Про большие данные, так называемые BigDate, активно говорят последнее десятилетие, но утверждать что это новый тренд нельзя, так как умение работать с информацией ценилось во все времена, а информационными картотеками — базами данных, говоря современным языком, обладали практически все сильные мира сего.Но сейчас, доступ к большим объемам данных стал очень легким: практически каждый может создать базу со своими контактами, иметь постоянный доступ к данным контактам, посредством социальных сетей посмотреть чем данные контакты интересуются; через дисконтные карты выявить что покупают или ищут на ваших сайтах и так далее.
Согласитесь, возможности довольно большие, но самый важный вопрос это Как организовать эффективную работу с накопленными данными? Именно ответ на этот вопрос я буду разбирать в рубрике Big Date — большие данные, а за конкретикой вы всегда можете обратиться за консультацией по Big Date или заказать корпоративный тренинг.
Как применять BigDate в бизнесе
Как большие данные спасут малый бизнес?
Актуальность больших данных, BigDate
1. Большие данные и поведение клиентов
Работа с большими данными позволяет научиться прогнозировать поведение клиентов и при необходимости направлять их действия по конкретному сценарию.
Как большие данные меняют парадигму бизнеса: подходы, инструменты, кейсы
Искандер Шаймарданов из Nectarin рассказывает о двух подходах к big data и намекает, как большие данные помогут даже небольшому бизнесу.
Традиционный подход VS большие данные
Разберём основные преимущества использования big data над традиционным анализом небольших наборов данных. 
При традиционном подходе анализируют только маленькие порции информации, тогда как big data позволяет исследовать весь доступный массив данных в поисках корреляций.
Кроме того, смена подхода ведёт к постепенному снижению затрат на использование данных. 
Упрощается процесс анализа данных. При традиционном подходе это возможно сделать только после того, как они собраны, обработаны и добавлены в хранилище. В случае с big data анализ данных происходит параллельно со сбором — в режиме реального времени.
Упускаете лиды?
Уже сегодня ваш трафик может стать в разы полезнее — при малых затратах по сравнению с «большой» рекламной кампанией. Ведь в идеале вы хотите работать со всеми, кто вообще интересовался продуктом. А так можно было? Теперь можно →
Спецпроект
Системы управления данными
Теперь поговорим о двух основных системах управления данными: идеальной и оптимальной.
Как большие данные помогают бизнесу привлекать клиентов, и сложно ли их использовать?
Идеальная система
Массив данных импортируется на клиентский сервер (хранилище). Затем сырые данные обрабатывают и визуализируют с помощью фреймворка Hadoop и его библиотек. Интерфейс визуализации пишется индивидуально, с отображением именно той информации, которая необходима. В дальнейшем любые полученные данные на основе эффективных инсайтов можно использовать в рекламной кампании. Драйверы внедрения идеальной системы:
- визуализация данных в режиме реального времени;
- возможность работать с действительно большими массивами данных;
- автоматическое управление данными;
- прогнозная аналитика;
- более точные инсайты.
Барьеры идеальной системы:
- высокая стоимость внедрения;
- проблема выбора обрабатываемых данных;
- нехватка специалистов (аналитик бизнес-модели, аналитик структур данных, администратор хранилища данных);
- устаревшие бизнес-процессы или внутренние регламенты;
- передача данных в третьи руки.
Оптимальная система
Данные поступают на сторонний сервер платформы управления данными (DMP). В рамках этой DMP доступно хранение данных на оплаченный период, а также визуализация по заранее предустановленным шаблонам.
Обработанные данные в дальнейшем можно вручную выгружать в сторонние сервисы для настройки рекламных кампаний.
Драйверы внедрения оптимальной системы:
- невысокая стоимость внедрения;
- скорость внедрения;
- контроль данных, упрощённая система работы и безопасность;
- грамотная сегментация, глубокое понимание целевой аудитории;
- анализ аудитории.
Барьеры оптимальной системы:
- ручное управление данными;
- меньше возможностей для обработки и интерпретации;
- невозможно работать с большими массивами данных;
- ниже точность выводов.
Примеры использования big data
Кейс PropertyGuru
PropertyGuru развивается в двух направлениях: email-маркетинг на клиентов, ищущих дом, и на риэлтеров, которые выступают экспертами в этом вопросе.
PropertyGuru мотивирует обе стороны с помощью рыночной аналитики и другой полезной информации. До недавних пор PropertyGuru полагался на ряд не связанных между собой маркетинговых активностей и ситуационных кампаний.
Для повышения эффективности кампаний PropertyGuru использовал Oracle DMP. Система создания динамического контента позволяет PropertyGuru рассылать агентами информацию со сравнением их прогресса и рекомендациями по его улучшению, включая данные о том, сколько объектов размещено, лиды, которые они собрали, сведения о ресурсах, которые помогут повысить тариф. Также агентам рассылается важная для ежедневной работы информация, например, о рыночных новостях.
Результат: автоматизированные рассылки позволили значительно повысить open rate (до 40%) и click through rate (до 4%).
Кейс The Economist
The Economist для решения стратегической задачи — привлечения платных подписчиков — сфокусировался на анализе аудитории и её интересов.
Сопоставляя cookie, информацию о подписчиках и другую аналитику, команда проекта получила лучшее представление о сегментах читателей. Это в свою очередь позволило настроить рекламную кампанию на основе технологии look-alike — таргетированную на потенциальных пользователей и подписчиков.
The Economist запустил 12-недельную кампанию с использованием инструментов дисплейной и контекстной рекламы. Вопросительные заголовки объявлений обыгрывали актуальные темы дня и в реальном времени таргетировались на те сегменты, для которых именно эта тема может быть наиболее актуальна.
При клике на объявление пользователь переходил на посадочную страницу с возможностью подписки. The Economist создал 60 объявлений с целью привлечь 650 000 потенциальных подписчиков. Цели достигли за 9 дней. При этом CPA снизился на 50%.
В результате кампании удалось привлечь 3,6 миллиона потенциальных подписчиков и более 10 000 реальных (платных). А показатель ROI превысил 10:1 к запланированному.
- Большие данные и машинное обучение в ритейле: интервью с директором по онлайн-маркетингу OZON
- Андрей Себрант: «Big Data уже нельзя назвать инновацией»
- Как Big Data помогает увеличить продажи в ритейле
Источник: www.cossa.ru
Big Data на практике: как бизнесу извлечь пользу из комбинирования data-архитектур
Многолетняя эволюция хранилищ данных в определённый момент привела к лавинообразному развитию технологий Big Data. О пяти основных подходах к построению платформ данных мы уже рассказывали ранее, в этой же статье речь пойдёт об их практической ценности для бизнеса. Комбинируя data-архитектуры в IT-инфраструктуре предприятия, можно добиться многого: сократить затраты на производство, оптимизировать цены на конечную продукцию, повысить лояльность клиентов и укрепить конкурентные позиции компании. Как достичь этих целей, рассказываем на примерах, реализованных в различных сегментах бизнеса.
Производство и доставка товаров: как сэкономить на логистике
Обычно экономия сводится к минимизации времени простоя грузовых автомобилей из-за поломок, ремонтов и техобслуживания за счёт оперативной поставки запчастей. Такой подход особенно важен при динамическом ценообразовании, потому что он позволяет сегментировать географию присутствия бизнеса по уровню затрат на доставку товаров в конкретные регионы и сформировать для каждого из них оптимальные цены.
Сбор и использование массива информации о ремонтах грузовых автомобилей, их причинах, продолжительности, потребности в запасных частях и агрегатах не требуют применения технологий Big Data, это обычное КХД (корпоративное хранилище данных). Если же КХД совместить с IoT-решениями (Internet of Things, интернет вещей), то есть установить на ключевых узлах и агрегатах автомобилей различные датчики, способные фиксировать появление вибраций или нетипичных звуков — свиста или скрежета, то анализ совокупности данных поможет выделить отдельные факторы или группы факторов, приводящих к выходу техники из строя, и вычислить их стоимость. По сути, это уже полноценное PdM (Predictive Maintenance, предиктивное обслуживание) грузовых автомобилей, позволяющее прогнозировать и предотвращать поломки в пути и даже аварии, которые они могут провоцировать.
Своевременная остановка ненадёжного узла и его досрочное обследование или отправка в ремонт не только исключат порчу связанных с этим узлом исправных агрегатов, но и заметно сократят время простоя, и в итоге удастся сэкономить и на доставке товаров в точку реализации. Если PdM совместить с геоаналитикой из открытых источников, то есть сведениями о погодных условиях на маршруте в динамике, ремонтах и перекрытиях дорог, и привязать данные о транспортных средствах, перевозящих товары в конкретные точки, то можно получить интересную аналитику, учитывающую влияние совокупности всех этих факторов на цену товара в конкретном магазине или стоимость его доставки до определённого склада.
Прибавим к этому стандартную маркетинговую оптимизацию и динамическое ценообразование, основанное на прогнозировании спроса, и получим оперативный учёт стоимости ремонтов в цене конечной продукции, которую уже не придётся пересчитывать дополнительно. В итоге получится готовая модель, следуя которой можно быстро принимать решения об изменении стоимости продукта в точке реализации или проведении какой-либо маркетинговой акции.
По данным компании КРОК, внедрение подобных технологий может на 65% уменьшить время простоев грузовых автомобилей из-за поломок и на 30% сократить расходы на их ремонт. Попутно на 35% снижается объём запчастей, хранящихся на складе, а экономия топлива достигает 8%.
Банки: как сформировать предложение для новых клиентов
Можно ли своевременно и оперативно в онлайн-режиме продавать потенциальным клиентам банков именно те продукты, которые им интересны, и таким образом расширять клиентскую аудиторию? Да, это возможно, причём за тот короткий период, пока ещё не зарегистрированный посетитель сайта компании переходит с одной страницы на другую. Переходы могут занимать считанные секунды, но решение, как и в первом описанном кейсе, вполне достижимо за счёт комбинирования различных data-архитектур внутри IT-инфраструктуры банка.
Для начала необходимо использовать накопленную ранее Clickstream-аналитику поведения зарегистрированных на сайте компании пользователей. Она создаётся на основе данных, детально описывающих последовательность действий посетителей ресурса и поступающих для обработки в режиме реального времени. Данные фиксируют движения компьютерной мыши, задержки на заинтересовавших клиента разделах, возвраты к определённым страницам, интерес к определённым продуктам, а полученные результаты связываются со статистикой покупок.
- рисковое КХД (данные о возможных рисках банка при оформлении кредитов и пр.) и PoD (Probability of default, риски дефолтов), которые позволяют исключить ненадёжных покупателей из выборки потенциальных клиентов;
- маркетинговое КХД (маркетинговые данные компании) с ABT (Analytical Base Table, аналитическая базовая таблица), увязывающие продукты с предпочтениями целевой аудитории;
- клиентские профили (портреты типичных представителей ЦА).
Используя все эти инструменты (Рис.1), можно получать новых клиентов из числа ещё не зарегистрированных на сайте банка пользователей. Нового посетителя портала, о котором пока ничего не известно, Clickstream в режиме реального времени отнесёт к конкретной категории. Ему незамедлительно будет предложен соответствующий рекламный баннер с приоритетным для этой группы продуктом. В итоге покупатель получит то, что ему необходимо, а банк пополнит собственную клиентскую базу. Отличный пример конверсии продаж, применяемый на практике уже сегодня.
Рис. 1
Производство сложного оборудования: как повысить лояльность клиентов
Производители высокотехнологичного оборудования с длительным циклом изготовления и доставки конечного продукта до потребителя, например серверов, заинтересованы в повышении уровня лояльности клиентов не меньше рыночных игроков в банковском секторе. Даже с учётом сложности организации поставок такого оборудования выиграть во времени можно за счёт своевременного и оперативного предоставления клиенту тех запасных узлов, которые ещё исправны, но уже в ближайшее время могут выйти из строя. Такие ситуации вполне поддаются прогнозированию с помощью Big Data.
В практике уже достаточно случаев, когда клиент только заполняет запрос на замену одного из жёстких дисков, а поставщик уже присылает ему новый для замены. При достаточно большом объёме используемых серверов (более 50 единиц с 12 или 24 жёсткими дисками в каждом) их выход из строя уже не носит вероятностный характер, и его можно прогнозировать, используя усреднённый график отказов.
Для этого необходимо выстроить хронологию поступления заказов запасных частей от ключевых клиентов, собрать данные о том, как осуществлялась техническая поддержка, учесть спецификацию оборудования и все его компоненты. Затем нужно сформировать прогноз выхода запчастей из строя в динамике и, соответственно, потребности в их замене. При условии заключения с клиентом сервисного контракта на обслуживание техники в дальнейшем можно превентивно поставлять ему те запчасти, выход из строя которых наиболее вероятен. Такой подход (Рис.2) не только повысит уровень лояльности покупателей, но и гарантирует длительность сотрудничества.
Рис. 2
Приведённые примеры представляют собой агрегированную информацию, учитывающую мировую практику внедрения Big Data. Конкретные кейсы внедрения продуктов для работы с большими данными на российском рынке можно посмотреть в портфолио публичных кейсов Arenadata.
Источник: arenadata.tech
