Проблема больших данных в различных отраслях

К 2015 году несмотря на малый срок существования сектора Big Data, уже есть оценки эффективного использования этих технологий, основанные на реальных примерах. Один из самых высоких показателей относится к энергетике – по оценкам аналитиков, аналитические технологии Big Data способны на 99% повысить точность распределения мощностей генераторов.

Блог tadviser.ru, февраль 2017


Анализ неудачных проектов Big data

Большинство российских ведомств уже накопили достаточно большие массивы данных и теперь могут использовать их потенциал для повышения качества принимаемых решений. За последние годы для повышения безопасности в России реализован ряд инфраструктурных проектов, которые связаны, в первую очередь, с установкой камер видеонаблюдения. Однако данные, поступающие с камер – это только один канал данных. Качественное повышение уровня безопасности требует перехода к про-активной деятельности, позволяющей спрогнозировать преступление и заранее спланировать распределение ресурсов для его предотвращения. Это возможно при анализе исторических данных о прецедентах для построения профилей риска – условий, при которых воспроизводится то или иное событие или совершается преступление. Построение таких профилей возможно с помощью моделирования зависимости между набором характеристик, описывающих объект, и исследуемым явлением[1].

Например, в Лондоне пожарная служба использует социально-демографические данные для оценки и профилактики пожарных рисков. Такие показатели жителей как возраст, образование, доход, тип занятости, тип жилья и другие позволяют построить предиктивную модель, повышающую качество оценок риска пожара по районам города. Когда мэром Нью-Йорка стал Майкл Блумберг, подход к борьбе с пожарами тоже был «перезагружен»: для определения объектов противопожарных инспекций начали использовать профили риска зданий, разработанные на основе данных генплана, строительного, финансового и противопожарного департаментов.

Другая задача в области пожарной безопасности – географически оптимальное размещение ресурсов для ликвидации уже наступившего пожара. По накопленным данным, характеризующим выезды пожарной бригады на место пожара в прошлом, информации о пробках и доступности транспортных магистралей, осуществляется моделирование зависимости между географической удаленностью пожарной станции и временем, которое требуется бригаде, чтобы доехать до места пожара. Затем решается обратная задача: где должна быть расположена станция, чтобы соблюдались целевые показатели времени?

Еще одни пример – использование больших данных для профилактики преступности. На основе фактов совершенных преступлений разрабатывается график патрулирования местности. Своевременное наличие патрульной машины может помочь предотвратить преступление. Данные о количестве преступлений, их месте, времени, типе и числе пострадавших позволяют определить, сколько требуется машин, где и в какое время, а затем оптимизировать маршрут с учетом этой информации.

Также на основе социальных данных можно разработать профили риска детей, подверженных жестокому обращению. Эти профили позволяют идентифицировать семьи, в отношении которых требуется проведение профилактической работы.

Аналитика на службе городской безопасности

Применение аналитики в области городской безопасности позволяет повысить эффективность уже существующих процессов – инспекций, патрулирования и других. Процесс управления совершенствуется непосредственно в организации, которая осуществляет управление. Решение на поверхности: данные уже есть, их нужно только добавить в анализируемый массив. Для этого не требуется дополнительных вложений в инфраструктуру.

Но оснащение городской инфраструктуры датчиками и ее технологическая модернизация позволяют вывести качество функционирования системы на новый уровень. Водоснабжение, электросеть, транспортную и другие системы оснащают датчиками, которые передают данные о работе конкретного участка системы. Датчик не взаимодействует с другими датчиками, как это происходит в концепции M2M, при которой вся логика обработки сигнала и алгоритмы управляющего воздействия «зашиваются» в непосредственно в устройство.

Основные отличия принципа работы М2М и интернета вещей (SAS)

Датчики нового типа, а точнее счетчики (smart meters), вообще ни с чем не взаимодействует, кроме центральной системы, в которую они передают данные. Потоковые технические данные со всех счетчиков анализируют в режиме «скользящего окна», чтобы в онлайн-режиме выделить важную информацию для оперативного управляющего воздействия на систему. Обычно это предполагает выполнение простого набора функций, таких как поиск экстремумов за временное окно (максимальная температура воды в системе), агрегация (количество отпущенных кубометров), инкрементальное обновление метрик с поступлением новых данных (нет ли аномальных показателей за «окно»?). Наибольший положительный эффект достигается при возвращении этих результатов в хранилище данных и их дальнейший углубленный анализ в офлайн режиме.

Сочетание двух типов аналитики для обработки данных датчиков позволяет понять, что происходит с городской системой, какие операционные решения сейчас нужны, как реагировать на возникшие ситуации. Такая концепция называется интернетом вещей в городской инфраструктуре, позволяющим организациям увеличить прибыль за счет улучшения операционной эффективности, а потребителям сэкономить за счет оптимизации потребления.

IDC: ЖКХ в США в самом начале использования Big data

Компания IDC Energy Insights опубликовала весной 2014 года доклад, посвященный готовности коммунальных служб США к работе с технологиями Big Data. В рамках исследования IDC изучила работу 760 американских организаций, включая 59 компаний сферы ЖКХ с доходом более $500 млн. Цель доклада – помочь компаниям оценить свою степень готовности к работе с технологиями Big Data.

Эксперты IDC выделили ключевые критерии, по которым можно оценивать способность компании работать с технологиями Big Data. В докладе также содержатся рекомендации по улучшению ситуации с технологиями больших данных в этой индустрии в краткосрочной и долгосрочной перспективах.

Авторы доклада считают, что готовность к применению технологии Big Data складывается из пяти составляющих: желание, накопленные данные, адаптация технологий, отлаженные процессы и персонал. Успех компании в области больших данных в равной степени зависит от зрелости компании во всех этих областях.

По оценке IDC, коммунальный сектор находится на начальных стадиях освоения технологий Big Data. Так, готовность двух третей компаний к работе с большими данными IDC оценивает как «среднюю». «Низкую» оценку зрелости получило в четыре раза больше компаний, чем «высокую».

Сегодня Big Data и аналитика применяются в сфере коммунальных услуг для решения целого ряда задач. Эти технологии помогают оптимизировать производство энергии, операционную эффективность и работу с клиентами. Аналитика позволяет заблаговременно готовиться к отключениям, а также оценивать энергетический рынок, прогнозировать спрос и вести подсчет финансовых показателей.

2019: Московские власти закупают у операторов данные о перемещениях горожан

4 марта 2019 года стало известно о том, что московские власти уже несколько лет закупают у мобильных операторов данные о перемещении горожан. На основе этой информации мэрия меняет транспорт и инфраструктуру в городе.

Если говорить о методах больших данных, направленных на получение эффекта для бизнеса оператора связи, то здесь в общем случае рассматриваются четыре основные направления — первые три нацелены на улучшение внутренней работы самой компании, а последнее является дополнительным рыночными продуктом для внешних клиентов[2]:

  • высокоточный маркетинг (рrecise marketing) — адресное предложение продуктов и услуг тем потребителям, которые наиболее готовы к их приобретению (новые тарифные планы, дополнительные сервисы, платежные терминалы и пр.);
  • управление качеством услуг для клиента (Customer Experience Management) для повышения его удовлетворенности с целью предотвращения оттока пользователей;
  • оптимизация внутренней работы оператора и планирование развития (ROI-based Network Optimization and Planning) на основе учета всех объективных факторов и мнений потребителей с целью максимальных гарантий возврата инвестиций в кратчайшие сроки;
  • монетизация информационных активов (Data Asset Monetization) — продажа в той или иной форме (в том числе в виде долевого участия в проектах) имеющихся у оператора данных своим партнерам, чтобы они могли с их помощью решать свои задачи.

Развернув решение больших данных, мобильный оператор смог начать собирать и анализировать существенно больше информации о поведении и интересах своих клиентов, в том числе об интенсивности использования связи и географическом местоположении. Причем все эти сведения можно было увязывать с данными о работе самой сотовой сети, в том числе о ее загрузке, о возникающих сбоях и пр.

Возможности применения подобных методов видны по полученным результатам. Так, в начале 2013 г. эффективность маркетинговых предложений (для клиентов, которые их приняли) при общей массовой рассылке составляла 0,7%. К концу года за счет простой сегментации абонентов (по возрасту, полу, сроку подписки) эта величина была доведена до 4%, а в течение 2014-го повышена сначала до 11% (учет интенсивности использования услуг и местоположение клиентов) и затем до 24% (учет предпочтительных вариантов получения предложения — голосовые звонки, SMS, э-почта, социальные сети и пр.). За год удалось сократить число нерезультативных обращений к клиентам на 11 млн., существенно снизив затраты на рекламные кампании.

На основе анализа 85 параметров поведения абонентов была выделена «группа риска», потенциально готовая к уходу от услуг оператора. Внутри нее также была проведена определенная сегментация, и для каждой категории клиентов выработан комплекс мероприятий по повышению уровня их лояльности (скидки, другие тарифные планы, подарки и пр.). Заказчик провел исследование, разделив «группу риска» на две подгруппы: с первой проводились специальные действия по удержанию, с другой ничего не делалось. Анализ такой работы за год показал, что компания смогла существенно сократить отток своих действующих потребителей, удержав более 200 тыс. абонентов; при этом нужно учитывать, что стоимость удержания клиента всегда значительно ниже, чем привлечения нового пользователя.

До использования больших данных расширение географической сети оператора фактически выполнялось только на основе информации о плотности застройки и населения, но внедрив это решение, China Unicom перешел к развитию свой деятельности на базе многофакторного анализа, который учитывал такие показатели, как реальная загруженность трафика и востребованность услуг (например, с учетом места работы людей), «ценность» клиентов (по уровню жизни), требования к качеству связи (расстояние между станциями приема), востребованность разных категорий услуг (от этого зависит использование различной аппаратуры) и пр.

В плане монетизации клиентских данных для внешних партнеров были приведены два примера: во-первых, оптимизация размещения наружной рекламы, причем как в географическом плане (место проживания, работа или транспортные коммуникации нужных клиентов), так и с учетом времени для динамической рекламы (в зависимости от времени суток, дней недели и сезонов года состав публики может меняться), а во-вторых, аналогичные предложения по развитию торговых сетей (с учётом местоположения и ассортимента). Кроме того, очень выгодным оказывается целевая рассылка мобильной рекламы в реальном времени в соответствии с графиком занятости человека, его интересов и физического пребывания (например, рассылка информации о фильмах-боевиках, которыми клиент интересуется, именно в его свободное время и с учетом близлежащих кинотеатров). Общий отраслевой опыт показывает, что такие адресные методы позволяют повышать доходы от распространения рекламы в разы.

«Аналитика больших данных позволит банковским организациям лучше контролировать информацию внутри компании и выявлять признаки мошенничества намного быстрее, чем это было возможно раньше», – заявила в начале 2014 года Авива Литан (Avivah Litan), ведущий аналитик и вице-президент Gartner Research.

Массовое внедрение технологий анализа больших данных осложнено тем, что банки зачастую используют разрозненные или просто устаревшие платформы. Тем не менее, уже есть примеры того, как сотрудники, отвечающие за информационную безопасность, предотвращали мошеннические операции. Помимо технологии Big Data эксперты также считают, что бороться с мошенниками позволяет внедрение современных систем идентификации пользователей. Одним из примеров является так называемая непрерывная поведенческая идентификация, анализирующая поведение клиентов на протяжении длительного времени. Это делается при помощи привязки счета к мобильному телефону.

Большие данные способны решать практически все ключевые задачи банков: привлечение клиентов, повышение качества услуг, оценка заемщиков, противодействие мошенничеству и др. Повышая скорость и качество формирования отчетности, увеличивая глубину анализа данных, участвуя в противодействии отмыванию незаконных средств, эти технологии помогают банкам соответствовать требованиям регуляторов[3].

Основные задачи, для которых банки используют технологии анализа больших данных, – это оперативное получение отчетности, скоринг, недопущение проведения сомнительных операций, мошенничества и отмывания денег, а также персонализация предлагаемых клиентам банковских продуктов.

Технологии больших данных применяются в основном для анализа клиентской среды. Дмитрий Шепелявый, заместитель генерального директора SAP CIS (САП СНГ), приводит несколько примеров: «Американский банк PNC данные о поведении своих клиентов на сайтах, информацию о покупках и образе жизни конвертирует в политику гибкого начисления процентных ставок, которая в итоге выражается в цифрах роста капитализации. Commonwealth Bank of Australia (CBA) анализирует все транзакции своих вкладчиков, дополняя этот анализ сбором данных о них в социальных сетях. Связав эти потоки данных, банк добился значительного снижения процента неуплаты по кредитам. А в России интересен опыт Уральского банка реконструкции и развития – они стали работать с информацией по клиентской базе для создания кредитных предложений, вкладов и других услуг, которые могут максимально заинтересовать конкретного клиента. Примерно за год применения ИТ-решений розничный кредитный портфель УБРиР вырос примерно на 55%»[4].

В «Альфа-банке», в 2013 г. в банке была успешно завершена разработка прототипа решения по взаимодействию с социальными сетями, сейчас идет несколько пилотных проектов, исследующих различные бизнес-гипотезы.

«Банки обладают колоссальным объемом структурированной клиентской информации, которая может быть успешно обработана с применением технологий больших данных. Это позволяет на основании анализа клиентского поведения, клиентской активности и клиентских операций быстро принимать решения и делать высоко релевантные предложения банковских продуктов», – об этом рассказал Максим Азрильян, главный технический архитектор центра инноваций и технологий электронного бизнеса «Альфа-банка».

Страховые компании заинтересованы в том, чтобы применять технологии Big Data, однако лишь немногие начали активно работать в этом направлении. Такие данные в совместном исследовании приводят компании Bravura Solutions и Financial Services Council (весна 2014 года). Исследователи опросили ряд ведущих страховых компаний об их планах по модернизации и внедрению решений Big Data.

Согласно результатам опроса, 67% страховых компаний считают, что у них есть лишь ограниченный доступ к пользовательским данным. По мнению респондентов, этих данных достаточно, чтобы персонализировать взаимодействие с клиентами, но недостаточно, чтобы прогнозировать их поведение. Впрочем, для более чем 56% респондентов именно создание персонализированных кампаний является основной целью развития маркетинговых коммуникаций.

Около 30% опрошенных страховых компаний уже сегодня используют технологии Big Data и аналитику для того, чтобы предугадывать нужды клиентов и создавать персонализированные сообщения. Главной проблемой для тех компаний, которые пока не делают этого, становится отсутствие необходимых систем, говорится в исследовании. У страховых компаний есть массивы данных, однако пока нет возможности в полной мере воспользоваться ими. Большинство страховых компаний так или иначе заинтересованы в модернизации своих ИТ-систем в ближайшие пять лет. Однако для 23,7% организаций вопрос о модернизации пока не стоит.

Области использования Big Data

Внедрение мобильных технологий в сфере здравоохранения и распространение M2M-устройств будет способствовать расширению практики применения Big Data в медицинской сфере, однако лишь немногие учреждения здравоохранения готовы к работе с большими данными. К такому выводу пришли эксперты компании MeriTalk, которая провела опрос среди 150 топ-менеджеров из сферы государственного здравоохранения США. Авторы исследования (весна 2014 года) MeriTalk попытались выяснить, насколько руководители медицинской сферы готовы работать с Big Data и какие шаги уже сделали навстречу этим новым технологиям.

Менее 25% топ-менеджеров государственных медицинских учреждений считают, что их ведомства готовы работать с Big Data. Только 34% опрошенных отметили, что их ведомство вложило средства в технологии, позволяющие оптимизировать процесс сбора данных. Еще меньше руководителей (29%) наняли ИТ-специалистов, которые занимаются управлением данных и их анализом. 29% провели обучение ключевых менеджеров работе с Big Data.

При этом более половины опрошенных (59%) уверены, что успешная работа с Big Data станет ключевым фактором повышения эффективности работы их учреждения в ближайшие пять лет. 63% топ-менеджеров считают, что технологии больших данных позволят более эффективно отслеживать состояние здоровья пациентов, а 60% отмечают, что благодаря большим данным улучшится профилактическая работа.

В медицинских учреждениях технологии M2M пока не нашли широкого применения: их освоили всего 15% топ-менеджеров. Впрочем, 53% опрошенных планируют исправить эту ситуацию в ближайшие два года. По словам аналитиков MeriTalk, именно технологии M2M могут сыграть наибольшую роль в улучшении качества заботы о пациентах и удаленного мониторинга состояния их здоровья.

Частные и государственные учреждения уже активно используют большие данные для создания персонифицированных предложений для своих клиентов. Но актуально ли это для такой отрасли как здравоохранение? Ответ утвердительный! Ведь понимание потребностей пациентов напрямую зависит от того, насколько активно применяются новые технологии в медицине[5].

Согласно исследованию, проведенному компанией McKinsey&Company в 2014 г., 75% опрошенных пациентов хотели бы использовать цифровые сервисы – вопреки устоявшемуся мнению о том, что большинство населения неохотно обращается к ним при лечении.

Чтобы удовлетворить потребность пациентов в качественном медицинском обслуживании, во многих странах здравоохранение все больше обращается в сторону smart технологий. В Германии, например, уже сегодня благодаря технологиям Больших данных онкологические заболевания либо предрасположенность к ним выявляются по анализу крови пациентов и доноров. В результате своевременной диагностики существенно снижаются затраты государства и самих людей, а также невероятно повышается эффективность лечения. Ведь один из самых главных врагов пациента, запустившего болезнь – время. Обратимся к упомянутой ранее онкологии. Диагностика и подбор нужной схемы лечения может забрать драгоценные минуты, которые так важны в оперативном реагировании при обнаружении злокачественных образований

Большие данные, помимо уже известных и распространенных задач, можно использовать в том числе для борьбы с заболеваниями и отслеживания роста эпидемий, считают эксперты. Так, еще за девять дней до того, как вспышка вируса Эбола была официально объявлена эпидемией, группа исследователей и ученых из Бостона при помощи больших данных смогла обнаружить распространение геморрагической лихорадки в Гвинее.

Картину движения по Западной Африке эпидемии смертельного вируса составил стартап HealthMap, работающий на базе алгоритма, учитывающего упоминания в социальных медиа, сводки местных новостей и другие данные, доступные в Сети[6].

Системы больших данных могут оказаться полезными в первую очередь не для обнаружения уже проявившихся вспышек тех или иных заболеваний, а для предсказания потенциально возможных эпидемий такого рода благодаря анализу доступной информации. В этом случае практически те же технологии, которые помогают маркетологам демонстрировать потребителям таргетированную рекламу или предлагать музыку и видео для просмотра, могут быть использованы для борьбы против инфекционных заболеваний, таких как Эбола.

Что может дать Big Data?

Информация о клиенте — вот за что не жалко отдать обе половины царства. И Big Data дает ответы на многие животрепещущие вопросы о заказчике: что он купил и что хотел бы купить, что ему понравилось, а что нет, когда он совершал покупки, как расплатился. И даже больше: персональные данные (адрес, пол, возраст), интересы (какие сайты посетил, кто в друзьях), активность (когда выходит в Интернет, что там ищет, какие отзывы оставляет) и многое другое.

Анализ такой информации — это шанс понять, нравится ли бренд покупателям. Готовы они покупать еще и еще или их следует немного «подтолкнуть» скидками и другими бонусами? Ответы на эти вопросы помогут создать идеального клиента. Того, который всегда готов купить товар по любой цене, активен в сообществах в социальных сетях, заинтересован в развитии бренда и рассказывает всем о понравившейся продукции.

К 2014 году каналов воздействия на клиента стало так много, что приходится использовать инструменты для их объединения. В туризме, например, давно существуют платформы, которые охватывают все аспекты организации путешествий: от планирования до заказа поездок. Туристы могут выбрать места в самолете, отель, достопримечательности, которые стоит посетить, и многое другое — все это в одном месте. Удобно, правда? Самое интересное, что и не только для пользователей. Такой подход делает весь процесс простым и эффективным также для всех остальных участников турбизнеса: авиакомпаний, отелей, туроператоров и т. д.

Однако с технической точки зрения это все — огромный объем информации. Обработка такого количества данных одновременно была невозможной еще несколько лет назад. Но на 2014 год нет никакой проблемы в том, чтобы предоставить клиенту персонализированный сервис на основе данных о его предпочтениях. И подать все в виде понятного и простого интерфейса, с которым даже ребенок справится.

Что в этом полезного?

Вот несколько примеров того, как можно получить конкурентные преимущества, используя Big Data:

  • Персонализация — анализируя информацию о клиенте можно предложить решения, разработанные для конкретного пользователя. Получая конкурентное преимущество в глазах клиента и не тратясь при этом на улучшение качества продукта.
  • Динамическое ценообразование — анализ данных о рынке позволит установить самую привлекательную цену для конкретного клиента. Иногда получить доверие в будущем гораздо важнее и выгодней, чем максимальная прибыль прямо сейчас.
  • Обслуживание клиентов — Big Data поможет создать у заказчика чувство собственной значимости. Он сможет убедиться, что продавцу не все равно. Ведь покупатель получит именно то, что хочет.
  • Трекинг — возможность уведомлять клиентов о том, где их заказ, в каком состоянии и когда он дойдет до них.
  • Прогнозный анализ — с Big Data становится возможным предугадывать события до того, как они произойдут, и делать необходимые приготовления или изменения.

Помимо всего прочего Big Data сейчас используют еще и для воздействия на клиентов на эмоциональном уровне. Клиенту дают понять, что он особенный, создавая тем самым между ним и брендом определенную связь. Это в прямом смысле слова культивирует лояльность.

Хорошим примером такого подхода может служить приложение, разработанное для бренда одежды Free People, которое обеспечило компании рост продаж на 38%. Приложение позволяет пользователям обсудить последние коллекции, поделиться своими фото в новых нарядах в Pinterest и Instagram, голосовать за самые лучшие снимки. Такое естественное взаимодействие очень эффективно. Без сомнения, это отличный вариант монетизации накопленных данных, и мы еще не раз сможем увидеть как ритейлеры и социальные платформы помогают друг другу достучаться до клиента.

Информационная перегрузка — это выгодно?

Все уже привыкли к тому, что найти хоть какую-нибудь действительно полезную информацию очень сложно. В блогах, социальных сетях люди всегда рады прочитать что-нибудь интересное. И именно благодаря инструментам Big Data теперь есть возможность предложить пользователю именно те факты, которые были отобранные специально для него на основе данных о предыдущих заказах, поисковых запросах, «лайках» в соцсетях и т. д.

Возьмем, к примеру, бизнес, связанный со спортом и фитнесом. Эта отрасль очень быстро развивается. Во многом благодаря успеху приложений, объединивших теорию и практику здорового образа жизни.

Будущее e-commerce — это объединение персональных целей (скинуть пару кило) с теорией (изучить новый курс тренировок) и коммерцией (купить новые кроссовки и тренажеры). Идеальное приложение не только даст общие рекомендации по тренировочным программам. Оно позволит пользователю заказать нужные спорттовары или другие продукты прямо здесь и сейчас. А продавец, основываясь на данных из таких приложений, сможет предложить клиенту персональные скидки, членство в клубе, программы лояльности и многое другое.

Хорошо это или плохо, но обслуживать клиентов, основываясь на их личных предпочтениях, сегодня можно только с помощью Big Data. Большие корпорации нанимают целые команды разработчиков, которые изучают их бизнес и создают уникальные приложения. Представители малого и среднего бизнеса используют более общие готовые решения. Но у всех цель одна — дать клиенту то, что он хочет, помогая тем самым e-commerce расти, развиваться и процветать.

Оффлайн-розница использует большие данные, чтобы анализировать поведение покупателей, проектировать маршруты следования по торговому залу, правильно расставить товары, планировать закупки, и, в конечном итоге, повысить продажи. В онлайн-рознице на больших данных строится сам механизм продаж: пользователям предлагают товары на базе предыдущих покупок и их персональных предпочтений, информация о которых собирается, например, в соцсетях. В обоих случаях анализ больших данных помогает сократить издержки, повысить лояльность клиентов и охватить большую аудиторию. Все это – лишь базовые возможности, которые можно реализовать с помощью технологий больших данных[7].

Несмотря на экономический кризис, ожидается рост числа проектов по внедрению больших данных, в том числе и в ритейле. Хотя внедрение новых технологий грозит не только прибылью, но и высокими рисками, компании уже ознакомились с успехами более решительных коллег по бизнесу. В сложной экономической ситуации на первый план выходит необходимость экономить и повышать лояльность клиентов. Как раз с этими задачами и призваны справляться решения для работы с большими данными.

В борьбе за клиента ритейлеры все чаще обращаются к инновационным технологиям, таким как анализ больших данных, электронная коммерция, омниканальные сервисы, технологии RFID и т.д. В Корее, например, недавно был открыт первый в мире виртуальный магазин прямо на платформе метрополитена. Сканируя QR-коды с панелей, оклеенных изображениями различных товаров, жители Сеула складывают в свою виртуальную корзину выбранный товар, который затем доставляют им домой в удобное время. Подобные технологии, вероятно, нашли бы отклик у вечно спешащих москвичей[8].

Крупнейший ритейлер Великобритании Tesco экспериментирует с дополненной реальностью. Для покупателей было разработано приложение, которое позволяет им оперативно получать информацию о калорийности тех или иных продуктов и прочие сведения, не уместившиеся на ценнике, просто наводя камеру планшета на полку и делая снимок.

Еще один пример: до недавнего времени интернет-продажи одежды и обуви не были достаточно распространены именно из-за невозможности осуществить примерку в виртуальном пространстве. У покупателя был высокий риск ошибиться с размером или фасоном. Но ситуация меняется. Скоро в интернет-магазине eBay станет доступна виртуальная примерочная, позволяющая покупателям «примерять» понравившуюся из сетевого каталога одежду на трехмерную модель собственного тела. Аналогичный проект виртуальной примерочной был представлен компанией SAP на выставке «Открытые Инновации» в 2013 г. и получил высокую оценку экспертов. Благодаря таким технологиям человек может с помощью своей фотографии и введенных параметров (в т.ч. рост, размер) примерить и заказать новую одежду, оплатив ее с помощью мобильного телефона.

Развитие мобильных технологий можно назвать одним из главных трендов, оказывающих влияние на развитие ритейла. Смартфон стал самым важным инструментом в торговле, считают аналитики IDC, и его значение будет только расти. 69% потребителей уже считают, что смартфон просто необходим для совершения покупок и намного увеличивает удовольствие от процесса. Никто не может отрицать удобство заказа из любой точки мира и оплаты с помощью интернета или телефона любым подходящим способом. В результате активно развивается концепция «Omni Channel» – когда реальные и виртуальные каналы продаж объединяются в единый бизнес-процесс. Уже сегодня любой покупатель хочет иметь возможность, например, начать покупку в интернете, сделав там заказ, а закончить оплатой в магазине и наоборот.

Нельзя отрицать и тот факт, что конкуренция в ритейле увеличивается за счет появления «цифровых покупателей». Этот новый класс клиентов привык выбирать лучшие предложения на рынке одним нажатием кнопки и находится в постоянном поиске персонализированных акций и промо-цен. Ритейлеры вынуждены искать инструменты, которые позволят создавать персонализированные предложения и направленно продвигать товар. Покупательский интерфейс Amazon.com – хрестоматийный пример такого сервиса. Каждый раз, заходя на сайт, клиент получает разнообразные предложения, основанные на анализе истории прошлых покупок, просмотренных страниц, оставленных отзывов и т.п. Огромные объемы информации система обрабатывает за доли секунды, каждый раз преобразуя их в таргетированное предложение, ведущее в итоге к росту продаж.

Требования к хранению больших данных в индустрии медиа и развлечений по мере роста разрешения видео возрастают очень быстро (июль 2012 г). Распространение стандарта HD и мобильного видео потребления стимулируют возникновение лавинообразного спроса на соответствующий цифровой контент. В связи с этим растет и спрос на решения хранения данных и на HDD для создания архивных видиотек, по данным аналитиков Coughlin Associates[9].

Значительно выросло проникновение конкретно в этой индустрии флеш-накопителей – до 37% в 2012 году. Флеш-память играет одну из ключевых ролей в распространении контента и пост продакшене, отмечают исследователи. В период с 2012 по 2017 год требования к емкости цифровых хранилищ данных в индустрии развлечений вырастет в 5,6 раз, а требования к задействованному объему хранилищ данных в год – в 4 раза (с 22425 Пб до 87152 Пб).

Выручка от реализации систем хранения в отрасли медиа и развлечений вырастут более чем в 1,4 раза в период с 2012 по 2017 годы с $5,6 млрд до $7,8 млрд. Максимально решения для хранения данных в 2012 году были задействованы для сохранения и архивирования нового контента (98%).

По оценкам Coughlin Associates, в 2012 году от общего объема поставленной памяти 43% пришлось на ленточный формат, 41% на HDD, 16% на оптические диски и 0,2% на флеш (которая используется в основном в цифровых камерах и некоторых системах дистрибуции медиа). К 2017 году на ленты будет приходиться только 38%, а на HDD – уже 59%, на оптические диски – 3% и на флеш – 0,3%.

Общая выручка от реализации носителей и устройств, используемых в медиа и индустрии развлечений, вырастет в период с 2012 по 2017 год в 1,3 раза с $774 млн до $974 млн.

Когда конкуренция обостряется, для компаний важно предлагать клиентам свои услуги в тот момент, когда они наиболее востребованы, причем делать это быстро. Поэтому роль маркетинга возрастает — это уже не побочная ветвь бизнеса, как было раньше. Согласно данным исследования IBM, 63% главных исполнительных директоров пользуются помощью директоров по маркетингу (CMO) в выработке своей бизнес-стратегии. По уровню вовлеченности в этот процесс CMO опережают только главные финансовые директора с показателем 72%.

Теперь маркетологи могут воспользоваться современными технологиями big data и мощной аналитикой, что многократно усиливает возможности маркетинговых подразделений. Если раньше в их распоряжении были небольшие фрагменты данных, на основном которых приходилось выстраивать картину целого, да и сами данные подчас хранились там, откуда извлечь их было проблематично, то теперь положение дел изменилось.

Директора по маркетингу комбинируют данные из внутренних и внешних источников. Во-первых, люди сами о себе сообщают много информации, например, в социальных сетях. Там можно отслеживать их предпочтения или критику услуг. Анализ таких данных позволяет делать клиентам персонифицированные предложения. Особенно важно это для организаций, относящихся к сектору СМБ. Более того, небольшие компании подчас вынуждены открывать у себя новые направления бизнеса, если это требуется их клиентам.

Корпорация IBM ежегодно, начиная с 2004 года, проводит исследование, в котором опрашиваются директора компаний. В новом исследовании, которое назвали «Принимая вызов: Каким образом CMO могут начать заполнение информационных брешей» приняли участие более пятисот главных директоров по маркетингу компаний из 56 стран и 19 отраслей со всего мира.

Результаты исследования показали, что 94% опрошенных считают, что аналитика будет играть важную роль в достижении поставленных целей. Вместе с тем, возросло число директоров (82% респондентов по сравнению с 71% тремя годами ранее), которые полагают, что их организации недостаточно подготовлены к извлечению реальной экономической выгоды из взрывного роста данных.

Исследование также показало — когда директор по маркетингу тесно взаимодействует с директором по информационным технологиям, предприятие, как правило, функционирует более успешно. Приоритеты директоров по маркетингу сейчас соответствуют потребностям цифровой экономики. В 2013 году впервые на 1 место в числе приоритетов вышел пункт «развитие технологий».

Еще один факт: 94% руководителей отделов маркетинга считают, что ключевым фактором будущего успеха будут мобильные технологии. Три года назад такое мнение высказали 80% респондентов. Многие участники опроса – 58% респондентов заявили, что могут заниматься делами бизнеса независимо от своего местонахождения или используемого устройства.

Согласно прогнозу аналитиков, 67% компаний из аэрокосмической отрасли реализуют проекты на основе Big Data, ещё 10% планируют такие проекты. Что касается авиакомпаний, то здесь реализация проектов на февраль 2019 года заявлена у 44% компаний, а планы на такие проекты анонсировали 25%.

Это результаты исследования, которое провела в декабре 2017 года компания FlightGlobal относительно роли Big Data для аэрокосмических предприятий и авиакомпаний. Аналитики также выяснили мнение по поводу совместного использования данных по состоянию самолётов с производителями и компаниями, осуществляющими ремонт и техническое обслуживание (ТО)[10]. В исследовании приняли участие 300 профессионалов из аэрокосмической и авиационной отрасли. Большинство из них уверены, что технологии Big Data способны повысить операционную надёжность и эффективность авиакомпаний.

Big_data_в_аэрокосмических_технологиях

Инфографика с результатами исследования

Приблизительно половина респондентов ответила, что их компании используют массивы данных о состоянии самолётов, что помогает им принимать более выверенные решения. В ближайшей перспективе доля таких компаний вырастет до 75%.

Совместное использование данных с OEM/MRO всё ещё остаётся проблематичным. Однако 38% авиакомпаний полагают, что такая модель может обеспечить им значительные бизнес-преимущества.

Согласно данным из опубликованного в мае 2018 года обзора компании Honeywell «Connected Aircraft»[11], 47% опрошенных авиакомпаний планируют потратить в целях подключения воздушных судов к Сети до 1 млн. долларов в течение следующего года на каждый самолёт, эксплуатируемый ими. Большинство этих компаний планирует уложиться в суммы от 0.1 до 0.5 млн. долларов. Однако, в пятилетней перспективе 38% авиаперевозчиков анонсировали инвестиции уже в размере 1-10 млн. долларов на каждый самолёт.

До февраля 2019 года при инвестировании авиакомпаниями в смежные к авиации технологии (connected technologies) речь шла, прежде всего, об обеспечении спутниковой связи и Wi-Fi. Теперь же компании готовы извлекать выгоду из тех данных, которые они могут получать путем использования оборудования непосредственно на борту самолётов. Например, такие данные могут обеспечить им экономию в размере 1% от потребляемого топлива, что эквивалентно 50 000 долларов на самолёт в год, подсчитали аналитики Honeywell. Подробнее здесь.