8 технологических революций Украины. Революция четвертая: Big Data
Несколько лет назад украинские бизнесы почти в один голос заговорили о предсказаниях. Розница, мобильные операторы и банки нашли новое применение огромным массивам данных, лежащих на серверах. Оказывается, с их помощью можно неплохо оптимизировать затраты и удержать уходящих клиентов. Liga.net и TECHIIA публикуют новую серию истории о 8 технологических революциях в Украине за время независимости. Наш герой — big data. В чем ее прелесть и где кроется опасность?
Сотни и тысячи. Сотни и тысячи рекламных сообщений атаковали ваши глаза с момента, как вы сегодня проснулись, и до того, как зашли в этот текст. В Facebook выскочили курсы английского, в Instagram — креативные пижамки, а YouTube подсунул «10 мифов о покупке автомобиля». В телефон упала SMS об акции на манго от ближайшего супермаркета. В почту — скидка на пылесосы от интернет-магазина.
Причем — с большой вероятностью — все это вам или уже нужно, или скоро понадобится.
Мы давно привыкли, что сервисы и приложения угадывают наши желания наперед. Политики знают, чем бы таким завлечь в предвыборных месседжах. Мы даже перестали задумываться, как они это делают. А тем временем генерируем такое количество данных, что удивляться и нечему. Просто бизнесы научаются работать с этой big data.
Причем — с большой вероятностью — все это вам или уже нужно, или скоро понадобится.
Мы давно привыкли, что сервисы и приложения угадывают наши желания наперед. Политики знают, чем бы таким завлечь в предвыборных месседжах. Мы даже перестали задумываться, как они это делают. А тем временем генерируем такое количество данных, что удивляться и нечему. Просто бизнесы научаются работать с этой big data.
Что вообще такое big data?
Прямой перевод термина плюс-минус верен — большие данные. То есть большие массивы структурированной и неструктурированной информации. Насколько большие? Тут в одной цифре сойтись сложно. Смотря, что за данные, смотря, из каких источников. Но десятки и сотни новых гигабайт в день уже подходят.
В современном варианте понятие big data заодно включает методы и инструменты анализа, обработки этих массивов. Часто хвостиком к нему цепляются термины data science и машинное обучение — их методы используются для построения моделей и выявления неочевидных закономерностей в данных. А цели могут быть разными. Об этом ниже.
В современном варианте понятие big data заодно включает методы и инструменты анализа, обработки этих массивов. Часто хвостиком к нему цепляются термины data science и машинное обучение — их методы используются для построения моделей и выявления неочевидных закономерностей в данных. А цели могут быть разными. Об этом ниже.
Big data в Украине — сравнительно молодая область. Активно о ней заговорили в 2016 году, параллельно с победой Дональда Трампа на выборах в США. Тогда глобальные СМИ активно обсуждали, что победу республиканцу обеспечили «большие данные». И политтехнологи, которые грамотно использовали эти данные для сверхтаргетированной рекламы в соцсетях.
Оказалось, что и наши бизнесы вполне себе умеют извлекать из данных коммерческую пользу.
Тут же начался шум, который периодически поднимается до сих пор. Мол, эти бизнесы продают наши персональные данные другим бизнесам, чтобы зарабатывать. Или сами на них наживаются. В ответ на это компании стабильно отвечают: мы не продаем персональные данные. Храним все на защищенных серверах, доступ строго регламентирован. Если имеем дело со внешними кейсами, то данные максимально анонимизируются. С запуском GDPR в Европе все стало еще жестче.
Через пару лет бигдата-хайп начал сходить на нет. Массовый рынок переключился на темы блокчейна и криптовалют, о больших данных начали говорить меньше. Зато пошел переход в реальные кейсы.
Оказалось, что и наши бизнесы вполне себе умеют извлекать из данных коммерческую пользу.
Тут же начался шум, который периодически поднимается до сих пор. Мол, эти бизнесы продают наши персональные данные другим бизнесам, чтобы зарабатывать. Или сами на них наживаются. В ответ на это компании стабильно отвечают: мы не продаем персональные данные. Храним все на защищенных серверах, доступ строго регламентирован. Если имеем дело со внешними кейсами, то данные максимально анонимизируются. С запуском GDPR в Европе все стало еще жестче.
Через пару лет бигдата-хайп начал сходить на нет. Массовый рынок переключился на темы блокчейна и криптовалют, о больших данных начали говорить меньше. Зато пошел переход в реальные кейсы.
«Big Data — это прежде всего прикладная технология. Сбор и обработка данных — это невидимый, рутинный процесс, проходящий практически незаметно. Люди восхищаются идеальной работой интернет-ритейла, благодаря за удобную подборку товаров и крутые акции. Однако, мало кто говорит «спасибо» алгоритмам, которые по капельке собирают данные, благодаря массиву которых возможны новые механизмы торговли. Big Data уже везде и всегда. Все собирают данные, некоторые даже не понимая зачем, но уверены, что пригодится»
Анализировать массивы данных есть смысл тем, у кого они в принципе есть хоть в каком-то адекватном виде. Бабушка, торгующая прессой на остановке, этого не сумеет. Пусть даже она продает сотни газет в день, но без собранных «следов» покупателей может полагаться разве что на интуицию.
Те же, кто информацию сохраняет и структурирует, в силах создать свою, цифровую интуицию. Самые понятные сегменты — это мобильные операторы, банки, ритейл. Засилье клиентских данных у них просто грех не превращать в новые кейсы. Понемногу к чисто «человеческим» задачам добавляются машинные — например, на крупных производствах.
Давайте разберемся, кто из них что умеет.
Те же, кто информацию сохраняет и структурирует, в силах создать свою, цифровую интуицию. Самые понятные сегменты — это мобильные операторы, банки, ритейл. Засилье клиентских данных у них просто грех не превращать в новые кейсы. Понемногу к чисто «человеческим» задачам добавляются машинные — например, на крупных производствах.
Давайте разберемся, кто из них что умеет.
Базам данных мобильных операторов позавидует любой. Они хранят информацию о звонках, сообщениях, трафике, перемещениях, движениях денег на счету и многом другом.
Например, в Киевстаре рассказывают, что ежедневный поток данных, доступных для анализа, составляет более 8 TB в сутки. Это бесценная информация не только о техническом состоянии сети, но и поведении клиента. А понимание поведения монетизируется очень хорошо.
Операторы используют анализ больших данных, чтобы удерживать существующих клиентов и увеличивать пользование какой-либо услугой. В Vodafone говорят, что раньше для этого основывались на сотнях показателей в разрезе одного номера. Сейчас - на десятках тысяч.
Также проекты, основанные на big data, помогают оптимизировать операционку: строительство и эксплуатацию телеком-сети, обслуживание клиентов, предотвращение мошенничества и другое.
Илья Польшаков, директор по развитию новых направлений бизнеса в Киевстар, считает ключевым внутренним кейсом компании CVM (customer value management) — управление жизненным циклом клиента. Оператор анализирует, какими услугами пользуется абонент, сколько при этом тратит. Благодаря аналитике, машинному обучению и обработке данных в реальном времени для клиентов подбираются оптимальные тарифы и услуги.
В Киевстар говорят, что по CVM удалось достичь эффекта в размере 2% от дохода оператора. Если учесть, что выручка компании в третьем квартале составила 5,8 млрд грн, то речь может идти о более 100 млн грн.
Vodafone наиболее масштабными кейсами считает увеличение абонентской базы за счет снижения оттока более, чем на 20% за 10 с лишним лет. В несколько раз увеличились доходы от допродажи услуг. А после внедрения 3G-4G наблюдали масштабный рост проникновения дата-пользователей.
Например, в Киевстаре рассказывают, что ежедневный поток данных, доступных для анализа, составляет более 8 TB в сутки. Это бесценная информация не только о техническом состоянии сети, но и поведении клиента. А понимание поведения монетизируется очень хорошо.
Операторы используют анализ больших данных, чтобы удерживать существующих клиентов и увеличивать пользование какой-либо услугой. В Vodafone говорят, что раньше для этого основывались на сотнях показателей в разрезе одного номера. Сейчас - на десятках тысяч.
Также проекты, основанные на big data, помогают оптимизировать операционку: строительство и эксплуатацию телеком-сети, обслуживание клиентов, предотвращение мошенничества и другое.
Илья Польшаков, директор по развитию новых направлений бизнеса в Киевстар, считает ключевым внутренним кейсом компании CVM (customer value management) — управление жизненным циклом клиента. Оператор анализирует, какими услугами пользуется абонент, сколько при этом тратит. Благодаря аналитике, машинному обучению и обработке данных в реальном времени для клиентов подбираются оптимальные тарифы и услуги.
В Киевстар говорят, что по CVM удалось достичь эффекта в размере 2% от дохода оператора. Если учесть, что выручка компании в третьем квартале составила 5,8 млрд грн, то речь может идти о более 100 млн грн.
Vodafone наиболее масштабными кейсами считает увеличение абонентской базы за счет снижения оттока более, чем на 20% за 10 с лишним лет. В несколько раз увеличились доходы от допродажи услуг. А после внедрения 3G-4G наблюдали масштабный рост проникновения дата-пользователей.
Мобильный оператор: улучшить, показать, продать
«Мы с высокой точностью знали, на какое сообщение лучше всего отреагирует конкретный клиент. Эффективность таких недорогих для компании коммуникаций в несколько раз превосходила затратные ATL-коммуникации (реклама в традиционных СМИ, - Ред.)».
Владимир Рыбалко
руководитель направления Big Data Vodafone
руководитель направления Big Data Vodafone
Несколько лет назад появилась новая идея. Вслед за зарубежными коллегами украинские операторы решили монетизировать свои данные с помощью внешних компаний. Еще бы — у крупнейших — Киевстар и Vodafone — на двоих больше активных сим-карт, чем жителей Украины. Такие базы хорошо экстраполируются на маркетинговые задачи.
«Первые кейсы по внешней монетизации данных появились в 2015-2016 году, когда для организаций-заказчиков были разработаны решения для таргетированной рассылки SMS своим клиентам, подтвердившим получение рекламных сообщений», — вспоминает Илья Польшаков.
Как мобильный оператор выбирает, кому слать рекламные сообщения заказчика?
Иногда, конечно, кажется, что шлет как попало. Но все сложнее. Заказчик — ритейл, банк или другой бизнес — описывает оператору профиль желаемого клиента: живет/работает там-то, пол такой-то, достаток такой-то. Оператор с какой-то точностью вычисляет таких клиентов в своей базе и делает на них рассылку. Есть еще формат look alike. Заказчик выбирает из своей базы «хороших» клиентов, передает оператору их номера телефонов без какой-либо персональной информации. Алгоритмы выискивают в них общие признаки, а потом предложение рассылается другим абонентам оператора, которые имеют похожий портрет.
Экс-B2B-директор Киевстар в начале года рассказывал Liga.Tech, что 70-80% попадания уже считается хорошим результатом. Поэтому, если вам прилетело что-то ненужное, возможно, вы попали как раз в 20-30%.
Да, здесь речь не идет о спам-рассылках служб такси и SMS от мошенников «вы выиграли квартиру» или «вам заблокировали карту». Там своя история.
Экс-B2B-директор Киевстар в начале года рассказывал Liga.Tech, что 70-80% попадания уже считается хорошим результатом. Поэтому, если вам прилетело что-то ненужное, возможно, вы попали как раз в 20-30%.
Да, здесь речь не идет о спам-рассылках служб такси и SMS от мошенников «вы выиграли квартиру» или «вам заблокировали карту». Там своя история.
Позже операторы заговорили о проектах для финансового сектора. Там научились высчитывать свой скоринговый балл. Эта абстрактная цифра формируется на анализе сотен и тысяч параметров поведения абонента. Она отправляется банку-заказчику. А тот в совокупности с другими оценками принимает решение, выдавать ли человеку кредит. Так можно снизить риск мошенничества.
Еще один инструмент мобильных операторов — так называемые «тепловые карты» (heat maps). Ведь в базе сохраняются и данные о перемещении конкретных сим-карт. Если выборка достаточно большая, оператор может показать их маршруты, не раскрывая личных данных абонентов.
Банкам и ритейлерам интересно узнать, где живет и как перемещается их потенциальный клиент, чтобы правильно расположить отделения, магазины, банкоматы. Городским властям и коммунальным предприятиям это помогает оптимизировать нынешние маршруты городского транспорта, запускать новые, понимать, где строить объекты инфраструктуры. Или даже загрузить аэропорты.
Казалось бы, SMS, скоринги — ну что такого? Но в том же Киевстаре их считают якорными внешними кейсами.
Еще один инструмент мобильных операторов — так называемые «тепловые карты» (heat maps). Ведь в базе сохраняются и данные о перемещении конкретных сим-карт. Если выборка достаточно большая, оператор может показать их маршруты, не раскрывая личных данных абонентов.
Банкам и ритейлерам интересно узнать, где живет и как перемещается их потенциальный клиент, чтобы правильно расположить отделения, магазины, банкоматы. Городским властям и коммунальным предприятиям это помогает оптимизировать нынешние маршруты городского транспорта, запускать новые, понимать, где строить объекты инфраструктуры. Или даже загрузить аэропорты.
Казалось бы, SMS, скоринги — ну что такого? Но в том же Киевстаре их считают якорными внешними кейсами.
«Эти проекты наиболее востребованы среди бизнес-клиентов и приносят Киевстар ежегодно сумму, которая составляет 1% от годового дохода компании» — говорит Илья Польшаков. А это, на минуточку, 190 млн грн.
Дальше — больше.
Vodafone планирует покорять новые рынки: страховых, букмекерских услуг, медийной рекламы. А в Киевстар переходят от индивидуальных проектов для крупных клиентов к интегрированным решениям, где в одной системе увяжутся датчики интернета вещей, инструменты анализа данных и автоматизации процессов. И к big data сервису, которым малый и средний бизнес может пользоваться «в режиме самообслуживания».
И здесь, и в Киевстар будущее видят за открытыми API — когда компании начнут обмениваться анонимизированной информацией, консолидировать ее и за счет этого снижать операционные риски и повышать эффективность бизнесов.
Vodafone планирует покорять новые рынки: страховых, букмекерских услуг, медийной рекламы. А в Киевстар переходят от индивидуальных проектов для крупных клиентов к интегрированным решениям, где в одной системе увяжутся датчики интернета вещей, инструменты анализа данных и автоматизации процессов. И к big data сервису, которым малый и средний бизнес может пользоваться «в режиме самообслуживания».
И здесь, и в Киевстар будущее видят за открытыми API — когда компании начнут обмениваться анонимизированной информацией, консолидировать ее и за счет этого снижать операционные риски и повышать эффективность бизнесов.
Обычным делом для банков стала попытка предсказать отток или дефолт клиента, как это давно делают ОщадБанк, Альфа-Банк, Укрсиббанк, Monobank. Кредитная и платежная история, анкета и внешние данные (вроде упомянутых выше баллов оператора) дают возможность понять, вернет ли человек кредит, за которым пришел. Или заметить, что клиент вот-вот убежит к конкуренту.
Маркетинговые задачи здесь тоже популярны. Например, сообщить о новых условиях депозита. Или бонусах за активный переход на безнал.
Маркетинговые задачи здесь тоже популярны. Например, сообщить о новых условиях депозита. Или бонусах за активный переход на безнал.
Банк: привлечь, отсеять, угадать
Как банки продвигают безналичные платежи?
Чтобы клиенты активнее переходили на оплаты картами и девайсами, банки даже готовы их поощрять. Но отправлять мотивацию на весь клиентский портфель — это большие издержки, потому что напоминать нужно не раз и не два. Поэтому строятся модели прогноза — кто лучше среагирует на кампанию? В результате клиенты разделяются на сегменты. А банк дальше выбирает. Или слать предложение только тем, кто с большей вероятностью включится в акцию. Или на другой сегмент, где вероятность меньше, но их все же нужно приучить пользоваться картой.
А вообще банки, как и другие отрасли, очень стремятся к персонализированному подходу.
В ПриватБанке, например, говорят, что первая задача в работе с big data — настроить связь с клиентом для сбора фидбека и настройки аналитики для создания новых продуктов. Big data в данном случае — это информация о платежной активности клиента.
В ПриватБанке, например, говорят, что первая задача в работе с big data — настроить связь с клиентом для сбора фидбека и настройки аналитики для создания новых продуктов. Big data в данном случае — это информация о платежной активности клиента.
«В начале пути мы проанализировали платежное поведение клиентов, чтобы выделить несколько основных групп по экономическому поведению и таргетировать информацию и предложения».
Олег Серга
пресс-секретарь ПриватБанка
пресс-секретарь ПриватБанка
Этот проект в банке начали три года назад. А в этом году запустили проект «узнавания». Smart-камера в отделении распознает клиента, и ему предлагают услугу, за которой он, вероятнее всего, пришел.
Конечная цель — точно знать, какие услуги, в каком канале нужны клиенту в данный момент, и предложить ту услугу, которая ему будет, вероятно, нужна в следующий момент.
Конечная цель — точно знать, какие услуги, в каком канале нужны клиенту в данный момент, и предложить ту услугу, которая ему будет, вероятно, нужна в следующий момент.
Конечно, с big data пробует работать именно крупный, хорошо оцифрованный ритейл. Анализ своих и внешних данных помогает выгодно расположить магазин, предсказать ассортимент, угадать потребность конкретного покупателя.
К примеру, в Сільпо с 2006 года действует программа «Власний рахунок». Постоянные покупатели заполняют анкеты - и это дает понимание его портрета. Как рассказывают в компании, сейчас у «Власного рахунка» 13 млн участников. Этот массив больших данных — эффективный исследовательский и маркетинговый инструмент.
К примеру, в Сільпо с 2006 года действует программа «Власний рахунок». Постоянные покупатели заполняют анкеты - и это дает понимание его портрета. Как рассказывают в компании, сейчас у «Власного рахунка» 13 млн участников. Этот массив больших данных — эффективный исследовательский и маркетинговый инструмент.
Супермаркет: продать, представить, удивить
«Персонализированные предложения программы «Власний рахунок», которые получает каждый постоянный гость Сільпо, также основаны на Big Data и истории покупок, чтобы привлекать, развивать и удерживать гостей в сети в зависимости от маркетинговых задач», — объясняет Андрей Кузьменко, руководитель департамента взаимоотношений с гостями Fozzy Group.
Осенью 2018 года программу дополнило приложение, в котором уже около 800 000 пользователей. Как говорят в Сільпо, участники программы «Власного Рахунка» в за 2010-2018 годы сэкономили более 3,962 млрд грн — и это положительно повлияло на продажи всей сети.
А при прогнозе продаж в новых супермаркетах компания учитывает данные бизнес-активности и структуры аудитории. В Сільпо разработали несколько разных ассортиментных матриц — в зависимости от целевой аудитории и месторасположения. В каждом супермаркете они могут корректироваться на основе больших данных, включая агрегированную статистику «Власного рахунка». Для этого анализируют чеки, профайлы гостей, результаты каждого конкретного магазина и многие другие параметры.
Но не все крупные компании уже перешли к таким схемам. Например, в АТБ, где огромный поток людей, сообщили, что big data в бизнес-процессах не применяют.
А при прогнозе продаж в новых супермаркетах компания учитывает данные бизнес-активности и структуры аудитории. В Сільпо разработали несколько разных ассортиментных матриц — в зависимости от целевой аудитории и месторасположения. В каждом супермаркете они могут корректироваться на основе больших данных, включая агрегированную статистику «Власного рахунка». Для этого анализируют чеки, профайлы гостей, результаты каждого конкретного магазина и многие другие параметры.
Но не все крупные компании уже перешли к таким схемам. Например, в АТБ, где огромный поток людей, сообщили, что big data в бизнес-процессах не применяют.
Украинские промышленные компании уже пробуют внедрять наработки big data в свои процессы. Пока не рассказывают об этом широко: кто-то реализует пилот, кто-то просто придерживает ноу-хау.
Что вообще можно делать?
Например, в производстве металлических изделий есть проблема с браком. Обнаружить его можно лишь в конце цикла. До этого изделие проходит большое количество этапов нагрева и охлаждения. А это все затраты электричества. Если же на каждом этапе собирать показатели изделия, то в конце концов на исторических данных можно построить модель предсказания брака на более раннем этапе. С определенным допущением, конечно, но все равно сэкономить.
Кейс с другого полюса — птицеферма. Как недавно объясняли Liga.Tech представители компании Intelsoft, в курятнике есть разнообразные датчики: сколько курам зашло воды, влажность, освещение, температура и т.д. В совокупности все они влияют на то, какого размера вырастет птица. Зная наперед результат, компания-производитель куриного мяса может лучше спланировать экспорт.
И незаметный для каждого из нас, но очень важный пример — энергетика. Каждый поставщик электроэнергии озадачен тем, как произвести ее ровно столько, сколько понадобится потребителю. От этого зависят и срезание лишних затрат на генерацию, и отсутствие пикетов из-за перегрузок и потухших районов по вечерам.
С предсказанием потребления энергетикам помогают айтишники. Хорошие новости — как рассказывал в интервью Liga.Tech вице-президент по инжинирингу Luxoft, точность прогноза достигает 95%. И борьба идет за сотые доли процента. За счет этого все легче управлять генерацией и избегать пиковых нагрузок. Правда, он же говорил, что в Украине это пока в очень зачаточном состоянии.
Что вообще можно делать?
Например, в производстве металлических изделий есть проблема с браком. Обнаружить его можно лишь в конце цикла. До этого изделие проходит большое количество этапов нагрева и охлаждения. А это все затраты электричества. Если же на каждом этапе собирать показатели изделия, то в конце концов на исторических данных можно построить модель предсказания брака на более раннем этапе. С определенным допущением, конечно, но все равно сэкономить.
Кейс с другого полюса — птицеферма. Как недавно объясняли Liga.Tech представители компании Intelsoft, в курятнике есть разнообразные датчики: сколько курам зашло воды, влажность, освещение, температура и т.д. В совокупности все они влияют на то, какого размера вырастет птица. Зная наперед результат, компания-производитель куриного мяса может лучше спланировать экспорт.
И незаметный для каждого из нас, но очень важный пример — энергетика. Каждый поставщик электроэнергии озадачен тем, как произвести ее ровно столько, сколько понадобится потребителю. От этого зависят и срезание лишних затрат на генерацию, и отсутствие пикетов из-за перегрузок и потухших районов по вечерам.
С предсказанием потребления энергетикам помогают айтишники. Хорошие новости — как рассказывал в интервью Liga.Tech вице-президент по инжинирингу Luxoft, точность прогноза достигает 95%. И борьба идет за сотые доли процента. За счет этого все легче управлять генерацией и избегать пиковых нагрузок. Правда, он же говорил, что в Украине это пока в очень зачаточном состоянии.
Производство: предотвратить и предсказать
Государство: проверить, дать, согласовать
Государство пока не слишком распространяется о планах на big data. Может, не хочет нас пугать в стиле Оруэлла. Хотя отдельные элементы уже применяет.
К примеру, в этом году Минсоцполитики запустила пилот по выявлению мошенников среди людей, которые обращаются за социальной помощью. Стандартный скоринг, как у банков, добрался и до министерских кабинетов. По прикидкам это может сэкономить Украине миллиарды.
Другое направление — оптимизация госуслуг. Минцифры уже пробует, ориентируясь на фидбеки от граждан, выбирать приоритетные услуги для оцифровки. Возможно, это поставят на поток: чтобы анализировать количество и типы обращений за госуслугами, адаптировать услуги.
К примеру, в этом году Минсоцполитики запустила пилот по выявлению мошенников среди людей, которые обращаются за социальной помощью. Стандартный скоринг, как у банков, добрался и до министерских кабинетов. По прикидкам это может сэкономить Украине миллиарды.
Другое направление — оптимизация госуслуг. Минцифры уже пробует, ориентируясь на фидбеки от граждан, выбирать приоритетные услуги для оцифровки. Возможно, это поставят на поток: чтобы анализировать количество и типы обращений за госуслугами, адаптировать услуги.
«Мне кажется, что очень интересный этап будет с начала следующего года, когда наши технологии будут интегрированы в проекте «Государства в смартфоне».
Олег Серга
пресс-секретарь ПриватБанка
пресс-секретарь ПриватБанка
Третье направление — здравоохранение. Реформа и уход в онлайн могут вывести предсказательную медицину на новый уровень. Но пока мы лишь привыкаем к новым системам и накапливаем шишки и данные о пациентах.
«Очень хотелось бы, чтобы в Украине Big Data нашла применение в медицине и прочих социальных сферах. Огромное количество носимой электроники собирает каждую секунду гигабайты информации о физической активности, здоровье и сне. Во многих странах это уже используется для предупреждения заболеваний и увеличения срока жизни».
Пока же необъятные открытые данные государства обрабатывают внешние сервисы. Об этом мы детально рассказывали в предыдущей серии.
На десерт — политика: прийти, настроить, победить
В теме big data несправедливо будет не упомянуть политический случай. Тем более, у нас было что-то вроде «своего Трампа».
Еще весной кейс описал Михаил Федоров, диджитал-стратег предвыборной кампании Владимира Зеленского, нынешний министр цифровой трансформации. По его словам, команда кандидата собрала несколько сотен тысяч анкет от волонтеров, которые делились жалобами и предложениями в свободной форме. Затем обработали все ключевые слова, разделили людей на 32 сегмента: по социальным ролям, социальному статусу и потребностям.
Еще весной кейс описал Михаил Федоров, диджитал-стратег предвыборной кампании Владимира Зеленского, нынешний министр цифровой трансформации. По его словам, команда кандидата собрала несколько сотен тысяч анкет от волонтеров, которые делились жалобами и предложениями в свободной форме. Затем обработали все ключевые слова, разделили людей на 32 сегмента: по социальным ролям, социальному статусу и потребностям.
«Исходя из этих сегментов мы понимали, кому мы больше всего интересны, кто больше всего хочет с нами взаимодействовать. Мы выделили из них 7 ключевых: айтишников, мам, людей, которые поддерживают определенные пункты программы, и т.д. И работали с этими сегментами», — рассказал Михаил Федоров.
А дальше диджитальщики хорошо поигрались с таргетингом Facebook. «Мы разложили всю [предвыборную] программу от 30 до 70 тезисов. И этими тезисами таргетировали в разные сегменты«, — объяснял Михаил.
Действительно: если сравнить количество предвыборных рекламных объявлений в Facebook у Петра Порошенко и Владимира Зеленского, оно отличается в десятки раз. Порошенко бил по широким аудиториям одним сообщением. Зеленский — множеством месседжей по маленьким аудиториям.
Действительно: если сравнить количество предвыборных рекламных объявлений в Facebook у Петра Порошенко и Владимира Зеленского, оно отличается в десятки раз. Порошенко бил по широким аудиториям одним сообщением. Зеленский — множеством месседжей по маленьким аудиториям.
Вместо итого
Есть ли опасность в том, что наши данные будут использовать нам же во вред? Об этом много говорили после выборов Трампа и Brexit. О том, как Google, YouTube, Facebook обесчеловечивают нас за счет постоянного анализа нашей активности, говорят сами экс-сотрудники этих компаний. Данные стали новым опасным золотом — недаром Европа крепко взялась за GDPR.
Здесь справедливо напомнить, что в эпоху экономики внимания стоит развивать критическое мышление. Тогда big data будет полезной частью повседневности, а манипуляции с ней пользователи сервисов минимизируют сами. Хотя, конечно, это вечная битва между благом и вредом. И граница ее проходит в каждом отдельном человеке.
Здесь справедливо напомнить, что в эпоху экономики внимания стоит развивать критическое мышление. Тогда big data будет полезной частью повседневности, а манипуляции с ней пользователи сервисов минимизируют сами. Хотя, конечно, это вечная битва между благом и вредом. И граница ее проходит в каждом отдельном человеке.
Конечно, всегда есть риск использования данных по Оруэллу и получения контроля над населением страны. Но хочется верить, что анализ огромного количества информации сделает общество более свободным, защищенным и здоровым. Автопилоты, профилактическая медицина, комфортный шопинг, улучшение экологии и гибкое взаимодействие инфраструктуры города с его жителями — уже рядом и очень плавно и незаметно входят в нашу жизнь. Без хайпа, революций и прорывов. Просто завтра жить без всего этого будет очень некомфортно. И за все это мы будем благодарить успешные стартапы и крутые корпорации.
Текст: Евгений Шишацкий
Фото и иллюстрации: ТECHIIA, Liga.net
Дата публикации: 15.11.2019 г.
© 2019 Все права защищены.
Информационное агентство ЛІГАБізнесІнформ
Фото и иллюстрации: ТECHIIA, Liga.net
Дата публикации: 15.11.2019 г.
© 2019 Все права защищены.
Информационное агентство ЛІГАБізнесІнформ
