что такое big data таргет
На что способны Big Data или супер-кейс сети Target
Действительно, дочь разгневанного мужчины была школьницей, и поэтому в ответ на крики отца по поводу такого инцидента работники магазина просто извинились. Однако потом выяснилось, что девушка и в самом деле была в положении, даже сама того в момент инцидента не зная.
Но как же о беременности девушки узнал магазин? Оказалось, что это произошло благодаря используемым в данном магазине алгоритмам прогнозирования поведения покупателей. На основе анализа товаров, приобретаемых школьницей в этом магазине, а она покупала там духи, её отнесли к группе беременных, и поэтому торговой системой было принято решение прислать ей соответствующие купоны.
Поэтому ничего удивительного: простой дата-майнинг истории покупок с привязкой к дисконтной или банковской карте может узнать даже такие, казалось бы, удивительные вещи.
Кроме того, в сети Target налажена система прогнозирования беременности. Ученые доказали, что многие наши привычки (в том числе покупательские) довольно трудно изменить. Проанализировав свой маршрут по супермаркету во время закупки продуктов на неделю, вы поймете, что передвигаетесь по одной и той же траектории, кладете в корзину йогурты от одного и того же производителя, туалетную бумагу одного и того же бренда. Но в нашей жизни существуют моменты, когда привычки поддаются колоссальным изменениям — и именно эти периоды бесценны для маркетологов. Речь идет об окончании университета, переезде в другой город, смене работы или планировании беременности. Ожидание ребенка — период, когда мы не только бессознательно, но и сознательно готовы изменить свои привычки, и если нас правильно «зацепить» — мы превратимся в лояльных клиентов на долгие годы.
Поэтому Target поставил перед отделом прогнозной аналитики задачу: определить, какая из покупательниц ждет ребенка до того, как это станет очевидно. Проанализировав покупательские привычки беременных женщин, аналитиками была разработана система прогнозирования беременности.
Представим себе ситуацию: молодая женщина заходит в магазин и покупает лосьон с кокосовым маслом, сумку для прогулок и ярко-голубой плед. Программное обеспечение в Target выдаст свой вердикт: вероятность беременности этой покупательницы — 87%. Данные поступают маркетологам, и теперь Target начнет формировать ее привычки и управлять ими: пришлет ей купон со скидкой на детскую кроватку, присыпку, детские бутылочки и т. д. Причем это будет выглядеть ненавязчиво, чтобы не вызвать волну негодования за «шпионаж»: скидки на товары для детей помещаются среди скидок на другие товары.
Стоит отметить, что ранее Эндрю ПОЛ, Руководитель аналитического отдела Target и создатель системы прогнозирования беременности, с удовольствием давал интервью об использовании глубинного анализы данных (data mining) в сети Target и о своем «детище», но вскоре руководство приостановило его красноречие.
В действительности, когда потребители осознали, каким количеством их личной информации владеет ритейлер, начало возникать много вопросов о правомерности использования этих данных. С одной стороны, закон в Соединенных Штатах позволяет компаниям проводить исследования с тем, чтобы лучше узнать своих потребителей и продвигать свои продукты наиболее подходящим способом. С другой стороны, никто не дает гарантии, что Target не станет сообщать личные данные третьим лицам далеко не в маркетинговых целях. Известно, что Target передает информацию другим организациям, не входящим непосредственно в торговую сеть Target: продавцам, бизнес-партнерам и другим компаниям. Помимо этого, на законодательном уровне существует мало препятствий для такой передачи данных, она должна лишь соответствовать политике конфиденциальности компании.
Напомним, что Target ежегодно тратит около 4 миллионов долларов на содержание аналитического отдела из 50 человек, базирующихся в США и Индии.
PS: Кейс подсказал Андрей Янбухтин, Спикер проекта «99%. Когда ритейл-данные работают на максимум» 3 декабря
Таргетированная реклама на основе информации о совершенных покупках
С помощью технологий Big Data бизнес может применять таргетированную рекламу — доступными методами найти «целевую» аудиторию для продвижения своих товаров или услуг. Рассмотрим, с использованием каких именно средств может быть решена данная задача по таргетингу.
Big Data как новый инструмент таргетированной рекламы
Сегодня, когда конкуренция в каждом сегменте высока, главная составляющая продвижения любого товара или услуги — не умение его «впарить», а умение найти людей, которым данный товар или услуга реально нужны. Которые и сами рады «впариванию».
С постепенным распространением технологий Big Data у бизнеса становится все больше возможностей находить таких людей. У «больших данных» нет четкого определения — никто даже толком не может сказать, что это такое. Этот термин, появившийся с десяток лет назад в американских научных публикациях, взял да и устоялся — а о том, что он точно означает, никто особенно не задумывается. Главное — что Big Data уже работает практически — и лежит в основе исключительно эффективного таргетирования, если говорить о сфере продвижения товаров и услуг.
«Большие данные» состоят из разнотипных разновидностей «маленьких данных» — которые обрабатываются с задействованием больших объемов вычислительных мощностей и образуют некую полезную информацию. Которая может использоваться для оценки чего-либо по факту или для прогноза чего-либо. Или — для выявления характеристик чего-то, которые делают это что-то более всего совместимым с чем-то.
Как вариант — для выявления характеристик потребительской аудитории, которые будут в наивысшей степени совместимы с конкретными товарами или услугами. Соответственно, чтобы продать эти товары или услуги данной аудитории — никаких особых усилий не потребуется, кроме как такую аудиторию просто найти и показать ей продукты.
Что может быть «большими данными» в данном контексте? Много что — например:
По чекам можно узнать — какие товары лучше всего продавались в определенном месте. Или — у определенной аудитории. Разумеется, речь здесь пойдет не об одном, не двух и даже не о десяти кассовых чеках. А о ста тысячах, может быть. Или о миллионе-другом.
Указанная статистика в распоряжении бизнесов уже может быть — благодаря тому, что она в распоряжении уже есть у определенной категории организаций — Операторов фискальных данных. К ним подключены почти все российские кассовые аппараты — передающие в ОФД сведения о платежах (соответственно, по структуре кассовых чеков) в режиме онлайн.
Таких индикаторов сейчас — широчайший спектр. Это и браузерные «куки». Это и профили человека в соцсетях. Это и MAC-адреса его гаджетов — «пойманные» в различных местах многочисленными Wi-Fi-радарами. «Засветив» однажды свой MAC-адрес, человек затем «открывает» бизнесам все свои активности. И потом — получает (на свое устройство — с соответствующим MAC-адресом) только интересные для себя рекламные предложения.
Безусловно, предполагается интеграция разных показателей в некий единый массив — чтобы повысить общую достоверность аналитики потребительского поведения. Соответствующий массив — это типичная Big Data.
Поиск оптимальной потребительской аудитории для продвижения товаров на базе технологий Big Data – уже не теория, а доступный на практике механизм. Рассмотрим, как он может быть задействован бизнесами.
Сервисы для рассылки «сверхточной» таргетированной рекламы
Уже есть много сервисов — позволяющих на основании Big Data «вычислить» то, для какой аудитории лучше всего подойдет определенный продвигаемый товар или услуга и далее использовать таргетированную рекламу.
Например — сервис Persona.Реклама от ОФД.Ру — одного из Операторов фискальных данных. Что называется, информация от первого лица — наверняка ее подбор подразумевает в том числе анализ фискальных данных, которых у ОФД должно быть в избытке.
Сервисом Persona.Реклама могут воспользоваться организации и ИП. Он представляет собой СМС-рассылку по целевой базе клиентов и отчет, содержащий ряд полезных для аналитики сведений:
Показывается и средний чек по всей отрасли, к которой относится бизнес — в регионе и в России в целом. Отрасли при этом могут быть по рознице охвачены разные, но в основном они все — массовые (продукты питания, табак, алкоголь, аптеки, химия и товары для дома).
Что касается инструментов, базирующихся на «высокоточном» таргетировании — например, на базе сведений по Wi-Fi-радарам, то их активно осваивают крупнейшие рекламные сети — такие как myTarget (принадлежит Майл.Ру) и Яндекс.Директ. У каждой из них можно купить необходимый трафик — и начать продвигать таргетированно товар по нему.
Любой бизнес может собрать «свою» аудиторию — установив на территории предприятия собственные Wi-Fi-радары. Вещь эта довольно доступная и очень эффективная на практике. Сведения, собранные с этих девайсов, можно экспортировать в рекламную сеть — и обеспечить последующее продвижение товаров и услуг исключительно «своим» клиентам. Которые могут быть, безусловно, и частью более широкой аудитории — как вариант, со схожими потребительскими предпочтениями, и, соответственно, готовой покупать товары или услуги компании.
Резюме
«Большие данные» — это огромные статистически значимые, а значит в высокой степени достоверные источники сведений, которые могут анализироваться — в результате чего у бизнеса появятся полезные знания для продвижения товара или услуги. Одна из самых востребованных бизнесом разновидностей таких знаний — о том, на какую аудиторию лучше всего продвигать продукты. Уже есть специальные сервисы, позволяющие данные знания получать.
Где и как можно найти товар по штрих-коду онлайн и какие при этом есть нюансы.
Кому можно не использовать онлайн-кассы до июля 2021 года и при каких условиях.
Для предпринимателей, ведущих бизнес в интернет, будут полезны аналитические и прикладные инструменты системы ROISTAT о которых рассказано в статье
Как использовать Big Data для анализа локальной аудитории вокруг магазина, аптеки, точки оказания услуг и т.д. Сопоставляя портрет потребителей вокруг и потенциальных покупателей можно предпринимать конкретные шаги для повышения продаж
С помощью анализа Big Data можно получать информативные отчеты по продажам товаров (по SKU, бренду, товарной категории) на определенной территории
Big data в телекоме. Зачем сотовые операторы собирают о вас информацию
Что такое big data
Big data — это инструменты и методы обработки больших массивов данных, которые позволяют, в частности, анализировать «поведение» покупателей или интернет-пользователей, отслеживая, какие сайты мы посещаем, где находится, что покупаем, в котором часу звоним по телефону, какие приложения скачиваем и как ими пользуемся, и так далее.
Так, например, британская компания JJ Food Service, поставляющая продукты питания в рестораны и кафе, при онлайн-заказе заполняет корзины своих клиентов на основании истории их покупок и рекомендаций, при этом учитываются рецепты заведений, сходные заказы других пользователей и тому подобное. Около 80% этих товаров покупатели действительно оставляют в корзине и оплачивают.
Крупные торговые сети, такие как американская Target, идентифицируют клиентов по банковской карте, имени или электронному адресу, отслеживают их истории покупок, предпочтения и активность в соцсетях — и делают соответствующие предложения. Например, аналитики сети заметили, что начиная со второго триместра беременности женщины приобретают лосьоны для тела без запаха в большой таре, а в районе 20-й недели покупают больше витаминов. В этот момент Target рассылает им купоны на покупку соответствующих товаров.
Владелец кофейни может разместить рекламу, которая будет показываться в радиусе километра от его заведения людям с определенным уровнем дохода
Небольшие компании тоже могут использовать контекстную рекламу, в основе которой лежит анализ больших данных. Например, владелец кофейни может разместить рекламу, которая будет показываться в радиусе километра от его заведения людям с определенным уровнем дохода.
Big data используется не только в бизнесе, но и в политике. В президентских выборах в США применялся метод микротаргетинга. Каждому небольшому сегменту аудитории показывали определенный контент, подходящий под запросы этой группы, например, до людей доносили только те лозунги Трампа, которые были для них важны: среди тех, кого волновали мексиканцы, продвигали тему миграции; тем, кого интересовали налоги, рассказывали о налоговой политике, и так далее. Таким образом, политтехнологи мобилизовали электорат, который мог проголосовать за Трампа. В штабе же Хиллари Клинтон делали ставки на телевизионную рекламу.
Как big data используется в телекоме
Сейчас абоненты все реже звонят и отправляют SMS и больше пользуются интернетом. В связи с этим большинство крупных телеком-операторов рассматривают возможность использования технологии big data для расширения списка услуг. В качестве примера может послужить сервис «МегаФон.ТВ», анализирующий предпочтения зрителя и затем предлагающий ему плейлист из фильмов, которые, возможно, его заинтересуют.
Потенциальным кандидатам на переход к другому оператору можно предложить выгодные для них тарифные планы или другие привлекательные опции
Одна из задач оператора — прогнозирование оттока абонентов и управление им. В России услуги мобильной связи предоставляются по предоплате, клиенты не связаны долгосрочным контрактом с оператором и могут легко сменить его с сохранением своего номера телефона. Анализ поведения абонентов позволяет компании определить группы риска. Потенциальным кандидатам на переход к другому оператору можно предложить выгодные для них тарифные планы или другие привлекательные опции.
«Мы можем увидеть, что большинство потенциальных клиентов проходит мимо магазина через полчаса после закрытия. Это будет означать, что торговой точке следует изменить режим работы, — рассказывает Люк Маллинс, руководитель информационной стратегии и управления O2, английского оператора сотовой связи. — Или, например, парфюмерная сеть может попросить сотовую компанию доставлять сообщения об акциях женщинам определенного возраста, проходящим мимо их магазина».
В чем польза big data для абонентов
У многих компаний, работающих в сфере телекома, есть сервисы, которые используют big data. Например, сервис «Таргет» компании «МегаФон», который используют в бизнесе, позволяет выбирать целевую аудиторию по специальным параметрам и с помощью данных геопозиционирования быстро и эффективно доносить до нее сообщения в нужном месте в нужное время.
«МегаФон» сильно заинтересован в big data. Чтобы понять возможности использования технологии, компания организовала хакатон MegaFon Big Data Challenge. Во время мероприятия 15 команд разработали свои идеи:
Но это пока только планы. «МегаФон» уже использовал big data при создании линейки тарифов «Включайся!». Для этого в компании проанализировали поведение 2 миллионов абонентов. Выяснилось, что только лишь небольшая часть абонентов пользуются телефоном так, как это делали на заре мобильной эры, а именно звонят и посылают SMS. Гораздо больше абонентов активно пользуются цифровыми технологиями. Для них мобильный интернет стал повседневностью, а смартфон — основным устройством для выхода в сеть. Эти люди получают информацию из онлайн-СМИ, пользуются онлайн-шопингом, онлайн-банкингом и т. д. Этот анализ предпочтений и привычек абонентов лег в основу обновленной линейки тарифов «Включайся!».
Разные тарифы этой линейки, которые можно подобрать индивидуально под себя, предоставляют абонентам безлимитный трафик на использование Viber, WhatsApp и других мессенджеров, на прослушивание музыки через Apple Music и Boom, на использование «ВКонтакте», Facebook, «Одноклассников», Twitter и Instagram, а также на просмотр сериалов в «Амедиатеке» и видео в Vimeo, Rutube. Подробнее прочесть о тарифах, созданных благодаря big data, можно здесь.
Что такое Big Data простыми словами? Применение и перспективы больших данных
Через 10 лет мир перейдет в новую эпоху — эпоху больших данных. Вместо виджета погоды на экране смартфона, он сам подскажет вам, что лучше одеть. За завтраком телефон покажет дорогу, по которой вы быстрее доберетесь до работы и когда нужно будет выехать.
Под влиянием Big Data изменится все, чего бы не коснулся человек. Разберемся, что это такое, а также рассмотрим реальное применение и перспективы технологии.
Навигация по материалу:
Что такое Big data?
Большие данные — технология обработки информации, которая превосходит сотни терабайт и со временем растет в геометрической прогрессии.
Такие данные настолько велики и сложны, что ни один из традиционных инструментов управления данными не может их хранить или эффективно обрабатывать. Проанализировать этот объем человек не способен. Для этого разработаны специальные алгоритмы, которые после анализа больших данных дают человеку понятные результаты.
В Big Data входят петабайты (1024 терабайта) или эксабайты (1024 петабайта) информации, из которых состоят миллиарды или триллионы записей миллионов людей и все из разных источников (Интернет, продажи, контакт-центр, социальные сети, мобильные устройства). Как правило, информация слабо структурирована и часто неполная и недоступная.
Как работает технология Big-Data?
Пользователи социальной сети Facebook загружают фото, видео и выполняют действия каждый день на сотни терабайт. Сколько бы человек не участвовало в разработке, они не справятся с постоянным потоком информации. Чтобы дальше развивать сервис и делать сайты комфортнее — внедрять умные рекомендации контента, показывать актуальную для пользователя рекламу, сотни тысяч терабайт пропускают через алгоритм и получают структурированную и понятную информацию.
Сравнивая огромный объем информации, в нем находят взаимосвязи. Эти взаимосвязи с определенной вероятностью могут предсказать будущее. Находить и анализировать человеку помогает искусственный интеллект.
Нейросеть сканирует тысячи фотографий, видео, комментариев — те самые сотни терабайт больших данных и выдает результат: сколько довольных покупателей уходит из магазина, будет ли в ближайшие часы пробка на дороге, какие обсуждения популярны в социальной сети и многое другое.
Методы работы с большими данными:
Машинное обучение
Вы просматриваете ленту новостей, лайкаете посты в Instagram, а алгоритм изучает ваш контент и рекомендует похожий. Искусственный интеллект учится без явного программирования и сфокусирован на прогнозировании на основе известных свойств, извлеченных из наборов «обучающих данных».
Машинное обучение помогает :
Анализ настроений
Анализ настроений помогает :
Анализ социальных сетей
Анализ социальных сетей впервые использовали в телекоммуникационной отрасли. Метод применяется социологами для анализа отношений между людьми во многих областях и коммерческой деятельности.
Этот анализ используют чтобы :
Изучение правил ассоциации
Люди, которые не покупают алкоголь, берут соки чаще, чем любители горячительных напитков?
Изучение правил ассоциации — метод обнаружения интересных взаимосвязей между переменными в больших базах данных. Впервые его использовали крупные сети супермаркетов для обнаружения интересных связей между продуктами, используя информацию из систем торговых точек супермаркетов (POS).
С помощью правил ассоциации :
Анализ дерева классификации
Статистическая классификация определяет категории, к которым относится новое наблюдение.
Статистическая классификация используется для :
Генетические алгоритмы
Генетические алгоритмы вдохновлены тем, как работает эволюция, то есть с помощью таких механизмов, как наследование, мутация и естественный отбор.
Генетические алгоритмы используют для :
Регрессионный анализ
Как возраст человека влияет на тип автомобиля, который он покупает?
На базовом уровне регрессионный анализ включает в себя манипулирование некоторой независимой переменной (например, фоновой музыкой) чтобы увидеть, как она влияет на зависимую переменную (время, проведенное в магазине).
Регрессионный анализ используют для определения:
Data Mining — как собирается и обрабатывается Биг Дата
Загрузка больших данных в традиционную реляционную базу для анализа занимает много времени и денег. По этой причине появились специальные подходы для сбора и анализа информации. Для получения и последующего извлечения информацию объединяют и помещают в “озеро данных”. Оттуда программы искусственного интеллекта, используя сложные алгоритмы, ищут повторяющиеся паттерны.
Хранение и обработка происходит следующими инструментами :
Реальное применение Big Data
Самый быстрый рост расходов на технологии больших данных происходит в банковской сфере, здравоохранении, страховании, ценных бумагах и инвестиционных услугах, а также в области телекоммуникаций. Три из этих отраслей относятся к финансовому сектору, который имеет множество полезных вариантов для анализа Big Data: обнаружение мошенничества, управление рисками и оптимизация обслуживания клиентов.
Банки и компании, выпускающие кредитные карты, используют большие данные, чтобы выявлять закономерности, которые указывают на преступную деятельность. Из-за чего некоторые аналитики считают, что большие данные могут принести пользу криптовалюте. Алгоритмы смогут выявить мошенничество и незаконную деятельность в крипто-индустрии.
Благодаря криптовалюте такой как Биткойн и Эфириум блокчейн может фактически поддерживать любой тип оцифрованной информации. Его можно использовать в области Big Data, особенно для повышения безопасности или качества информации.
Например, больница может использовать его для обеспечения безопасности, актуальности данных пациента и полного сохранения их качества. Размещая базы данных о здоровьи в блокчейн, больница обеспечивает всем своим сотрудникам доступ к единому, неизменяемому источнику информации.
Также, как люди связывают криптовалюту с волатильностью, они часто связывают большие данные со способностью просеивать большие объемы информации. Big Data поможет отслеживать тенденции. На цену влияет множество факторов и алгоритмы больших данных учтут это, а затем предоставят решение.
Перспективы использования Биг Дата
Blockchain и Big Data — две развивающиеся и взаимодополняющие друг друга технологии. С 2016 блокчейн часто обсуждается в СМИ. Это криптографически безопасная технология распределенных баз данных для хранения и передачи информации. Защита частной и конфиденциальной информации — актуальная и будущая проблема больших данных, которую способен решить блокчейн.
Аналитика Big Data будет важна для отслеживания транзакций и позволит компаниям, использующим блокчейн, выявлять скрытые схемы и выяснять с кем они взаимодействуют в блокчейне.
Рынок Big data в России
Весь мир и в том числе Россия используют технологию Big Data в банковской сфере, услугах связи и розничной торговле. Эксперты считают, что в будущем технологию будут использовать транспортная отрасль, нефтегазовая и пищевая промышленность, а также энергетика.
Аналитики IDC признали Россию крупнейшим региональным рынком BDA. По расчетам в текущем году выручка приблизится к 1,4 миллиардам долларов и будет составлять 40% общего объема инвестиций в секторе больших данных и приложений бизнес-аналитики.
Где можно получить образование по Big Data (анализу больших данных)?
GeekUniversity совместно с Mail.ru Group открыли первый в России факультет Аналитики Big Data.
Для учебы достаточно школьных знаний. У вас будут все необходимые ресурсы и инструменты + целая программа по высшей математике. Не абстрактная, как в обычных вузах, а построенная на практике. Обучение познакомит вас с технологиями машинного обучения и нейронными сетями, научит решать настоящие бизнес-задачи.
После учебы вы сможете работать по специальностям:
Особенности изучения Big Data в GeekUniversity
Через полтора года практического обучения вы освоите современные технологии Data Science и приобретете компетенции, необходимые для работы в крупной IT-компании. Получите диплом о профессиональной переподготовке и сертификат.
Обучение проводится на основании государственной лицензии № 040485. По результатам успешного завершения обучения выдаем выпускникам диплом о профессиональной переподготовке и электронный сертификат на портале GeekBrains и Mail.ru Group.
Проектно-ориентированное обучение
Обучение происходит на практике, программы разрабатываются совместно со специалистами из компаний-лидеров рынка. Вы решите четыре проектные задачи по работе с данными и примените полученные навыки на практике. Полтора года обучения в GeekUniversity = полтора года реального опыта работы с большими данными для вашего резюме.
Наставник
В течение всего обучения у вас будет личный помощник-куратор. С ним вы сможете быстро разобраться со всеми проблемами, на которые в ином случае ушли бы недели. Работа с наставником удваивает скорость и качество обучения.
Основательная математическая подготовка
Профессионализм в Data Science — это на 50% умение строить математические модели и еще на 50% — работать с данными. GeekUniversity прокачает ваши знания в матанализе, которые обязательно проверят на собеседовании в любой серьезной компании.
GeekUniversity дает полтора года опыта работы для вашего резюме
В результате для вас откроется в 5 раз больше вакансий:
Для тех у кого нет опыта в программировании, предлагается начать с подготовительных курсов. Они позволят получить базовые знания для комфортного обучения по основной программе.
Поделитесь этим материалом в социальных сетях и оставьте свое мнение в комментариях ниже.