Интернет вещей в маркетинге

Размещено на http://www.allbest.ru/

Введение

Предметная область.

Интернет вещей - это перспективная технология, которая в будущем сможет повлиять на многие сферы жизни, в том числе принести новые возможности для бизнеса, и в частности для маркетинга. Маркетинг на основе использования интернета вещей - это новая область, которая, хотя и обещает принести огромные выгоды для компаний, только начинает быть исследованной. Сутью данной работы является ответ на вопрос о том, как Интернет вещей и данные, полученный с устройств (вещей), могут быть использованы для получения новых данных о пользователях и использованы в маркетинговых системах. Был проведен анализ существующих маркетинговых платформ и научной литературы, в результате чего были выделены несколько категорий применения интернета вещей в маркетинговых системах, требования и рекомендации к архитектуре, а также выделены основные направления для дальнейшего изучения.

С помощью Интернета вещей происходит новая революция, которая окажет колоссальное влияние на мир. Интернет вещей является захватывающей концепцией, потому что приносит возможности интернета для физических устройств, что делает всю продукцию связанной и способной производить интеллектуальные вычисления и действия (smart). Приложения для интернета вещей охватывают множество областей, таких как носимые устройства, умные дома, умные города, промышленная автоматизация и многое другое. Многие из систем и технологий интернета вещей являются абсолютно новыми и, как ожидается, позволят автоматизировать практически все сферы деятельности. По данным Gartner (2015), в мире будет насчитываться почти 20 миллиардов устройств интернета вещей к 2020 году.

Удивительно, что с такой быстрой экспансией и распространению этой технологии были проведены всего несколько маркетинговых исследований [2]. Есть еще много неосвоенных сфер применения, многочисленные проблемы и вопросы, а кроме того полностью не осмысленны все возможности и сферы влияния. Уже выделены основные возможности применения интернета вещей в маркетинге и то, как он может изменить эту индустрию. Тем не менее, необходимы дополнительные исследования, чтобы изучить возможности применения интернета вещей в организациях в части различных аспектов маркетинга, особенно для клиентоориентированных организаций. Многие правила маркетинга меняются и многие новые подходы будут внедрены в новую эпоху интернета вещей.

Актуальность

Интернет вещей- технологическая концепция, которая сейчас находится на пике популярности технологий (технологический цикл компания Gartner 2016)[3] и обещает принести $ 11 трлн экономического вклада к 2020 году (Исследование IoT МакКинзи, 2015)[4]. С точки зрения бизнеса, информация, полученная с датчиков Интернета вещей, помогает компаниям получать ценные знания о своей продукции и поведении потребителей. Учитывая тот факт, что анализ данных становится основой маркетинга (Гартнер цикл зрелости цифрового маркетинга и рекламы, 2016)[5], становится ясно, что анализ данных интернета вещей и интеграция этой технологии с маркетинговыми системами будет являться незаменимым инструментом для маркетологов в будущем с развитием и распространением этой технологии. Несмотря на то, что эта область является очень перспективной, существует всего несколько отдельных маркетинговых платформ, интегрированных с интернетом вещей, а также всего несколько проведенных исследований, связанных непосредственно с анализом данных интернета вещей в маркетинговых целях, таким образом предоставляя огромный простор для дальнейшей работы.

Цель исследования

Целью работы является определения ключевых сценариев использования интернета вещей в маркетинге, разработка требований и практических рекомендаций по построению системы, интегрирующую платформы интернета вещей и инструменты аналитики для работы с маркетинговыми сценариями.

Задачи исследования

Для достижения вышеописанной цели необходимо выполнить следующие задачи:

• Проанализировать релевантные проведенные исследования в предметных областях: интернет вещей, маркетинг, анализ данных и в смежных областях

• Проанализировать существующие технологические решения и платформы интернета вещей, маркетинга и совмещающие интернет вещей и маркетинг

• Выделить и систематизировать основные сценарии использования интернет вещей в маркетинге, технологии, которые возможно использовать для реализации сценариев, и получаемые выгоды

• Разработать требования и практические рекомендации к архитектуре системы обработки данных

Объект и предмет исследования

Объектом исследования является анализ данных интернета вещей для маркетинговых целей. Предметом исследования является архитектура модуля обработки данных интернета вещей для маркетинговых целей.

Методы исследования

Для того, чтобы объединить исследования в трех связанных областях (Интернет вещей, маркетинг и маркетинговые системы, анализ данных) будут изучены и проанализированы соответствующие научные работы, существующие маркетинговые системы и платформы интернета вещей. Таким образом, в процессе работы над задачами будут использоваться следующие исследовательские методы:

· анализ литературы

· изучение существующих решений

· сравнение

· теоретический анализ и синтез

Практическая значимость результатов

Существует всего несколько проведенных исследований на данную тему при всей актуальности проблемы. Поскольку количество существующих систем также невелико, практические рекомендации по созданию модуля обработки данных интернета вещей для маркетинга могут послужить отправной точкой при разработки программ или модулей интеграции с существующими системами.

Краткое описание структуры работы

Во введении кратко описана предметная область, актуальность работы, поставлена цель и задачи практического исследования, раскрыты объект, предмет, методы исследования, а также научная новизна и практическую значимость работы.

В первой главе более подробно раскрыта предметная область, приведен литературный обзор, а также исследованы возможности применения IoT в маркетинге.

Во второй главе рассмотрены основные сценарии использования интернета вещей в маркетинге.

Третья глава полностью описывает архитектуру и практические рекомендации для разработки программного модуля.

В заключении представлены результаты и выводы после создания рекомендаций относительно архитектуры программного модуля, а также описаны возможные пути развития и дополнения.

интернет вещь маркетинг данные



Обзор литературы

Обоснование выбора литературы.

Обзор релевантной теме исследования литературы можно разделить на 3 группы связанных областей, которые формируются из 3-х основных направлений - маркетинг, интернет вещей, анализ данных, которые, в свою очередь, образуют в пересечении 3 более узких области: маркетинг на основе данных, анализ данных интернета вещей и интернет вещей в маркетинге. Для каждой из 3 областей существует большое количество работ и исследований; однако пересечение этих областей (сам объект исследования, рисунок 1) детально не исследован, что делает необходимым использование более общей литературы для анализ данных интернета вещей для маркетинга и последующего ее синтеза, а потому для начала они должны быть рассмотрены по отдельности. Таким образом, далее будут рассмотрены информация и статьи из 5 указанных областей.

Маркетинг

Маркетинг. Одна из самых популярных парадигм маркетинга, или как маркетинг может повлиять на решения о покупке потребителя, является парадигма четырех P или “Маркетинг-микс” (Э. Джером Маккарти, 1960)[6].

Эта концепция содержит 4 вида действий, которые компания может использовать для создания маркетингового плана: продукт, цена, расположение товара и продвижение (Product, Pricing, Placement and Promotion). Для промышленного маркетинга и высокодоходных продуктов, могут быть добавлены еще 4 P, которые являются особенно релевантными для сферы услуг: процесс, физическое присутствие, человек и упаковка (Process, Physical Evidence, People and Packaging)[7]. Главная цель маркетинга - увеличение продаж и достижение устойчивых конкурентных преимуществ - основаны на взаимодействии с клиентом, сегментации рынка, конкурентном анализе и корректировкой составляющих “Маркетинг-микса”, что в совокупности позволяет компании разрабатывать, поддерживать и адаптировать свою маркетинговую стратегию[8].

Интернет вещей

Интернет вещей - это межсетевое взаимодействие физических устройств, которые оснащены электроникой, программным обеспечением, датчиками, актуаторами и сетевым подключением, которое позволяет этим объектам собирать и обмениваться данными[9]. Устройства интернета вещей могут быть классифицированы в пять категорий, основанных на их применении: умные носимые устройства, умные дома, умные города, умная среда и умные предприятия[10]. Указанные области характеризуются различными типами датчиков и соответственно получаемых данных. Кроме того, можно классифицировать устройства и использование интернета вещей по областям применения. В данном исследовании наиболее релевантным является применение интернета вещей для потребительского сегмента, в основном сегмента B2C, то есть где данные собираются для каждого пользователя. Примерами потребительского применения могут служить умный ритейл, умный дом, подключенные автомобили (connectedcar), применение в индустрии развлечений, носимые устройства, применение в области здравоохранения и так далее. Сегодня существует неоднозначность по поводу того, стоит ли относить к интернету вещей смартфоны и носимые устройства[2]. В данной работе термин Интернет вещей применяется в широком смысле и рассматривает все возможные применения.

Интернет вещей в маркетинге

Интернет вещей создал много возможностей для маркетологов во всех сферах маркетинга, начиная с создания принципиально новых либо измененных продуктов и услуг и заканчивая формированием новой бизнес- стратегии[11]. Исследователи утверждают, что с развитием технологии интернета вещей, маркетинг будет становиться все больше ориентированным на клиента и менее - на продукт, что позволит клиентам напрямую взаимодействовать с продуктом и брендом[12]. Это, во-первых, добавляет дополнительную ценность для продукта, а во-вторых, дополняет привычные функции маркетинга - позиционирование, дифференциацию и брэндинга - новой функцией - созданием впечатлений [13]. Например, такое взаимодействие может быть реализовано используя технологии, которые уже существуют, например, используя технологии RFID/NFC меток или штрих-кодов для получения дополнительной информации о продукте, или в перспективе применяя развивающиеся методы, такие как алгоритмы машинного обучения и искусственного интеллекта, которые, например, анализируют внешний вид покупателя и мгновенно предлагают подходящий продукт или рекламу.

Тем не менее, наряду с многочисленными возможностями, интернет вещей сталкивается с серьезными проблемами, вызванными как технологическими вопросами, так и неподготовленностью общества[14]. Например, акцентируя внимание на маркетинговую составляющую интернета вещей и продвижение технологии в массы,исследователи заметили сопротивление потребителей к новым смарт продуктам, вызванные беспокойством о безопасности устройств и конфиденциальности, этическими проблемами, отсутствием доверия к брендам и увеличением числа бесполезных или преувеличено в стоимости гаджетов[15]. Постоянное обновления рынка и устаревание устройств прибавляют проблем неустойчивой экосистеме с огромным количеством устройств, что приводит к отвержению потенциальными покупателями всей технологии интернета вещей. Кроме того, большинство населения кроме смартфонов, планшетов и схожих мобильных устройств не используют смарт устройств и таким образом в настоящее время не участвуют в революции интернета вещей, которая таким образом прогнозируется совершиться не ранее 2020 года[16]. К тому времени предсказывают появление и распространение наиболее инновационных устройств и принципиально новых сервисов интернета вещей. Наконец,предлагая новые возможности для бизнеса, IoT таит скрытые угрозы, которые компании не в состоянии решать с существующими бизнес-моделями[17]. Все это означает, что значительные возможности интернета вещей, в том числе и для маркетинга, еще не проявились и что для полноценного распространения технологии и использования ее обществом должны пройти еще несколько лет.

Обработка данных интернета вещей

Архитектура систем интернета вещей.

Видение интернета вещей можно рассматривать с двух точек зрения-- "Интернет" -центрические и `вещь' - ориентированной[18]. Архитектура Интернет-центрической сети фокусируется на интернет сервисе и централизованной обработке данных в облаке, в то время как смарт объекты только собирают информацию. Такая архитектура является наиболее распространенной[19]. Архитектура, ориентированная на смарт-объекты, является крайне перспективной и только начинает развиваться. В данном случае, вычисления и хранение данных осуществляется не в едином облаке, а все больше смещается непосредственно к вычислению на устройствах интернета вещей. Наиболее практичный пример - вычисления происходят на промежуточных шлюзах и затем пересылаются в облако. Более футуристический пример, так как распределенные вычисления и мощность вещей не находятся на должном уровне, это вычисления на самих устройствах интернета вещей (fogcomputing, edgecomputing). В этом случае количество устройств позволяет использовать большое количество их незадействованных мощностей, и скорость обработки данных в таком случае превышает облачные вычисления во много раз[20].

Типичная Архитектура системы интернета вещей содержит: устройств (интернет вещи, датчики), исходные данные, собранные данные, обработка данных, услуги, безопасность и конфиденциальность стандартов[21]. В 2012 году Международным союзом электросвязи (МСЭ-Т) была выпущена рекомендация Y.2060, в которой приведена эталонная модель IoT, которая включает четыре базовых горизонтальных уровня (рисунок 6)[22].

1. Уровень сенсоров и сенсорных сетей. Самый нижний уровень архитектуры IoT состоит из «умных» (smart) объектов, интегрированных с сенсорами (датчиками). Сенсоры реализуют соединение физического и виртуального (цифрового) миров, обеспечивая сбор и обработку информации в реальном масштабе времени. Существуют различные типы сенсоров для соответствующих целей, например, для измерения температуры, давления, скорости движения, местоположения и др. Сенсоры могут иметь небольшую память, давая возможность записывать некоторое количество результатов измерений. Сенсор может измерять физические параметры контролируемого объекта/явления и преобразовать их в сигнал, который может быть принят соответствующим устройством. Большинство сенсоров требует соединения с агрегатором сенсоров (шлюзом), которые могут реализоваться быть реализованы с использованием локальной вычислительной сети, персональной сети и ультраширокополосной беспроводной связи на малых расстояниях. Для сенсоров, которые не требуют подключения к агрегатору, их связь с серверами/приложениями может предоставляться с использованием глобальных беспроводных сетей WAN, таких как GSM, GPRS и LTE[22]. Сенсоры, которые характеризуются низким энергопотреблением и низкой скоростью передачи данных, образуют широко известные беспроводные сенсорные сети (WSN, Wireless Sensor Network). WSN набирают все большую популярность, поскольку они могут содержать гораздо больше сенсоров с поддержкой работы от батарей и охватывают большие площади.

2. Уровень шлюзов и сетей. Большой объем данных, создаваемых на первом уровне IoT многочисленными миниатюрными сенсорами, требует надежной и высокопроизводительной проводной или беспроводной сетевой инфраструктуры в качестве транспортной среды[23]. Для реализации широкого спектра услуг и приложений в IoT необходимо обеспечить совместную работу множества сетей различных технологий и протоколов доступа в гетерогенной конфигурации. Данный уровень состоит из конвергентной сетевой инфраструктуры, которая создается путем интеграции разнородных сетей в единую сетевую платформу. Конвергентный абстрактный сетевой уровень в IoT позволяет через соответствующие шлюзы нескольким пользователям использовать ресурсы в одной сети независимо и совместно без ущерба для конфиденциальности, безопасности и производительности.

3. Сервисный уровень Сервисный уровень содержит набор информационных услуг, призванных автоматизировать технологические и бизнес операции в IoT: поддержки операционной и бизнес деятельности, различной аналитической обработки информации (статистической, интеллектуального анализа данных и текстов, прогностическая аналитика и др.), хранения данных, обеспечения информационной безопасности, управления бизнес-правилами, управления бизнес-процессами и др. [24].

4. Уровень приложений. На четвертом уровне архитектуры IoT существуют различные типы приложений для соответствующих промышленных секторов и сфер деятельности (энергетика, транспорт, торговля, медицина, образование и др.). Приложения могут быть «вертикальными», когда они являются специфическими для конкретной отрасли промышленности, а также «горизонтальными», (например, управление автопарком, отслеживание активов и др.), которые могут использоваться в различных областях[24].

Одним из главных вопросов в развитии интернета вещей является отсутствие стандартизации, что приводит к большому количеству несовместимых систем, которые не могут взаимодействовать[25]. Это означает, что маркетинговая система должна быть основана на одной из популярных платформ или применять несколько технологий, например, семантический анализ, чтобы преодолеть несоответствие техники и программных стандартов. Однако в последний способ только начинает разрабатываться и является трудозатратным, а потому менее предпочтителен.

Модели взаимодействия устройств интернета вещей

В руководстве от 2015 года Совета по архитектуре Интернета выделено четыре общие модели коммуникации, используемые “смарт-объектами” интернета вещей: устройство-устройство, устройства-облако, устройство-шлюз, и фоновый обмен данными[26].

Связь устройство-устройство

В этом виде взаимодействия (рисунок 2) два или более устройств могут напрямую подключаться и передавать данные друг другу. Они могут обмениваться информацией напрямую с помощью различных типов сетей, например, используя протоколы Bluetooth, Z-Wave или ZigBee. Эта модель взаимодействия обычно используется в системах домашней авторизации (умный дом), которые используют небольшие пакеты информации для обмена данными между устройствами и где достаточно низкие требования к скорости передачи данных. Тем не менее этот подход демонстрирует многие проблемы совместимости устройств от разных производителей, начиная от способов (протоколов) передачи данных и заканчивая самим набором данных. В этом случае потребитель должен выбирать семейство устройств, работающих в одной экосистеме.

Связь устройство-облако

В этой модели связи (рисунок 3) умные устройства подключаются напрямую к облачному сервису, которые работает как приложение-поставщик услуг по обмену и сообщения и управления данными трафика. Этот подход использует существующие механизмы связи, такие, как традиционной проводной Ethernet или Wi-Fi интернет соединение для установления связи между устройством и IP-сети, которая подключает устройство к облаку. При этом типе соединения опять могут возникнуть проблемы совместимости при попытках интегрирования устройства разных производители, так как часто сами устройства и облачный сервис являются продуктами от одного поставщика, который использует определенные протоколы передачи данных, несовместимые с устройствами других производителей.



Связь устройство - шлюз

В модели устройство-шлюз (рисунок 4) интернет вещь подключается через шлюз в качестве посредника к облачному сервису. Другими словами, есть приложение, работающие на локальном устройстве шлюза, которое выступает в качестве посредника между устройством и облачным сервисом и предоставляет такие функции, как обеспечение безопасности, конвертация данных или изменение протокола.

Преимущество данной модели заключается в том, что в отличие от предыдущих способов здесь решается проблема совместимости устройств за счет программного обеспечения шлюза. В нем же кроется и минус такого метода - разработка ПО обходится дороже и в целом усложняет систему взаимодействия.

Модель передачи данных в бэк-энд (Back End Data Sharing Model)

Этот вид связи очень похож на предыдущий и является расширением модели связи устройство-облако. Модель передачи данных в бэк-энд (рисунок 5) позволяет пользователям экспортировать и анализировать данные смарт-объектов в облачной службе в сочетании с данными из других источников. В этом случае пользователь позволяет третьим лицам получить доступ к загруженным данным датчика.

Алгоритмы обработки данных

Процесс анализа данных можно разделить на 3 стадии: сбор данных, хранение данных и анализ данных[27]. Распределенные коммерческие системы содержат тысячи и десятки тысяч взаимосвязанных устройств интернета вещей, что приводит к генерации огромного количества данных, называемых большими данными, что делает необходимым использование алгоритмов интеллектуального анализа данных (datamining). Типичный процесс интеллектуального анализа данных состоит из следующих этапов: подготовка данных, непосредственный анализ данных и представление данных.

1. Подготовка данных: подготовка данных для интеллектуального анализа включает в себя 3 этапа: сбор данных из различных источников и удаление шума; извлечь некоторую часть данных в систему интеллектуального анализа данных; предварительная обработка данных для облегчения анализа.

2. Непосредственный анализ данных: применение алгоритмов к данным, чтобы найти паттерны и зависимости и оценить правильность обнаруженных знаний.

3. Презентация данных: визуализация данных и представление добытых знаний пользователю.

В свою очередь алгоритмы непосредственного анализа данных можно разделить следующие категории [27], [28], [29]:

По функциям анализа: классификация, кластеризация, анализ временных рядов, ассоциативный анализ, анализ выбросов

По применяемым технологиям: машинное обучение, статистический анализ, анализ паттернов, метод опорных векторов, нейронные сети, эволюционные алгоритмы

· Классификация. Классификация имеет важное значение для управления принятия решений. Заданный объект присваивается к одной из предварительно определенных целевых категорий или классов. Цель классификации - точно предсказать целевого класса для каждого случая в данных. Существует множество методов классификации данных, в том числе дерево решений, экспертные системы, нейронные сети, Байесовские сети, метод опорных векторов и т.д.

· Кластеризации. Алгоритм кластеризации разделяет данные на смысловые группы таким образом, что паттерны в одной и той же группы в каком-то степени похожи, а паттерны в разных группах в такой же степени отличаются друг от друга. Поиск кластеров предполагает обучение без учителя.

· Ассоциативный анализ. Ассоциативный анализ служит для выявления связей между переменными. Например, применительно к маркетинговым исследованиям данная группа статистических процедур позволяет ответить на вопросы о том, влияет ли на частоту посещения магазина уровень доходов покупателей и схожие вопросы. То есть при помощи ассоциативного анализа становится возможным анализировать информацию не только по отдельности, но и в зависимости от других данных.

· Анализ Временных Рядов. Временной ряд-это набор объектов временных данных; временные ряды характеризуются большим объемом данных, высокой размерностью и постоянным обновлением. Обычно, задача временных рядов основывается на 3-х компонентах - репрезентации данных, меры сходства, и индексации данных.

· Другие типы алгоритмов. Обнаружение выбросов относится к проблеме поиска закономерностей в данных, которые сильно отличаются от остального набора. Такая картина часто содержит полезную информацию по поводу аномального поведения системы, описываемой данными. Алгоритмы расчета расстояний между объектами берут в основу анализа данных геометрическую интерпретацию. Алгоритмов плотности определяют плотность распределения входного пространства данных, а затем выявляют отклонения, то есть те данные, которые лежат в низкой плотности.

· Рекомендательные системы. Вместе с накоплением данных о предпочтениях покупателей онлайн, с помощью в частности интернета вещей стало возможным использовать рекомендательные системы не только онлайн, но и в офлайн магазинах, как при выборе таргетированной рекламы, так и при персонализации продуктов. Алгоритмы рекомендательных систем используют как распространенные инструменты статистического анализа, так и специализированные алгоритмы, например, коллаборативной фильтрации, которые позволяют определить предпочтения пользователей по предпочтениям схожих покупателей и по схожести сервисов и продуктов.

Анализ данных в маркетинге

Мишель Ведель и П. К. Каннан (2016) из Маркетингового Научного Института обозначили разработку технологий маркетинговой аналитики для больших данных как одну из первостепенных задач для маркетинговых исследований[31]. Маркетинговая аналитика впервые появилась в 1910 году и с тех пор пережила много изменений, которые особенно заметны во времена цифровой экономики, когда для полноценной аналитики необходимо совмещать как несколько уникальных методов и показателей, характерных для маркетинга и исследований рынка, так и методы статистических исследований и других алгоритмов анализа данных, которые в данный момент используются учеными. Исследователи различают 4 основных направления для применения анализа данных в маркетинге:

1. Управление взаимоотношениями с клиентами (CRM-системы), методы привлечения, удержания и удовлетворения клиентов, чтобы увеличить ценность, которую они приносят для фирмы

2. Улучшение эффективности маркетинг-микса (4P) - методы, алгоритмы и модели, которые помогают распределять ресурсы и повысить эффективность маркетинга

3. Персонализация маркетинга для отдельных потребителей, где алгоритмы помогают повысить точность сегментации и совершенствованию отдельных услуг. Существует три типа персонализации, учитывая уровень заинтересованности клиента - по запросу, пассивная и активная (pull, passive, push) персонализация [32]. В первом случае компания может узнать, какие характеристики товара или кастомизации (customization) важны пользователю при покупке. Во втором случае, какой товар или услугу можно предлагать в дополнение к уже продаваемому товару или услуге. В третьем случае, компания решает, какой товар рекламировать потенциальному покупателю, чтобы он с большей вероятностью сего купал (по сути таргетированная реклама)

4. Вопросы защиты частной жизни и безопасности сбора информации, что является насущным вопросом для фирмы, так как влияет на обработку и передачи личных или анонимизированных данных клиентов и соответственно доверие пользователей

Эти 4 области задействуют множество существующих методов и алгоритмов обработки структурированных и неструктурированных данных, которые также пересекаются с обработкой данных интернета вещей. Они включают себя методы статистической обработки данных, машинного обучения, анализа текстов, адаптивных алгоритмов и алгоритмов рекомендательных систем[33]. Однако, этот список может быть дополнен перспективными и важными в будущем вопросами для исследования, такие, проблемы как поведенческого таргетинга (behavioraltargeting) на смежных устройствах, аналитика на основе местоположения устройства и аналитика мобильных данных, обработка больших данных и неструктурированной информации 32[]. Очевидно, что эти перспективные вопросы напрямую связаны с анализом данных интернета вещей и должны быть приняты во внимание, когда речь идет о маркетинговом анализе данных для IoT.

Анализ данных интернета вещей для маркетинга

Существует множество платформ для сбора данных и анализа данных интернета вещей, однако лишь немногие платформы, например маркетинговая платформа Adobe Marketing Cloud, предоставляет специальные инструменты маркетингового анализа и совместима с любыми устройствами интернета вещей[34]. Другие платформы предлагают услуги для интеграции устройств интернета вещей (Например, платформа Каа с открытым исходным кодом или коммерческая система Oracle IoT Cloud) или даже встроенные аналитические инструменты (например, IBM Watson Analytics). Однако, количество и уникальность маркетинговых сценариев для интернета вещей требует специальных аналитических инструментов, методов и программных модулей (в том числе для взаимодействия с другими источниками данных, такими как системы CRM). Это означает, что, не смотря на то, что существуют отдельные платформы для маркетинга и интернета вещей, для полноценного взаимодействия этих двух систем необходимо разработать интеграционный модуль анализа данных с учетом особенностей и маркетинга, и интернета вещей, либо дорабатывать стандартные платформы специально для этих целей.



Существующие платформы IoT для маркетинга

Существует не так много платформ интернета вещей, подготовленных специально для нужд маркетинга, как и маркетинговых платформ, позволяющих использовать возможности интернета вещей. Большинство из существующих маркетинговых платформ (ZebraMP cat Mobilemarketingp latform, Ziva) либо используют возможности геолокации с помощью смартфонов и датчиков iBeacon и интегрируют их с мобильными приложениях заказчиков, которыми пользуются покупатели во время нахождения в магазине, выставке, ресторане, либо используют возможности подключения браслетов, умных часов и другой носимой электроники к смартфону[35]. Тем не менее, основной интернет вещью в таких сценариях остается смартфон.

Наиболее примечательной из существующих решений является платформа Adobe Marketing Cloud. Платформа предоставляет компаниям инструменты комплексного интернет-маркетинга и веб-аналитики. В 2015 году компания анонсировала множество новых расширений для технологии, в том числе специальный пакет разработчика для интернета вещей (AdobeIoTSDK). Инструмент обеспечивает возможность обмена данными между подключенными баннерами, электронными экранами в магазинах и приложениями пользователей, персонализации контента с помощью анализа данных носимых устройств и использования возможности местоположения пользователя. Далее детально рассмотрим возможности решения, чтобы выяснить, какие плюсы от использования интернета вещей уже получают компании [34].

Особенность данного решения в том, чтоAdobe позволяет маркетологам помещать интерактивный контент, включая изображения и интерактивная 3D-модели, видео и так далеена экранах в физических местоположениях, а не на сайтах. Например, такие экраны можно установить в розничных магазинах, отелях и даже торговых автоматах. Это позволяет производить таргетированную рекламу и обновление контента. Одна из важных задач маркетинга - поддерживать согласованность бренда, что тоже становится возможным с помощью интернета вещей: пользовательский интерфейс остается одним и тем же на многих устройствах, синхронизируя данные через интернет.

При помощи обработки данных в облачном сервисе, маркетологи могут использовать возможности устройств интернета вещей и носимых устройств пользователей для получения данных и рассылки персональных предложений. Для этих целей используются необходимые анонимные данные со смарт устройств, а также данныеCRM и сторонних источников для персонализации в режиме реального времени.

Геолокация: Adobe позволяет компаниям использовать данные GPS и iBeacon, чтобы оптимизировать физическое присутствие бренда. С помощью визуализацией данных, полученных от датчиковiBeacon, компании имеют возможность просмотра трафика и клиентов в розничные магазины, спортивные стадионы, аэропортах и присылать им push-уведомления.

Как можно заметить, решение компании Adobe позволяет использовать функции синхронизации устройств, рекламу и аналитику на носимых устройствах и использование датчиков iBeacon. Это соотносится с мировыми тенденциями, однако хотя и наиболее полное готовое решение для маркетологов, не является прорывным и ограничено несколькими сценариями (например, не настраивается на распознавание лиц, жестов и так далее).

Выводы

Интернет- вещей - это перспективная технология, которая используется уже сейчас и обещает стать распространенной в будущем. Устройства генерируют большие объемы данных и, как это было описано, позволяют использовать их в маркетинге. Анализ данных интернета вещей может принести большую ценность для бизнеса, предоставляя возможности для персонализации услуг, оптимизации маркетинга и открытия моделей поведения клиентов. Однако, на данный момент существует не так много готовых решений, которые, тем не менее, по отдельности не обеспечивают полный спектр возможностей, а также не так много исследований применимо к практическому использованию данных интернета вещей для маркетинга.

Выделение и категоризация сценариев использование данных интернета вещей

После анализа предметной области и научной литературы в части особенностей технологии интернета вещей и анализа данных, полученные сведения были согласованы с основными маркетинговыми целями. В результате, после анализа существующих маркетинговых платформ, были выделены несколько категорий использования возможностей интернета вещей и данных с «умных» устройств в маркетинге. Таким образом, технология интернета вещей может быть использована в маркетинговых системах напрямую для достижения маркетинговых целей, либо в качестве дополнительного маркетингового инструмента.

1. Анализ данных интернета вещей для последующего использования в CRM и оценки ключевых маркетинговых показателей, таких как оценка жизненного цикла клиента, прибыль на единицу продукции, удовлетворенности клиентов. В этой категории данные, полученные с устройств интернета вещей, используются в качестве дополнительного источника маркетинговой информации.

2. Оценка эффективности маркетинг-микса (4P - Product, Price, Place, Promotion и другие), прогноз возможных улучшений, а также оптимизация его элементов. Например, продукт - встроенные датчики собирают информацию о том, как используется продукт и какие функции продукта востребованы, в результате чего в будущем возможно применять персонализацию на стадии производства. Размещение, упаковка - распознавания эмоций и жестов, концентрации внимания и взгляда для анализа поведения покупателей. Ценообразование - сегментация клиента и выявление причин покупки.

3. Интеллектуальный анализ данных с помощью датчиков интернета вещей для нахождения новых моделей поведения покупателей и повышения точности персонализации, в частности пассивной персонализации (passive personalization). Например, это можно использовать для того, чтобы понимать, какие функции клиент чаще всего использует или какой продукт или услугу покупает вместе с заданным товаром, а в дальнейшем размещать эти продукты рядом.

4. Автономная персонализация и взаимодействие с клиентом в реальном времени - совмещая данные из CRM систем и данные интернета вещей можно анализировать покупателя, предлагая ему персонализированную рекламу, товара или услуги в режиме реального времени. Это является примером интерактивного маркетинга и обещает стать одним из самых мощных инструментов маркетинга в будущем.

5. Использование кросс-платформенных функций (синхронизация информации на стендах и баннерах с мобильными приложениями) и в качестве дополнительного источника информации (QR-коды или RFID метки на продуктах, содержащие дополнительную информацию о продукте, например, свидетельство о подлинности).

6. «Умные» продукты. В данном случае продукт компании сам становится интернет вещью, позволяя анализировать поведение пользователя, либо предлагая функции, которые используют возможности обмена информацией между интернет-вещами или синхронизацию данных с маркетинговой платформой компании.



Модели сценариев использования интернет-вещей

На основе предыдущего описания построим модели сценариев, которые включают в себя входные данные для анализа от непосредственно интернет вещей, данные из других источников, алгоритмы обработки данных, получаемые выгоды (информацию о клиенте) и возможные действия на основе полученных знаний.

· Сценарий: покупатель заходит в магазин, фотография его лица обрабатывается. Если покупатель есть в базе, он анализируется (сегмент, предпочтения, приоритетность клиента) и ему предлагается специальное предложение или сервис. Если покупателя нет в базе, то ему анонимно присваивается номер. При следующем заходе в магазин камера снова узнает его и отмечает его номер. При синхронизации времени покупок, можно определить, какие товары он покупает и использовать это в дальнейшем для рекомендательной системы.

· Датчики в магазине/отеле/другом пространстве распознают жесты и движения покупателя, определяя эффективность расположения товара, эмоции при покупке. Это служит основой для улучшения упаковки, расположения товаров и определения причин покупки.



· Использование функций местоположения клиента вне магазина для определения сегмента. В данном случае приложение на смартфоне, планшете или носимом устройстве сообщает местоположение пользователя. По нему можно определить район местожительства или работы, посещения магазинов конкурентов, определить сегмент.При использовании синхронизации с соц-сетями можно узнавать предпочтения, демографию, социальный статус, доход, интересы и привычки, почту клиента и присылать ему более персонализированные маркетинговые предложения, базовый вариант - предложения на смартфоне, инновационный - предложение на информационных экранах, футуристичный (пока не реализованный) вариант - подстраивать рекламу на ТВ для конкретного пользователя.

• На основе геолокации внутри помещения оповещают при приближении покупателя, на основе данных из предыдущего сценария активируют специальное предложение на экранах, находящихся рядом с покупателем. С помощью iBeacon или схожих датчиков передавать сигналы на устройство - акции, скидки и так далее. Местоположение клиента в помещении так же можно анализировать - в каком отделе находится и сколько времени он проводит около конкретных прилавков, маршрут движения. Все это может служить дополнением к тепловой карте, которая создается при помощи камер.

• Продукт подключен к сети. Посылаются от устройства данные о том, какие функции продукта используются, в устройство - актуальную информацию и предложения. Кроме того есть возможность связи с поддержкой и оповещения пользователя о поломке/неисправности.

• Расположение продукции: датчики веса, метки или другие сенсоры определяют количество продукта в наличии и спрос на него в разное время

Используемые данные, датчики, алгоритмы и получаемые выгоды

Далее рассмотрим источники данных для маркетинга, которые могут получаться по очереди, либо, что более полезно, могут использоваться одновременно. Стоит отметить, что данные, собираемые при помощи интернета вещей, будут гораздо полезнее компаниям при использовании вместе с другими данными, получаемыми традиционными способами.

* Пользовательские приложения (ПК, мобильные, планшеты, носимые устройства, интернет-сайты)

* Продукты с метками

* Продукты, способные выходить в сеть

* Сенсоры в магазине/на улице/транспорте

Дополнительные источники данных:

* CRM и другие системы с данными о профиле клиента

* Данные платежейи card-linked marketing

* Социальные сети

* Данные об открытых приложениях и кэше

* Запросы клиентов

Далее рассмотрим полезные для маркетинга типы данных, которые получаются от интернет-вещей:

* Время

* Местоположение (по Wi-fi, GPS и т.д.) покупателя в магазине, отделе и вне магазина.

* Аудио/видео/изображение покупателя для распознавания движений, взгляда, жестов, эмоций

* В случае, когда продукт сам является интернет-вещью: частота использование функций, местоположение продукта, информация о продукте, местоположении, определенных изменяющихся свойствах (продукт новый/использовался), запросы пользователей

Данные, которые передаются интернет-вещам:

* Текстовая информация для персонализированной рекламы на билборды

• Всевозможная информация на смартфоны и носимые устройства

• Новая цена (на датчик цены)

Используемые виды устройств интернета вещей:

• Фото и видео камеры

• Устройства для записи звука

• Датчики iBeacon

• RFID метки, NFC,QR и bar коды

• Смартфоны и носимые устройства с возможностью определения геолокации и высвечивания информационных сообщений

• Smart TV

• Любые другие устройства интернета вещей, которые имеют доступ к сети и которые являются либо стационарными устройствами с возможностью высвечивать сообщения (умный дом), либо носимыми устройствами без возможности высвечивать сообщения (могут быть актуаторами, но без возможности донесения маркетингового сообщения (градусник, который меняет температуру в доме)

• Электронный ценник

• Всевозможные дополнительные сенсоры в розничном магазине (датчики температуры, освещения и т.д.)

• Электронные табло

Алгоритмы и технологии, необходимые для реализации сценариев:

· Рекомендательная система

· Распознавание лица, объектов и изменений (sceneanalysis), выражений лица и эмоций, жестов, распознавание голоса

Алгоритмы нахождения зависимостей и паттернов (классификация, кластеризация, анализ временных рядов, тепловые карты)

Полезная информация и извлекаемые знания

· Распознавание лица (номера машины владельца) - определение клиента

· Распознавание одежды (марки машины) - сегмент

· Распознавание эмоций (в перспективе) - настроение, реакция

· Распознавание жестов, направления взгляда (eye-tracking) - настроение, привычки, расположение товаров/маркетинговых материалов

· Подсчет количества покупателей в магазине/отделе в разные промежутки времени

· Бюджет клиента, ценовой сегмент

· Интересы

· Предпочтения в покупках

· Потребности

· Распорядок дня и привычки

· Конкуренты

Поскольку на сегодняшний момент не существует системы, охватывающей все сценарии использования интернета вещей в маркетинге, можно судить о конкретных цифрах только по косвенным признакам и существующим внедрениям отдельных сценариев. Так, компания McDonalds увеличила продажи отдельных продуктов на 7-8%. Компания Hillshire Brands увеличила продажи на 20% и узнаваемость бренда (brand awareness) на 36%.

Выводы

Как видно из приведенной классификации, сценарии интернета вещей в маркетинге задействуют множество различных устройств, алгоритмов и технологий и позволяют получить множество знаний, которые впоследствии принесут выгоду компаниям. Количество задействованных технологий и источников данных делают необходимым разработку отдельной системы, которая бы совмещала данные из различных систем и позволяла реализовывать описанные сценарии.

Разработка требований и практических рекомендаций для архитектуры модуля интеграции

В этой главе будут объединены сценарии, которые были рассмотрены в главе, для того, чтобы рассмотреть единую платформу, в которой возможно реализовать все возможности анализа данных интернета вещей для маркетинга. Как уже было сказано ранее, в настоящий момент не существует универсальной системы для анализа данных интернета вещей в маркетинге, а существующие системы содержат ограниченное количество сценариев и не настроены на работу с различными интернет вещами. Большинство сценариев, которые применимы для маркетинга в настоящее время и которые были показаны ранее, применимы для розничной торговли (ритейла), а потому разрабатываемые требования будут в основном применимы на практике для работы в магазинах розничной торговли. Поскольку у платформ интернета вещей по сравнению с маркетинговыми платформами принципиально другая структура сбора и обработки данных, главная проблема заключается как раз в сборе и передачи этих данных в аналитические системы, а потому интеграционный модуль будет детально рассмотрен как раз во взаимодействии с интернет вещами и будет отталкиваться от платформ интернета вещей нежели от маркетинговых платформ.

Архитектура системы

Схема взаимодействия систем по обработке данных интернета вещей вместе с интеграционным модулем представлена на рисунке12. Она реализует все сценарии, которые были описаны ранее, и отображает потоки данных между различными системами. Далее по очереди детально рассмотрим взаимодействие модуля с каждым из видов систем, требования и рекомендации к информационной системе.

ТребованияFURPS+

Выделим требования к системе с помощью классификации FURPS+, включающей 6 компонент[36]: Функциональные требования (Functionality), Требования к удобству использования (Usability), Требования к надежности (Reliability), Требования к производительности (Performance), Требования к поддержке (Supportability) и кроме того, ограничения обозначаемые в данной классификации знаком +. К ним относятся ограничения проектирования, ограничения реализации, ограничения интерфейсов, физические ограничения и другие, в данном случае юридические и прочие ограничения при обработке персональных данных.

Functionality, функциональность

Главный функционал программы заключается в обеспечении интеграции между несколькими платформами для обеспечения работы сценариев и получения выгод, которые были описаны ранее во второй части работы. Схема взаимодействия систем по обработке данных интернета вещей вместе с интеграционным модулем представлена на рисунке 12. Она реализует все сценарии, которые были описаны ранее, и отображает потоки данных между различными системами. Приложение должно обеспечивать интеграцию между следующими системами:

1. Облачные платформы и интернет вещи

Как уже было сказано ранее, на данный момент существует около 300 различных платформ интернета вещей, каждая из которых обладает определенными особенностями обработки и передачи информации и своими механизмами взаимодействия со сторонними системами[37]. Для того, чтобы интеграционный модуль возможно было использовать с несколькими платформами, далее будут рассмотрены наиболее распространенные платформы интернета вещей [38-43], с которыми в дальнейшем будет взаимодействовать модуль интеграции при помощи готовых программных интерфейсов (API), который присутствует у всех рассматриваемых платформ. Кроме платформ от крупных вендоров также для сравнения представлена открытая (opensource) платформа Kaa. У большинства платформ существуют пакеты разработчиков SDK для настройки связи непосредственно с интернет вещами и шлюзами (таблица 1), а основные протоколы передачи данных между устройствами и облаком/устройством и шлюзом были рассмотрены ранее.

Таблица 1 сравнение облачных платформ IoT

Платформа	Протоколы сбора данных	Возможность интеграции	SDK	Собственные хранение и аналитика
MS Azure IoT Hub	HTTP, AMQP, MQTT	REST API	да	Да
AWS IoT	MQTT, HTTP1.1	REST API	да	Да
IBM Watson IoT	MQTT, HTTP	REST API	нет	Да
Kaa	MQTT	REST API	да	Нет, интеграция с сторонними сервисами
Google cloud platform	MQTT	REST API	да	да

Связь с устройствами и шлюзами осуществляется с помощью протоколов Http и MQTT, а большинство платформ используют протокол Http для доступа к API. Например, в IBM Watson IoT по протоколу HTTP можно подключится по API для управления безопасностью и ролями пользователей, управлением информацией об устройстве, управлением самими устройствами и посланием сообщений на устройства [40]. URL для передачи сообщений на устройство с помощью http, например, выглядит следующим образом: http://orgId.messaging.internetofthings.ibmcloud .com:1883/api/v0002/device/types/{typeId}/devices/{deviceId}/events/{eventName} где, orgId - 6 значный ключ организации, typeId - тип устройства, deveceId - Id устройства, eventName - название действия. Таким образом с при наличии API можно реализовывать всю необходимую передачу данных между устройствами, как собирающими информацию, так и производящими определенные действия в реальном мире.

Шлюзы, интернет вещи и связь с платформами

Подключённые к облачным платформам шлюзы должны агрегировать, унифицировать, фильтровать данные и осуществлять предварительную обработку. Далее рассмотрим теоретически необходимое количество сенсоров в розничном магазине и количество пересылаемых данных.

Электронные ценники - 35000 среднее количество в розничных магазинах по исследованию компании Intel[44]. Для передачи данных на электронные ценники используются роутеры и специальные точки доступа, которые в зависимости от спецификации могут подключать от 2000 до 65000 ценников на роутер и работать на расстоянии до 50-100м друг от друга[45].Передача данных происходит с задержкой в несколько секунд.Замену батареек необходимо производить раз в 1-2 года.

Количество камер, которые будут распознавать лица и движения клиента, зависит от потребностей и вида магазина. Если для определения посещений необходимо от одной до двух камер на входе (входов может быть несколько), то для распознавания реакции покупателей на товары потребуется от одной до нескольких камер на торговый ряд. Примерное количество камер в розничном магазине можнопосчитать на сайтах поставщиков систем видеонаблюдения. Так для нужд распознавания лиц и объектов в розничном магазине 100 м2 с 5 секциями потребуется 6 камер, с 10 секциями - уже 11 камер разного типа [46]. Вкейсе компании Wakefern Food Corporation используется от 50 до 100 камер в магазине[47]. Рекомендуемая высота до пола составляет от 2,5 до 4,5 м, освещённость -- от 300 до 600 люкс[48]. Возможно использование имеющихся камер видеонаблюдения, однако это сопряжено с дополнительными трудностями в интеграции с системами безопасности. При использовании локальных вычислительных центров, количество такихцентров зависит от количества и типа камер и типов самих устройств. Подходящее разрешение IP камеры - 720p или 1080p, количество кадров в секунду 30 к/с без сжатия и 15 к/с при использовании технологий сжатия в камере[46].В зависимости от мощности, каждый такой центр способен обрабатывать и распознавать лица в одновременно до 20 потоках видео[47]. Способность обрабатывать видео на локальных вычислительных центрах не отличается от вычисления в облаке, таким образом примерно такие же характеристики получаются при обработке данных на удаленном сервере, с отличием лишь в скорости обработки информации и стоимости передачи данных.

Электронные рекламные экраны - устанавливаются в помещении или на улице. Предполагается, что для персональных предложений будут передаваться только небольшие текстовые данные, а медиа-материалы будут заранее загружены и меняться в зависимости от поступающего сообщения. Частота обновления информации зависит от полученной аналитики, целей и контента. Например, если магазин посещают в основном покупатели без скачанных на смартфоны приложений, то в таком случае не получится делать индивидуальные предложения, но скорее для определенного сегмента. Если на экране показывается видео-реклама, то на ее просмотр уходит дольше времени и нет необходимости собирать информацию о посетителях, которые будут проходить этот экран во время показа ролика, нацеленного на других посетителей.