В России, как и во всем мире, существует серьезная проблема снижения притока клиентской базы и уменьшения потребительского спроса. Становится очевидным, что взаимодействовать с клиентами старыми методами уже нельзя. Отечественный бизнес активно заменяет массовую коммуникацию персонализированной, а зачастую даже индивидуальной, задействует для этого онлайн-каналы, в которых буквально живут клиенты. Именно поэтому все больше организаций для сохранения своих конкурентных преимуществ делают ставку на клиентоориентированность. Бизнес старается тщательно собирать большие данные о своих заказчиках, пользователях и потребителях из множества источников, обрабатывать эти данные и с помощью аналитических инструментов извлекать из них знания, которые в резул
ьтате становятся основой целевых коммуникаций через множество цифровых каналов. Насколько актуально появление новой концепции быстрых данных (Fast Data)? Каковы потребительские предпочтения отечественного корпоративного сегмента применительно к решениям класса «большие данные»?
Хочешь знать своего клиента – работай с данными
Объемы данных, которые сегодня накапливает бизнес о своих клиентах, огромны. Они имеют разный структуры и генерируются с высокой скоростью. Транзакционные данные и данные о поведении клиентов в сети Интернет (логи, клики и т. д.), записи колл-центров и многое другое – это зачастую слабоструктурированные данные. Разумеется, традиционные СУБД с решением подобных задач не справляются.
В России, как и во всем мире, для достижения высокого уровня производительности и масштабируемости при работе с большими неструктурированными данными востребованы подходы к реализации хранилищ баз данных NoSQL. Основополагающая, стремительно развивающаяся open-source-технология Apache Hadoop, предусматривающая распределенную вычислительную архитектуру, включает распределенную файловую систему хранения HDFS и использует парадигму обработки данных в массивно-параллельном режиме Map Reduce. В 2015 г. на рынке появился интерес к новому продукту Apache под названием Spark, который, по мнению многих экспертов, превосходит потенциал Hadoop и позволяет анализировать потоки данных непосредственно в процессе их поступления.
Среди подходов к анализу больших данных для сегментации клиентской базы и применения методики look-alike (англ. имитация) наиболее часто применяются алгоритмы Data Mining, машинное обучение и прогнозная аналитика, которая использует шаблоны или закономерности, обнаруженные в исторических данных, для выявления рисков и возможностей, например, вероятности отклика на предложение товара определенному сегменту аудитории.
К сожалению, в России бизнес только начинает осваивать технологии извлечения знаний из больших данных для решения бизнес-задач. Практических кейсов на рынке почти нет. И это основная трудность сегодня. Увидеть, как данные могут помочь в развитии бизнеса, придумать, какие вопросы необходимо поставить применительно к данным, способен только опытный менеджер, обладающий знаниями технологий, анализа и практическими навыками. Увы, таких специалистов на рынке не много.
Лидерами в области использования технологий Big Data на российском рынке являются игроки высококонкурентных отраслей – телекома, ритейла и банковского сегмента. Однако, как свидетельствуют аналитики CNews, опросившие 108 российских компаний из разных отраслей, технологии работы с большими данными используют сегодня лишь 37% компаний, а более половины респондентов заняты построением единых хранилищ, т. е. пока еще сами продолжают работать на данные.
Количественно оценить российский рынок больших данных сложно – не многие компании готовы делиться достижениями и рассказывать об успешных проектах. Большинство игроков пока заинтересованы в технологиях хранения и обработки массивов данных. Мы в CleverDATA верим в перспективу и видим заинтересованность игроков в инструментах, которые помогут им решать конкретные бизнес-проблемы: противостоять оттоку клиентов, улучшать клиентский опыт, управлять рисками. Каким будет следующий шаг эволюции российских компаний, вставших на рельсы так называемого data-driven-бизнеса, управление которым осуществляется с применением технологии больших данных?
Платформы управления данными
Примечательно, что сегодня в силу ограниченности ресурсов и экспертных знаний далеко не все компании готовы создавать собственную инфраструктуру для монетизации больших данных. Поэтому в отечественном корпоративном секторе существует повышенный интерес к готовым автоматизированным высоконагруженным решениям, предназначенным для сбора, обработки, интеллектуального анализа значительных массивов клиентских данных за счет внедрения специальных решений – платформ для управления данными (Data Management Platform). Один из таких продуктов в России – платформа управления данными 1DMP, основной задачей которой является формирование интегрированных, максимально полных 3D-профилей клиентов.
Как правило, платформы управления данными успешно интегрируются с имеющимися в компаниях системами автоматизированного маркетинга для передачи информации о клиентских профилях и проведения эффективных маркетинговых коммуникаций. Подобная синергия позволяет запускать коммуникации с клиентом автоматически, на основе контекстных параметров и настроенных правил, например, делать рассылку СМС или составлять рекомендательное сообщение для оператора колл-центра, после того как получена информация о недозаполненной кредитной заявке, оставленной клиентом на сайте.
Биржи данных
При построении профилей клиентов наиболее полную картину можно получить путем объединения внутренних, внешних и партнерских данных. Отечественные игроки пока весьма сдержанно относятся к использованию внешних источников данных. Однако наиболее инновационно настроенные лидеры финансовой и телеком-отраслей, сегмента медиарекламы уже активно задействуют внешние источники данных клиентской аналитики для расширения знаний об абонентах, пользователях и для привлечения новой аудитории. Более того, подобные новаторы научились зарабатывать, реализуя накопленные знания (аудиторные сегменты) другим игрокам рынка. Подобный обмен данными делает востребованными площадки для взаимодействия поставщиков и потребителей данных – биржи данных. Такие облачные площадки появляются в России и уже помогают в выборе, определении стоимости и схемы оплаты данных, требуемых для решения конкретной бизнес-задачи. Примером может служить решение Data Marketing Cloud, которое насчитывает более десяти поставщиков данных, аудиторных сегментов по интересам интернет-пользователей, поведению в социальных сетях и т. д.
Big Data и Fast Data
Бытует мнение, что термин Fast Data первыми ввели в лексикон аналитики IBM. Концепция быстрых данных (Fast Data) предполагает отличный от Big Data функционал и помогает решать специфические задачи. Fast Data – это данные в движении (data in motion), они находятся в процессе накопления и передачи их в бизнес-процесс. Как только данные поступят в хранилище и станут Big Data, данными в покое, хранящимися на распределенных файловых системах типа Hadoop, их можно будет анализировать, выявлять шаблоны или закономерности для принятия решений и разработки стратегий. Но пока за счет использования глубокой аналитики входящие потоки быстрых данных, которые коррелируются с другими данными и событиями, способны отвечать на оперативные вопросы, определять наступающие в реальном времени угрозы и выявлять сиюминутные возможности для развития бизнеса.
Быстрые данные генерируются стремительно и в больших объемах. Это может быть поток кликов клиентов, посещающих различные интернет-ресурсы, комментарии в социальных сетях, а также данные с датчиков, приборов и т. п. Обработка этого потока в реальном времени, использование продвинутых алгоритмов анализа данных и инструментов предиктивной аналитики дает бизнесу массу преимуществ перед конкурентами. В частности, использование быстрых данных позволяет персонализировать общение с клиентами «на лету», используя подсказки, полученные из данных, поступающих в реальном режиме времени, в совокупности с уже накопленными данными. Например, таким образом можно направлять персональные предложения о распродаже клиенту именно в тот момент, когда он находится рядом с торговой точкой ритейлера, а статистика в данном случае позволит выбрать наиболее эффективный канал коммуникаций (СМС, звонок оператора и т. д.). Кроме того, технологии быстрых данных можно использовать для проактивного управления информационной и промышленной безопасностью: выявлять сбои в работе приборов или осуществлять мониторинг подозрительных действий в корпоративной сети.
Системы класса Fast Data отличаются высокой производительностью для мгновенной обработки значительных массивов данных, сильным аналитическим компонентом, богатыми возможностями интеграции, широким набором коннекторов для взаимодействия с различными устройствами, поставляющими данные.
Таким образом, концепция быстрых данных – это в первую очередь работа с оперативными данными в реальном времени для извлечения из них знаний и принятия сиюминутных решений. Несомненно, применение технологий больших данных характерно для организаций, переживающих цифровую трансформацию. По мнению Harward Business Review, лидирующие компании в различных отраслях, использующие data-driven-подход при принятии решений, более продуктивны и прибыльны, чем их конкуренты.
Тем не менее, говорить о востребованности решений Fast Data в отечественном корпоративном секторе пока рано. Как уже отмечалось, сегодня российские компании только учатся управлять накопленными данными, извлекать из них знания и получать информацию о своей аудитории из внешних источников с помощью специализированных систем. По некоторым прогнозам, активный интерес к Fast Data и начало использования технологий быстрых данных для коммуникаций с клиентами и принятия решений в реальном режиме времени возможны через год-два. Время покажет.
Целевой маркетинг – очевидная польза для клиента
Подавляющее большинство аудитории довольно скептически относится к перспективе постоянного сбора компаниями данных об их предпочтениях и планах, которые аккумулируются в едином профиле клиента. Еще большие опасения и дискуссии вызывают у обывателей идея обмена игроками рынка знаниями о своих клиентах, а также мониторинг активностей в социальных сетях и других открытых источниках.
Однако следует понимать, что для решения бизнес-задач, в частности, в маркетинге и управлении рисками, бизнес использует исключительно обезличенные данные. В процессе обмена данными, например, между компаниями-партнерами – банком и ритейлером, обеспечиваются шифрование данных и последующее сопоставление по ключевому идентификатору.
Кроме того, результатом анализа клиентской информации и выявления ожиданий и предпочтений клиента становится очевидная польза – персональное предложение товара или услуги через онлайн-каналы. А значит, нет необходимости тратить время на поиск, поездку в торговый центр, выбор и т. д. Ведь сегодня клиент получает хаотичные массированные коммуникации с предложениями, которые ему не подходят и вызывают раздражение.
Крупные корпорации выстраивают внутренние структуры контроля за использованием данных своих клиентов. Они призваны предотвращать вред, который может быть причинен аудитории в результате обработки клиентских данных.
