализ теоретико-методологических основ и практических аспектов применения технологий больших данных в цифровом маркетинге" рекомендую к публикации после доработки на основание вышеуказаных.

Комментарии пользователей:

Оставить комментарий