Как заработать на Big Data – отвечают эксперты

Мировая практика показывает, что проекты на основе технологий Big Data имеют очень хорошие показатели возврата инвестиций. Например, если говорить про построенную на Big Data клиентскую аналитику для персонализированного маркетинга, то здесь известно много случаев, когда многомиллионные вложения в технологический инструментарий и построенные на нем маркетинговые кампании окупаются за считанные месяцы, а порой и недели. При этом продажи увеличиваются существенно, в каких-то случаях даже в разы. И это вовсе не удивительно, ведь эффективные аналитические модели, извлекающие те или иные знания из внушительных объемов "информационного сырья", помогают гораздо точнее понимать потребности целевой аудитории того или иного продукта, причем не только с точностью до отдельных сегментов или категорий клиентов, но и вплоть до отдельных людей. А это позволяет создавать предложения с более высоким уровнем результативности по сравнению с обычным массовым маркетингом.

Не так давно в России вышли издания двух довольно интересных книг об этом. Это «Ключевые данные» (Sexy Little Numbers) Димитри Маекса, являющегося авторитетным экспертом в области анализа данных, и «Маркетинг, основанный на данных» (Data-Driven Marketing) известного маркетолога-методиста Марка Джеффри.

Механизм зарабатывания - разработка уникальных идей совместной обработки данных различного рода или инвестиции в проекты такого рода. Компании, включая стартапы, могут использовать доступные массивы данных и строить на их основе новые сервисы, по сути монетизируя идею о взаимной связи различного рода информации. Например, о связи стоимости акций компаний на рынке и потока мнений о ней в социальных сетях. Очень важно, что инструменты, необходимые для построения таких сервисов, становятся все более доступными и простыми в применении. В том числе благодаря усилиям Microsoft по демократизации Big Data.

Однозначного ответа на этот вопрос нет. Все зависит от специфики бизнеса и данных, производимых в ходе его деятельности. Например, 50 Гб числовых данных, сформированных различными датчиками в ходе 20-минутных испытаний прототипа нового глиссирующего катамарана некой судостроительной компании вполне можно считать эффективным минимальным объемом данных для последующей аналитики. А вот те же 50 Гб транзакционных данных, полученных за 20 минут работы какого-нибудь крупного банка или интернет-сервиса, могут уже не быть таким же существенным материалом для анализа и принятия решений. На самом деле, это скорее вопрос специфики применяемой аналитической модели и того, какой наблюдаемый отрезок времени и объем данных будет для нее репрезентативен.

Глубина анализа, одним из параметров которой может быть время (но он отнюдь не единственный), безусловно, является критерием оценки при определении целесообразности использования подходов Big Data, как и размер данных. При этом я не стал бы устанавливать числовую границу такого объема. Существенно более важным является наличие данных различной природы, которые имеют вероятность взаимной связи, и при этом неизвестно, какие группы данных связаны и как. Именно для поиска скрытых взаимосвязей данных, обеспечивающих создание нового знания и нужны технологии Big Data. И такое новое знание в одном бизнесе может появиться из анализа ста гигабайт данных, а при другой задаче - десятков или сотен террабайт.

Стартапы, строящие свои бизнес-модели на применении технологий Big Data, сейчас являются одними из основных фаворитов венчурных инвесторов. Ведь для таких проектов изначально формируются достаточно высокие ожидания эффективности их коммерческой деятельности. И здесь доминирующим по своей популярности направлением является таргетированный маркетинг в различных формах - начиная от контекстной интернет-рекламы (Google Ads, Яндекс.Директ и т.п.) и заканчивая генераторами различных персонифицированных предложений (например, механизмы рекомендаций iTunes Genius или Last.fm). Следом идут такие различные сферы применения Big Data, как автоматизированные электронные торги, системы управления рисками и гарантирования доходов, инструменты противодействия мошенничеству и многое другое. Все это выглядит весьма привлекательно, поскольку у таких решений изначально довольно высокий кредит доверия.

Да, безусловно. Особенно учитывая тот факт, что решения Big Data могут быть целиком построены на облачных технологиях, то есть не требуют существенных капитальных затрат для входа в бизнес. На сегодняшний день очень перспективно выглядят решения в области Digital Marketing (в том числе для ритейла), для финансовых рынков, включая анализ рисков и фондовый анализ, а также в сфере биоинформатики.

Американская компания Klout специализируется на мониторинге социальных сетей по запросам клиентов. Внедрение SQL Server 2012 и средств для бизнес-анализа Microsoft позволило анализировать массивы данных практически в режиме реального времени. Кроме того, позволило вывести на рынок новый сервис: определение индекса авторитета конкретного потребителя, который используется в основном банками для оценки платежеспособности потенциального заемщика или составления таргетированных персонифицированных предложений финансовых услуг.

Другой пример из мира игр. После выхода Halo 4 стартовал крупнейший турнир по игре Infinity Challenge. Участники бесплатного турнира боролись почти за три тысячи призов, среди которых был автомобиль, а также возможность стать героем новой игры из серии Halo. Чтобы своевременно обновлять таблицу лидеров и выявлять случаи мошенничества, был необходим гибкий инструмент анализа массивов данных. Кроме того, разработчики хотели узнать, сколько времени в среднем пользователи играют, какие именно сценарии и функции пользуются популярностью, а какие нет, и т.п., чтобы скорректировать свою маркетинговую стратегию. Использование решений Microsoft для анализа массивов данных позволило компании с успехом провести турнир и повысить уровень удовлетворенности игроков.

Решения Big Data помогают в поиске преступников. Департамент специальных расследований Таиланда отвечает за раскрытие серьезных преступлений. Объем информации разнообразной структуры, которой оперирует департамент, колоссален. Обработка данных и поиск необходимой информации требовали много времени, особенно в случаях, когда невозможно было задать четкие параметры запроса. По словам представителей Департамента, благодаря внедрению решения Microsoft для хранения и управления большими данными на основе SQL Server 2012, время обработки и анализа информации по ряду дел сократилось с двух лет до двух недель.

Чисто теоритически - любой бизнес может получить реальную выгоду, но в первую очередь, конечно, те сферы, где существует эффект масштаба по объемам данных, которые имеют различный характер, или области, где можно расширить горизонт анализа за счет новых «связанных» данных.

Например, в финансовой индустрии можно снизить риск мошенничества с кредитными картами. Для этого подозрительные транзакции могут рассматриваться в совокупности с информацией о пересечении границы держателем карты и его активностью в социальных сетях, где используется сервис Check-in. Или инвестиционные структуры - для оценки инвестиционной привлекательности той или иной компании могут пользоваться не только стандартными статистическими методами фондового рынка, но и проводить этот анализ совместно с данными из социальных сетей, онлайн публикаций, телевидения. Это позволит реагировать на такой фактор, как восприятие рынком перспектив компании, наличие скандалов, с ней связанных, или других причин, способных повлиять на оценку компании. Не говоря уже о Digital Marketing, который на основе инструментов Big Data выйдет на качественно новый уровень.

Обобщая, скажу, что Big Data прежде всего может быть использована для выявления взаимосвязей, влияющих на бизнес, которые раньше находились за пределами внимания. Это позволит более точно скорректировать стратегию и процессы, а в некоторых случаях создать абсолютно новую бизнес-идею, которая сможет существенно изменить перспективы компании на рынке.

Сегодня основным способом решения задач Big Data в бизнесе все еще остается привлечение профессиональных игроков, специализирующихся на внедрении этих технологий. Причем, одной из причин этого является новизна области и недостаток универсальных, недорогих и простых во внедрении и использовании инструментов. Но в настоящее время начинается процесс демократизации Big Data, или его консьюмеризации. И именно эта тенденция может принципиально изменить ситуацию и привести к действительно массовому распространению этой технологии. Тогда каждый бизнес будет способен не только осознать необходимость новых подходов к данным, но и реализовать его практически самостоятельно.