Было отмечено, что существует большое количество моделей и метрик, которые способны спрогнозировать то или иное поведение покупателя. Например, «аналитика данных позволяет прогнозировать твое поведение, как покупателя. Был очень интересный кейс, когда мы определили, что люди, которые путешествуют в азиатские страны, чаще других покупали экзотические фрукты: манго, кокосы» - отмечает Артур Хачуян.

Нехватка квалифицированных специалистов и большие затраты на внедрение новых технологий - это основные барьеры для развития больших данных в коммуникациях. Артур Хачуян отметил очень низкий уровень знания специалистами по коммуникации элементарных технических характеристик: «очень часто к нам приходят и ставят задачу люди, которые отвечают за техническую сторону в компании. В целом, это недостаток квалифицированных специалистов, отсутствие понимание технологии больших данных. Еще, конечно, необходимость довольно больших затрат на внедрение новых технологий, покупки программного обеспечения» (см. Приложение 8). А Сергей Нестеренко отметил популяризацию профессии Data Scientists: «как это сейчас модно называть, она довольно редкая, но спрос на нее уже колоссальный: на одно резюме специалиста около 60 откликов в неделю».

Эксперты также отметили, что большие данные открывают новые перспективы для специалистов по коммуникациям. «Я очень жду, когда пиарщики и рекламщики откажутся от аудиторий 18-80, средний достаток. И начнут наконец работать с реальными людьми. Во-вторых, процесс коммуникации станет более сложным, разнонаправленным» - отмечает Анастасия Михалина.

Если затрагивать техническую сторону, то даже мнения экспертов на этот счет разошлись. Одни из них считают, что возможно использовать единую аналитику данных (с технической стороны) для разных направлений внутри организации, другие не придерживаются такой позиции. «Если единый алгоритм, - то, я думаю, нет, я не знаю таких сложных алгоритмов, во всяком случае. Но я точно уверена, что у всех компаний должна быть какая-то стратегия использования больших данных» - отмечает Анастасия Михалина). Артур Хачуян наоборот говорит о том, что технологии постоянно совершенствуются и перспективы создания единых алгоритмов все же есть, но в будущем. Расхождение мнений среди специалистов технической и коммуникационной индустрии по поводу технических характеристик еще раз подтверждают неадаптированность инструмента больших данных для социальных наук. Однако, все эксперты сошлись во мнении, что применение инструмента больших данных пока доступно лишь для крупных проектов.

Анна Михалина также подтвердила, что инструмент больших данных меняет и будет менять сегмент ритейл и e-commerce. «Конечно, ритайл и e-commerce изменится. Он станет более адаптивным и таргетированным. Мы больше не будем воспринимать рекламу ритейла как что-то ненужное и навязчивое. Будет доступно очень большое количество оптимизаций внутри организации и в точках продажи, ну и, конечно же, будет создан новый формат общения с потребителем.».

Среди трендов в технологии больших данных были выявлены потоковая аналитика и перенос данных в облако.«Еще один тренд это потоковая (streaming) аналитика, она дает возможность анализировать входящие данные в реальном масштабе времени. Эта возможность очень важна для приложений, которые построены поверх данных, собираемых с датчиков интернета вещей. Также можно говорить о тренде переноса инфраструктуры больших данных в облако (Oracle или Amazon, например, предоставляет такую возможность).» - Сергей Нестеренко.



Заключение

Большие данные меняют соотношение затрат и ценностей. Чем больше данных в анализе - тем информация более ценна, что позволяет экономить на затратах на дополнительный анализ данных. Кроме того, аналитика данных позволяет сэкономить время и затраты на перебирании гипотез: если ранее для применения той или иной стратегии компании проходили через стандартный путь исследователя (построение гипотезы, обозначение вопроса, анализ выбранных данных, ответ), то теперь путь выглядит иначе (данные, исследование, установка корреляций, инсайт). Все те же 4 шага (затраты на время, ресурсы), но в результате у компании есть инсайт с которым можно работать, в отличии от гипотезы, которая и вовсе может не подтвердиться. В ходе исследования было выявлена тенденция применения аналитики больших данных для достижения маркетинговых целей и моментального увеличения продаж в начале 2015 года, о чем неоднократно упоминали сами представители компании. И если еще пару лет применение данной стратегии обеспечивало конкурентное преимущество компании, то в ближайшие пару лет, ориентированность исключительно на маркетинговые коммуникации (и получение быстрой выручки) не будет приносить желаемого результата, как это было ранее с другими инновационными подходами прошлых годов. Общемировая тенденция к использованию подхода интегрированных коммуникаций в компании, которая пришла на смену маркетинговым коммуникациям и интегрированным маркетинговым коммуникациям, диктует становление новых трендов в современных технологиях (и наоборот).Входе исследования был выявлен цикличный характер применения больших данных в интегрированных коммуникациях, который представлен в формате визуализации данных (Приложение 1).

Для того, чтобы разработать механизм адаптации инструментария аналитики больших данных, который ранее применялся в фундаментальных науках, для практических задач в интегрированных коммуникациях ритейл и e-commerce были реализованы следующие задачи исследования.

Были рассмотрены особенности интегрированных коммуникаций в сравнении с интегрированными маркетинговыми коммуникациями и выявлена их отличительная особенность. Интегрированные коммуникации главным образом характеризуются согласованностью различных сообщений по разным каналам (PR, диджитал, реклама) для разных целевых групп (потребители, внутренняя среда компании, стейкхолдеры и др). Интеграция коммуникаций происходит вертикально и горизонтально внутри структуры организации, а для сегмента ритейл и e-commerce наибольший интерес представляют коммуникации со следующими группами стейкхолдеров: инвесторы и акционеры, покупатели (в том числе потенциальные), СМИ, партнеры и поставщики, общественные организации.

Были выявлены современные технологические тренды, которые используются в интегрированных коммуникациях. Среди них phydgital технологии, платформы дополненной реальности для интеграции в интернет-магазин, потоковая аналитика данных, адаптивные механизмы для подбора рекомендаций и персонализированных предложений в режиме онлайн, и, конечно же, сама технология аналитики больших данных.

Адаптировать понятийный аппарат больших данных к практическим задачам интегрированных коммуникаций. Выведено рабочее определение для исследования: Большие данные - это большой массив неструктурированных данных (более 100гб в сутки), которые постоянно обновляются и поступают из разных источников (интернет вещей, социальные сети, внутренние базы данных) в режиме реального времени, аналитика которых может принести конкурентное преимущество для организации с точки зрения экономической выгоды, при условии их достоверности и валидности. Были также выявлены наиболее распространенные источники поступления больших данных для сегмента ритейл и e-commerce. Это Банковские транзакции (внутренний источник компании), logdata (внутренний источник компании), e-mails (внутренний источник компании), социальные сети, геоданные, Внутренние базы данных компании (CRM, SAP и тд). И IoTкак таковой, однако углубленное изучение этого источника не проводилось в силу большого количества технических характеристик. Fastdata (для своевременного анализа потребителей и генерирования мгновенных ответных действий)и Newdata (для построения стратегии интегрированных коммуникаций в том числе) представляют наибольший интерес в качестве инструмента интегрированных коммуникаций.

Были также рассмотрены возможности применения больших данных в интегрированных коммуникациях. Можно заявлять о том, что большие данные могут эффективно использоваться как для внешних, так и для внутренних коммуникаций компании. Важным трендом, отмеченным в исследовании является реализация пилотных проектов компаний, основанных именно на аналитике внутренних данных. Применение больших данных в ИК может сделать такие коммуникации динамичными и персонифицированными, обращая свое сообщение к целевой группе.

Большие данные активно применяются в сегменте ритейл и e-commerce. Применение аналитики данных возможно не только для реализации маркетинговых стратегий (охват всех 4 P), но и для оптимизации мерчендайзинга, логистики, управления ассортиментов и прямым контактом с аудиторией. Были отмечены следующие тренды в коммуникации на примере ритейл и e-commerce: технология Omni Channel (слияние онлайн и офлайн инструментов), O2O (online to offline) коммуникация.

Также была доказана гипотеза возможности применения инструмента больших данных в качестве инструмента интегрированных коммуникаций для адресации сообщения как внутренним, так и внешним группам стейкхолдеров на основе исследования 3 российских копаний в сегменте ритейл и e-commerce и выявлен механизма адаптации инструментария больших данных к задачам интегрированных коммуникаций, который представлен в виде матрицы.

Разработанная матрица соотношения больших данных с интегрированными коммуникациями на примере ритейл и e-commerce в дальнейшем может быть адаптирована и других сегментов бизнеса, с учетом изучения особенностей целевых аудиторий. Данные исследования были подтверждены 3 экспертами, представителями технической и коммуникационной индустрии.



Список литературы и источников

Книги

1. Барнетт Дж. Маркетинговые коммуникации. Интегрированный подход СПб.: Питер, 2002;

2. Друкер П. Ф. Задачи менеджмента в XXI веке // М.: Вильямс, 2000;

3. Майер-Шенбергер В. Больше данные: Революция, которая изменит то, как мы живем, работаем и мыслим // М.: Манн, ИВанов и Фербер, 2013;

4. Котлер Ф. Основы маркетинга: Пер. с англ. - Новосибирск: Наука, 1992;

5. Писарева Е.В. Интегрированные маркетинговые коммуникации: современные технологии, стратегии, инструментарий (теория и практика) // М. : "Ваш полиграфический партнер", 2014;

6. Фаулер М. NoSQL: новая методология разработки нереляционных баз данных // М.: «Вильямс», 2013;

7. Beyer, M. The Importance of `Big Data': A Definition / Gartner, 2012;

8. Big Data. Related Technologies, Challenges, and Future Prospects / Chen M., Mao S., Zhang Y., Leung V. // New York: Spinger, 2014;

9. Big data: The next frontier for innovation, competition, and productivity / Manyika J., Chui M., Brown B., Bughin J., Dobbs R., Roxburgh C., Hung Byers A. // McKinsey Global Institute, 2011;

10. Diebold F. A personal perspective on the origin(s) and development of “Big data”: the phenomenon, the term, and the discipline // University of Pennsylvania, 2012;

11. Evans D. The Internet of things: how the next evolution of the Internet is changing everything // Boston: Cisco Publishing, 2011;

12. Griffin, A. PR In Practice: Crisis, Issues and Reputation Management: A Handbook for PR and Communications Professionals // London: Kogan, 2014;

13. Grunig, L. Excellent Public Relations and Effective Organizations. A Study of Communication Management in Three Countries. // NJ: Lawrence Erlbaum Associates, 2002;

14. How to develop, manage and lead exceptional communications / Tench R., Vercic D., Zerfass A., Moreno A., Verhoeven P. // London: Palgrave Macmillan, 2017;

15. Kotler P. Marketing_Management: analysis, planning, implementation // London: Pearson, 2011;

16. Lecinski J. Winning the zero moment of truth - ZMOT // New York: Vook, 2012;

17. Lipovetsky G. Hypermodern times // Cambridge: Polity, 2005;

18. Manyika J. By 2025, Internet of things applications could have $11 trillion impact // McKinsey Global Institute, 2015;

19. Rodrigo N. Big Data: Principles and Paradigms // Melbourne: Morgan Kaufmann, 2016;

20. Schultz E. Integrated Marketing Communications //McGraw Hill Professional, 1993;

21. Tufekci Z. Big Questions for Social Media Big Data: Representativeness, Validity and Other Methodological Pitfalls / Proceedings of the Eight International AAAI Conference on Weblogs and Social Media // The AAAI Press, 2014;

22. Volk S. A systematic review of 40 years of public relations evaluation and measurement research: looking into the past, the present, and the future // University of Leipzig, 2016;

23. Young, A. Integrated communications planning in the digital era, second edition // New York: Palgrave Macmillan, 2014.

Статьи

1. Бачурина Н.С. Основания теории интегрированных коммуникаций: уточнение определения, отличительных признаков и подходов // Информационное общество, 2014, №4;

2. Радченко И.А. Использование открытых данных в научных исследованиях // Информационное общество, 2013, №1-2;

3. Черняк Л. Большие Данные -- новая теория и практика // Открытые системы. СУБД, 2011, № 10;

4. Ashton K. That `Internet of things' thing // RFID Journal, 2009, №6;

5. Bertot J.C., Jaeger P.T., Grimes J.M. Promoting transparency and accountability through ICTs, social media, and collaborative e?government // Transforming Government: People, Process and Policy, 2012, №6;

6. Borne K. Top 10 Big Data challenges - A serious look at 10 Big Data V's // MapR, 2014, №4;

7. Einwillera S. Examining the link between integrated communication management and communication effectiveness in medium-sized enterprises // Journal of marketing communications, 2012, №5;

8. Endaltseva A. The present state of integrated communication in Russia // Public Relations Review. 2015, Vol. 41, №4;

9. Finne A. Rethinking marketing communication: From integrated marketing communication to relationship communication // Journal of Marketing Communications, 2009, №15;

10. Grigorescu A. Review of International Comparative Management / Revista de Management Comparat International, 2015, Vol. 16, №4;

11. Loebbecke C. Reflections on society and business model transformation arising from digitalization and big data analytics: a research agenda // International Journal of strategic communication, 2015, №3;

12. Morgan J. Simple explanation of `The Internet of things' // Forbes, 2014

13. Schultz D. New, Newer, Newest: Evolving Stages of IMC // Journal of integrated marketing communications, 2010, №1;

14. Solomon M. Omnichannel Customer Experience: Expert Systems, 360 Degree Views And AI // Forbes, 2015, №4;

15. Thibodeau P. Gartner's Top 10 IT challenges include exiting baby boomers, Big Data // Computerworld, 2011, №18;

16. Wiesenberg M. Big data and automation in strategic communication // International Journal of strategic communication, 2017, №2.



Приложение 1

Визуализация цикличного характера применения инструмента больших данных в интегрированных коммуникациях



Приложение 2

Мобильное приложение IRLibrary для акционеров и инвесторов компании М. Видео

Приложение 3

Матрица соотношения БД с ИК, компания М.Видео

Целева аудитория	Источники данных	Интегрированные коммуникации (задачи)	PR + СМИ	Управление и стратегия	Маркетинг	Социальные медиа	Финансы и логистика
Внутрення целевая аудитория		Внутренняя целевая аудитория
Сотрудники компании (в том числе потенциальные)	внутренние (SAP, Oracle Database, e-mails)	Сотрудники компании (в том числе потенциальные)		Проект "Кадры Online" - перевод полного цикла кадрового документооборота в online, разработка стратегии внутрикорпоративных коммуникаций на основе данных о сотрудниках			Затраты на кадровый оборот сокращены на 1 млн рублей в месяц
Инвесторы и акционеры	внутренние (SAP, Oracledatabase, e-mails) и внешние (logdata, социальные сети, GoogleAdWards, Яндекс Директ)	Инвесторы и акционеры		Изменена стратегия коммуникации, 4 приницпа: простота, долгосрочность, открытость, активность	Создан портрет акционера и инвестора, персонализированные предложения	таргетинг в социальных сетях	динамичный прирост акицонеров
Внешняя целевая аудитория		Внешняя целевая аудитория
Клиенты (в том числе потенциальные)	внутренние (сайт, банковские транзакции, CRM, SAP) и внешние (социальные сети, logdata, GoogleAdWards, Яндекс Директ, рекомендации).	Клиенты (в том числе потенциальные)		Корректировка стратегии позиционирования компании.	performance маркетинг, персонализированная рассылка. Иисследование портрета аудитории, по ключевым запросам, предпочитаемым товарам и возможным категориям каталога. Модель доходности по каждой кампании.	таргетинг в социальных сетях
СМИ		СМИ
Поставщики		Поставщики
Общественные организации		Общественные организации



Приложение 4

Матрица соотношения БД с ИК, компания Юлмарт

Целева аудитория	Источники данных	Интегрированные коммуникации (задачи)	PR + СМИ	Управление и стратегия	Маркетинг	Социальные медиа	Финансы и логистика
Внутрення целевая аудитория		Внутренняя целевая аудитория
Сотрудники компании (в том числе потенциальные)	Внутренние: e-mail, транзакции, SAP. Внешние: социальные сети, геолокация	Сотрудники компании (в том числе потенциальные)		Гибкие графики работы, корректная нагрузка персонала, прямые коммуникации с менеджментом главного офиса. Контроль системой выполнения плана продаж и эффективности каждого продавца.		таргетинг потенциальных сотрудников	Экономия на зтартах на персонал
Инвесторы и акционеры	внутренние (CRM, log данные, транзакции), внешние (данные геолокации)	Инвесторы и акционеры	вся PR информация доступна 24/7 , возможно отслеживать интересующие статьи	оптимизация стратегии коммуникаций	разработку персонализированных предложений		упрощен сбор и предоставление данных финансовой отчетности
Внешняя целевая аудитория		Внешняя целевая аудитория
Клиенты (в том числе потенциальные)	Внутренние: сайт, банковские транзакции, CRM, SAP. Внешние: социальные сети, logdata, GoogleAdWards, Яндекс Директ, рекомендации.	Клиенты (в том числе потенциальные)	Отредактированы точки контакта	Разработка новой стратегии взаимодействия с клиентами в зависимости от регионов. Усиление присутствия онлайн и больший фокус на категорию гаджетов	Новый тип аудитории O2O. Выявлены наиболее эффективные каналы коммуникации с каждой из целевых аудиторий потребителя в зависимости от географического положения.	оптимизирован таргетинг для потребителей	оптимизированы расходы на рекламу, перераспределение PerformanceMarketingBudget во второй половине 2017 года
СМИ		СМИ
Поставщики		Поставщики
Общественные организации	внутренние (CRM) и внешние (социальные сети,AdWards)	Общественные организации	помощь с усыновлением на основе выборки изданий и клиентов		таргетинг для привлечения волонтеров, персонализированные предложения к участию в эко-инициативе



Приложение 5

Матрица соотношения БД с ИК, компания X5 Retail Group

Целева аудитория	Источники данных		Интегрированные коммуникации (задачи)	PR + СМИ	Управление и стратегия	Маркетинг	Социальные медиа	Финансы и логистика
Внутрення целевая аудитория			Внутренняя целевая аудитория
Сотрудники компании (в том числе потенциальные)	внутрненние (внутренние датчики, CRM)		Сотрудники компании (в том числе потенциальные)		Оптимизация процессов сотрудников магазина. Экономия времени в 20 раз, корректировка решений в реальном времени. Программное обеспечение для управления персоналом, которое централизует набор сотрудников на должности, требующие массового набора кадров. Улучшен вводный курс «На ваших оценках» для новых кадров. Система электронного документооборота (EDI)			Контроль эффективности процессов найма
Инвесторы и акционеры			Инвесторы и акционеры
Внешняя целевая аудитория			Внешняя целевая аудитория
Клиенты (в том числе потенциальные)	внутренние (CRM, банковские транзакции, SAP) и внешние (геолокация, социальные сети)		Клиенты (в том числе потенциальные)	Развитие партнерских отношений с другими компаниями	Адаптация ассортимента для целевых групп (повышены показатели удовлетворенности клиентов, с улучшением показателей NPS), запуск новой программы лояльности для "Перекрестка", разработка маркетинговой стратегии для новой ЦА "Перекрестка", открытие онлайн-магазина "Перекресток", разработка мобильного приложения "Карусель"	Персонализированные предложения, оптимизация ценовых предложений, промопредложения постоянным клиентам	Оптимизирован таргетинг	Внедрение системы GIS (упрщение принятия решений открытия новых точек), оптимизация ценовых предложений, прогнозирование закупок
СМИ			СМИ
Поставщики (партнеры)	внутренние (SAP) и внешние (социальные сети)		Поставщики (партнеры)		разработана система мотивации субподрядчиков, cистема электронного документооборота (EDI)	проект ФРИИ	поиск стартапов для ФРИИ	синергетический эффект в "Пятерочке" - система JDA
Общественные организации			Общественные организации		"Корзина доброты"	"Корзина доброты"	таргетинг "Корзина доброты"

Приложение 6

Гайд интервью с экспертами

1. В каких целях вы используете большие данные?

Чаще всего их используют для аналитики, составления портретов клиентов (и в целом для подробной сегментации целевой аудитории), а также для разработки маркетинговой стратегии, внутрикорпоративных коммуникаций и финансов. Может быть, даже для усовершенствования логистики?

2. Какие барьеры для развития больших данных в коммуникациях вы видите?

Чаще всего отмечают недостаток квалифицированных специалистов, отсутствие понимание технологии больших данных.

3. Возможно ли использовать единую аналитику данных (с технической стороны) для разных направлений внутри организации?

Настройка таргетинга, построение системы лояльности, оптимизация внутренних процессов, настройка логистики, общение с инвесторами и тд)?

4. Какие перспективы развития больших данных Вы видите?

5. Есть ли у вас пример использования больших данных в коммуникациях, которым бы вы могли поделиться?

Может быть, большие данные открывают новые перспективы для специалистов по коммуникациям.

6. Изменится ли, на ваш взгляд, рынок ритейл и e-commerce благодаря большим данным ?



Приложение 7

Расшифровка интервью с Артуром Хачуяном, основателем и генеральным директором Social DataHub

Здравствуйте! Цель моей дипломной работы адаптировать инструмент больших данных для возможности применения специалистами в области интегрированных коммуникаций.

Поэтому первый вопрос связан с характеристиками данных. Во время исследования я столкнулась с очень большим количеством источников данных и различных технических характеристик. Какие источники данных, например, вы используете?

- Для какого сегмента?

- Ритейл и интернет-коммерция.

- Ага, ну сейчас я могу привести самые распространенные источники, которые мы у себя используем. Обычно, это либо данные, которые представляют сами компании (они ведут у себя CRM базы данных), либо внешние источники. Кстати, порой получить к ним доступ бывает довольно сложно и нужно уметь обходиться теми возможностями, что есть в открытом доступе. Например, мы используем очень много информации из социальных сетей: возраст, семейное положение, занимаемая должность, путешествия, друзья, сексуальные предпочтения. В общем, все, что доступно в его профиле!

- А зачем могут понадобиться данные о путешествиях ?

- Ну, например, это часто позволяет прогнозировать твое поведение, как покупателя. Был очень интересный кейс, когда мы определили, что люди, которые путешествуют в азиатские страны, чаще других покупали экзотические фрукты: манго, кокосы и все такое.

- Даже так?

- Да! Еще мы исследуем потенциал инвестора или акционера, то есть какие именно персонализированные предложения его могут интересовать. Сейчас объясню механизм. Самое простое - это зарплата. Хороший алгоритм для вычисления зарплаты для Москвы и Санкт-Петербурга - это база Headhunter, Superjob (по крайней мере мы их используем) - это открытая база о средних зарплатах для конкретной должности в определенной сфере бизнеса. Потом мы берем социальная сеть и смотрим, где работает клиент , плюс его должность. Так мы вычисляем его зарплату в диапазоне тысяч 30. Причем, даже если должность не указана, по публикациям можно понять, кем работает человек.

- Звучит очень доступно и просто.

- Вот, это простая модель. Еще есть более сложная модель, где учитывается место жительства, база ЦИАН - средняя стоимость аренды жилья, средняя стоимость покупки жилья, оценивается, где находится офис твоей компании и тд. Соответственно, то же самое… Кстати, такая технология применяется и для аналитики групп потенциальных клиентов. Соответственно, если это в регионах, то учитываются экономические показатели, Росстат и еще куча всяких источников. Ну, вот такая модель может спрогнозировать с большой точностью твою заработную плату. Кстати, продолжаю тему про путешествия. Можно сделать прогноз средней стоимости номера в отеле или на Airbnb. И примерно понять, сколько денег ты потратил на отдых. Метрик очень много вообще разных.

- А какие еще метрики есть?

- Есть метрики твоей вовлеченности, то ест насколько вообще ты активен. Тут хорошо работает анализ лайков- тот контент, который лайкаешь ты. Например, я уже рассказывал один кейс вашей коллеге, если он лайкает БДСМ, то значит у него довольно большой доход. Так часто бывает, мы сами сперва удивлялись.

- Да?

- Да, просто часто топ-менеджеры после 40 или 50, они очень склонны к БДСМ и всему такому. Просто есть прямая зависимость между зарплатой. То есть если у человека например нельзя определить доход выше 150-180 тысяч, и ему 45 лет, у него есть жена и он любит БДСМ, то вероятно он подпадает в категорию топ-менеджеров.

- А если все же вернуться к источникам, какие из них еще применяются в ритейле? Вот вы говорили про внешние…

- Да, ну вообще много данных запрашивают по геолокациям, хотя это компании и сами могут собирать, все зависит от их технических характеристик. Еще берем данные по банковским транзакциям, но тут уже очень скользкий момент, чтобы не переступить черту персональных данных. Самое распространенное, конечно, это данные из социальных сетей, самих платформ сейчас сотни, не говоря о количестве супер разрозенных данных. Причем, самое интересное в аналитике данных, ты каждый раз можешь выявлять новые корреляции, и на их основе строить целые стратегии дальнейших исследований. Вот, как я говорил про корреляцию между зарплатой и БДСМ. А еще между покупкой ужина и визита к врачу, между лайком вечеринки и покупкой жилья. Каждый раз что-то новое всплывает.

- Выходит, что это уже как часть социальной науки?

- Совершенно верно!

- А какая основная услуга у вас?

- Ну это какие-то маркетинговые ресерч-исследования аудитории (кто твоя аудитория, какое у них поведение), как я уже говорил, много чего спрогнозировать интересного можно.

- Например?

- Например, проанализировать клиентов, объединить их, чтобы понять, кто они в социальных сетях, какое у них поведение, что их натолкнуло на покупку именно в твоей сети. Ну и очень популярная сейчас история- это подбор лидеров мнений, блогеров. Потом еще таргетирование, конечно, сейчас это прям в тренде. Под разные акции можно найти узкие группы покупателей, чтобы твое сообщение попало в точку.

- А возможно ли использовать единую аналитику данных (с технической стороны) для разных направлений внутри организации? Настройка таргетинга, построение системы лояльности, оптимизация внутренних процессов, настройка логистики, общение с инвесторами и тд)?

- Ну, с технической стороны, конечно. Другое дело, что у нас организации чаще обращаются с задачами аналитики к сторонним организациям вообще, не говоря о том, чтобы наладить целый процесс у себя в компании.

- А с чем это связано?

Да с банальной экономии времени и ресурсов. Тренд ведь уже появился и во всю используется конкурентами, поэтому компании предпочитают быстро получить аналитику (ну сравнительно быстро) и не заморачиваться с обучением собственных специалистов.

- Еще у меня такой вопрос: какие барьеры для развития больших данных в коммуникациях вы видите?

- В первую очередь это уровень незнания специалистами по коммуникации элементарных технических характеристик, очень часто к нам приходят и ставят задачу люди, которые отвечают за техническую сторону в компании. В целом, это недостаток квалифицированных специалистов, отсутствие понимание технологии больших данных. Еще, конечно, необходимость довольно больших затрат на внедрение новых технологий, покупки программного обеспечения, ну, и тому подобное. Просто у нас в стране каким-то маленьким ритейлерам вообще пока нет смысла применять эту технологию, она просто не окупится даже. Дефицит таких кадров наблюдается не только потому, что они должны обладать довольно сложным набором навыков и компетенций, но еще и потому что сегодня мало кто вообще понимает, как их подготовить, например, или там как их оценивать и правильно организовывать работу. Но это больше касается именно технических специалистов, я не говорю про специалистов по коммуникациям.

-Исходя из такое проблематики, считаете ли вы, что адаптация инструментария больших данных для специалистов по коммуникациям является значимой мерой?

- Конечно! Если ты с этим соприкасаешься, ты должен понимать, как это работает. Я не думаю, что стоит углубляться во все технические термины, но знать, например, чем отличается CRM база от SAP, или, какие есть возможности потоковой аналитики. Важно понимать, что вообще это за ресурс такой - большие данные, и каких целей можно с помощью него достигнуть. Да, не спорю, что потенциал у этого инструмента еще даже полностью не раскрыт, но у нас случались курьезные ситуации, когда там приходит представитель компании и думает, что по данным мы ему чуть ли на дату рождения детей предскажем. Это ведь не магия, это просто еще один новый инструмент для многих профессий, кстати. Поэтому да, мне кажется необходимо внутри организацией просвещать своих специалистов, нужно, чтобы технические специалисты вместе с другими прорабатывали детали по какому-то упрощенному стандарту, ну, чтобы говорили все на одном языке - тогда и жить проще.

-Какие тренды в применении технологии больших данных в ритейл и e-commerce вы бы отметили?

- Ритейл и интернет коммерция это вообще очень многофункциональный профиль для применения аналитики данных, кстати говоря. То есть тут есть куда развиваться в плане модернизации в самих точках продаж: улучшение мерчендайзинга, определение клиента по биометрическим данным и создание персонализированных технологичных коммуникаций, внедрение каких-то сервисов и технологий типа Scan & Go, чтобы упростить навигацию внутри магазина. Это такое большое поле для творчества, и на западе существует сотни технологий на основе аналитики данных, которые представляют интерес для этой сферы. Второе, это какие-то маркетинговые оптимизации (еще лучший таргетинг, рассылки директ и прочее), ну и третье, это оптимизации рабочих процессов внутри самой организации, для их сотрудников. Например, перевод документооборота в онлайн. Если в вкратце - то потенциал еще есть и он большой!

- Артур, спасибо большое за комментарии



Приложение 8

Расшифровка интервью с Сергеем Нестеренко, руководителем отделения интеграции дивизиона данных IBS

- Здравствуйте! Цель моей дипломной работы адаптировать инструмент больших данных для возможности применения специалистами в области интегрированных коммуникаций. Поэтому первый вопрос связан с характеристиками данных. Во время исследования я столкнулась с очень большим количеством источников данных и различных технических характеристик. Какие источники данных, например, вы используете?

- Обычно это различные виды внутренних данных, полученные из разных корпоративных систем и открытые данные: данные социальных сетей, геолокации, гугл карты и прочее.

- А Какие барьеры для развития больших данных на ваш взгляд?

- В первую очередь, это дефицит специалистов, еще не сформировавшиеся технологии, проблемы с безопасностью и конфиденциальностью. Это довольно большие проблемы для корпоративного сегмента, так как возникает непонимание, как применять технологии, каких специалистов звать: толи Data Scientists , как это сейчас модно называть, она довольно редкая, но спрос на нее уже колоссальный: на одно резюме специалиста около 60 откликов в неделю. Толи вообще стратегов, которые знают, что нужно получить от этих данных.

- Какие перспективы развития больших данных?

- Большие данные это все-таки тренд для крупных проектов пока что. И в ритейле и внутри организации есть свои трудности с внедрением, поэтому чаще всего компании начинают с приведения к должному виду своих баз данных, и на это уходит довольно большое количество времени и ресурсов. Но уже сейчас разработаны некоторые решения, которые в скором времени, я думаю, станут чем-то вроде стандартов, но пока что это все очень затратно. Еще один тренд это потоковая (streaming) аналитика, она дает возможность анализировать входящие данные в реальном масштабе времени. Эта возможность очень важна для приложений, которые построены поверх данных, собираемых с датчиков интернета вещей. Также можно говорить о тренде переноса инфраструктуры больших данных в облако (Oracle или Amazon, например, предоставляет такую возможность).



Приложение 9

Расшифровка интервью с Анастасией Михалиной
Консультант в WARD HOWELL, руководитель практик "Розничная торговля" и "Медиа-индустрия, реклама, развлечения"

1. С какой целью компании чаще всего заказывают аналитику больших данных (маркетинг / разработка рекламной компании/ оптимизация внутренних процессов/ другое?)

Насколько я знаю, чаще всего компании, которые реально интересуются темой BigData, заказывают их аналитику для составления портретов потребителей. Так что можно сказать, что в целях разработки рекламной кампании. На самом деле не слышал, чтобы кто-то использовал BigData, например, для аналитики рынка, хотя мне кажется это перспективным.

Составление портретов потребителей же очень популярно. Чаще всего оно производится на основании персональных данных - ФИО, телефон, дата рождения, возможно, город проживания. С высокой долей вероятности по этим параметрам можно найти в сети любого человека. Ну, затем уже смотрим, чем человек увлекается, кем работает, есть ли у него животные, где учится. Любая информация может быть полезной. Например, для магазинов одежды выделяются такие группы, как будущие выпускники школы/институты, невесты и женихи. Им делаются какие-то персональные предложения, это обычно бывает эффективно. Обычно - это промокод или скидка, что-то такое.

2. Возможно ли использовать единую аналитику данных (с технической стороны) для разных направлений внутри организации (настройка таргетинга, построение системы лояльности, оптимизация внутренних процессов, настройка логистики, общение с инвесторами и тд)?

Ну, тут смотря что понимать под единой аналитикой данных. Если единый алгоритм, - то, я думаю, нет, я не знаю таких сложных алгоритмов, во всяком случае. Но я точно уверен, что у всех компаний должна быть какая-то стратегия использования больших данных - экономически и логически неэффективно использовать данные хаотично, это должен быть единый процесс, включающий в себя все направления - как ты сказала, таргетинг, система лояльности и т.д.

3. Какие тенденции в России на рынке больших данных в применении для коммуникаций вы бы отметили?

Сложно сказать, что рынок больших данных в России уже сложился, трудно выделить какие-то тренды. Из того, что я вижу сейчас - это факт, что большие данные в основном использует ритейл и банки. Обычно это касается онлайн-коммуникаций, тут большие данные очень эффективно. Но я могу сказать, что сейчас об этом очень много говорят, но гораздо меньше делают. Из того, что делают - это составление портретов потребителей, таргетинг. Ну, для банков еще скоринг. Да, возможно, чат-боты еще, они же тоже на принципе BigData построены.

4. Считаете ли вы, что большие данные открывают новые перспективы для специалистов по коммуникациям. Если да, то какие?

Да, конечно. Ну, во-первых, они позволяют лучше узнавать своего потребителя, иметь подробные описания аудиторий. Я очень жду, когда пиарщики и рекламщики откажутся от аудиторий 18-80, средний достаток. И начнут наконец работать с реальными людьми. Во-вторых, процесс коммуникации станет более сложным, разнонаправленным. Ведь теперь коммуникация будет вестись параллельно с очень разными аудиториями. Это очень большой вывод для индустрии, требующий ресурсов - как экономических, так и интеллектуальных.

5. Изменится ли, на ваш взгляд, рынок ритейл и e-commerce благодаря большим данным?

Конечно, изменится. Он станет более адаптивным и таргетированным. Мы больше не будем воспринимать рекламу ритейла как что-то ненужное и навязчивое. Реклама будет нашей палочкой-выручалочкой, ведь она будет направлена на решение наших реальных проблем.

Размещено на Allbest.ur