Смелый новый мир больших данных

Он характеризуется объемом, скоростью, стоимостью и разнообразием; большие объемы данных производятся со скоростью более 2,8 гц (ZB) или 2,8 триллиона гигабайт в год. Ежедневно публикуются 2 миллиона блогов, 172 миллиона пользователей посещают Facebook (расходы на 4,7 миллиарда минут на одном социальном сайте), загружаются 51 миллион видеороликов и 250 миллионов цифровых фотографий. Мы по-прежнему генерируем 294 миллиарда электронных писем в день, хотя многие считают, что электронные письма являются устаревшими формами общения. Ожидается, что к 2020 году это будет взорваться более 40 ЗБ в год; и, чтобы оставаться впереди пакета, компаниям необходимо начать работу над большими данными сегодня. Инвестиции быстрее, чем когда-либо прежде, для повышения производительности, создания ценности, сохранения конкурентоспособности, открытия новых бизнес-тенденций и создания интересных аналитических решений. Большие данные становятся отличительной чертой начала XXI века, в которой она потребляется и используется все больше и больше компаний.

В общем, вы можете разделить большие данные на два разных типа, упорядоченные и неструктурированные. 294 миллиарда электронных писем, отправленных в день, можно рассматривать как структурированный текст и одну из простейших форм больших наборов данных. Финансовые операции, включая продажу билетов на кино, продажи бензина, продажу ресторанов и т. Д. Они, как правило, структурированы и составляют небольшую часть данных, представленных сегодня в глобальных сетях. Другие формы структурированных данных включают активность потока кликов, данные журнала и предупреждения о сетевой безопасности. Неструктурированные данные также являются основным источником роста для больших наборов данных. Музыка — это растущее множество данных и потоковая передача почти 19 миллионов часов музыки в день в рамках бесплатной музыкальной службы Pandora. Старые телевизионные программы и фильмы — еще один источник разнообразия в неструктурированном мире. Ежедневно на YouTube выходят более 886 000 часов видео. MBAOnline.com даже обнаружил, что мы можем обрабатывать 98 лет непрерывных видеороликов кошек в доме каждого из нас через бесконечные часы скуки, веселья или безумия!

В дополнение к общепринятым технологиям большие наборы данных потребуют изменений в большинстве бизнес-процессов для обеспечения принятия решений с соответствующими аналитическими оценками. Чтобы уметь распознавать эти требования, вам нужно сосредоточиться на двух основных идеях. Прежде всего, следует изучить, как компании могут использовать современные технологические решения для сегментации, а затем анализировать данные; во-вторых, вам нужно будет провести презентацию, а затем предсказать, как компании используют и будут использовать данные для создания стратегий для создания, поддержания и улучшения их различных источников дохода.

Компании сегментируют рынки клиентов на протяжении десятилетий, но эпоха больших коллекций делает сегментацию более важной и даже более сложной. Задача состоит не только в сборе информации; скорее это гонка для более глубокого понимания клиентов. Сегментация является фундаментальным элементом понимания клиентов. В простейшей форме клиенты группируются в соответствии с аналогичными функциями. Наряду с улучшением данных (демография, отношение и поведение), подходы к сегментации становятся более сложными. На данный момент компании практически тонут все собранные данные, и если они не будут осторожны, они могут все время смотреть на него, а не использовать его для принятия более эффективных бизнес-решений. Время вскрытия может быть неограниченным без реальных результатов, поэтому наличие проверенной и масштабируемой аналитической системы может радикально сократить это время сегментации.

Компании из всех секторов понимают, что знания клиентов приводят к лучшему и персонализированному сервису для покупателя, и это приводит к более лояльному клиенту. Чтобы лучше узнать своих клиентов, компании традиционно использовали передовые аналитические системы, такие как Google Analytics, для сегментации клиентов в группы на основе демографических, географических и других данных. Хотя он помогает в этом типе сегментации, он часто не только не определяет важные различия между клиентами, но также не предлагает последовательных инновационных функций. Например, базовая сегментация авиакомпаний-путешественников может определить клиента как человека, которому 37 лет, живет и работает в Роли, и совершает частые командировки в Лондон.

Лучший подход — классифицировать выбор, предпочтения и вкусы клиента на основе всех его / ее взаимодействий с бизнесом. Однако для того, чтобы тщательно микросегментировать своих клиентов, компаниям необходимо признать более широкий спектр характеристик клиентов, многие из которых находятся за пределами структурированной информации в системах бронирования, управлении отправлением и лояльности авиакомпаний. Богатый набор дополнительной информации о клиенте можно найти в взаимодействии с клиентом, например, электронной почте, транскриптах звонков, чатах, SMS, социальных сетях и многом другом. Бизнес должен уметь понимать смысл в диалоге клиента, и они могут делать это автоматически, используя новые типы аналитических систем.

Большие данные могут кардинально изменить способ обращения маркетологов к своим клиентам — все они — не только к небольшому проценту, который активно участвует в программе лояльности. Компании могут использовать огромное количество информации, доступной для взаимодействия с клиентами и онлайн-маркетинговых путей (таких как социальные сети, блоги и веб-сайты), чтобы точно сегментировать, поддерживать и развивать отношения с клиентами.

Хорошо известно, что большие наборы данных являются одновременно и важной задачей, и возможностью для компаний. Для их успеха важны технологии, призванные справиться с бурным ростом объема, разнообразия и скорости информации. К счастью, сегодняшние альтернативные модели для доставки аппаратного обеспечения, облачных архитектур и программного обеспечения с открытым исходным кодом обеспечивают большую обработку данных на кончиках ваших пальцев. В конечном счете, большая история больших наборов данных может быть очень малой — способность создавать и обслуживать очень маленькие сегменты клиентов — с гораздо большей точностью и достижением большего за меньшее. Сегментация — это лишь верхушка айсберга с большими данными, и стратегии, которые компании уже создали и будут продолжать создавать для их использования, поразительны.

В настоящее время существуют четыре основные стратегии, которые компании используют для использования больших преимуществ: управление эффективностью, стратегия принятия решений, социальная аналитика и интеллектуальный анализ данных. Управление производительностью — это место, где все начинается. Понимая важность больших наборов данных в базах данных компаний с использованием заранее определенных запросов, менеджеры могут задавать вопросы, например, где наиболее прибыльные сегменты рынка. Это может быть чрезвычайно сложным и требует много ресурсов; однако все становится легче. Большинство инструментов бизнес-анализа сегодня предоставляют возможности панели мониторинга. Пользователь, часто менеджер или аналитик, может выбирать запросы для запуска, фильтрации и классификации результатов отчета в соответствии с определенными параметрами (например, Region) и детализации данных. Многие типы отчетов и диаграмм облегчают менеджерам отслеживание тенденций. Благодаря функциональным и «легким» использованию настольных компьютеров навигации компании начинают делать больше за меньшее; но нам все равно нужно увидеть решение, которое предлагает чистый дизайн с простой функциональностью, которая предлагает еще больше возможностей, чем то, что в настоящее время существует.

Добыча данных — вторая стратегия, которую в настоящее время проводят компании. Эта стратегия использует интенсивную статистику для экспериментов и ответы на вопросы, о которых менеджер, возможно, и не подумал. Этот подход использует методы интеллектуального моделирования для прогнозирования поведения пользователей на основе их предыдущих транзакций и предпочтений. Анализ кластеров может использоваться для сегментации клиентов в группы на основе аналогичных функций, которые, возможно, не были изначально запланированы. Как только эти группы будут обнаружены, менеджеры могут выполнять целенаправленные действия, такие как адаптация маркетинговых сообщений, обновление сервисов и перекрестная продажа / перепродажа каждой уникальной группе. Другой популярный случай использования — предсказать, какая группа пользователей может «выпасть». Вооруженные этой информацией, менеджеры могут активно разрабатывать стратегии, чтобы остановить этот сегмент пользователей и снизить скорость отставки.

Известный розничный торговец использовал методы интеллектуального анализа данных для прогнозирования покупательских привычек кластеров клиентов, которые подверглись важному жизненному событию. Целевая группа смогла идентифицировать около 25 продуктов, таких как бальзам без запаха и витаминные добавки, которые после анализа вместе помогли определить результат «прогнозирования беременности». Затем были нацелены на женщин, нацеленные на продукты, связанные с младенцами на основе предсказаний о беременности. Это привело к резкому увеличению продаж продуктов Target и Baby для младенцев вскоре после запуска новых рекламных кампаний.

Следующей стратегией компании является использование социальных сайтов, таких как Facebook, Twitter, Yelp или Instagram. Социальная аналитика измеряет огромное количество не транзакционных данных, которые существуют сегодня. Многие из этих данных существуют на платформах социальных сетей, таких как разговоры и обзоры на Facebook, Twitter и Yelp. Социальная аналитика измеряет три широкие категории: осознание, участие и шепот или охват. Осознание касается воздействия или упоминания о социальном контенте и часто включает такие данные, как видеореклама и количество последователей или членов сообщества. Приверженность измеряет уровень активности и взаимодействия между участниками платформы, например, частоту пользовательского контента. Наконец, измерьте степень распространения контента среди других пользователей на платформах социальных сетей. Досягаемость может быть измерена с использованием таких переменных, как количество ретвитов в Twitter и общие предпочтения на Facebook.

Социальным анализаторам необходимо четкое понимание того, что они измеряют. Например, вирусное видео, которое было просмотрено 10 миллионов раз, является хорошим показателем высокой осведомленности, но это не обязательно хорошая мера взаимодействия и взаимодействия. Кроме того, социальные показатели состоят из косвенных, нефинансовых средств. Чтобы определить влияние на бизнес, аналитикам часто приходится собирать интернет-трафик и бизнес-показатели, а также социальные показатели, а затем искать корреляции. В случае вирусных видеороликов аналитикам необходимо определить, есть ли просмотр видео на YouTube, есть трафик на веб-сайте компании, а затем возможные покупки продуктов.

Окончательная стратегия компаний компании получила название «Обучающие решения». Обычно это эксперименты и анализ не транзакционных данных, таких как идеи для потребительских товаров и обзоров продуктов, для улучшения процесса принятия решений. В отличие от социальных анализаторов, которые сосредотачиваются на социальной аналитике для измерения известных целей, лица, принимающие решения, изучают большие социальные данные как способ проведения «полевых исследований» и проверки гипотез. Краудсорсинг, включая создание идей и опросов, позволяет компаниям задавать вопросы сообщества о своих продуктах и ​​брендах. Исследователи, принимающие решения в сочетании с мнениями сообщества, определяют ценность, обоснованность, осуществимость и адаптацию этих идей и в конечном итоге информируют, планируют ли они реализовать эти идеи. Например, программа My Starbucks Idea позволяет потребителям делиться, голосовать и отправлять идеи о продуктах Starbuck, опыте работы с клиентами и участии сообщества. На данный момент собрано более 100 000 идей. Starbucks имеет раздел «Идеи в действии», чтобы обсудить, где идеи находятся в процессе обзора.

Многие из методов, используемых лицами, принимающими решения, включают инструменты для прослушивания, которые выполняют анализ текста и настроений. Используя эти инструменты, компании могут измерять конкретные темы, связанные с продуктами, а также кто говорит об этих темах. Например, перед запуском нового продукта маркетологи могут оценить, как потребители имеют дело с ценой, как демография может повлиять на настроения и как меняется настроение со временем. Затем менеджеры могут корректировать цены на основе этих тестов.

Будущее стратегии трудно предсказать, но на основе того, как все развивается, компании предполагают, что это будет новый тип технологий, используемых в аналитических системах, с акцентом на большие наборы данных. Как основатель компании, которая фокусируется на анализе сети и данных, мы делаем ставку на то, что будущее связано с большой обработкой данных. Создавая аналитическую платформу, доступную в Интернете, с акцентом на красивый дизайн и простой интерфейс, который прост в использовании, мы объединяем мощную аналитику с прекрасными результатами. При использовании всех четырех текущих стратегий и добавлении собственной технологии в микс, результаты должны сдвинуть границы между фактом и научной фантастикой.

Большие данные меняют то, как мы живем, от запуска бизнеса до покупок в продуктовом магазине, чтобы покупать билеты в кино. Каждая часть собранной информации сегментируется и используется для анализа того, как потребители думают и ведут себя. Чтобы воспользоваться этой возможностью, мы должны отказаться от устаревших, менее инновационных решений. Вместо этого мы можем использовать новую технологию, предлагаемую новыми компаниями, которые меняют способ выявления тенденций в данных и понимания процессов потребительского мышления. Зная текущие стратегии, которые компании используют для использования этого огромного объема данных, мы можем использовать эту информацию, чтобы лучше понять прогнозы того, откуда это явление.

Похожие статьи

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *