Биг дата в маркетинге: Большие данные, Big Data, биг дата, принципы и методы обработки

Содержание

Только 17% компаний принимают решения на основе данных, хотя всем известны преим…

1. Сегментация клиентов

Сегментировать клиентов – это простой, но действенный способ использовать данные в Email-маркетинге. Фиксируйте действия, покупки, характеристики клиентов и вы поймете, какой контент будет интересен каждому. Сделайте Email персонализированным каналом общения с покупателем.

74% маркетологов отмечают рост вовлеченности после сегментированных Email-рассылок. Это позволяет увеличить ROMI до 760%.

Пример:

Не отправляйте одинаковое письмо теплому лиду и совсем новому подписчику. Если лид: а) посещал целевую страницу несколько раз; б) смотрел информацию о цене; в) проявлял интерес другими способами, отправьте ему промо-письмо по целевому продукту. Новым подписчикам отправьте цепочку писем с интересным контентом. Он увеличит интерес и сформирует дополнительную ценность.

Используйте Email-маркетинг для отправки автоматических писем, которые смогут продвинуть лид по воронке продаж.

2. Повышение лояльности клиентов

32% руководителей компаний отдают приоритет удержанию клиентов. Это не удивительно, ведь привлечение новых обходится в 5-25 раз дороже, чем сохранение существующих.

При повышении клиентской лояльности нужны данные. И чем больше, тем лучше. Анализируйте продажи, и вы поймете, какие товары еще можно предложить. К примеру, у вас есть три похожих продукта в ассортименте, и клиент покупал два из них. Высока вероятность, что он будет чувствителен к рекламе третьего продукта.

В дополнение к персонализированному Email-маркетингу, загрузите узкий сегмент своих клиентов в Facebook или VK. Потом запустите в социальной сети рекламу на эту аудиторию и продвигайте свой продукт. Эти люди уже знают ваш бренд, а значит конверсия будет выше, чем при привлечении новых клиентов.

Настройте триггеры так, чтобы клиенты получали автоматические письма в определенные события, в день рождения или при отправке заказа.

Не считайте целью удержания – вытащить как можно больше денег из клиента.

Дарите потрясающий клиентский опыт, отправляйте персональный контент и индивидуальные предложения. Это даст больше выгод в долгосрочной перспективе. Это прибыльнее.

3. Визуализация данных

90% маркетологов почти не используют визуализацию данных в своей работе. А зря! Она понятнее для зрителя, нежели страницы текста. Она позволяет быстрее донести основные мысли до читателя.

Визуализацию и инфографику часто считают синонимами, но это не так.

Визуализация – это способ переводить данные в графическую форму. Инфографика – способ рассказать и последовательно объяснить какую-то тему. Визуализация является одним из ключевых элементов инфографики, но в то же время автономным.

Переводите ваши данные в красочный визуальный ряд. Это полезно для анализа. Удобнее изучать динамику продаж, когда у вас перед глазами есть график.

4. Разработка новых продуктов

Предиктивный анализ относится к изучению данных о прошлом для вычисления вероятности будущем. Если у вас есть огромный объем информации, предиктивный анализ может помочь при внедрении нового продукта или услуги.

Те, кто работает в сфере торговли, знают, что лишь несколько продуктов приносят большую часть прибыли, в то время, как остальные товары неликвидные. По этой причине, расширение ассортимента может походить на азартную игру.

Пример:

Netflix – это бренд, который мастерски владеет искусством предиктивного анализа. На основе огромного объема данных, Netflix устанавливает признаки потенциально успешного фильма или телешоу.

Предиктивный анализ позволил Netflix создать сериал «Карточный домик», который имеет огромный коммерческий успех. Звезду сериала Кевина Спейси и продюсера Дэвида Финчера подобрали неслучайно. Анализ данных показал, что зрители Netflix в восторге от их предыдущих работ.

Предиктивный анализ не сможет гарантировать успех при разработке нового продукта, но он существенно повысит ваши шансы.

5. Снижение коэффициента оттока клиентов

Используйте предиктивный анализ для уменьшения коэффициента оттока. Составьте список клиентов, которые имеют высокую вероятность ухода. Одним из факторов оттока может быть период неактивности в личном кабинете.

Теперь разработайте и запустите кампанию для возврата. Это может быть предложение специальных бонусов, которые покажут клиенту, что вы им дорожите.

6. Прогнозирование продаж

Изучите модели покупок клиентов. Это позволит делать прогноз продаж на будущее.

Посчитайте клиентские метрики: цену привлечения, средний чек, пожизненную ценность клиента. Так вы поймете, сколько выручки принесет каждый новый клиент в будущем. Если вы не считаете эти метрики, то вам сложно проводить эффективные маркетинговые мероприятия.

При прогнозе продаж рассчитывайте пессимистичный вариант. Прогноз – это вероятность и не может быть абсолютно достоверными. Имейте запасной план, если продажи пойдут не так хорошо, как ожидалось.

Заключение

Работа с данными, аналитика и прочие сопутствующие элементы маркетинга, основанного на данных, регулярно попадают в списки основных трендов на год.

Но распространенность этого подхода все равно растет низкими темпами. Многие маркетологи слабо владеют или не владеют вовсе статистическим аппаратом и не понимают, как работать с данными. И эта ситуация применима и к США, и к Европе, и к другим странам. Однако возможности аналитического подхода в маркетинге поистине безграничны. Они позволят увеличить эффективность кампаний в разы, лучше обосновывать мероприятия и выявлять ранее незаметные закономерности.

Помните, что маркетинг – это не только креативность, но еще и сухой математический расчет.

Источник — https://datmark.ru/how-to-use-big-data-in-marketin…

Big Data в цифровом маркетинге | Вебинар

Если в вашей клиентской базе тысячи человек, ее нужно сегментировать, чтобы персонализировать коммуникации с пользователями и сделать их эффективнее. Все это понимают, но не все делают — работа с большими данными кажется сложной, непонятно, с чего начать.

На вебинаре мы постараемся сделать эту тему понятнее: расскажем, как объединить все данные о клиентах в одном хранилище, использовать их для персонализации рекламных кампаний и сегментации аудитории.

Программа вебинара

  • Как свести в одну базу данных действия пользователей на сайте, рекламные расходы, офлайн-данные о заказах, товарах и клиентах.

  • Как решить проблему с разрозненностью и разными форматами данных.

  • Как персонализировать сайт и рекламные кампании. На какие сегменты можно разделить аудиторию и как с ними взаимодействовать.

  • Какие рекламные инструменты использовать для увеличения выручки от текущих клиентов и привлечения новых.

По каждому пункту мы приведем реальные примеры из разных областей: ритейла, мобильных игр и приложений. Во время трансляции с удовольствием ответим на ваши вопросы, а после вебинара пришлем письмо с полезными ссылками и статьями по теме.

Кому будет полезен вебинар

Маркетологам, маркетинг-аналитикам, директорам по маркетингу, владельцам компаний и всем, кто хочет сделать свой бизнес успешнее с помощью больших данных.

​Big Data в маркетинге – пустая трата денег?

Учредитель собственного маркетингового агентства с огромной по российским меркам историей, Михаил Дымшиц, выступая на конференции Russian Tech Week, раскрыл теорию о том, что на самом деле обещанные Big Data маркетинговые преимущества лживы, либо не являются чем-то эксклюзивным для этих технологий.


Мы выделили основные тезисы выступления, а затем попросили автора дополнить их в небольшом интервью.

«Big Data – тема уже не модная»

Интерес к Big Data на сегодняшний день, можно считать, стабилизировался. После этой стабилизации начнется снижение интереса. В каких-то областях Big Data может остаться, но в целом понятно, что Big Data – тема уже не модная, она носит операционный характер.

Big Data обещает нам целый ряд преимуществ:

  • создание наиболее точного портрета целевого потребителя;
  • предсказание реакции потребителя на маркетинговые сообщения;
  • персонализацию рекламных сообщений;
  • оптимизацию производства и стратегий распределения;
  • создание цифрового маркетинга;
  • сохранение большего числа клиентов путем наименьших трат;
  • получение лучшего представления о собственном продукте, компании и так далее.

Часть из этих утверждений являются не исключительно «бигдатовскими», часть – абсолютно лживы.

Например, персонализация рекламных сообщений. Этому механизму ровно столько, сколько существует личное общение, связанное с продажами. Любой рыночный продавец в мастерстве персонализации даст сто очков вперед любому сммщику или маркетологу.

Сохранение большего числа клиентов путем наименьших трат? По отношению к Big Data это просто ложное утверждение. Сами по себе технологии Big Data, анализ Big Data – это очень дорогая процедура, и те действия, которые следуют из нее, они тоже безумно дороги.

Во всем этом кроется несколько базовых очень глубоких ошибочных предположений. Это касается не только Big Data, но и практически всей маркетинговой деятельности, которая направлена на индивидуальное преследование.

Big Data, в отличие от классического, статистического маркетинга, который работает с моделью потребителя, целевой группой, пытается создавать наиболее точный портрет целевого потребителя.

Базовое предположение: зная предыдущее поведение человека, мы можем предсказывать его будущее поведение, – это и есть ключевая ошибка. Мы знаем как ведут себя группы, но чем лучше мы знаем как себя вел человек, тем хуже мы предсказываем его последующее поведение.

Вообще мы сами о себе склонны думать, как о людях с достаточно постоянным поведением. Но если вы будете четко фиксировать свое поведение, то заметите, что у вас есть базовые маршруты, но самое интересное случается, когда вы отклоняетесь от них. И именно в этот момент вы представляете интерес для маркетологов. Все траты, которые человек совершает, они чаще всего совершаются по маршруту, про который система не знает.

При анализе Big Data маркетологи компании вдруг видят, что какой-то маршрут у человека повторяется два раза в год. Решают – будем ловить его на этом маршруте. Они садятся и ждут, но третий раз по этому маршруту человек может не пройти. Потому что практически вся система Big Data и все представления, и все, что дает Big Data, построено на аффинити – на абсолютно малых величинах признаков.

Дело в том, что нам действительно свойственны некоторые типы поведения. Но у людей, которые представляют наибольший коммерческий интерес, поведение разнообразно и не типично. Даже если провести попытку психологической типизации этих людей, то известно, что чем более высокий уровень дохода, тем больше эта группа с точки зрения психиатрии классифицируется как «мозаичные психопаты».

Конкретное поведение всегда конкретно, очевидно и игнорирует всякие происходящие события, но сам по себе набор поведенческих событий очень разнообразен и поведение в разных ситуациях разное. Соответственно, чем больше у человека уровень дохода, тем хуже мы можем предсказывать его поведение индивидуально. Опять же, это не значит, что мы не можем предсказывать поведение группы.

Например, при анализе данных вы получаете информацию, что люди, приходящие с какого-то сайта, совершают необходимое вам действие на вашем. И дальше логичным предположением будет сделать ретаргетинг этих посетителей на других сайтах. Проблема логики в том, что внутри себя логика не содержит проверки истинности.

Ключевым моментом здесь является то, что типичная доля предыдущего сайта, в аудитории посетителей другого сайта, не связанного тематически, минимальна. Дело в том, что сам по себе такой сдвиг мы получаем только на признаках, которые имеют очень малое проникновение. И нужно понимать, что в офлайне носитель считается имеющим маленькую аудиторию в целевой группе, если еженедельная аудитория меньше пяти процентов.

Во всех отчетах по Big Data мы видим, прежде всего, аффинитаж (аффинити-индекс – индекс, который определяет долю целевой аудитории в массе базовых потребителей – Executive.ru). Проникновения, параметры проникновения зачастую вообще скрыты, потому что они очень низкие. В итоге получается, что аффинити для малых, менее одного процента, групп вообще не имеет смысла.

Вообще, дело в том, что аффинити – это цифра очень высокая, там можно получить 400, 500, но если вы построите график рассеивания аффинити, в зависимости от величины, то вы увидите удивительную вещь. Если мы видим, что есть площадки, которые имеют высокий аффинити, то чисто статистически должно быть примерно такое же количество площадок, которые имеют низкое аффинити. То есть, если эта группа что-то предпочитает, то должна и что-то игнорировать.

Но если вы сделаете такой анализ, вы увидите, что количество площадок, у которых высокий аффинити, составляет 85% проанализированных площадок. Почему такой перекос? Дело в том, что это связано с тем, что низкие проникновения мы получаем у людей, у которых выше среднего количество посещенных площадок в принципе. То есть там основой является гиперактивность этих людей, а не их интересы, склонности или еще что-то.

Вообще аффинити-индекс больше 150 должен у вас вызвать подозрение, что он определяется не тем, чем бы вам хотелось. Чаще всего в основе этих высоких аффинити лежит просто более высокая, чем в среднем, активность тех людей, которые порождают вот эти измеряемые данные.

Поведение конкретного человека неустойчиво, но поведение групп, в среднем, устойчиво. Поэтому преследование групп дает более устойчивый результат, чем преследование индивидуальное.

Еще одна типичная маркетинговая ошибка. Видят устойчивость доли и количества покупок какого-то бренда в течение многих лет на уровне 20%. Из этого делается вывод, что вот эти 20% – это всегда одни и те же люди. Но если это товар повседневного спроса, который покупается в среднем раз в месяц, то за полгода этот товар покупает 70%, а то и 80% покупателей товарной группы. Просто на каждом цикле покупки их только 20%, а за 6 циклов покупки проникновение получается больше половины. То есть устойчивость распределения еще не означает, что это распределение создают одни и те же люди в одном и том же статусе.

Еще большая проблема с Big Data это использование данных из соцсетей. Нужно понимать, что большая часть событий у людей не находит никакого отражения в социальных сетях. Например, посещение магазинов и аптек. Недавно мне довелось аудировать исследования, аптечная сеть дала базу – 800 тыс. клиентов оставили свои идентификаторы. Их нашли в социальных сетях, но из них те или иные сообщения, связанные с этой аптекой, оставили менее тысячи.

Что мы будем теперь делать с нашим знанием о том, что мы нашли этих людей? Ничего. Покупка товаров повседневного спроса, посещение кино, вообще все, что угодно – люди репрезентируют себя в социальных сетях только маленькой частью своей жизни. А те, у кого жизнь большая и разнообразная, репрезентируют еще меньшую ее часть. Известно, что 80% сообщений в соцсетях создает 7% пользователей. Остальные просто наблюдают за чужой жизнью.

Что же теперь, не использовать Big Data?

Executive.ru: В своем выступлении вы занимаете позицию «противника» Big Data в маркетинге…

Михаил Дымшиц: Нет, не противника. Это неправильное выражение. Быть противником Big Data и методов на них основанных просто глупо. Но есть некие источники информации, к которым формируется некий уровень ожидания, и большая часть ожиданий не реализуется.

Есть задачи, которые Big Data решает. Тут просто нужно различать, какие задачи корректны. Более того, отдельная проблема связана с тем, что люди эти задачи не правильно формулируют.

Технически вы можете рассчитать и получить некие статистические, формально достоверные результаты. Но эти результаты при этом бесполезны. То есть сама по себе возможность проведения операции еще не говорит о том, что-то что вы обсуждаете является содержательным, имеет некое конкретное содержание.

Executive.ru: То есть, возможно, не хватает средств использование этих Big Data?

М. Д.: Нет, нет, со средствами все хорошо. Это вопрос постановки задачи. Есть задачи, которые вообще ставить бессмысленно.

Executive.ru: Какие например?

М. Д.: Ну, допустим, анализ потребительского поведения, исходя из тем, которые люди обсуждают в социальных сетях. Условно говоря, когда аптечная сеть находит 800 тыс. своих покупателей по ID, выясняется, что реально следы в обсуждениях, посты в социальных сетях, связанные с посещением аптек сети, оставляют мизерные доли. Становится понятно, что в соцсетях анализировать поведение и отношение к аптечной сети бессмысленно. И это, собственно говоря, касается практически всего.

Executive.ru: Но возьмем вот этот пример. Пусть из них лишь тысяча обсуждала свое посещение аптеки, но ведь мы получили данные об этих 800 тыс. и мы можем, допустим, настроить на них таргет какой-нибудь акционный. У нас ведь есть данные, что они в принципе посещали.

М. Д.: В данном случае стоимость подобных мероприятий заоблачная. Вот. Не говоря о том, что отклик на подобные мероприятия – мизер. Этот случай – история как раз о том, что технически мы можем это сделать, а по факту это делать абсолютно нецелесообразно. Такие же деньги, потраченные на обычное рекламирование, дадут гораздо больший эффект.

Понимаете, это из серии, что вы можете переходить дорогу, перебегая перед потоком и в общем достаточно долго этим заниматься, но правильнее дойти до пешеходного перехода и перейти по циклу. Это безопаснее, а значит – разумнее. Все эти компании по ретаргетингу в социальных сетях по осмысленности соответствуют перебеганию Садового кольца в час пик.

Executive.ru: А есть у вас какой-нибудь реальный пример? К вам обратились клиенты какие-нибудь и говорят: «Вот мы воспользовались услугами такой-то компании по таргетингу, на деле потратили…».

М. Д.: Нет, никто не говорит. О ретаргетинге хорошо говорят интернет-магазины. О ретаргетинге хорошо говорят те, кто занимается онлайн-играми. А все остальные о ретаргетинге ни одного хорошего слова не сказали.

Executive.ru: То есть, есть все-таки сферы, где он работает?

М. Д.: Типичная проблема маркетинга в том, что все, что входит в арсенал маркетолога, оно работает, но работает только в очень узком диапазоне условий, товарных групп, целевых групп и прочее. То есть, есть примеры эффективных рекламных кампаний. Вот знаете, допустим, такая элементарная вещь, как реклама на транспорте. Но оправдывающий экономические затраты есть лишь один пример. Когда это было использовано впервые в Нью-Йорке для рекламы открытия большого магазина. Более того, это был один из первых в Нью-Йорке магазинов с открытым доступом. Вот и все. Любой другой анализ рекламы на транспорте показывает, что это безумно дорого и нецелесообразно.

Executive.ru: То есть получается, в принципе, Big Data в маркетинге работает, просто далеко не везде. И нужно правильно понимать где ее использовать?

М. Д.: Не совсем. Хорошо известно где она работает, а во всех остальных случаях она не работает.

Executive.ru: А что же делать тогда? Как ее использовать и кому?

М. Д.: Не использовать. Вы меня поймите: Big Data показала, что поведение людей носит статистически случайный характер. И смысл использования массивов данных исходит из того, что можем ли мы, зная что-то, предсказать или ожидать в значимой части какой-то другой признак.

То есть использование данных подразумевает, что есть данные, которые мы используем в прямую, а есть данные, которые используются для предсказания какого-то поведения, предсказать которое мы не можем. Вот технологии Big Data, с точки зрения предсказательной способности, оказывается не эффективны. Они хорошо предсказывают какие-то очевидные вещи, о том, что, условно говоря, там, большую часть гигиенических прокладок используют женщины. Понятно, что новой и нужной информации в этих данных, по большому счету, ноль. А то, что часть гигиенические прокладки покупают мужчины и используют в качестве стелек, это нам никакие Big Data статистически не покажут. Значит соответственно есть вещи, где мы и так можем предсказать спрос, а значит использование Big Data бессмысленно. Big Data рассказывает очень много интересного, но крайне мало значимого.

Executive.ru: То есть в маркетинге Big Data по вашему вообще не нужны?

М. Д.: Если это не прямой маркетинг, который в онлайн-играх, онлайн-магазинах. Там задачи прямого знания: если вот этот человек был на сайте этой игры и продержался там 15 секунд, не ушел в первые пять, то в принципе применение эффективного ретаргетинга для того, чтобы осуществить преследование этого человека, имеет определенный смысл

А чаще всего мы видим такой ретаргетинг: я купил билеты на самолет, а мне начинают рекламировать другой рейс. Но они же видели, что я уже совершил покупку. У них есть кук (cookie-файл – Executive.ru), что я был на сайте платежной системы. И понятно, что-то, что они сейчас рассказывают, что можно еще один билет купить – это бессмысленная трата времени.

Executive.ru: То есть по сути-то у них есть данные, которые они могли бы использовать с умом, но они их используют неправильно?

М. Д.: Используют они их неправильно, потому что правильное использование очень ограничено и им не хватает денег. Из-за этого они начинают это вклеивать всем, кому не лень, всяким доверчивым чудикам.

Executive.ru: И какой ваш рецепт для предпринимателей, бизнесменов, которым предлагают какие-то маркетинговые Big Data-технологии..?

М. Д.: Безусловно, в основе всего этого бардака – низкий уровень подготовки и предпринимателей и маркетологов, которые пытаются это делать. То есть понятно, что одни предлагают, а уровень подготовки предпринимателя позволяет ему поверить в эту «сказку». Поэтому многие приходят: «Вот я читал, что это можно. Сделайте мне такое счастье». И никто из проповедников Big Data, конечно, не отказывается от денег, хотя часть из них понимает, что потрачены они будут бессмысленно.

Все эти сказки про эффективный маркетинг, основанный на Big Data, в основе своей имеют нежелание владельцев и руководителей компании вникнуть в вопрос. Все глупости и все растраты идут от этого.

Они зависят от агентств, а те понимают, что им спорить с заказчиком. А зачем им спорить? Креатив привлекает клиентов. Они приходят с деньгами, агентству эти деньги надо отработать. То есть бардак идет от безграмотности клиентов маркетинга.

8 примеров, когда аналитика помогла найти новые пути для роста компаний

Как именно помогает Big data и статистика

Нет такой сферы, в которой аналитика была бы лишней. По данным CNews Analytics, 76% банков с помощью Big Data привлекают новых клиентов, поддерживают их лояльность и быстрее определяют мошенников. В телекоммуникациях 85% компаний за счет аналитики и технологий создают «умные» маркетинговые кампании.

В ритейле эффективное использование данных может увеличить операционную рентабельность компании на 60%. Ещё одна сфера — железнодорожные перевозки. Итальянские железные дороги сэкономили более $200 млн, когда начали использовали предиктивную модель обслуживания: она позволила прогнозировать поломки деталей и механизмов.

С помощью аналитики компании могут предсказывать поведение клиентов, оптимизировать акции и цены, готовить маркетинговые кампании. Если вы еще сомневаетесь в эффективности Big Data для бизнеса, мы подготовили для вас 8 примеров того, как выигрывают компании, когда используют все возможности анализа данных.

Big Data и уменьшение рисков

Банки постоянно сталкиваются с большими рисками из-за того, что не могут быть уверены в платежеспособности клиентов, которые берут кредиты. Для «Сбербанка» решением проблемы стала технология Big Five. Она заключается в анализе профиля человека и составляет его психологический портрет на основе 5 черт: добросовестности, открытости, общительности, законопослушности и эмоциональной устойчивости.

По словам главы организации Германа Грефа, Big Five помогла «Сбербанку» получить $50 млн чистой прибыли и «выдавать кредиты значительно быстрее большему количеству предпринимателей».

Big Data и лидерство в отрасли

Tesla использует большие данные, чтобы повысить качество своих автомобилей. Все машины компании подключены к общему облаку, которое собирает данные о техническом состоянии в реальном времени. Еще в 2014 году это помогло компании своевременно устранить перегрев, возникавший на некоторых моделях.

Сегодня Tesla собирает данные не только об автомобилях, но и об их водителях. В машинах есть датчики, которые отслеживают положение рук водителя во время вождения и другие характеристики. Это помогает совершенствовать автомобили и адаптировать их под нужды потребителей.

Так компания получает не только качественные, но и количественные изменения: Tesla является единственным успешным игроком на рынке электромобилей. По словам Алексея Ильяшова, архитектора по большим данным в Tesla, рентабельность продажи каждой машины — 19–25%, в то время как средняя рентабельность по отрасли — 10–11%.

Big Data и спасение клиентов

Данные помогают компаниям найти своего потребителя и дать ему то, в чем он нуждается. Зимой 2013–2014 года в разных аэропортах и регионах отменили примерно 3% рейсов. Из-за этого 90 тыс. человек ежедневно застревали в аэропортах. Отдел маркетинга сети отелей Red Roof Inn воспользовался ситуацией и быстро проанализировал информацию о погодных катаклизмах и аэропортах, в которых отменились рейсы.

Сотрудники компании понимали, что люди начнут искать в интернете отели, чтобы остановиться, поэтому запустили маркетинговую кампанию. Она нацеливалась на пользователей мобильных устройств, находящихся в тех аэропортах, где были задержки. В рекламном сообщении людям предлагали просмотреть свободные номера в сети отелей. В итоге в тех регионах, в которых компания применила эту стратегию, ее прибыль выросла на 10%.  

Big Data и прибыль

Еще один пример бренда, который сделал ставку на большие данные, — Ford. В 2008 году в годовом отчете компания сообщила об убытках в $4,6 миллиарда. «Кризиc, новый менеджмент и новые перспективы побудили нас взглянуть на вещи по-другому», — сказал Джон Джиндер, директор по операционной аналитике и управлению рисками в Ford.

Тогда в штате появилось 200 экспертов по аналитике, и уже через год компания сообщила о прибыли, чего не происходило в предыдущие 4 года. Ford выпустил 25 новых линеек автомобилей и продал в США 2,3 млн легковых и грузовых машин.

Big Data и креатив

Пример использования больших данных в России — кампания сети быстрого питания Burger King. Команда бренда знала, что в холодную погоду люди чаще выбирают горячие блюда и напитки, а в жару — холодные. Поэтому в Москве, недалеко от своих кафе на 43 цифровых экранах компания внедрила динамические изображения.

Картинка на конструкциях менялась в зависимости от температуры воздуха и тем самым адаптировалась к ожиданиям потребителей. Когда на улице становилось жарко, на экранах транслировался креатив с молочными коктейлями, а при похолодании — изображения с горячими блюдами. Кампания работала в режиме реального времени, демонстрируя посетителям те блюда, которые они, скорее всего, захотят купить. В России кампания оказалось успешной, и ее запустили также в других регионах.

Big Data и производительность

С помощью больших данных инжиниринговая компания QuantumBlack повысила производительность своего штата. Руководство бренда выяснило, что сотрудники менее эффективно работают в командах из более чем 6 человек, причем результаты ухудшаются с появлением каждого нового члена команды, который работает в другом часовом поясе. Также на продуктивность влияло то, насколько хорошо уже знают друг друга сотрудники одной команды. Руководство учло эти нюансы, и общая производительность компании выросла на 22%.

Big Data и лояльность

Порой компания, которая пренебрегает большими данными, теряет из-за этого клиентов, — об этом говорит кейс гонконгской авиакомпании Cathay Pacific. В сентябре 2015 года она объявила об изменении своей программы лояльности: с тех пор постоянные пассажиры могли получить бонусы двумя способами — при покупке либо самых дешевых билетов, либо билетов премиум-класса. То есть у пассажиров больше не было мотивации покупать билеты по среднему тарифу. В итоге в этот период прибыль Cathay Pacific упала на 9,2% согласно отчету самой компании.

Ошибка — в игнорировании данных. Аналитика могла дать компании сигнал о том, что клиенты скоро уйдут. Издание Smart Data Collections проанализировало деятельность компании и оценило тактики, которые могли бы ей помочь:

  • Анализ соцмедиа-публикаций участников программы лояльности. После того, как компания рассказала об изменениях, количество положительных отзывов от участников Gold- и Diamond-статусов сократилось на 11,9%.
  • Анализ поведения постоянных клиентов по отношению к другим авиакомпаниям. Если человек начинает положительно отзываться о конкуренте и искать о нем информацию, он, скорее всего, думает о смене «своей» авиакомпании.
  • Анализ поведения клиентов, которые пользуются услугами нескольких авиакомпаний. Cathay Pacific не наблюдали снижения активности лояльных клиентов, в то время как пассажиропоток компании-конкурента Singapore Airlines увеличивался за счет этих же пассажиров.

Все эти показатели эффективно работают вместе — если бы авиаперевозчик их сложил, получил бы полную картину ситуации на рынке и внутри своей компании.

Big Data, методы и техники анализа больших данных

Big Data

Википедия по состоянию на середину 2018 года давала следующее определение термину Big Data:

«Большие данные (Big Data) — обозначение структурированных и неструктурированных данных огромных объёмов и значительного многообразия, эффективно обрабатываемых горизонтально масштабируемыми программными инструментами, появившимися в конце 2000-х годов и альтернативных традиционным системам управления базами данных и решениям класса Business Intelligence».

Как видим, в этом определении присутствуют такие неопределенные термины, как «огромных», «значительного», «эффективно» и «альтернативных». Даже само название весьма субъективно. Например, 4 Терабайта (емкость современного внешнего жесткого диска для ноутбука) — это уже большие данные или еще нет? К этому определению Википедия добавляет следующее: «в широком смысле о «больших данных» говорят как о социально-экономическом феномене, связанном с появлением технологических возможностей анализировать огромные массивы данных, в некоторых проблемных областях — весь мировой объём данных, и вытекающих из этого трансформационных последствий».

Аналитики компании IBS «весь мировой объём данных» оценили такими величинами:

2003 г. — 5 эксабайтов данных (1 ЭБ = 1 млрд гигабайтов)
2008 г. — 0,18 зеттабайта (1 ЗБ = 1024 эксабайта)
2015 г. — более 6,5 зеттабайтов
2020 г. — 40–44 зеттабайта (прогноз)
2025 г. — этот объем вырастет еще в 10 раз.

В докладе также отмечается, что большую часть данных генерировать будут не обычные потребители, а предприятия1 (вспомним Промышленный интернет вещей).

Можно пользоваться и более простым определением, вполне соответствующим устоявшемуся мнению журналистов и маркетологов.

«Большие данные — это совокупность технологий, которые призваны совершать три операции:

  1. Обрабатывать большие по сравнению со «стандартными» сценариями объемы данных
  2. Уметь работать с быстро поступающими данными в очень больших объемах. То есть данных не просто много, а их постоянно становится все больше и больше
  3. Уметь работать со структурированными и слабо структурированными данными параллельно и в разных аспектах»2

Считается, что эти «умения» позволяют выявить скрытые закономерности, ускользающие от ограниченного человеческого восприятия. Это дает беспрецедентные возможности оптимизации многих сфер нашей жизни: государственного управления, медицины, телекоммуникаций, финансов, транспорта, производства и так далее. Не удивительно, что журналисты и маркетологи настолько часто использовали словосочетание Big Data, что многие эксперты считают этот термин дискредитированным и предлагают от него отказаться. 3 

Более того, в октябре 2015 года компания Gartner исключила Big Data из числа популярных трендов. Свое решение аналитики компании объяснили тем, что в состав понятия «большие данные» входит большое количество технологий, уже активно применяемым на предприятиях, они частично относятся к другим популярным сферам и тенденциям и стали повседневным рабочим инструментом.4

Как бы то ни было, термин Big Data по-прежнему широко используется, подтверждением чему служит и наша статья.

Три «V» (4, 5, 7) и три принципа работы с большими данными

Определяющими характеристиками для больших данных являются, помимо их физического объёма, и другие, подчеркивающие сложность задачи обработки и анализа этих данных. Набор признаков VVV (volume, velocity, variety — физический объём, скорость прироста данных и необходимости их быстрой обработки, возможность одновременно обрабатывать данные различных типов) был выработан компанией Meta Group в 2001 году с целью указать на равную значимость управления данными по всем трём аспектам.

В дальнейшем появились интерпретации с четырьмя V (добавлялась veracity — достоверность), пятью V (viability — жизнеспособность и value — ценность), семью V (variability — переменчивость и visualization — визуализация). Но компания IDC, например, интерпретирует именно четвёртое V как value (ценность), подчеркивая экономическую целесообразность обработки больших объёмов данных в соответствующих условиях.5

Исходя из вышеприведенных определений, основные принципы работы с большими данными таковы:

  1. Горизонтальная масштабируемость. Это — базовый принцип обработки больших данных. Как уже говорилось, больших данных с каждым днем становится все больше. Соответственно, необходимо увеличивать количество вычислительных узлов, по которым распределяются эти данные, причем обработка должна происходить без ухудшения производительности.
  2. Отказоустойчивость. Этот принцип вытекает из предыдущего. Поскольку вычислительных узлов в кластере может быть много (иногда десятки тысяч) и их количество, не исключено, будет увеличиваться, возрастает и вероятность выхода машин из строя. Методы работы с большими данными должны учитывать возможность таких ситуаций и предусматривать превентивные меры.
  3. Локальность данных. Так как данные распределены по большому количеству вычислительных узлов, то, если они физически находятся на одном сервере, а обрабатываются на другом, расходы на передачу данных могут стать неоправданно большими. Поэтому обработку данных желательно проводить на той же машине, на которой они хранятся.

Эти принципы отличаются от тех, которые характерны для традиционных, централизованных, вертикальных моделей хранения хорошо структурированных данных. Соответственно, для работы с большими данными разрабатывают новые подходы и технологии.

Технологии и тенденции работы с Big Data

Изначально в совокупность подходов и технологий включались средства массово-параллельной обработки неопределённо структурированных данных, такие как СУБД NoSQL, алгоритмы MapReduce и средства проекта Hadoop. В дальнейшем к технологиям больших данных стали относить и другие решения, обеспечивающие сходные по характеристикам возможности по обработке сверхбольших массивов данных, а также некоторые аппаратные средства.

  • MapReduce — модель распределённых параллельных вычислений в компьютерных кластерах, представленная компанией Google. Согласно этой модели приложение разделяется на большое количество одинаковых элементарных заданий, выполняемых на узлах кластера и затем естественным образом сводимых в конечный результат.
  • NoSQL (от англ. Not Only SQL, не только SQL) — общий термин для различных нереляционных баз данных и хранилищ, не обозначает какую-либо одну конкретную технологию или продукт. Обычные реляционные базы данных хорошо подходят для достаточно быстрых и однотипных запросов, а на сложных и гибко построенных запросах, характерных для больших данных, нагрузка превышает разумные пределы и использование СУБД становится неэффективным.
  • Hadoop — свободно распространяемый набор утилит, библиотек и фреймворк для разработки и выполнения распределённых программ, работающих на кластерах из сотен и тысяч узлов. Считается одной из основополагающих технологий больших данных.
  • R — язык программирования для статистической обработки данных и работы с графикой. Широко используется для анализа данных и фактически стал стандартом для статистических программ.
  • Аппаратные решения. Корпорации Teradata, EMC и др. предлагают аппаратно-программные комплексы, предназначенные для обработки больших данных. Эти комплексы поставляются как готовые к установке телекоммуникационные шкафы, содержащие кластер серверов и управляющее программное обеспечение для массово-параллельной обработки. Сюда также иногда относят аппаратные решения для аналитической обработки в оперативной памяти, в частности, аппаратно-программные комплексы Hana компании SAP и комплекс Exalytics компании Oracle, несмотря на то, что такая обработка изначально не является массово-параллельной, а объёмы оперативной памяти одного узла ограничиваются несколькими терабайтами.6

Консалтинговая компания McKinsey, кроме рассматриваемых большинством аналитиков технологий NoSQL, MapReduce, Hadoop, R, включает в контекст применимости для обработки больших данных также технологии Business Intelligence и реляционные системы управления базами данных с поддержкой языка SQL.

Методы и техники анализа больших данных

Международная консалтинговая компания McKinsey, специализирующаяся на решении задач, связанных со стратегическим управлением, выделяет 11 методов и техник анализа, применимых к большим данным.

Методы класса Data Mining (добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — совокупность методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных знаний, необходимых для принятия решений. К таким методам, в частности, относятся обучение ассоциативным правилам (association rule learning), классификация (разбиение на категории), кластерный анализ, регрессионный анализ, обнаружение и анализ отклонений и др.

Краудсорсинг — классификация и обогащение данных силами широкого, неопределённого круга лиц, выполняющих эту работу без вступления в трудовые отношения

Смешение и интеграция данных (data fusion and integration) — набор техник, позволяющих интегрировать разнородные данные из разнообразных источников с целью проведения глубинного анализа (например, цифровая обработка сигналов, обработка естественного языка, включая тональный анализ, и др. )

Машинное обучение, включая обучение с учителем и без учителя — использование моделей, построенных на базе статистического анализа или машинного обучения для получения комплексных прогнозов на основе базовых моделей

Искусственные нейронные сети, сетевой анализ, оптимизация, в том числе генетические алгоритмы (genetic algorithm — эвристические алгоритмы поиска, используемые для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе)

Распознавание образов

• Прогнозная аналитика

• Имитационное моделирование (simulation) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Имитационное моделирование можно рассматривать как разновидность экспериментальных испытаний

Пространственный анализ (spatial analysis) — класс методов, использующих топологическую, геометрическую и географическую информацию, извлекаемую из данных

Статистический анализ — анализ временных рядов, A/B-тестирование (A/B testing, split testing — метод маркетингового исследования; при его использовании контрольная группа элементов сравнивается с набором тестовых групп, в которых один или несколько показателей были изменены, для того чтобы выяснить, какие из изменений улучшают целевой показатель)

Визуализация аналитических данных — представление информации в виде рисунков, диаграмм, с использованием интерактивных возможностей и анимации как для получения результатов, так и для использования в качестве исходных данных для дальнейшего анализа. Очень важный этап анализа больших данных, позволяющий представить самые важные результаты анализа в наиболее удобном для восприятия виде.7

Большие данные в промышленности

Согласно отчету компании McKinsey «Global Institute, Big data: The next frontier for innovation, competition, and productivity», данные стали таким же важным фактором производства, как трудовые ресурсы и производственные активы. За счет использования больших данных компании могут получать ощутимые конкурентные преимущества. Технологии Big Data могут быть полезными при решении следующих задач:

  • прогнозирование рыночной ситуации
  • маркетинг и оптимизация продаж
  • совершенствование продукции
  • принятие управленческих решений
  • повышение производительности труда
  • эффективная логистика
  • мониторинг состояния основных фондов8,9

На производственных предприятиях большие данные генерируются также вследствие внедрения технологий Промышленного интернета вещей. В ходе этого процесса основные узлы и детали станков и машин снабжаются датчиками, исполнительными устройствами, контроллерами и, иногда, недорогими процессорами, способными производить граничные (туманные) вычисления. В ходе производственного процесса осуществляется постоянный сбор данных и, возможно, их предварительная обработка (например, фильтрация). Аналитические платформы обрабатывают эти массивы информации в режиме реального времени, представляют результаты в наиболее удобном для восприятия виде и сохраняют для дальнейшего использования. На основе анализа полученных данных делаются выводы о состоянии оборудования, эффективности его работы, качестве выпускаемой продукции, необходимости внесения изменений в технологические процессы и т.д.

Благодаря мониторингу информации в режиме реального времени персонал предприятия может:

  • сокращать количество простоев
  • повышать производительность оборудования
  • уменьшать расходы на эксплуатацию оборудования
  • предотвращать несчастные случаи

Последний пункт особенно важен. Например, операторы, работающие на предприятиях нефтехимической промышленности, получают в среднем около 1500 аварийных сообщений в день, то есть более одного сообщения в минуту. Это приводит к повышенной усталости операторов, которым приходится постоянно принимать мгновенные решения о том, как реагировать на тот или иной сигнал. Но аналитическая платформа может отфильтровать второстепенную информацию, и тогда операторы получают возможность сосредоточиться в первую очередь на критических ситуациях. Это позволяет им более эффективно выявлять и предотвращать аварии и, возможно, несчастные случаи. В результате повышаются уровни надежности производства, промышленной безопасности, готовности технологического оборудования, соответствия нормативным требованиям.10

Кроме того, по результатам анализа больших данных можно рассчитывать сроки окупаемости оборудования, перспективы изменения технологических режимов, сокращения или перераспределения обслуживающего персонала — т.е. принимать стратегические решения относительно дальнейшего развития предприятия. 11

Ссылки:
1. https://rb.ru/howto/chto-takoe-big-data/
2. https://postnauka.ru/faq/46974
3. https://www.datacenterknowledge.com/archives/2015/03/30/big-data-bubble-set-burst
4. http://www.tadviser.ru/index.php/Статья:Большие_данные(Big_Data)
5. https://ru.wikipedia.org/wiki/Большие_данные
6. https://intellect.ml/big-data-6821
7. http://sewiki.ru/index.php?title=Большие_данные&oldid=3075
8.http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation
9. http://engjournal.ru/articles/1228/1228.pdf
10. https://www.crn.ru/news/detail.php?ID=117807
11. http://www.ogcs.com.ua/index.php/articles/121-big-data-v-promyshlennosti-innovatsii-k-kotorym-pridetsya-privykat

Big Data Conference 2018

13 сентября, москваLOFT HALL

ЛУЧШИЕ ПРАКТИКИ АНАЛИЗА БОЛЬШИХ ДАННЫХ

Организатор Организатор

Big Data Conference — это мероприятие, где есть возможность узнать о современном состоянии дел в анализе данных и машинном обучении, познакомиться с лучшими практиками и понять как их применять в собственном бизнесе.

Все кейсы и технические решения, которые будут представлены на конференции, реализованы в 2018 году и прозвучат для широкой публики впервые.

Хакатон

Впервые за 5 лет проведения Big Data Conferene одновременно с деловой программой на площадке конференции мы устраиваем Big Data Hackathon.

Команды или независимые участники, специалисты в Data Science, удаленно решают задачи по одной из заявленных тематик на основе предоставленных датасетов от Партнеров хакатона.

Чат для участников Хакатона можно найти по ссылке.

ДИТ города Москвы

Артём Костырко

ДИТ города Москвы

BCG Gamma

Леонид Жуков

BCG Gamma

Банк Точка

Андрей Созыкин

Банк Точка

Social Data Hub

Артур Хачуян

Social Data Hub

ВымпелКом

Джордж Хелд

ВымпелКом

Dentsu Aegis Network

Михаил Шкляев

Dentsu Aegis Network

Яндекс Деньги

Евгений Виноградов

Яндекс Деньги

АДВ Лаб

Виктор Делисов

АДВ Лаб

Ostrovok. ru

Егор Матешук

Ostrovok.ru

Интерфакс

Илья Мунерман

Интерфакс

Weborama

Любовь Пшеничникова

Weborama

МТС

Сергей Ерёмкин

МТС

Driveback

Олег Катрышев

Driveback

World Class

Давид Мелкумян

World Class

Лента

Алексей Большухин

Лента

Газпром нефть

Алексей Кожевин

Газпром нефть

М.Видео-Эльдорадо

Александр Ерофеев

М. Видео-Эльдорадо

Независимый эксперт

Алексей Чернобровов

Независимый эксперт

Global Innovation Labs

Игорь Балк

Global Innovation Labs

КОРУС Консалтинг

Алексей Шатерников

КОРУС Консалтинг

Национальный Клиринговый Центр

Руслан Сабитов

Национальный Клиринговый Центр

IT Pro

Максим Шляпнев

IT Pro

DataData

Михаил Богданов

DataData

Polymedia

Елена Новикова

Polymedia

1С Битрикс

Александр Сербул

1С Битрикс

Студия Данных

Сергей Марин

Студия Данных

РАМАКС

Владимир Волков

РАМАКС

ASTERA

Иван Исаев

ASTERA

НИУ ВШЭ

Павел Бахтин

НИУ ВШЭ

EORA

Владислав Виноградов

EORA

IRELA

Геннадий Штех

IRELA

Visiology

Александр Абугалиев

Visiology

DBrain

Игорь Рекун

DBrain

НИУ ВШЭ

Илья Кузьминов

НИУ ВШЭ

Практический курс Digital / BigData / Machine learning для менеджеров – Digital Technologies School

3-х дневный практический курс с защитой индивидуальных проектов по созданию новых или улучшению существующих продуктов с помощью Больших данных и машинного обучения.

В настоящее время все чаще можно услышать термины Digital, машинное обучение и Big Data — они все больше проникают в ежедневные процессы и структуру подавляющего числа компаний. Курс предназначен для менеджеров и руководителей, которые хотят разобраться с тем, что это и как можно применить в ваших проектах и бизнесе.

1. Digital, Programmatic и Data driven marketing

  • Что такое Digital в современном мире и в России
  • Основы и определения в Digital Marketing (CTR, CPC, CPM, CPA, CPI, PPC, SEO, SMM, CR, LT, LTV, ARPU, ARPPU и т.д.)
  • Инструменты Digital Marketing и задачи, которые они решают (медийная реклама, контекстная реклама, поисковая оптимизация, реклама в социальных сетях, email-маркетинг, мобильная реклама)
  • Data driven marketing
  • Представление структуры бизнеса «сквозь Digital призму»
  • Mobile — новый период развития Digital
  • Programmatic — эволюция интернет-маркетинга
  • RTB, DSP, SSP, DMP — основы работы, преимущества, недостатки
  • Основные принципы и инструменты аналитики в Digital и Mobile

 

2. Big Data, Machine learning и Data Science

  • Что такое данные
  • Эволюция в обработке данных
  • Данные в современном бизнесе, датификация
  • Что такое Большие данные (Big Data)
  • Ценность и применение Больших данных в бизнесе
  • Какие задачи решает машинное обучение
  • Сфера применения машинного обучения
  • Какие результаты может дать машинное обучение, значение для бизнеса
  • Чем отличается Data Science (DS) от ML
  • Кто такой Data Scientist
  • Инструменты ML и DS

 

3. Подготовка и защита индивидуальных проектов

 

Практические задания

После каждого занятия предполагается выполнение практических домашних заданий, направленных на применение полученных знаний к собственному проекту/бизнесу. После второго учебного дня нужно будет подготовить индивидуальный проект по созданию новых или улучшению существующих продуктов с помощью Больших данных и машинного обучения.

Большие данные в маркетинге 101: почему это важно

«Без анализа больших данных компании слепы и глухи, блуждая по Интернету, как олени по автостраде».

Когда автор Джеффри Мур написал это заявление в Твиттере еще в 2012 году, это могло быть воспринято как преувеличение. Теперь большие данные повсеместно приняты почти во всех сферах, не в последнюю очередь в маркетинге и продажах. В то время как твит Мура конкретно относился к аналитике больших данных, то же самое верно и для всех аспектов больших данных, включая прием данных, интеграцию, хранение и многое другое.

Если вы пытаетесь повысить лояльность и вовлеченность клиентов, оптимизировать свою работу или принять ценовые решения, большие данные в маркетинге оказались незаменимым инструментом.

Но как большие данные меняют маркетинг и продажи? Это, безусловно, сопряжено с проблемами. Нам необходимо использовать облачные технологии и контролировать, фильтровать, обрабатывать и анализировать огромные объемы данных, которые мы собираем. К счастью, есть инновационные решения для решения этих проблем.

Посмотрите видео «Архитектура вашего клиента» 360 Data Lake сегодня и завтра прямо сейчас.
Смотри

Как большие данные меняют маркетинг и продажи.

В маркетинге большие данные включают сбор, анализ и использование огромных объемов цифровой информации для улучшения бизнес-операций, например:

  • Получение 360-градусного обзора своей аудитории. Концепция «знай своего клиента» (KYC) изначально была задумана много лет назад для предотвращения банковского мошенничества. KYC дает представление о поведении клиентов, которое когда-то было ограничено крупными финансовыми учреждениями.Теперь, благодаря доступности больших данных, преимущества KYC доступны даже малому и среднему бизнесу благодаря облачным вычислениям и большим данным.
  • Вовлеченность клиентов, в частности то, как ваши клиенты видят ваш бренд и взаимодействуют с ним, является ключевым фактором в ваших маркетинговых усилиях. Аналитика больших данных обеспечивает бизнес-аналитику, необходимую для позитивных изменений, таких как улучшение существующих продуктов или увеличение дохода на одного клиента.
  • Узнаваемость бренда — еще один способ, которым большие данные могут оказать существенное влияние на маркетинг.Исследование Aberdeen Group в области розничной торговли на основе данных показало, что «розничные торговцы, работающие на основе данных, ежегодно увеличивают узнаваемость бренда в 2,7 раза (20,1% против 7,4%) по сравнению со всеми другими».
  • 360-градусный обзор больших данных позволяет маркетологам представлять контент, ориентированный на клиентов, когда и где это наиболее эффективно для повышения узнаваемости и запоминаемости бренда в Интернете и в магазине. Большие данные позволяют вам быть пластырем для вашей категории продуктов, даже если у вас нет маркетингового бюджета Johnson & Johnson.
  • Улучшение привлечения клиентов — еще одно большое преимущество больших данных в маркетинге. Опрос McKinsey показал, что «интенсивные пользователи клиентской аналитики в 23 раза чаще явно опережают своих конкурентов с точки зрения привлечения новых клиентов». Использование облака позволяет собирать и анализировать согласованные и персонализированные данные из нескольких источников, таких как Интернет, мобильные приложения, электронная почта, чат и даже взаимодействия в магазине
  • Большие данные могут помочь маркетологам использовать данные в реальном времени в средах облачных вычислений. Способность больших данных получать, обрабатывать и анализировать данные в реальном времени быстро и достаточно точно, чтобы предпринимать немедленные и эффективные действия, не может быть достигнута ни одной другой технологией. Это очень важно при анализе данных с GPS, датчиков IoT, кликов на веб-страницах или других данных в реальном времени.
  • Аналитика больших данных — важный компонент больших данных. Он обеспечивает бизнес-аналитику, что приводит к экономии времени и затрат за счет оптимизации эффективности маркетинга.

Загрузите Как модернизировать вашу облачную платформу для анализа больших данных с помощью Talend и Microsoft Azure прямо сейчас.
Прочитай сейчас

Три типа больших данных для маркетологов.

Маркетологов интересуют три типа больших данных: клиентские, финансовые и операционные. Каждый тип данных обычно получается из разных источников и хранится в разных местах.

  1. Данные о клиентах помогают маркетологам понять свою целевую аудиторию. Очевидными данными этого типа являются такие факты, как имена, адреса электронной почты, истории покупок и поисковые запросы в Интернете.Не менее важны, если не более важны показатели отношения вашей аудитории, которые могут быть получены из активности в социальных сетях, опросов и онлайн-сообществ.
  2. Финансовые данные помогает измерять производительность и работать более эффективно. К этой категории относятся статистика продаж и маркетинга, затраты и маржа вашей организации. Финансовые данные конкурентов, такие как цены, также могут быть включены в эту категорию.
  3. Операционные данные относятся к бизнес-процессам.Это может относиться к доставке и логистике, системам управления взаимоотношениями с клиентами или обратной связи от аппаратных датчиков и других источников. Анализ этих данных может привести к повышению производительности и снижению затрат.

Реальные примеры больших данных в маркетинге

Примеры использования возможностей больших данных вдохновляют, но как большие данные в маркетинге выглядят в реальном мире? Эти примеры показывают, как три компании улучшили свой маркетинговый успех, используя большие данные.

Elsevier использует большие данные для оптимизации маркетингового календаря.

Elsevier — крупнейший в мире поставщик научной, технической и медицинской информации, ежегодно публикующий 430 000 рецензируемых научных статей.

Большие данные и мультиоблачная среда обеспечивают эффективный способ тщательного отслеживания журналов и книг на протяжении их жизненного цикла и более эффективного планирования ресурсов для оптимизации производства и поддержки маркетинга. Эти статьи взяты из самых разных ресурсов глобальной организации. Объединение больших данных из нескольких облаков и источников по всему миру объединяет многие региональные маркетинговые усилия в единую глобальную стратегию маркетинговых сообщений.

DMD Marketing Corp. в 3 раза превосходит конкурентов с большими данными.

DMD Marketing Corp. предлагает единственную доступную аутентифицированную базу данных, которая может охватывать, сообщать и реагировать на динамическое цифровое поведение более шести миллионов полностью допущенных к работе специалистов здравоохранения США. На сегодняшний день DMD развернула более 300 миллионов электронных писем и 30 000 маркетинговых кампаний по электронной почте.

Учитывая, что маркетинговые электронные письма для медицинских работников — это очень конкурентный товарный бизнес, большие данные дают DMD возможность выделиться. Используя облачные инструменты интеграции больших данных, DMD обновляет данные электронной почты каждый день, а не каждые три дня, что помогает компании опередить конкурентов с доставкой электронной почты на 95%.

Загрузите Большие данные в маркетинге 101: почему это важно, к чему стремятся и с чего начать прямо сейчас.
Смотри сейчас

Big data дает Beachbody поведение пользователей практически в реальном времени, что снижает отток клиентов.

Beachbody обеспечивает фитнес, питание, мотивацию и поддержку мирового класса более чем 23 миллионам клиентов. Их бизнес — это качество обслуживания клиентов; поддерживать мотивацию людей и сопоставлять их с контентом, который заставляет их возвращаться снова и снова.

Возможно, вы знакомы с видео по запросу Beachbody, но они также предлагают живые занятия в тренажерных залах. Большие данные позволили компании практически в реальном времени отслеживать поведение потребителей в фитнес-центрах. В сочетании с анализом из онлайн-источников большие данные Beachbody позволяют бренду создавать более персонализированные предложения для клиентов и снижать отток клиентов.

Вызовы больших данных в маркетинге.

Beachbody использовал 360-градусное представление клиентов, чтобы лучше понимать своих клиентов. Это одно из преимуществ больших данных, но в то же время и одно из самых сложных в реализации.

Хотя 88 процентов ИТ-руководителей считают, что их организация действительно понимает своих клиентов, только 61 процент потребителей считают, что компании понимают их потребности. Ясно, что существует разрыв между этими представлениями, который необходимо устранить.

1.Разрозненные системы данных.

Одна из возможных причин отключения — время для сбора данных из различных источников. Восприятие пользователей происходит мгновенно, поэтому чем больше задержка во времени сбора данных, тем больше потеря связи. Это особенно сложно для маркетологов, потому что время отключения делает персонализацию клиентов менее эффективной.

Организации часто используют несколько систем, в которых хранятся и обрабатываются их данные. Сбор данных из этих разрозненных систем, часто по нескольким каналам, представляет собой проблему, которая может легко задержать анализ данных, поставить под угрозу безопасность и соответствие нормативным требованиям, а также снизить эффективность.

Один из способов решения этой проблемы — управление основными данными клиентов. Customer MDM — это метод, позволяющий связать все данные о клиентах с единой золотой записью, которая обеспечивает полное представление о клиенте, а затем обмениваться этой информацией, где и когда это необходимо. Это значительно сокращает время до приобретения.

2. Источники потоковых данных.

Проблемы с получением данных еще больше в случае потоковой передачи данных. Системы Интернета вещей могут иметь сотни датчиков, поэтому объем потоковых данных может быть весьма требовательным даже в системах с большими данными.Помимо сбора данных, вам также потребуется обработка событий в реальном времени, чтобы использовать их. Поскольку маркетологи все больше и больше вкладывают средства в возможность охвата целевой аудитории с помощью устройств IoT, им нужны облачные инструменты для обработки больших данных, чтобы эффективно справляться с потоком потоковых данных.

Некоторые потоковые данные, такие как GPS, переходы на веб-сайты и взаимодействие зрителей с видео, напрямую связаны с поведением клиентов, которые предоставляют важные маркетинговые данные. Эти проблемы можно решить с помощью инструментов, которые в настоящее время доступны на основных облачных платформах, таких как AWS, Azure и Google Cloud, что позволяет маркетологам получить все преимущества потоковой передачи данных с этих облачных платформ больших данных.

3. Межведомственное сотрудничество.

Три элемента любой успешной трансформации — это люди, процессы и технологии. Технологии — не единственная проблема с большими данными в маркетинге. Внедрение больших данных требует участия разных команд внутри организации. Тем не менее, каждой команде требуется свое собственное представление и свое использование данных.

Маркетологи могут извлечь выгоду из больших данных, только если их анализ доступен и эффективен. Это возможно для больших данных и мультиоблачных сред.Это позволяет ИТ-отделам и другим отделам управления данными использовать свои собственные инструменты в своих собственных средах, делая важную информацию доступной для других отделов.

Это очень очевидно при сравнении ИТ и бизнес-команд. ИТ-командам нужны сложные инструменты с обширным пользовательским интерфейсом. Бизнес-командам нужны целенаправленные, простые, но мощные инструменты. Нет компромисса, который будет работать для обеих команд. Для эффективной работы каждой команды должны работать отдельные инструменты.

Без единого инструмента для удовлетворения потребностей разных команд нам нужно несколько инструментов для взаимодействия друг с другом, известных как совместное управление данными.Система CDM позволяет различным командам обмениваться данными, управлять ими и передавать данные, каждая из которых использует пользовательский интерфейс, соответствующий их конкретным потребностям. Это позволяет каждой команде использовать необходимые инструменты, сохраняя при этом качество данных.

Загрузите The Definitive Guide to Data Quality прямо сейчас.
Прочитай сейчас

Как облако стимулирует большие данные для маркетинга.

Трудно представить себе практическое внедрение больших данных в любой отрасли без облачных вычислений.Потребность больших данных в вычислительной мощности и хранении данных трудно удовлетворить без облачных вычислений по запросу, самообслуживания, объединенных ресурсов и эластичных характеристик. Помимо этих основных характеристик, инновации в облачных вычислениях продолжают приносить пользу маркетинговым инициативам с использованием больших данных.

Как и в случае с большими данными, облачные вычисления облегчают использование виртуальных машин и контейнеров. Это обеспечивает переносимость рабочих нагрузок, что было бы невозможно без облака. Это дает маркетинговым командам возможность перемещать рабочие нагрузки, избегать привязки к поставщику, сокращать расходы и внедрять новые решения, которые физическая инфраструктура не может предоставить.

Помимо преимуществ, присущих облачным технологиям, поставщики облачных услуг, такие как AWS, Azure и Google Cloud, предоставляют обширные торговые площадки, которые упрощают покупку, установку и запуск инструментов больших данных для маркетинга. Хотя часто рекламируемая простота «в один щелчок» может быть немного преувеличением, многие из этих инструментов можно запустить и запустить за считанные минуты.

Загрузите Большие данные в маркетинге 101: почему это важно, к чему стремятся и с чего начать прямо сейчас.
Смотри сейчас

Начало работы с большими данными в маркетинге.

Большие данные помогают нам понять наши маркетинговые инициативы. Он позволяет получить представление о наших потенциальных клиентах и ​​клиентах на невиданном ранее уровне детализации. Мы можем реагировать на действия аудитории в режиме реального времени и управлять поведением клиентов в данный момент.Большие данные меняют маркетинг и продажи способами, которые были недостижимы всего несколько лет назад.

Talend Master Data Management сочетает в себе возможности MDM и интеграции данных для предоставления единого представления ваших данных из внутренних и внешних источников в режиме реального времени. Создавая и обмениваясь едиными 360-градусными представлениями записей данных, вы можете всегда и в нужное время принимать правильные решения для своего бизнеса. Он позволяет разрабатывать бизнес-кейсы на основе четких и поддающихся количественной оценке бизнес-преимуществ и конкретных производственных результатов.

Маркетологи сегодня обладают инструментами и ноу-хау для запуска высокоэффективных маркетинговых мероприятий в области больших данных с помощью облачных технологий, которые позволяют нам делать это быстро и относительно легко по разумной цене. Будут проблемы, но есть сборник извлеченных уроков о том, как решать эти проблемы. AWS, Azure и Google активно содействуют инициативам в области больших данных, чтобы упростить работу.

Talend Data Fabric позволяет интегрировать и анализировать данные практически из любого источника, а встроенные соединители с такими приложениями, как Salesforce, Marketo, SAP и Netsuite, делают создание этих соединений невероятно простым.Встроенные функции качества данных и управления означают, что вы используете самые лучшие данные для создания наиболее достоверных сведений. Сейчас самое время использовать большие данные в маркетинге. Загрузите Talend Data Fabric сегодня, чтобы улучшить качество обслуживания клиентов.

больших данных, больший маркетинг | SAS

«Большие данные» — это постоянно увеличивающийся объем, скорость, разнообразие, изменчивость и сложность информации. Для маркетинговых организаций большие данные — это фундаментальное следствие нового маркетингового ландшафта, порожденного цифровым миром, в котором мы сейчас живем.

Термин «большие данные» относится не только к самим данным; это также относится к задачам, возможностям и компетенциям, связанным с хранением и анализом таких огромных наборов данных для поддержки уровня принятия решений, более точного и своевременного, чем что-либо ранее предпринимавшееся — принятие решений на основе больших данных.

Многим маркетологам может казаться, что данные всегда были большими — и в некотором смысле так оно и было. Но подумайте о данных о клиентах, которые компании собрали 20 лет назад — данные о транзакциях в точках продаж, ответы на рассылку товаров по почте, погашение купонов и т. Д.Затем подумайте о данных о клиентах, собранных сегодня — данных о покупках в Интернете, рейтингах кликов, поведении в Интернете, взаимодействиях в социальных сетях, использовании мобильных устройств, данных геолокации и т. Д. Для сравнения, здесь нет сравнения. И если позаимствовать старую фразу: «Вы еще ничего не видели».

Почему большие данные важны для маркетинга

Наличие больших данных не ведет автоматически к лучшему маркетингу, но потенциал есть. Думайте о больших данных как о своем секретном ингредиенте, своем сырье, своем важном элементе.Важны не сами данные. Скорее, важны выводы, полученные на основе больших данных, решения, которые вы принимаете, и действия, которые вы предпринимаете.

Объединив большие данные с интегрированной стратегией управления маркетингом, маркетинговые организации могут оказать существенное влияние в следующих ключевых областях:

  • Взаимодействие с клиентами. Большие данные могут дать представление не только о том, кто ваши клиенты, но и о том, где они находятся, чего хотят, как и когда с ними связываются.
  • Удержание и лояльность клиентов. Большие данные могут помочь вам узнать, что влияет на лояльность клиентов и что заставляет их возвращаться снова и снова.
  • Оптимизация / эффективность маркетинга. Используя большие данные, вы можете определять оптимальные маркетинговые расходы по нескольким каналам, а также постоянно оптимизировать маркетинговые программы с помощью тестирования, измерения и анализа.

Что такое маркетинг больших данных? Как стартапы используют это, чтобы расти быстрее? (2021)

Слышали ли вы о волшебном моменте Facebook, который вызвал взрывной рост пользователей? Их цель заключалась в том, чтобы за 10 дней связать пользователя с семью друзьями.Вы когда-нибудь задумывались, откуда взялось это число? Или для Twitter, чтобы заставить пользователя подписаться на его первых 30 пользователей?


Разве не было бы замечательно, если бы ваша маркетинговая команда знала, какие статьи помогают увеличить продажи? Имея эти данные, ваша маркетинговая команда может точно знать, на что им следует сосредоточиться. Вы могли бы ответить на такие вопросы, если бы ваша команда могла использовать маркетинг больших данных.


Вот о чем я расскажу в сегодняшней статье:

  1. Что такое маркетинг больших данных?
  2. Почему большие данные важны для маркетинга и вашего стартапа.
  3. Как большие данные могут помочь современным маркетологам и основателям.
  4. Сценарии использования маркетинга больших данных.

Что такое маркетинг больших данных?

Что такое большие данные, наука о данных и интеллектуальный анализ данных? И как это применимо к маркетингу и вашему стартапу? Чтобы понять маркетинг больших данных, давайте возьмем краткий урок истории, который поможет нам определить наши термины.


Интеллектуальный анализ данных впервые стал популярен в статье, написанной Грегори Пятецким-Шапиро, основателем KDNuggets, Усамой Файядом и Падраиком Симтом в журнале AI Magazine.Интеллектуальный анализ данных был определен как «практика изучения больших баз данных для создания новой информации». ( Источник )

Проще говоря, интеллектуальный анализ данных — это процесс обнаружения полезных знаний из данных .


Затем, в 2001 году Уильям С. Кливленд вывел интеллектуальный анализ данных на совершенно новый уровень. Он стремился объединить интеллектуальный анализ данных с мощью информатики или науки о данных. Итак, наука о данных — это использование интеллектуального анализа данных с информатикой. ( Источник )


Примерно в то же время появился Web 2.0, где мы могли взаимодействовать с веб-сайтами и друг с другом. Web 2.0 позволил миллионам людей общаться и взаимодействовать друг с другом. В результате мы увидели взрывное развитие социальных сетей, таких как LinkedIn, Reddit и Facebook. В результате было создано огромное количество данных.

Большой объем данных от людей и компьютеров, взаимодействующих друг с другом, стал известен как большие данные.

Это означает, что маркетинг больших данных — это способ применения больших объемов данных для улучшения вашего маркетинга . Так почему это важно для вашего стартапа?

Почему большие данные имеют значение для маркетинга и вашего стартапа

Были ли у вас ответы на вопросы, которые не имели смысла? Вы просыпаетесь, чтобы пойти в кофейню, и чувствуете, что вам нужно схватить зонтик. Когда вы берете интервью у маркетолога в Skype, через 60 секунд вы чувствуете, что это именно она.


Хотя здравый смысл подсказывает, что вы должны «всегда доверять своей интуиции», умные соучредители знают, что не всегда все так просто. Вместо этого вам нужны точные данные, чтобы знать, какие маркетинговые каналы являются лучшими. Хорошие данные дают вам правильную информацию для принятия разумных решений.


Макс Галка, обработчик данных, визуализатор и основатель Metrocosm, объясняет:

«Маркетинговая кампания — это продукт бесчисленных стратегических решений. Какие маркетинговые каналы мне следует использовать? На кого я должен ориентироваться? Какое сообщение следует Я общаюсь? Как мне измерить его эффективность?


Умные маркетологи могут обладать отличной интуицией для ответов на подобные вопросы.Но если они не используют большие данные для проверки своих предположений, эти предположения в конечном итоге являются только предположениями.


Проблема состоит в том, что данных очень много. Чтобы использовать эти данные осмысленным образом, вам нужно знать, как их собирать, анализировать и отображать. Вторая проблема заключается в том, что данные распределены по множеству инструментов и платформ. Это означает, что ваша команда упускает неиспользованные возможности без этой полной картины ».


Джеймс Феникс, маркетолог по аналитике Python, объясняет:

« Большие данные позволяют выявлять тенденции, закономерности и модели поведения, которые будут упускать ваши конкуренты. .Такие инструменты, как «Сегмент», помогут вам найти информацию, скрытую в ваших платформах для рекламы, аналитики, продаж и CRM. В сочетании с машинным обучением инструмент в конечном итоге подскажет, что делать ».

Что конкретно могут сделать большие данные, чтобы помочь вам расти быстрее?

Как большие данные могут помочь сегодняшнему маркетологу и основателю

Хотели ли вы когда-нибудь, чтобы вы понимали истинную ценность клиента на протяжении всего срока службы? Или как насчет ваших точных затрат на привлечение клиентов и способов их снижения? Большие данные затрагивают каждую часть маркетинговой воронки, чтобы улучшить продажи.

В исследовании 2013 года был задан вопрос 171 главному директору по маркетингу, где большие данные оказывают наибольшее влияние на их маркетинговые программы. 58% отметили поисковую оптимизацию (SEO), электронный и мобильный маркетинг. 49% отметили сегментацию клиентов. А 41% заявили, что большие данные оказывают наибольшее влияние на их маркетинговую стратегию. ( Источник )

( Источник изображения )

Я готов поспорить, что большинство стартапов извлекают выгоду из маркетинга больших данных, но не осознают этого.Вы проводите A / B-тесты? Тогда вы используете большие данные. Вы используете Google Analytics, Google Search Console, Kissmetrics или Hubspot? Тогда вы извлекаете выгоду из больших данных.

Но из-за всех данных некоторые из этих инструментов не являются оптимальными по умолчанию. Например, если вы не вносите никаких изменений в Google Analytics (GA), вы можете подумать, что Reddit — плохой канал продвижения. По умолчанию в GA время на странице измеряется путем подсчета времени между обращениями к взаимодействию. ( Источник )

Если редактор Reddit заходит в ваш блог, читает статью и закрывает браузер, продолжительность сеанса будет 0:00.Это исказит ваши результаты, и Reddit будет выглядеть хуже, чем есть на самом деле.

Вот где в вашей команде может пригодиться специалист по анализу данных. Если вы не знаете, как настроить GA, и не можете позволить себе специалиста по обработке данных, у ConversionXL есть отличный платный курс о том, как это сделать. ( Источник )

Помимо Google Analytics, как еще стартап может использовать маркетинг больших данных для развития бизнеса?

Сценарии использования маркетинга больших данных

Каждая маркетинговая кампания преследует одну и ту же цель.Вы хотите отправить нужное сообщение нужному человеку в нужное время.

Без больших данных контент-маркетологи должны довольствоваться тем, чтобы предоставлять нужную ценность для нужной аудитории в нужное время. Но с большими данными вы можете создать почти идеальный покупательский опыт.

Кирк Борн, главный специалист по анализу данных в Booz Allen Hamilton и писатель в Rocket Data Science, объясняет:

«Контент-маркетинг — один из каналов с наивысшей рентабельностью инвестиций, потому что он дает нечто удивительное, интересное и полезное для потребителя. .Это особенно верно, если вы используете машинное обучение (ML), чтобы подбирать нужный контент для нужного пользователя в нужное время.

Сочетание нескольких источников данных ведет к эпохе гиперперсонализации. Например, одна покупательница искала на своем домашнем ПК конкретный кухонный гаджет. [Позже] на компьютере ее мужа появилось всплывающее объявление, предлагающее ему купить этот товар.

Гиперперсонализированный контент действительно может сдвинуть с мертвой точки, уводя клиента от осведомленности, интереса и конверсии. .. чтобы клиент стал вашим ярым поклонником на рынке ».

( Источник )

Добавление машинного обучения выводит ретаргетинг рекламы на совершенно новый уровень персонализации. Но ретаргетинг требует заинтересованности покупатель, чтобы посетить ваш веб-сайт. Или, если вы поменяете пиксели, веб-сайт партнера. Что, если бы вы использовали большие данные, чтобы обнаружить потенциального покупателя просто по его фотографиям в Facebook?

Лиза-Кристина Винтер, старший пользователь-исследователь в TestingTime and основатель Hakuna-Madata объясняет:

«Использование неструктурированных данных позволяет маркетологам« взаимодействовать »с потенциальными покупателями на уровне 1-на-1.Например, предположим, что человек публикует фотографию своего лыжного отпуска в Facebook. Страховая компания может предложить им краткосрочный страховой полис на случай возможных спортивных травм.

Анализ огромных объемов неструктурированных данных позволяет проводить «психологическую сегментацию». Здесь алгоритмы машинного обучения могут применяться к целевым клиентам с соответствующими личностными качествами. Контент и реклама могут адаптироваться к предпочтениям клиента, что значительно увеличивает коэффициент конверсии.

Многие маркетологи знают, что удержание прибыльных клиентов на более длительное время является ключом к устойчивому росту. Как однажды сказал Брайан Бальфур: «Рост — это хорошо, но удержание всегда на 4+». Что, если бы вы могли использовать машинное обучение, чтобы предсказать шансы, что клиент уйдет, и остановить его раньше, чем он это сделает? »

«Вместо того, чтобы полагаться на расходы для сокращения оттока клиентов, телекоммуникационные компании обращаются к машинному обучению.

На следующем рисунке показано, как модели риска могут помочь определить, какие действия следует предпринять для снижения оттока, исходя из их вероятности и риска. [Это] позволяет маркетологам учитывать уровень вмешательства, который может повлиять на вероятность оттока клиентов, исходя из общей ценности клиента (CLV) ».

( Источник )

( Исходное изображение )

Таким образом, использование машинного обучения может помочь вам предсказать, у кого больше шансов сбиться.Но это также может помочь вам определить, на кого стоит потратить больше времени, найдя клиентов с высоким CLV.

Заключительные мысли

Если вы хотите использовать контент-маркетинг для увеличения аудитории, вам потребуются данные, чтобы направлять ваши решения. В противном случае, как вы узнаете, стоит ли канал продвижения контента вашего времени и денег? Если вы планируете нанять консультанта по контент-маркетингу, агентство или сотрудника, важно, чтобы они имели базовое понимание аналитики.

Некоторые учредители могут захотеть удвоить свою аналитику. Если это вы, то вам нужно нанять маркетолога, который разбирается в больших данных. Или наймите консультанта по большим данным, который сможет применить свою работу в контент-маркетинге.

Не позволяйте большим данным похоронить ваш бренд

Вкратце об идее
Классическое натяжение

Маркетологам всегда приходилось соблюдать баланс между построением бренда и краткосрочным продвижением товаров. Если слишком много полагаться на последнее, то, как выяснил Capital One, вы получите название бренда, который ничего не значит.

Большие данные усугубляют

Сегодня достичь такого баланса труднее, чем когда-либо, из-за больших объемов данных и аналитики, а также целенаправленных рекламных акций, которые они обеспечивают. Соблазн пренебречь инвестициями в бренд в погоне за надежными продажами почти непреодолим.

Совет

Чтобы защитить свой бренд, каждое сообщение должно выполнять двойную функцию. Используйте анализ данных, чтобы обосновать необходимость инвестиций в бренд в долгосрочной перспективе. Не гонитесь за предложениями, которые вы не можете защитить с точки зрения бренда.И сделайте все возможное, чтобы обеспечить продуктивное сотрудничество между знатоками вашего бренда и аналитиками данных.

Глубоко во втором квартале директор по маркетингу сети ресторанов приезжает на работу и обнаруживает, что генеральный директор зашел. В этом бизнесе, как и во многих других, «директор по маркетингу» означает директора по доходам для генерального директора, который здесь, чтобы говорить о продажах. «Остался всего месяц, — говорит он, — и мне нужно усиление, чтобы компенсировать то, что мы потеряли из-за погоды. ИТ-аналитики говорят мне, что мы получаем самый высокий отклик на предложения гамбургеров и приложений.Итак, время для купонов? »

План директора по маркетингу состоял в том, чтобы в ближайшие месяцы укрепить капитал бренда за счет рекламы, продвигающей качество продуктов питания и наследие бренда, и при этом уйти от акцента на скидках, вызванных тяжелым первым кварталом. Но когда начальник что-то просит, что вы можете сделать?

Этот слишком реалистичный сценарий иллюстрирует классическую напряженность для директоров по маркетингу и, можно сказать, главную причину, по которой их высокопоставленная работа должна существовать: достижение правильного баланса между стремлением к краткосрочным доходам и долгосрочным построением бренда. Расширенная маркетинговая аналитика и большие данные значительно усложняют эту работу. Если раньше было трудно защищать инвестиции в брендинг с неопределенной и отдаленной отдачей, то теперь, когда краткосрочные продажи могут быть так точно спроектированы, стало вдвойне труднее. Аналитика позволяет, по всей видимости, знать, какие рекламные предложения понравятся клиентам. Большие данные позволяют получать впечатляющие объемы информации о покупательских моделях и историях транзакций идентифицируемых клиентов. Учитывая маркетинговые доллары и возможность по своему усмотрению вкладывать их в любом направлении, соблазн держать кассовые аппараты в рабочем состоянии почти непреодолим.

Мы можем напрямую говорить о силе аналитики, потому что один из нас много лет руководил маркетингом в Capital One, а другой является давним советником этой компании и других. Capital One был «рожден аналитическим» в 1988 году как компания, выпускающая кредитные карты, полностью инвестировавшая в средства обработки данных, которые только тогда появлялись. Осознавая, как отрасль кредитных карт может быть преобразована с помощью компьютерного анализа и непрерывного научного тестирования, ее основатели сформулировали основанную на информации стратегию, которая не только дала бы ей конкурентное преимущество при выходе на рынок, но и в конечном итоге определила бы всю ее культуру.Возможность получить детальное представление о поведенческой экономике очень узко определенных сегментов позволила Capital One предлагать кредитные карты гораздо большему количеству потребителей по гораздо более привлекательным ставкам с гораздо меньшим финансовым риском. В то время предложения не были электронными, но прямая почтовая рассылка давала более чем достаточно обратной связи для анализа, и Capital One смогла превзойти своих конкурентов, извлекая уроки из этого.

Эта история делает направление, в котором недавно был принят маркетинг Capital One, довольно неожиданным.После десятилетия рекламных акций, которые опирались на постоянно расширяющиеся источники цифровых данных, что привело к росту, который вывел компанию в Fortune 200, генеральный директор Capital One Рич Фэйрбанк решил, что компании следует больше инвестировать в создание бренда.

Большинство компаний в последние годы пошли в обратном направлении. Вдохновленные историями успеха, такими как Capital One, организации по всему миру пришли к выводу, что они чрезмерно инвестировали в кампании по созданию бренда с неясной отдачей, и начали стремиться к тому, чтобы больше полагаться на рекламную аналитику.Но Fairbank видел тревожное будущее для компании, название которой не имело отношения к клиентам и вместо этого полагалось на привлекательность брендов Visa и MasterCard. Более того, он заказал исследование капитала бренда, чтобы понять, как потребители видят Capital One, и выявило только один атрибут, которым владеет подавляющее большинство бренда: «Они присылают мне много писем».

Когда продажи можно точно спроектировать, трудно защитить инвестиции в брендинг.

За последние несколько лет мы многое узнали о том, как достичь необходимого баланса — как через коррекцию курса Capital One, так и через идеи, полученные от других маркетологов, которых мы уважаем. Здесь мы предлагаем некоторые практические приемы, которые можно сравнить с руководством, написанным самыми умными из известных нам директоров по маркетингу, чьи компании нацелены на конкретных клиентов с помощью краткосрочных рекламных акций, но также зависят от сильных брендов.

Маркетинговые новости

Многие студенты, изучающие маркетинг, знакомы с классическим примером еженедельного журнала новостей, который продвигал свой путь к нерелевантности. Тираж Time составил 4,6 миллиона экземпляров на пике в 1988 году. Несмотря на рост населения США на 31% с тех пор, сегодня это число ниже 3.3 миллиона — снижение на 30%. В 2014 году Time была окончательно отделена Time Warner, компанией, выросшей на некогда прочном фундаменте. Журнал больше не зарабатывал себе на жизнь.

Первой проблемой стали кабельные каналы новостей, которые за счет ускорения новостных циклов затрудняли еженедельную печать достаточно актуальной информации. Маркетологи Time’s ответили телеобъявлением, которое еще больше усугубило ситуацию: «Привет, я Джуди, один из операторов журнала Time. Помните, если вы позвоните сейчас, вы получите Time почти за половину стоимости покрытия.И эта эксклюзивная прогулка Time AM / FM бесплатно. Это предложение скоро закончится, поэтому звоните прямо сейчас. Наши операторы ждут ».

Отчаявшись заменить теряемых подписчиков, Time запускал откровенно рекламные объявления, которые были отделены от проводимой им традиционной имиджевой кампании — кампании, которая подчеркивала наследие и качество журналистики Time и подчеркивала индивидуальность бренда. Таким образом, журнал невольно поставил эксперимент, и результаты быстро распространились. Рекламные объявления были настолько эффективны, что Time вскоре прекратил кампанию по продвижению бренда.По-настоящему грустно аспектом дела является то, что редакторы, работавшие над созданием лучшего времени для ускорило вверх эпохи. Они знали, что у них один из самых сильных новостных брендов в мире, который внезапно стал одержим новостями. Их коллеги, ориентированные на тираж, удвоив количество предложений «позвоните сейчас», не только не смогли сообщить об этом, но и косвенно продемонстрировали отсутствие веры в бренд.

Time’s — далеко не единственный кейс, который учит простой истине о поддержании баланса. Пиво Michelob, например, в течение многих лет было премиальным пивом, для которого «были созданы выходные» — до тех пор, пока повышение цен не привело к тому, что оно скатилось вниз по спирали.Построение бренда необходимо для поддержания здоровой рентабельности, позволяющей бизнесу в долгосрочной перспективе выполнять обещание бренда. Но из-за естественного противоречия между капиталом бренда и стимулированием продаж любое давление с целью увеличения доходов в краткосрочной перспективе будет угрожать инвестициям в создание бренда.

Помня об этом напряжении, подумайте, насколько большим стало давление. Большие данные и аналитика могут способствовать продвижению стероидов. Как показала потрясающая история New York Times, они могут позволить розничному продавцу использовать историю покупок товаров для беременных, чтобы воспользоваться удобным моментом для продвижения товаров для новорожденных.Как показывают последние шаги на рынке личного страхования, они позволяют адаптировать ценовые предложения к выявленным привычкам людей, чтобы заменить объединение рисков в больших группах. Мы, как потребители, ежедневно сталкиваемся с тем, что они позволяют продавцам разносить предложения, зная, что заставит нас укусить.

Сделайте так, чтобы каждый элемент обмена сообщениями выполнял двойную задачу

В компании Subway, франчайзи которой управляют более 40 000 ресторанов примерно в 100 странах, директор по маркетингу Тони Пейс сумел добиться правильного баланса за время своего пребывания в должности: название Subway означает ряд обещаний бренда и одновременно стимулирует продажи 40 миллионам клиентов компании. обслуживает каждую неделю.Пейс рассказал нам свой секрет: вместо того, чтобы пытаться сбалансировать рекламные акции и кампании по созданию имиджа на уровне портфолио, его организация устанавливает этот баланс в каждом элементе. Например, «В нашей рекламной акции стоимостью пять долларов на фут также участвуют некоторые из наших« знаменитых фанатов »[таких как звездные спортсмены Роберт Гриффин III и Майкл Фелпс]», — говорит он. «Их присутствие в рекламе предназначено для брендинга, а не только для продаж». Фактически, то, что началось в 2008 году как четырехнедельная рекламная кампания, превратилось в стратегический актив бренда на 4 миллиарда долларов, в комплекте с его собственным броским звоном, логотипом и жестами рук, обозначающими «пять долларов» и «фут в длину».”

Subway — прекрасный пример компании, чей маркетинг можно легко перенять с помощью рекламных акций, основанных на аналитике. Благодаря сильной программе лояльности и множеству держателей карт, подписавшихся на получение электронных рекламных сообщений, он имеет завидную способность отслеживать поведение своих клиентов и влиять на него. Однако Пейс отмечает, что если рекламные акции, основанные на аналитике, запрограммированы на максимальное увеличение продаж в краткосрочной перспективе, они всегда будут подталкивать конкретного клиента к тому, что он заказывал чаще всего.(У других предложений меньше шансов побудить к немедленным действиям.) Это разрушительно в долгосрочной перспективе, потому что, как известно компании, чем больше «репертуар» клиента (типы сэндвичей, заказанные более одного раза), тем более лояльным остается этот клиент. в метро.

Еще худшие долгосрочные эффекты, как отмечает Пейс, могут возникнуть из-за чрезмерно автоматизированных закупок средств массовой информации и размещения рекламы. «Программный маркетинг может привести к действиям, выходящим за рамки стратегии бренда и разрушающим бренд», — сказал он нам. «Я не собираюсь отказываться от решений по обмену сообщениями.”

Тем не менее, если маркетинговая команда по-прежнему сосредоточена на правильных долгосрочных целях, большие данные часто могут помочь в их достижении. Новая способность Subway выявлять торговые отношения между 20 различными бутербродами, которые она предлагает, например, означает, что она видит возможности для расширения репертуара клиентов. Беспрецедентное количество данных, доступных его маркетологам, говорит Пейс, «действительно приводит к повышению точности построения гипотез».

Извлекайте аналитическую информацию на уровне бренда из данных

Когда мы искали другие компании, у которых был эффективно сбалансирован брендинг и стимулирование продаж, было трудно игнорировать то, чего удалось достичь Марку Аддиксу, как для General Mills, так и лично.К моменту выхода на пенсию в 2015 году он проработал в компании 26 лет, что сделало его, как сообщает Advertising Age, «одним из директоров по маркетингу с наибольшим стажем работы в пищевой промышленности».

Today Addicks описывает использование General Mills больших данных как сбалансированное между стремлением к краткосрочным продажам и созданием долгосрочных брендов. Но, по его словам, так было не всегда. «Изначально данные использовались просто для стимулирования продаж: реклама в нужный день недели, добавление точности, когда привлекать, зная, какое предложение кому поставить, на каком пироге сосредоточиться в какой части страны.Действительно, Addicks было удобнее, чем многим другим директорам по маркетингу, «позволить данным рассказать нам логику потребителя» для продвижения по службе. Он привел один пример закономерности, выявленной в Интернете: многие покупатели, которые смотрели на определенный вид йогурта, обращались к определенным рецептам из курицы. «Это может показаться странным, но теперь мы начинаем следовать логике, не подвергая ее сомнению», — говорит Аддикс.

Со временем такие модели, бросающие вызов предположениям, позволили получить идеи, которые помогли General Mills углубить отношения с брендом и создать более актуальный и значимый контент.Помимо предоставления целевых предложений, детальное, основанное на данных понимание поведения и сегментов потребителей может выявить общие проблемы и недостаточно удовлетворенные потребности подгрупп клиентов, например тех, у которых есть маленькие дети, или тех, кто отвечает на рекомендации врача по холестерину. «Людям трудно понять это, — говорит Аддикс. «Люди беспокоятся о том, чтобы не оторвать глаз от бренда, когда вы получаете такую ​​гранулу». Но когда сообщение маркетолога может укрепить связь между тем, как потребители воспринимают бренд, и конкретной проблемой, которую им нужно решить, по его словам, это «стимулирует продажи, но также связано с более широким позиционированием бренда.”

Для Addicks, возможно, это было естественным направлением для аналитики. Несколько нетипично, когда большие данные начали генерировать все шумихой, он надавил на создание возможностей компании с ним. Но когда его команда сделала первый шаг к остальному руководству, его упор на предсказуемую отдачу от продаж «действительно повредил нашим усилиям по привлечению инвестиций», — говорит он. Компания «так хочет сосредоточиться на создании бренда и обслуживании клиентов, что акцент на данных казался несовместимым с этим.«Теперь, когда ясно, что данные могут быть столь же полезны для построения бренда, вложения менее спорны.

Использование данных для создания бренда

Марк Аддикс работал в компании, которая понимала и любила создание бренда, и ему пришлось отстаивать роль данных в этом. Как мы уже говорили, чаще всего создатели бренда занимают оборонительную позицию, потому что другие в их компании хотят уделять больше внимания продажам. Вот почему нас очень заинтересовала компания, которая делает убедительные аргументы в пользу построения бренда с использованием данных .

Caesars Entertainment с самого начала приобрела репутацию компании, которая принимает решения на основе данных. Под руководством Гэри Лавмана ее культура стала одновременно ориентированной на продажи и глубоко аналитической, с общим уклоном в сторону измеримых и транзакционных элементов. Поэтому, когда Тарик Шаукат стал директором по маркетингу, он был готов обеспечить еще большую подотчетность и детальную аналитику — но он также был полон решимости поставить их на службу построения бренда. «С точностью, доступной сейчас в таргетинге телерекламы zip + 4, мы применяем к рекламе подход прямого маркетинга», — объясняет он.Это означает, что компания может тщательно протестировать и сравнить эффекты рекламы, ориентированной на бренд, и рекламы, ориентированной на продвижение. И как только клиенты, привлеченные любым из этих типов, входят в дверь, транзакции внутри казино показывают, «как они себя ведут».

Учитывая характер бизнеса Caesars, говорит Шаукат, реальное построение бренда происходит на каждом объекте, поскольку гости получают то, что компания называет своим «полным обслуживанием». Большой объем данных, которые использует команда Шауката, включает не только транзакции с гостями, но и ответы на более чем 500 000 опросов отзывов каждый год.Вместе они предлагают глубокое тактическое понимание того, как компоненты опыта влияют на восприятие бренда и где инвестиции будут иметь наибольшее влияние. Caesars также может обнаружить, как восприятие бренда клиентами соотносится с их пожизненной ценностью для компании, и, следовательно, может предсказать, как инвестиции, повышающие рейтинг бренда, приведут к дополнительному увеличению доходов. Другими словами, говорит Шаукат, «если мы сможем перейти от B к рейтингу A нашего бренда, это окажет x влияние на результаты.”

Приятно видеть, что изучение больших наборов данных с помощью более точных вопросов может привести к совершенно разным маркетинговым решениям. Сегодня телевизионная реклама Caesars почти полностью ориентирована на брендинг, призвана усилить ожидание и вызвать эмоциональную привлекательность. (Пятисекундное рекламное предложение в конце позволяет им выполнять двойную задачу, которую советует Тони Пейс.) Несмотря на то, что корпорация столкнулась с проблемами из-за своей долговой нагрузки, бренд и основной бизнес остаются сильными.

Не делай этого, если не можешь защитить

Мы уже упоминали о готовности Марка Аддикса «следовать логике» анализа данных, который устанавливает удивительные связи и предлагает неинтуитивные маркетинговые ходы.Например, в продуктовом магазине риск настолько мал, что стоит попробовать новую рекламную идею. В Capital One, однако, участие в финансовой жизни клиентов означает, что компьютеризованное принятие решений может иметь неприятные последствия, если результаты будут несовместимы с ценностями или брендом компании.

Некоторые директора по маркетингу применяют стандарт «Могу ли я интуитивно объяснить это, прежде чем просто следовать указаниям данных?» Директора по маркетингу, чьи компании, такие как Capital One, работают в регулируемых отраслях, также должны спросить: «Могу я объяснить это регулирующим органам, лидерам сообществ и другим заинтересованным сторонам?» Использование подхода, основанного на отслеживании данных, может привести к маркетинговым инициативам, которые генерируют высокую рентабельность инвестиций, но непреднамеренно подвергают компанию обвинениям в ненадлежащем таргетинге, несправедливом исключении или использовании основанных на данных корреляций, которые в ретроспективе кажутся дискриминационными.В модели, основанной на предположениях и ориентированных на человека, этот риск сводится к минимуму за счет обучения, осведомленности и контроля. В управляемом данными, автоматизированном мире риск непреднамеренных ошибок значительно возрастает в отсутствие соответствующего экрана оценки.

Вот почему Шаукат, несмотря на то, что он глубоко укоренился в культуре Caesars, ориентированной на аналитику, настаивает на том, что контроль со стороны маркетологов, которые привыкли использовать свою интуицию и суждения, всегда будет необходим. Удивительные корреляции отлично подходят для того, чтобы бросить вызов предвзятым мнениям маркетологов или общепринятым представлениям; но, в конце концов, маркетолог должен уметь рационально принять логику.«Если данные говорят нам сделать что-то, что не имеет интуитивного смысла, мы этого не делаем», — говорит Шаукат. «И если я не могу объяснить клиенту, почему мы делаем то или иное предложение, мы не будем делать и этого». Это звучит как хорошая философия защиты бренда для любой компании.

Привлекайте к сотрудничеству брендов и аналитиков

Последняя проблема для директоров по маркетингу, которые пытаются найти правильный баланс между брендингом и продвижением, заключается в том, что эти две цели все чаще решаются очень разными людьми.В сети пиццерий Domino’s, например, мы слышали от Рассела Вайнера, тогдашнего директора по маркетингу (а теперь и президента), что со сложностями новой среды данных невозможно справиться с помощью маркетолога на все руки. прошлое. «Большие данные требуют таких специальных навыков, — сказал он, — что они« привлекают людей другого типа, которые не могут переключаться между функциями ». Точно так же, как самые креативные маркетологи не являются лучшими специалистами по работе с данными, аналитикам обычно не хватает навыков, опыта и, возможно, даже «внутренней проводки», чтобы преуспеть в бренде, имидже и креативности.

Даже предложение купона что-то говорит о бренде.

Однако, как и другие директора по маркетингу, с которыми мы консультировались, Вайнер твердо уверен, что использование больших данных для создания целевых предложений может сыграть важную роль в построении бренда. «Если не показывать пиццу пепперони вегетарианцу, это касается как продаж, так и брендинга», — сказал он. «Двойная польза, когда вы делаете это правильно, и двойная неудача, когда вы делаете что-то неправильно». Недавняя попытка его компании побудить клиентов делать заказы онлайн, а не по телефону, чтобы можно было собирать больше и более точных данных, является частью помощи его команде в обеспечении этого двойного блага.

Но более важным, по словам Вайнера, являются беспрепятственные рабочие отношения между творческими маркетологами, разбирающимися в данных, и аналитиками больших данных, ориентированными на потребителя. «Это все равно что связать защитника с атакующей линией или Элтона Джона с [Берни Топином] его автором текстов», — сказал он нам. Однако командная работа не всегда бывает гармоничной. Могут возникнуть «проблемы управления» в отношении того, какая сторона играет ведущую роль, а какая — подстраховывает. Решение Вайнера кажется нам тем, что другие директора по маркетингу могут позаимствовать: когда он перешел в Domino’s, он привел с собой ведущего исследователя рынка — человека, чей набор навыков поставил его прямо на стыке обработки данных и понимания клиентов.Понимание этого профессионала того, почему показанные данные, позволило ему создать пространство для совместной работы с остальной частью команды.

Вайнер сказал об одной кампании, в которой были задействованы сильные стороны обеих сторон: «Дело не в больших данных. Речь идет о большом маркетинге «. Он отметил, что в мире спорта многие организации стали более одержимы данными после выпуска книги (и фильма) «Moneyball», в которой прославляется сложность вычислений «Оклендского А». Но в результате не все они играют лучше.Почему это? «Может быть, цифры не дадут вам знать», — размышлял Вайнер, — «а после этого речь идет о людях, понимающих все правильно».

Между крайностями

Еще одно различие между маркетологами связано с возрастом. Опора на аналитику и решения, основанные на данных, может быть второй натурой для новых сотрудников в крупной маркетинговой организации, но очень чуждой для их старых коллег. По словам Марка Аддикса, большие данные «в корне бросают вызов тому, что они делают и как думают». Рассказывая о своем опыте, он сказал нам: «Младший человек может смотреть на данные и знать о категории больше, чем руководитель высшего звена.Когда младший сотрудник на собрании говорит: «Извините, но категория работает не так», это может быть очень унизительным ».

Нелегко сопротивляться давлению, которое заставляет идти ва-банк в продвижении на основе данных. Даже Рич Фэйрбанк столкнулся (и поддержал) существенный откат в своих размышлениях о важности брендинга в Capital One. Обширные внутренние дебаты предшествовали стратегическому скачку компании, сделавшему значительные многолетние инвестиции в развитие бренда.

Тем не менее, многие знания и навыки традиционных маркетологов не устаревают.Каждая маркетинговая программа в той или иной степени влияет на обе стороны. Маркетинг, ориентированный на продажи, влияет на краткосрочные действия; брендинг пробуждает чувства и понимание того, что представляет собой бренд. Но даже предложение купона что-то говорит о бренде, и даже реклама без призыва к действию меняет склонность потребителя к покупке. Хороший маркетинг можно определить как успешное плавание между Сциллой и Харибдой крайностей. В прошлом маркетологи иногда катастрофически продвигались к брендингу, пренебрегая продажами (печально известная версия Pets.com приходит на ум). Сегодня многие так же устрашающе направляются в сторону рекламных акций, рискуя вызвать основание своих брендов. Наилучший путь вперед всегда требует среднего курса.

Рынок больших данных по решениям и услугам — 2025 г.

СОДЕРЖАНИЕ

1 ВВЕДЕНИЕ (Страница № — 19)
1.1 ЦЕЛИ ИССЛЕДОВАНИЯ
1.2 ОПРЕДЕЛЕНИЕ РЫНКА
1.2.1 ВКЛЮЧЕНИЯ И ИСКЛЮЧЕНИЯ
1.3 ОБЪЕМ РЫНКА
1.3.1 СЕГМЕНТАЦИЯ РЫНКА
1.3.2 ОХВАТЫЕ РЕГИОНЫ
1,4 ГОДА, РАССМАТРИВАЕМЫЕ ДЛЯ ИССЛЕДОВАНИЯ
1.5 УЧЕТНАЯ ВАЛЮТА
1.6 ЗАИНТЕРЕСОВАННЫЕ СТОРОНЫ

2 МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ (Страница № — 23)
2.1 ДАННЫЕ ИССЛЕДОВАНИЯ
2.1.1 ВТОРИЧНЫЕ ДАННЫЕ
2.1.2 ПЕРВИЧНЫЕ ДАННЫЕ
2.1.2.1 Разделение основных профилей
2.1.2.2 Ключевые отраслевые идеи
2.2 РАЗДЕЛЕНИЕ РЫНКА И ДАННЫЕ ТРИАНГУЛЯЦИЯ
2.3 ОЦЕНКА РАЗМЕРА РЫНКА
2.3.1 ПОДХОД ВЕРХНИЙ
2.3.2 ПОДХОД СНИЗУ
2.4 ПРОГНОЗ РЫНКА
2.5 ПРЕДПОЛОЖЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ
2.6 ОГРАНИЧЕНИЯ ИССЛЕДОВАНИЯ

3 ИСПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ (Страница № — 33)

4 PREMIUM INSIGHTS (Номер страницы — 39)
4.1 ПРИВЛЕКАТЕЛЬНЫЕ РЫНОЧНЫЕ ВОЗМОЖНОСТИ НА РЫНКЕ
4.2 ТОП-3 БИЗНЕС-ФУНКЦИИ
4.3 РЫНОК БОЛЬШИХ ДАННЫХ ПО РЕГИОНАМ
4.4 РЫНОК БОЛЬШИХ ДАННЫХ В СЕВЕРНОЙ АМЕРИКЕ, ПО РЕШЕНИЯМ И ОТРАСЛЯМ ВЕРТИКАЛЬ

5 ОБЗОР РЫНКА И ОТРАСЛЕВЫЕ ТЕНДЕНЦИИ (Страница № — 41)
5.1 ВВЕДЕНИЕ
5.2 ДИНАМИКА РЫНКА
5.2.1 ДРАЙВЕРЫ
5.2.1.1 Резкое падение затрат на технологии и разработка программных фреймворков для больших данных с открытым исходным кодом
5.2.1.2 Связь данных через гибридные и мультиоблачные среды
5.2.1.3 Включение цифровой трансформации в стратегии верхнего уровня
5.2.2 ОГРАНИЧЕНИЯ
5.2.2.1 Отсутствие квалифицированной рабочей силы и сложность извлечения информации
5.2.3 ВОЗМОЖНОСТИ
5.2.3.1 Интеграция ИИ, Интернета вещей и блокчейна с большими данными
5.2.3.2 Усиление нормативно-правового поля для защиты данных
5.2.4 ПРОБЛЕМЫ
5.2.4.1 Отсутствие связи между потребителями и предприятиями, вызывающее озабоченность в отношении конфиденциальности и безопасности
5.3 ПРИМЕРЫ ИССЛЕДОВАНИЙ
5.3.1 ПРИМЕР 1: ПОЛУЧИТЬ КОНКУРЕНТОСПОСОБНОЕ ПРЕИМУЩЕСТВО С ПОМОЩЬЮ РЕШЕНИЙ BI
5.3.2 ПРИМЕР 2: ПРЕДОСТАВЛЕНИЕ РЕШЕНИЯ ДЛЯ АНАЛИТИКИ В РЕАЛЬНОМ ВРЕМЕНИ ДЛЯ БЫСТРОГО ПРИНЯТИЯ ЛУЧШИХ РЕШЕНИЙ
ОПЫТ И ПРОИЗВОДИТЕЛЬНОСТЬ ДЛЯ ПРЕДПРИЯТИЙ-ПАРТНЕРОВ
5.3.4 ПРИМЕР 4: ПРИНЯТЬ ИНДИВИДУАЛЬНЫЕ РЕШЕНИЯ ДЛЯ ОБУЧЕНИЯ, КОТОРЫЕ МОГУТ РАБОТАТЬ В ОБЛАЧНОЙ СРЕДЕ
5.4 НОРМАТИВНЫЕ ПОЛОЖЕНИЯ
5.4.1 ОБЩИЕ ПОЛОЖЕНИЯ
О ЗАЩИТЕ ДАННЫХ 5.4.2 ЗАКОН О ПОДОТЧЕТНОСТИ И ПОРТАТИВНОСТИ ЗДОРОВЬЯ ОТ 1996 ГОДА
5.4.3 BASEL КОМИТЕТ ПО БАНКОВСКОМУ НАДЗОРУ 239 СООТВЕТСТВИЕ

5.6 БОЛЬШИЕ ДАННЫЕ: АРХИТЕКТУРА
5.7 БОЛЬШИЕ ДАННЫЕ: ТИПЫ
5.8 АНАЛИТИКА БОЛЬШИХ ДАННЫХ: ТИПЫ

6 РЫНОК БОЛЬШИХ ДАННЫХ ПО КОМПОНЕНТАМ (стр.- 56)
6.1 ВВЕДЕНИЕ
6.1.1 КОМПОНЕНТ: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
6.2 РЕШЕНИЯ
6.2.1 АНАЛИТИКА БОЛЬШИХ ДАННЫХ
6.2.2 ОБНАРУЖЕНИЕ ДАННЫХ
6.2.3 ВИЗУАЛИЗАЦИЯ ДАННЫХ
6.2.4 УПРАВЛЕНИЕ ДАННЫМИ
6.3 УСЛУГИ
6.3 .1 УПРАВЛЯЕМЫЕ УСЛУГИ
6.3.2 ПРОФЕССИОНАЛЬНЫЕ УСЛУГИ
6.3.2.1 Консультации
6.3.2.2 Поддержка и обслуживание
6.3.2.3 Развертывание и интеграция

7 РЫНОК БОЛЬШИХ ДАННЫХ, ПО РЕЖИМУ РАЗВЕРТЫВАНИЯ (Страница № — 69)
7.1 ВВЕДЕНИЕ
7.1.1 РЕЖИМ РАЗВЕРТЫВАНИЯ: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
7.2 НА МЕСТЕ
7.3 ОБЛАКО
7.3.1 ПУБЛИЧНОЕ ОБЛАКО
7.3.2 ЧАСТНОЕ ОБЛАКО
7.3.3 ГИБРИДНОЕ ОБЛАКО

8 РЫНОК БОЛЬШИХ ДАННЫХ, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ (№ страницы — 76)
8.1 ВВЕДЕНИЕ
8.1.1 РАЗМЕР ОРГАНИЗАЦИИ: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
8.2 КРУПНЫХ ПРЕДПРИЯТИЯ
8.3 МАЛЫЕ И СРЕДНИЕ ПРЕДПРИЯТИЯ

9 РЫНОК БОЛЬШИХ ДАННЫХ, ПО БИЗНЕС-ФУНКЦИЯМ (Страница № — 80)
9.1 ВВЕДЕНИЕ
9.1.1 БИЗНЕС-ФУНКЦИЯ: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
9.2 МАРКЕТИНГ И ПРОДАЖИ
9.3 ОПЕРАЦИИ
9.4 ФИНАНСЫ
9.5 9 ЛЮДСКИЕ РЕСУРС

10 РЫНОК БОЛЬШИХ ДАННЫХ ПО ОТРАСЛЯМ ВЕРТИКАЛЬ (Страница № — 86)
10.1 ВВЕДЕНИЕ
10.1.1 ВЕРТИКАЛЬНАЯ ИНДУСТРИЯ: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
10.2 БОЛЬШИЕ ДАННЫЕ: СЛУЧАИ ИСПОЛЬЗОВАНИЯ ПРЕДПРИЯТИЕМ
10.3 БАНКОВСКИЕ, ФИНАНСОВЫЕ УСЛУГИ И СТРАХОВАНИЕ
10.4 ПРАВИТЕЛЬСТВО И ОБОРОНА
10.5 ЗДРАВООХРАНЕНИЕ И ОБОРОНА
10.5 ЗДРАВООХРАНЕНИЕ И НАУКА О ЖИЗНИ 1075 ТОВАРЫ И СРЕДСТВА ПРОДАЖИ 905.8 ТОВАРЫ 905.8.
10.9 ТЕЛЕКОММУНИКАЦИИ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
10.10 ТРАНСПОРТ И ЛОГИСТИКА
10.11 ДРУГИЕ

11 РЫНОК БОЛЬШИХ ДАННЫХ ПО РЕГИОНАМ (стр.- 103)
11.1 ВВЕДЕНИЕ
11.2 СЕВЕРНАЯ АМЕРИКА
11.2.1 СЕВЕРНАЯ АМЕРИКА: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
11.2.2 СОЕДИНЕННЫЕ ШТАТЫ
11.2.3 КАНАДА
11,3 ЕВРОПА
11.3.1 ЕВРОПА: ДРАЙВЕР РЫНКА БОЛЬШИХ ДАННЫХ
11.3 СОЕДИНЕННОЕ КОРОЛЕВСТВО
11.3.3 ГЕРМАНИЯ
11.3.4 ФРАНЦИЯ
11.3.5 ОСТАЛЬНАЯ ЕВРОПА
11.4 Азиатско-Тихоокеанский регион
11.4.1 Азиатско-Тихоокеанский регион: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
11.4.2 КИТАЙ
11.4.3 ЯПОНИЯ
11.4.4 ИНДИЯ
11.4.5 Остальная часть Азиатско-Тихоокеанского региона
11,5 БЛИЖНИЙ ВОСТОК И АФРИКА
11.5.1 БЛИЖНИЙ ВОСТОК И АФРИКА: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
11.5.2 КОРОЛЕВСТВО САУДОВСКАЯ АРАВИЯ
3 ОБЪЕДИНЕННЫЕ АРАБСКИЕ ЭМИРАТЫ
11.5.4 ЮЖНАЯ АФРИКА
11.5.5 ОСТАЛЬНЫЙ БЛИЖНИЙ ВОСТОК И АФРИКА
11.6 ЛАТИНСКАЯ АМЕРИКА
11.6.1 ЛАТИНСКАЯ АМЕРИКА: ДРАЙВЕРЫ РЫНКА БОЛЬШИХ ДАННЫХ
11.6.2 БРАЗИЛИЯ
11.6.3 МЕКСИКА
11.6.4 ОСТАЛЬНАЯ ЛАТИНСКАЯ АМЕРИКА

12 КОНКУРЕНТНЫЙ ЛАНДШАФТ (Страница № — 145)
12.1 ОБЗОР
12.2 КАРТА КОНКУРЕНТНОГО ЛИДЕРСТВА
12.2.1 ВИЗИОНАРНЫЕ ЛИДЕРЫ
12.2.2 ИННОВАТОРЫ
12.2.3 ДИНАМИЧЕСКИЕ ДИФФЕРЕНЦИАТОРЫ 9750003.

13 ПРОФИЛИ КОМПАНИИ (Номер страницы — 147)
13.1 ВВЕДЕНИЕ
(Обзор бизнеса, Платформа, Решения и Услуги, Ключевые идеи, Последние разработки, SWOT-анализ, RightToWin) *
13.2 MICROSOFT
13,3 TERADATA
13,4 IBM
13,5 ORACLE
13,6 GOOGLE
13,7 AWS
13,8 SAP
13,9 SALESFORCE
13,10 SAS INSTITUTE
13,11 MICROSTRATEGY
13,12 TALENDRO 1375 1375 FOUNDATION
13.12 TALENDRO 1375 1375 1375 1375 HP 13.18 QLIK
13.19 TIBCO SOFTWARE
13.20 SISENSE
13.21 INFORMATICA
13.22 CLOUDERA
13,23 SPLUNK
13,24 PALANTIR TECHNOLOGIES
13,25 1010DATA
13,26 HITACHI VANTARA
13,27 FUSIONEX
13,28 INFORMATION BUILDERS
13,29 YELLOWFIN

* Подробная информация об обзоре бизнеса, платформе, решениях и услугах, ключевых выводах, последних разработках, SWOT-анализе, RightToWin может не быть получена в случае компаний, не котирующихся на бирже.

14 ПРИЛОЖЕНИЕ (стр. № — 234)
14.1 ЭКСПЕРТЫ ОТРАСЛИ
14.2 РУКОВОДСТВО ДЛЯ ОБСУЖДЕНИЯ
14.3 МАГАЗИН ЗНАНИЙ: ПОРТАЛ ПОДПИСКИ НА РЫНКЫ И РЫНКОВ
14,4 ДОСТУПНЫЕ НАСТРОЙКИ
14,5 СООТВЕТСТВУЮЩИЕ ОТЧЕТЫ
14,6 ДАННЫЕ ОБ АВТОРЕ


ПЕРЕЧЕНЬ ТАБЛИЦ (124 таблицы)

ТАБЛИЦА 1 ОБМЕННЫЙ КУРС ДОЛЛАРОВ США, 20172019 ГОД
ТАБЛИЦА 2 АНАЛИЗ ФАКТОРОВ
ТАБЛИЦА 3 РАЗМЕР МИРОВОГО РЫНКА И ТЕМПЫ РОСТА, 2018-2025 (МЛН. ДОЛЛАРОВ,% г / г)
ТАБЛИЦА 4 ОБЪЕМ РЫНКА БОЛЬШИХ ДАННЫХ
МЛН. ДОЛЛАРОВ, ПО КОМПОНЕНТАМ, 2018-2025 ТАБЛИЦА 5 РЕШЕНИЯ: РАЗМЕР РЫНКА, ПО ВИДАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 6 РЕШЕНИЯ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 7 АНАЛИТИКА БОЛЬШИХ ДАННЫХ РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛ.)
ТАБЛИЦА 8 РАЗМЕР РЫНКА ОБНАРУЖЕНИЯ ДАННЫХ, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 9 РАЗМЕР РЫНКА ВИЗУАЛИЗАЦИИ ДАННЫХ, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 10 РАЗМЕР РЫНКА УПРАВЛЕНИЯ ДАННЫМИ, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА РАЗМЕР РЫНКА ДАННЫХ, ПО СЕРВИСАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 12 УСЛУГИ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 13 РАЗМЕР РЫНКА УПРАВЛЯЕМЫХ УСЛУГ, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
РАЗМЕР ПО ВИДУ, 20182025 (МЛН ДОЛЛ. ION)
ТАБЛИЦА 15 РАЗМЕР РЫНКА ПРОФЕССИОНАЛЬНЫХ УСЛУГ, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 16 РАЗМЕР РЫНКА КОНСАЛТИНГА, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 17 РАЗМЕР РЫНКА ПОДДЕРЖКИ И ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ, ПО РЕГИОНАМ, МЛН, 2018-2025 (МЛН ДОЛЛАРОВ США)
ТАБЛИЦА 18 РАЗМЕР РЫНКА РАЗВЕРТЫВАНИЯ И ИНТЕГРАЦИИ, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛАРОВ США)
ТАБЛИЦА 19 РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО ВИДАМ РАЗВЕРТЫВАНИЯ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 20 ПОМЕЩЕНИЯ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 МИЛЛИОНОВ)
ТАБЛИЦА 21 ОБЛАКО: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 22 ОБЛАКО: РАЗМЕР РЫНКА, ПО ВИДАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 23 ОБЩЕСТВЕННОЕ ОБЛАКО: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. )
ТАБЛИЦА 24 ЧАСТНОЕ ОБЛАКО: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 25 ГИБРИДНОЕ ОБЛАКО: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 26 РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018-2025 (МЛН ДОЛЛАРОВ США)
ТАБЛИЦА 27 КРУПНЫЕ ПРЕДПРИЯТИЯ: РАЗМЕР РЫНКА ПО РЕГИОНАМ, 2018-2025 (США D МИЛЛИОНОВ)
ТАБЛИЦА 28 МАЛЫХ И СРЕДНИХ ПРЕДПРИЯТИЙ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛ. США)
ТАБЛИЦА 29 РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО ФУНКЦИЯМ, 2018-2025 (МЛН. ДОЛЛ.)
ТАБЛИЦА 30 МАРКЕТИНГ И ПРОДАЖИ: ВИДЫ ДАННЫЕ
ТАБЛИЦА 31 МАРКЕТИНГ И ПРОДАЖИ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МИЛЛИОН ДОЛЛ. США)
ТАБЛИЦА 32 ОПЕРАЦИИ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 33 ФИНАНСЫ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. )
ТАБЛИЦА 34 КАДРОВЫЕ РЕСУРСЫ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛ. США)
ТАБЛИЦА 35 РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО ВЕРТИКАЛЬНОЙ ОТРАСЛИ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 36 БАНКОВСКИЕ, ФИНАНСОВЫЕ УСЛУГИ И СТРАХОВАНИЕ
37 БАНКОВСКИЕ, ФИНАНСОВЫЕ УСЛУГИ И СТРАХОВАНИЕ: РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛАРОВ США)
ТАБЛИЦА 38 ПРАВИТЕЛЬСТВО И ОБОРОНА: ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 39 ПРАВИТЕЛЬСТВО И ОБОРОНА: РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, МЛН. )
ТАБЛИЦА 40 ЗДРАВООХРАНЕНИЕ И НАУКА О ЖИЗНИ S: ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 41 ЗДРАВООХРАНЕНИЕ И НАУКИ О ЖИЗНИ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018–2025 гг. (МЛН ДОЛЛ. США)
ТАБЛИЦА 42 ПРОИЗВОДСТВО: КЕЙСЫ
ТАБЛИЦА 43 ПРОИЗВОДСТВО: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, МЛН ВЕРСИИ, 2018–2025 гг. 905 млн. Долл. США И ПОТРЕБИТЕЛЬСКИЕ ТОВАРЫ: ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 45 РОЗНИЧНАЯ ТОРГОВЛЯ И ПОТРЕБИТЕЛЬСКИЕ ТОВАРЫ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 46 СМИ И РАЗВЛЕЧЕНИЯ: ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 47 СМИ И РАЗВЛЕЧЕНИЯ: РАЗМЕР РЫНКА, ПО РЕГИОНАМ, 201820 МЛН.)
ТАБЛИЦА 48 ТЕЛЕКОММУНИКАЦИИ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ: ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 49 ТЕЛЕКОММУНИКАЦИИ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ: БОЛЬШИЕ РАЗМЕРЫ РЫНКА ДАННЫХ, ПО РЕГИОНАМ, 2018-2025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 50 ТРАНСПОРТИРОВКА И ТРАНСПОРТИРОВКА ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 50 ТРАНСПОРТИРОВКА И ТРАНСПОРТИРОВКА ИСПОЛЬЗОВАНИЯ 51 РАЗМЕР РЫНКА ДАННЫХ, ПО РЕГИОНАМ, 2018-2025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 52 ДРУГИЕ ОТРАСЛИ ВЕРТИКАЛИ: ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ
ТАБЛИЦА 53 ДРУГИЕ: РАЗМЕР РЫНКА ПО РЕГИОНАМ, 20182025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 54 РЫНОК БОЛЬШИХ ДАННЫХ SI ZE, ПО РЕГИОНАМ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 55 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 56 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО РЕШЕНИЯМ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 57 NOR 57 АМЕРИКА: РАЗМЕР РЫНКА, ПО УСЛУГАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 58 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ПРОФЕССИОНАЛЬНЫМ УСЛУГАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 59 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ВИДАМ РАЗВЕРТЫВАНИЯ, 2018-2025 гг. ТАБЛИЦА 60 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ВИДУ ОБЛАКА, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 61 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 62 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО БИЗНЕСУ МИЛЛИОНОВ ДОЛЛАРОВ США)
ТАБЛИЦА 63 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ВЕРТИКАЛЬНОЙ ОТРАСЛИ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 64 СЕВЕРНАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО СТРАНАМ, 2018-2025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 65 СОЕДИНЕННЫЕ ШТАТЫ, РАЗМЕР РЫНКА: БОЛЬШИЕ ДАННЫЕ КОМПОНЕНТ, 2018-2025 гг. (МЛН ДОЛЛ. США)
ТАБЛИЦА 66 США S: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 67 КАНАДА: БОЛЬШИЕ ДАННЫЕ РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 68 КАНАДА: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 69 ЕВРОПА: РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 70 ЕВРОПА: РАЗМЕР РЫНКА, ПО РЕШЕНИЯМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 71 ЕВРОПА: РАЗМЕР РЫНКА, ПО СЕРВИСАМ, 2018-2025 (МЛН. ДОЛЛ.)
ТАБЛИЦА 72 ЕВРОПА: РАЗМЕР РЫНКА ПО ПРОФЕССИОНАЛЬНЫМ УСЛУГАМ, 2018–2025 гг. (МЛН ДОЛЛ. США)
ТАБЛИЦА 73 ЕВРОПА: РАЗМЕР РЫНКА, ПО ВИДАМ РАЗВЕРТЫВАНИЯ, 2018–2025 гг. (МЛН ДОЛЛ.
ТАБЛИЦА 75 ЕВРОПА: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018-2025 (МЛН ДОЛЛАРОВ США)
ТАБЛИЦА 76 ЕВРОПА: РАЗМЕР РЫНКА, ПО ФУНКЦИЯМ БИЗНЕСА, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 77 ЕВРОПА: РАЗМЕР РЫНКА, В МИЛЛИОНАХ ДОЛЛАРОВ США, 2018-2025 )
ТАБЛИЦА 78 ЕВРОПА: РАЗМЕР РЫНКА ПО СТРАНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 79 СОЕДИНЕННОЕ КОРОЛЕВСТВО: РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 80 ГЕРМАНИЯ: РАЗМЕР РЫНКА, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 81 ФРАНЦИЯ: РАЗМЕР РЫНКА, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. )
ТАБЛИЦА 82 ОСТАВЛЕНИЕ ЕВРОПЫ: РАЗМЕР РЫНКА, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 83 АЗИЯ-ТИХИЙ ДАННЫЙ: РАЗМЕР РЫНКА БОЛЬШИХ ДАННЫХ, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 84 Азиатско-Тихоокеанский регион: РАЗМЕР РЫНКА, ПО РЕШЕНИЮ, 20182025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 85 АЗИИ: РАЗМЕР РЫНКА, ПО СЕРВИСАМ, 20182025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 86 АЗИЯ-ТИХООКЕАНСКИЙ РЕГИОН: РАЗМЕР РЫНКА, ПО ПРОФЕССИОНАЛЬНЫМ СЛУЖБАМ, 2018-2025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 87 Азиатско-Тихоокеанский регион, РАЗМЕР РЫНК РЕЖИМ РАЗВЕРТЫВАНИЯ, 20182025 (МИЛЛИОНЫ ДОЛЛАРОВ США)
ТАБЛИЦА 88 АЗИЯ-ТИХООКЕАНСКИЙ РЕГИОН: РАЗМЕР РЫНКА, ПО ВИДАМ ОБЛАКА, 2018-2025 (МЛН. ДОЛЛАРОВ США)
ТАБЛИЦА 89 АЗИЯ-ТИХООКЕАНСКИЙ РЕГИОН: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 20182025 (МИЛЛИОН ДОЛЛАРОВ США)
ТАБЛИЦА РАЗМЕР РЫНКА ПО ФУНКЦИЯМ БИЗНЕСА, 2018 г. 2025 г. (МЛН ДОЛЛ. США)
ТАБЛИЦ E 91 Азиатско-Тихоокеанский регион: РАЗМЕР РЫНКА, ПО ВЕРТИКАЛЬНЫМ ОТРАСЛЯМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 92 АЗИАТСКИЙ ТИХООКЕАН: РАЗМЕР РЫНКА, ПО СТРАНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 93 КИТАЙ: БОЛЬШИЕ ДАННЫЕ РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 МЛН.)
ТАБЛИЦА 94 ЯПОНИЯ: РАЗМЕР РЫНКА, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 95 ИНДИЯ: РАЗМЕР РЫНКА, ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 96 Остальная Азия и Тихий океан: БОЛЬШИЕ ДАННЫЕ РАЗМЕР РЫНКА, ПО КОМПОНЕНТАМ, 20182025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 97 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 20182025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 98 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА, ПО РЕШЕНИЯМ, 20182025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 99 СРЕДНИЙ ВОСТОК И АФРИКА : РАЗМЕР РЫНКА, ПО УСЛУГАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 100 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА, ПО ПРОФЕССИОНАЛЬНЫМ УСЛУГАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 101 БЛИЖНИЙ ВОСТОК И АФРИКА: БОЛЬШИЕ ДАННЫЕ РАЗМЕР РЫНКА, ПО РАЗВЕРТЫВАНИЮ 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 102 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА, ПО ТИП ОБЛАКА, 2018–2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 103 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018–2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 104 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА, ПО ФУНКЦИЯМ БИЗНЕСА, 20182020
МЛН. 105 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА ПО ВЕРТИКАЛЬНЫМ ОТРАСЛЯМ, 2018-2025 (МЛН. ДОЛЛ. США)
ТАБЛИЦА 106 БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА ПО СТРАНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 107 КОРОЛЕВСТВО САУДОВСКАЯ АРАВИЯ: РАЗМЕР РЫНКА: БОЛЬШИЕ ДАННЫЕ ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 108 ОБЪЕДИНЕННЫЕ АРАБСКИЕ ЭМИРАТЫ: РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 109 ЮЖНАЯ АФРИКА: БОЛЬШОЙ РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МИЛЛИОН ДОЛЛАРОВ)
ТАБЛИЦА 110 Остаток БЛИЖНИЙ ВОСТОК И АФРИКА: РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 111 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 112 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО РЕШЕНИЮ, 2018-2025 (МЛН.
ТАБЛИЦА 113 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО СЕРВИС, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 114 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ПРОФЕССИОНАЛЬНЫМ УСЛУГАМ, 20182025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 115 ЛАТИНСКАЯ АМЕРИКА: БОЛЬШИЕ ДАННЫЕ РАЗМЕР РЫНКА, ПО ВИДУ РАЗВЕРТЫВАНИЯ, 2018-2025 (МИЛЛИОН ДОЛЛАРОВ США)
ЛАТИН. : РАЗМЕР РЫНКА, ПО ВИДУ ОБЛАКА, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 117 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО РАЗМЕРАМ ОРГАНИЗАЦИИ, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 118 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ФУНКЦИЯМ БИЗНЕСА, 2018-2025 (МЛН ДОЛЛАРОВ)
ТАБЛИЦА 119 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО ВЕРТИКАЛЬНОЙ ОТРАСЛИ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 120 ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА, ПО СТРАНАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 121 БРАЗИЛИЯ: БОЛЬШИЕ ДАННЫЕ РАЗМЕР РЫНКА, 201820 ПО КОМПОНЕНТАМ, МЛН.)
ТАБЛИЦА 122 МЕКСИКА: РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МЛН ДОЛЛ. США)
ТАБЛИЦА 123 ОСТАЛЬНАЯ ЛАТИНСКАЯ АМЕРИКА: РАЗМЕР РЫНКА ПО КОМПОНЕНТАМ, 2018-2025 (МЛН. ДОЛЛАРОВ)
ТАБЛИЦА 124 КРИТЕРИИ ОЦЕНКИ

СПИСОК ЦИФРОВ (66 рисунков)

РИСУНОК 1 РЫНОК БОЛЬШИХ ДАННЫХ: ИССЛЕДОВАТЕЛЬСКИЙ ДИЗАЙН
РИСУНОК 2 ТРИАНГУЛЯЦИЯ ДАННЫХ
РИСУНОК 3 МЕТОДОЛОГИЯ ОЦЕНКИ РАЗМЕРА РЫНКА ПОДХОД 1 (СТОРОНА ПРЕДЛОЖЕНИЯ): ДОХОД ОТ РЕШЕНИЙ / УСЛУГ РЫНКА БОЛЬШИХ ДАННЫХ
РИСУНОК 4 РЫНОЧНЫЙ РАЗМЕР ПОДХОДА 2 (СТОРОНА ПРЕДЛОЖЕНИЯ): КОЛЛЕКТИВНАЯ ДОХОДА ОТ ВСЕХ РЕШЕНИЙ / УСЛУГ РЫНКА
РИСУНОК 5 МЕТОДОЛОГИЯ РАЗМЕРА РЫНКА БОЛЬШИХ ДАННЫХ ПОДХОД 3: КОМПОНЕНТНЫЙ УРОВЕНЬ ВЕРХНИЙ
РИСУНОК 6 ПОДХОДЫ НА РЫНКЕ ВЕРХНИЙ И НИЖНИЙ
РИСУНОК 7 БОЛЬШИЕ ДАННЫЕ ПО КОМПОНЕНТУ
РИСУНОК 8 ОБЗОР РЫНКА, ПО РЕШЕНИЮ
РИСУНОК 9 ОБЗОР РЫНКА, ПО УСЛУГАМ
РИСУНОК 10 ОБЗОР РЫНКА, ПО ПРОФЕССИОНАЛЬНЫМ УСЛУГАМ
РИСУНОК 11 ОБЗОР РЫНКА, ПО ВИДАМ РАЗВЕРТЫВАНИЯ
РИСУНОК 13 ОБЗОР РЫНКА 90, ОБЗОР РЫНКА 90 ОБЗОР РЫНКА ПО РАЗМЕРАМ ОРГАНИЗАЦИИ
РИСУНОК 14 ОБЗОР РЫНКА ПО БИЗНЕС-ФУНКЦИЯМ
РИСУНОК 15 ОБЗОР РЫНКА, ПО ОТРАСЛЯМ ВЕРТИКАЛЬ
РИСУНОК 16 ОБЗОР РЫНКА, B Y REGION
РИСУНОК 17 РАСХОДЫ НА ПЛАММЕТИНГОВЫЕ ТЕХНОЛОГИИ И ПОДКЛЮЧЕНИЕ ДАННЫХ ЧЕРЕЗ ГИБРИДНУЮ И МНОГООЛАЧНУЮ СРЕДУ ЯВЛЯЮТСЯ КЛЮЧЕВЫМИ ФАКТОРАМИ ОБЩЕГО РОСТА РЫНКА БОЛЬШИХ ДАННЫХ
РИСУНОК 18 ОПЕРАЦИИ ОПЕРАЦИЙ НА РЫНКЕ БОЛЬШОГО ДАННЫХ
РИСУНОК 18 ОПЕРАЦИИ ОПЕРАЦИИ ПРОВОДИТЬ ФУНКЦИЮ ДЛЯ РАЗРАБОТКИ ПРОИЗВОДСТВА ДАННЫХ 90 НА ПРЕОДОЛЕНИИ ФУНКЦИИ ПРОИЗВОДСТВА ПРОЦЕССА СЕВЕРНАЯ АМЕРИКА ИМЕЕТ ВЫСОКУЮ ДОЛЯ РЫНКА В 2020 ГОДУ
РИСУНОК 20 РЕШЕНИЕ ДЛЯ АНАЛИТИКИ БОЛЬШИХ ДАННЫХ И ВЕРТИКАЛЬНАЯ ИНДУСТРИЯ BFSI С НАИБОЛЬШИМИ ДОЛЯМИ НА РЫНКЕ БОЛЬШИХ ДАННЫХ В СЕВЕРНОЙ АМЕРИКЕ В 2020 ГОДУ
И РИСУНОК 21 ДРАЙВЕРЫ, РЕСТРИГЕНТЫ, РЫНОЧНЫЕ ДАННЫЕ, БРОНИРОВАНИЕ
РИСУНОК 22 ФУНКЦИОНАЛЬНЫЕ ЭЛЕМЕНТЫ РЕШЕНИЯ ДЛЯ БОЛЬШИХ ДАННЫХ
РИСУНОК 23 СЕГМЕНТ УСЛУГ ДЛЯ РЕГИСТРАЦИИ БОЛЬШЕГО CAGR ЗА ПРОГНОЗНЫЙ ПЕРИОД
РИСУНОК 24 СЕГМЕНТ АНАЛИТИКИ БОЛЬШИХ ДАННЫХ ДЛЯ РЕГИСТРАЦИИ НАИБОЛЬШЕГО CAGR ДЛЯ ПРОГНОЗНОГО ПЕРИОДА УПРАВЛЕНИЯ 25 905 ВЫСОКИЙ CAGR ЗА ПРОГНОЗНЫЙ ПЕРИОД
РИСУНОК 26 СЕГМЕНТ ПОДДЕРЖКИ И ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ СТАНОВИТСЯ НА ВЫСОКОМ РАЗВИТИИ CAGR ВО ВРЕМЯ ПРОГНОЗНОГО ПЕРИОДА
РИСУНОК 27 ОБЛАЧНЫЙ СЕГМЕНТ ДЛЯ РЕГИСТРАЦИИ ВЫСОКОГО CAGR В ПРОГНОЗНЫЙ ПЕРИОД
РИСУНОК 28 ГИБРИДНЫЙ ОБЛАЧНЫЙ СЕГМЕНТ РАЗВИВАЕТСЯ НА ВЫСОКОМ CAGR ВО ВРЕМЯ ПРОГНОЗНОГО ПЕРИОДА
СРЕДНЯЯ СРЕДНЯЯ СРЕДНЯЯ ПРОЦЕДУРА
ИЛИ 29. В ТЕЧЕНИЕ ПРОГНОЗНОГО ПЕРИОДА
РИСУНОК 30 ОПЕРАЦИОННЫЙ СЕГМЕНТ ДЛЯ РЕГИСТРАЦИИ САМОГО ВЫСОКОГО CAGR ЗА ПРОГНОЗНЫЙ ПЕРИОД
РИСУНОК 31 ПРОМЫШЛЕННАЯ ПРОМЫШЛЕННОСТЬ ВЕРТИКАЛЬНО РАЗВИВАЕТСЯ НА САМОЙ ВЫСОКОЙ СТЕПЕНИ В ПРОГНОЗНОЙ ПЕРИОД
РИСУНОК 32 ЗАПРОС НА ПЕРВЫЙ ПЕРИОД
ПОКАЗАТЕЛИ ЯПОНСКОЙ ОБЛАСТИ 33 АЗИАТСКО-ТИХООКЕАНСКИЙ УЧАСТНИК ЗА САМОЙ ВЫСОКИЙ CAGR ЗА ПРОГНОЗНЫЙ ПЕРИОД
РИСУНОК 34 СЕВЕРНАЯ АМЕРИКА: ОБЗОР РЫНКА
РИСУНОК 35 ОПЕРАЦИОННЫЙ СЕГМЕНТ ДОЛЖЕН РАСТИТЬ НА САМЫЙ ВЫСОКИЙ CAGR ПРИ ПРОГНОЗНОМ ПЕРИОДЕ ПОКАЗАТЕЛЯ НА СЕВЕРНУЮ СЕГОДНЯ 905 К СЕВЕРНОЙ АМЕРИКЕ. В ТЕЧЕНИЕ ПРОГНОЗНОГО ПЕРИОДА В ЕВРОПЕ
РИСУНОК 37 Азиатско-Тихоокеанский регион: ОБЗОР РЫНКА
РИСУНОК 38 O СЕГМЕНТ ПЕРАЦИЙ ВЫРАСТИТ НА САМОГО ВЫСОКОГО CAGR ЗА ПРОГНОЗНЫЙ ПЕРИОД В Азиатско-Тихоокеанском регионе
РИСУНОК 39 СЕГМЕНТ ОПЕРАЦИЙ ВЫРАСТАЕТ НА САМЫЙ ВЫСОКИЙ CAGR В ПРОГНОЗНЫЙ ПЕРИОД В БЛИЖНЕМ ВОСТОКЕ И АФРИКЕ
РИСУНОК 40 ОПЕРАЦИИ В ПЕРИОДЕ В ПЕРВОМ СЕГОДЕ ПО РОСТУ
В ЛАТИНСКОЙ АМЕРИКЕ
РИСУНОК 41 РЫНОК БОЛЬШИХ ДАННЫХ (ГЛОБАЛЬНЫЙ), КАРТА КОНКУРЕНТНОГО ЛИДЕРСТВА, 2020
РИСУНОК 42 MICROSOFT: ОБЗОР КОМПАНИИ
РИСУНОК 43 MICROSOFT: SWOT-АНАЛИЗ
РИСУНОК 44 TERADATA: ФИГУРКА ФИГУРЫ 45 905 КОМПАНИЯ 905 : ОБЗОР КОМПАНИИ
РИСУНОК 47 IBM: SWOT-АНАЛИЗ
РИСУНОК 48 ORACLE: ОБЗОР КОМПАНИИ
РИСУНОК 49 ORACLE: SWOT-АНАЛИЗ
РИСУНОК 50 GOOGLE: ОБЗОР КОМПАНИИ
РИСУНОК 51 GOOGLE: SWOT-АНАЛИЗ
РИСУНОК 52 AWHOT 905 SWOT-АНАЛИЗ
РИСУНОК 54 SAP: ОБЗОР КОМПАНИИ
РИСУНОК 55 SAP: SWOT-АНАЛИЗ
РИСУНОК 56 SALESFORCE: COMPANY SNAPSHOT
РИСУНОК 57 SAL ESFORCE: SWOT-АНАЛИЗ
РИСУНОК 58 ИНСТИТУТ SAS: КОМПАНИЯ SNAPSHOT
РИСУНОК 59 ИНСТИТУТ SAS: SWOT-АНАЛИЗ
РИСУНОК 60 МИКРОСТРАТЕГИЯ: КОМПАНИЯ SNAPSHOT
РИСУНОК 61 МИКРОСТРАТЕГИЯ: КОМПАНИЯ SNAPSHOT
РИСУНОК 61 МИКРОСТРАТЕГИЯ: ФИГУРКА ФИГУРЫ ФИГУРЫ 905 ФИГУРЫ SWOT-АНАЛИЗ 905 КОМПАНИИ РИСУНОК 64 HPE: ОБЗОР КОМПАНИИ
РИСУНОК 65 ADOBE: ОБЗОР КОМПАНИИ
РИСУНОК 66 ALTERYX: ОБЗОР КОМПАНИИ

Аналитика больших данных | Keensights

Большие данные быстро меняют то, как успешные компании предстают перед своей целевой аудиторией, и умные директора по маркетингу используют преимущества новых возможностей, которые предоставляет аналитика больших данных.Компании часто внедряют новые технологии, чтобы воспользоваться преимуществами революции больших данных, как мы подробно рассказывали в нашей последней статье о технологиях больших данных. Возможно, лучшая возможность применения больших данных — для отделов маркетинга, поскольку аналитика больших данных предоставляет маркетологам огромное количество полезных данных, которые они могут использовать для увеличения рентабельности инвестиций в маркетинг.

В эпоху цифровой трансформации большие данные и маркетинг навсегда связаны. Обилие данных о предпочтениях, профилях и истории клиентов стало движущей силой современных маркетинговых операций в успешных компаниях по всему миру.

Чтобы добиться успеха в мире цифрового маркетинга и аналитики больших данных, каждый директор по маркетингу должен понимать, как большие данные могут быть использованы для достижения собственного успеха.

Чтобы помочь вам понять, как большие данные могут повысить ваши маркетинговые усилия, мы собрали семь основных фактов о влиянии больших данных на маркетинг , которые необходимо знать каждому директору по маркетингу.

1. Большие данные позволяют динамическое ценообразование в реальном времени

Одно из самых непосредственных последствий больших данных — это цена продукта.Согласно отчету McKinsey, «повышение цены на 1% приводит к увеличению операционной прибыли на 8,7% (конечно, при условии отсутствия потери объема). Тем не менее, по нашим оценкам, до 30% из тысяч решений по ценообразованию, которые компании принимают ежегодно, не обеспечивают наилучшей цены ».

Несмотря на всю поступающую информацию, которую предоставляют большие данные, все еще может быть непросто придумывать лучшие цены в режиме реального времени, но фирмы, которые могут воспользоваться преимуществами динамических данных о ценах, получат прибыль.Небольшое повышение цены не только значительно увеличивает операционную прибыль, но и небольшое снижение цены может помочь привлечь много новых клиентов.

2. Большие данные оказывают большое влияние на поисковую оптимизацию (SEO)

Согласно отчету Impact, на Google приходится более 79% всего глобального поискового трафика на настольных компьютерах и в среднем 63 000 поисков в секунду. 82% маркетологов утверждают, что эффективность SEO растет, а эффективность в 42% государств значительно возрастает.Кроме того, 61% маркетологов говорят, что улучшение SEO и расширение своего органического присутствия является их главным приоритетом в области входящего маркетинга.

Очевидно, что связь между огромным количеством пользовательских данных, регистрируемых Google, увеличивает эффективность SEO, и маркетологам необходимо выяснить, как на этом заработать.

Поисковые системы предоставляют неизмеримое количество полезных данных для любого бизнеса, который присутствует в Интернете. Они сообщают вам, что ваши клиенты ищут больше всего, какие профили клиентов с большей вероятностью купят, какие источники поиска создают лучших потенциальных клиентов и многое другое.

С огромным количеством полезных данных, доставляемых через поиск, неудивительно, что большие данные оказывают большое влияние на решения по SEO, которые принимают директора по маркетингу и маркетологи.

3. Лидеры цифрового маркетинга и аналитики больших данных наблюдают рост вовлеченности и лояльности клиентов

Как мы продемонстрировали в предыдущей статье об опыте работы с клиентами, повышение вовлеченности и лояльности клиентов — это способ номер один для увеличения доходов в 2019 году, и большие данные могут помочь в этом.

Согласно исследованию MIT Sloan Management Review, «наиболее зрелые с аналитической точки зрения организации в два раза чаще сообщают о высоком уровне взаимодействия с клиентами, чем наименее зрелые с аналитической точки зрения организации».

Аналитика больших данных может использоваться для улучшения качества обслуживания клиентов в любой точке покупателя за счет увеличения персонализации и времени отклика. Директорам по маркетингу следует включать большие данные в свои планы обслуживания клиентов, чтобы иметь большое влияние на увеличение годового дохода.

4.Аналитика больших данных приводит к улучшению маркетинговых планов

Применение больших данных в интернет-маркетинге и во всех операциях многоканального маркетинга дает директорам по маркетингу возможность лучше спланировать, куда им следует направить ресурсы. Благодаря тому, что через Интернет и физические каналы поступает все больше данных, маркетологи знают, где они терпят неудачу, а где добиваются успеха, намного лучше, чем когда-либо прежде.

Благодаря этим знаниям, они могут выбрать, планировать ли направить больше ресурсов туда, где они уже добиваются успеха, или выяснить, как изменить свои стратегии там, где они терпят неудачу.Директора по маркетингу могут использовать аналитику больших данных, чтобы сформулировать план того, в каких областях следует расширять, улучшать или игнорировать свои маркетинговые усилия.

5. Аналитика больших данных может повысить персонализацию разными способами

В то время как большие данные предлагают персонализацию для многих отраслей, таких как бронирование путешествий или интернет-магазины, фармацевтическая промышленность показала нам, насколько мощной может быть персонализация с помощью больших данных.

Согласно презентации IT Business Edge, «большие данные в том, что касается здравоохранения, стали центром революции в персонализированной медицине.Проще говоря, увеличение количества данных открывает большие возможности для более точной диагностики, поскольку исследователи могут углубиться, чтобы увидеть, что происходит, и создать более целенаправленные методы лечения, особенно на молекулярном и тканевом уровнях ».

Для маркетологов гиперперсонализированная медицина создает спрос на гиперперсонализированный маркетинг. Обладая способностью создавать фармацевтические препараты для получения чрезвычайно конкретных результатов, директорам по маркетингу фармацевтических компаний необходимо будет разработать стратегии для использования больших данных о размерах маркетинга, чтобы привлечь внимание очень конкретной аудитории.К счастью, аналитика больших данных дает нам инструменты как для персонализированной медицины, так и для персонализированного маркетинга.

6. Big Data создали чрезвычайно точную рекламу

Любой, кто использовал Facebook, Twitter, Instagram или Amazon для платной рекламы, может подтвердить, что цифровой маркетинг и аналитика больших данных дали каждому бизнесу возможность ориентироваться на чрезвычайно специфический рынок.

Маркетологи теперь могут решать, на кого они хотят нацелить свою платную рекламу, основываясь на многих факторах, предоставляемых аналитикой больших данных, таких как возраст, пол, семейное положение, наличие детей, местонахождение и многие другие предпочтения и факторы.

Если вы хорошо знаете свой целевой рынок, то теперь платная реклама — это гораздо более простой способ выйти вперед благодаря аналитике больших данных. Если вы плохо знаете свой целевой рынок, очень хорошо ориентированная платная реклама дает вам возможность пройти A / B-тестирование, чтобы помочь вам определить, кто является вашим целевым рынком.

7. Автоматизированный маркетинг и таргетинг на продажи увеличивают доход

Еще одно полезное применение больших данных в интернет-маркетинге — автоматизация процессов маркетинга и продаж.Аналитика больших данных позволяет маркетинговым командам создавать алгоритмические маркетинговые модели, которые автоматизируют продажи и маркетинговые кампании. Они могут автоматически запускать эти кампании для наиболее целевой аудитории в наиболее продуктивное время.

Эти модели используют внутренние данные, которые хранятся с течением времени, и позволяют маркетологам использовать различные подходы для охвата потенциальных клиентов и клиентов в оптимальное время для продаж, перекрестных продаж или дополнительных продаж. Данные используются для нацеливания на определенную аудиторию с помощью аналитики соответствия поведения, которая ищет определенные триггеры поведения, чтобы затем запустить автоматизированную маркетинговую кампанию.

Запуск маркетинговой кампании для конкретной целевой аудитории в точное время может значительно увеличить доход, поскольку маркетологи получают возможность опередить покупателей, которые с наибольшей вероятностью совершат покупку, которых они могут найти в Интернете.

Будущее больших данных для директоров по маркетингу

Хотя при работе с огромными объемами данных еще предстоит преодолеть множество препятствий, тенденции очевидны: большие данные оказывают огромное влияние на то, как успешные компании продвигают свои продукты и увеличивают продажи.Будущее потребует только того, чтобы директора по маркетингу и маркетологи еще больше использовали большие данные.

Согласно исследованию Accenture, 79% организаций согласны с тем, что «компании, не использующие большие данные, потеряют свои конкурентные позиции и могут даже оказаться на грани исчезновения». Они также обнаружили, что 83% компаний реализуют проекты с большими данными, чтобы опередить конкурентов.

Это означает, что директорам по маркетингу необходимо изучить большие данные и начать включать их в свои маркетинговые планы. Keenfolks специализируется на помощи директорам по маркетингу из разных организаций в разработке стратегий, позволяющих использовать возможности больших данных в маркетинге.

Поговорите с Keenfolks о том, как начать планирование будущего big data уже сегодня.

Большие данные и маркетинговые исследования

Предоставлено FGI Research

Майкл Либерман

Во многих недавних публикациях в Интернете (например, в Twitter, LinkedIn) утверждается, что «большие данные заменят традиционные опросы». Авторы выступают за широкое использование доступных данных, платформ обработки данных или самостоятельных инструментов, таких как Survey Monkey, чтобы позволить корпорациям проводить свои собственные исследования.Эта идея ошибочна. Онлайн-панели не заменили традиционный сбор телефонных данных или обычные методы исследования рынка, такие как фокус-группы, лестничные интервью, перехваты в торговых центрах или дегустационные кухни. Попробуйте, например, протестировать новый бублик в Интернете. Мы полагаем, что большие данные увеличат охват индустрии исследований, а не заменят ее.

Что такое большие данные?

Удивительно, но этот вопрос часто задают в профессиональных кругах. Хотя большие данные являются предметом множества спекуляций, мы часто обнаруживаем, что поставщики исследований, корпоративные исследователи и руководители маркетологов высшего звена не полностью понимают большие данные.Нечеткое мышление выглядит примерно так: это что-то большое; это связано с данными. Детали открыты для интерпретации. Чтобы глубже разобраться в этом вопросе, рассмотрим следующее. Когда кто-то выполняет поиск в Google, делает комментарий в Facebook или пишет в Твиттере, он создает данные, но это только часть стремительного роста объемов создания данных. Покупка на Walmart.com или подписка на Netflix также создают данные. Электронное письмо на SanDiego.org, бронирование на Expedia, получение ипотеки, подача налоговой декларации или страховое возмещение создают данные.

Большие данные делятся на две отдельные категории:

Данные, используемые для прогнозной аналитики

В этой категории корпорации собирают и хранят данные для аналитических целей. Ипотечная компания хранит список хороших кандидатов на получение кредита. Страховая компания перечисляет возможные источники мошенничества. Amazon прогнозирует интересы новых клиентов в отношении продуктов на основе прошлого поведения. Как утверждает Эрик Сигель из Predictive Analytics World, Predictive Analytics обладает «силой предсказывать, кто щелкнет, купит, солгает или умрет.”

Данные социальных сетей

Социальные сети Facebook, Twitter, LinkedIn и Flickr создают неструктурированные данные. Обмен комментариями и информацией между участниками свободный. Отслеживание такой информации и извлечение из нее смысла породили диспетчерские в таких компаниях, как Nike и Starbucks, для отслеживания или, если возможно, контроля разговоров о брендах. Появляются новые области, такие как анализ социальных сетей и анализ настроений (обработка естественного языка).Крупные рекламные фирмы используют программное обеспечение для мониторинга социальных сетей, чтобы укротить вселенную неструктурированных данных. Фирмы веб-аналитики появляются повсюду.

Большие данные и маркетинговые исследования

За более чем 25 лет работы в индустрии маркетинговых исследований мы пришли к пониманию того, что все больше и больше проектов маркетинговых исследований сосредоточены на конкретной маркетинговой проблеме, например:

  • Как сегментировать покупателей по Target
  • Как построить оптимальный продукт, используя совместный анализ
  • Сколько должна взимать компания за продукт, прежде чем продажи начнут резко падать; какое сообщение наиболее резонирует с избирателями или подсегментами избирателей

Одна из важных причин того, что большие данные не заменят маркетинговые исследования, — это отсутствие конкретики при решении этих узких целей проекта.Хотя можно получить общее представление о том, что говорят о бренде, используя анализ настроений в твитах или сообщениях в Facebook или извлекая данные из огромной базы данных клиентов (и создавая впечатляющий отчет с использованием методов интеллектуального анализа данных), сфокусированная маркетинговая цель не может четко решаться с использованием только таких «метких» методов сбора данных. Более конкретные маркетинговые вопросы, которые можно решить только с помощью целенаправленных методов, таких как опросы. Подобного рода исследования не исчезнут в ближайшее время, как и индустрия маркетинговых исследований.

Несмотря на ограничения, мы полагаем, что два аспекта больших данных могут улучшить маркетинговые исследования. Прогнозная аналитика, особенно в тех компаниях, у которых есть большие хранилища информации о клиентах, может добавлять информацию к данным опроса, чтобы повысить ценность сегментации. Кроме того, исследователи опросов могут использовать интеллектуальный анализ данных из таких хранилищ для создания настраиваемых отчетов или сегментов. Обычные инструменты интеллектуального анализа данных, такие как регрессионный анализ, деревья CHAID или CART или нейронные сети, используются как в прогнозной аналитике, так и в маркетинговых исследованиях.В сфере социальных сетей анализ настроений, текстовая аналитика и визуализация социальных сетей являются ценными инструментами для добавления текстуры в отчет о маркетинговых исследованиях с полным спектром услуг. В некотором смысле мы рассматриваем это как смесь качественного / количественного отношения, обнаруженного в маркетинговых исследованиях. Во многих отношениях это уже достигается с помощью онлайн-чатов, проводимых после количественного исследования. Твиты, группы Flickr и Facebook могут добавить ценную информацию в хорошо построенный проект брендинга, но не могут полностью заменить его.

Заключение

В ответ на предпосылку блогосферы «что большие данные могут заменить опросы» мы возражаем, что большие данные вместе с аналитическими методами дополняют маркетинговые исследования.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *