Американский ученый Дэн Ариэли как-то сказал, что Big Data – это как подростковый секс: все о нём говорят, никто реально не знает, как им заниматься, все думают, что остальные знают, поэтому говорят, что тоже это делают. Что можно считать большими данными и чем они отличаются от статистики, которую наука и бизнес собирают сотни лет?
В классическом случае данные собирают под конкретные цели. То есть сначала предполагают, какие данные понадобятся, чтобы адекватно описать реальность, а потом их собирают. Например, сначала решили, что количество воробьев плохо влияет на урожай черешни, а уже потом начали собирать данные о количестве воробьев и урожае в конкретном месте. При таком подходе сначала продумывается, зачем нужны данные, какая гипотеза и какой вывод из этого можно сделать.
«С так называемыми большими данными дело обстоит иначе. Данные собираются только потому, что их можно собрать, причем любые: обрывочные, неструктурированные, с большим количеством шума. Например, заходы всех пользователей на сайт и запись их движений мышью по экрану, данные с общественных камер видеонаблюдения, географические координаты пользователей приложений и т.д.», - рассказывает Роман Захаров, совладелец Softcube, эксперт в области математического моделирования. По его словам, по сути, Big Data – это инфраструктура для сбора и хранения данных, некий склад, и научная работа по анализу того, что могут дать данные в конкретном технологическом или бизнес-процессе. Количество данных в мире постоянно увеличивается. В связи с этим возрастает потребность в эффективном использовании и монетизации этих данных.
Как использовать Big Data для онлайн-бизнеса
Big Data может быть полезным для:
интернет-магазинов (и это уже активно внедряется в работу);
любых контентных проектов;
сервисных проектов.
Кристина Потоцкая, руководитель отдела маркетинга компании Triggmine, уверена, что современный email-маркетинг трудно представить без использования Big Data. По ее мнению, секрет успешной рассылки кроется в максимальной персонализации, а достичь ее без сбора, анализа и использования больших массивов данных невозможно. Особенно это касается триггерных рассылок, которые представляют собой точечную отправку письма в ответ на конкретное действие клиента на сайте. Чтобы их осуществлять, нужно получить, сохранить и обработать огромный массив данных.
«Мы собираем информацию о посещениях (дата и количество), просмотренных страницах, товарах, которые клиент смотрит или добавляет в корзину. Также информацию о его покупках: дата, сумма, количество, частота покупок и приобретенные товары», - рассказывает Потоцкая. Помимо этого собираются и персональные данные клиентов, которые они вводят на сайте компании: имя, электронная почта, телефон, пол, дата рождения, дата регистрации. Одновременно с данными о клиентах, собирается и обрабатывается информации о самой компании, ее статистика и результаты.
Из этого получается огромный массив данных, анализ которого позволяет формировать рекомендации для клиентов. Можно с точностью сказать, какая серия писем, для какого бизнеса будет более эффективна, сколько писем и когда необходимо отправлять, чтобы получить результат, в какой стране клиенты реагируют на рассылку лучше, а в какой не читают ее вообще и многое другое.
Структура данных о поведении пользователя на сайте неоднородна и постоянно меняется. «К тому же данные поступают мгновенно, а принимать решения, как ими воспользоваться нужно быстро, пока они актуальны», - поясняет Дмитрий Кудренко, руководитель сервиса email-маркетинга компании eSputnik. Например, пользователь зашел на сайт интернет-магазина и ему показывается не общая витрина, которую видят все, а только то, что с большой вероятностью заинтересует пользователя. «По статистике, чем больше страниц в течение сессии просмотрел пользователь, тем больше вероятность покупки. Используя данные о поведении пользователя можно прогнозировать, что порекомендовать, удерживая интерес к сайту», - добавляет эксперт.
Такой подход в использовании больших данных применим не только для интернет-магазинов. Например, новостной сайт. Пользователь посмотрел какую-нибудь статью, после нее перешел на другую, может быть, нажал лайк и отправил ссылку на статью. Когда приходит новый пользователь, его можно связывать с другими пользователями, которые уже это читали, и рекомендовать материалы, которые могут быть ему интересными. «Таким образом, можно увеличить длительность посещения сайта и количество просматриваемых страниц, а значит – продать больше рекламы», - считает Александр Демидов, руководитель направления арендных решений «1С-Битрикс».
В случае сервисных проектов можно прогнозировать уход клиентов или их готовность к обновлению услуг, платности и т. д. «Гораздо дешевле оставить уже имеющегося клиента, чем привлечь нового. Не надо вкладываться ни в рекламу, ни в продвижение, достаточно дать скидку и подарок, чтобы клиент остался с компанией», - говорит Демидов. Например, банковские сервисы и мобильные операторы могут выявлять готовность клиентов покупать дополнительные услуги.
Любые сферы, где есть возможность накопить большой объем данных и систематизировать их, построив разные модели поведения, можно использовать на практике. Вопрос в том, что мало кто может генерировать большой объем данных. Маленький интернет-магазин, в который приходит 100 человек в день, не сможет построить точную модель, потому что у него слишком мало данных. А вот большой интернет-магазин, на который заходят сотни тысяч пользователей, может формировать максимально точные модели поведения пользователей.
Если допустить, что есть «маленькие» большие данные, то Украине можно найти всего несколько компаний, занимающихся обработкой таких данных. «Если же говорить о петабайтах неструктурированных данных, из которых извлекают бизнес-ценность, то в Украине таких примеров нет», - утверждает эксперт Роман Захаров.
Больше о Big Data можно узнать на конференции BigData Conference.
