Как большие данные меняют парадигму бизнеса: подходы, инструменты, кейсы

Искандер Шаймарданов из Nectarin рассказывает о двух подходах к big data и намекает, как большие данные помогут даже небольшому бизнесу.

Традиционный подход VS большие данные

Разберём основные преимущества использования big data над традиционным анализом небольших наборов данных.

При традиционном подходе анализируют только маленькие порции информации, тогда как big data позволяет исследовать весь доступный массив данных в поисках корреляций. Кроме того, смена подхода ведёт к постепенному снижению затрат на использование данных.

Упрощается процесс анализа данных. При традиционном подходе это возможно сделать только после того, как они собраны, обработаны и добавлены в хранилище. В случае с big data анализ данных происходит параллельно со сбором — в режиме реального времени.

Системы управления данными

Теперь поговорим о двух основных системах управления данными: идеальной и оптимальной.

Идеальная система

Массив данных импортируется на клиентский сервер (хранилище). Затем сырые данные обрабатывают и визуализируют с помощью фреймворка Hadoop и его библиотек.

Интерфейс визуализации пишется индивидуально, с отображением именно той информации, которая необходима. В дальнейшем любые полученные данные на основе эффективных инсайтов можно использовать в рекламной кампании.

Стань digital-аналитиком за 16 недель!

Cossa рекомендует один из лучших российских онлайн-курсов по веб-аналитике и аналитике User eXperience. Прокачай своего внутреннего аналитика по программе от AIС – digital-студии номер один в России.

Развернуть программу?

Записывайтесь на курс! Старт ближайшего потока — уже 31 декабря.

Реклама

Драйверы внедрения идеальной системы:

• визуализация данных в режиме реального времени;
• возможность работать с действительно большими массивами данных;
• автоматическое управление данными;
• прогнозная аналитика;
• более точные инсайты.

Барьеры идеальной системы:

• высокая стоимость внедрения;
• проблема выбора обрабатываемых данных;
• нехватка специалистов (аналитик бизнес-модели, аналитик структур данных, администратор хранилища данных);
• устаревшие бизнес-процессы или внутренние регламенты;
• передача данных в третьи руки.

Оптимальная система

Данные поступают на сторонний сервер платформы управления данными (DMP). В рамках этой DMP доступно хранение данных на оплаченный период, а также визуализация по заранее предустановленным шаблонам.

Обработанные данные в дальнейшем можно вручную выгружать в сторонние сервисы для настройки рекламных кампаний.

Драйверы внедрения оптимальной системы:

• невысокая стоимость внедрения;
• скорость внедрения;
• контроль данных, упрощённая система работы и безопасность;
• грамотная сегментация, глубокое понимание целевой аудитории;
• анализ аудитории.

Барьеры оптимальной системы:

• ручное управление данными;
• меньше возможностей для обработки и интерпретации;
• невозможно работать с большими массивами данных;
• ниже точность выводов.

Примеры использования big data

Кейс PropertyGuru

PropertyGuru развивается в двух направлениях: email-маркетинг на клиентов, ищущих дом, и на риэлтеров, которые выступают экспертами в этом вопросе.

PropertyGuru мотивирует обе стороны с помощью рыночной аналитики и другой полезной информации. До недавних пор PropertyGuru полагался на ряд не связанных между собой маркетинговых активностей и ситуационных кампаний.

Для повышения эффективности кампаний PropertyGuru использовал Oracle DMP. Система создания динамического контента позволяет PropertyGuru рассылать агентами информацию со сравнением их прогресса и рекомендациями по его улучшению, включая данные о том, сколько объектов размещено, лиды, которые они собрали, сведения о ресурсах, которые помогут повысить тариф. Также агентам рассылается важная для ежедневной работы информация, например, о рыночных новостях.

Результат: автоматизированные рассылки позволили значительно повысить open rate (до 40%) и click through rate (до 4%).

Кейс The Economist

The Economist для решения стратегической задачи — привлечения платных подписчиков — сфокусировался на анализе аудитории и её интересов.

Сопоставляя cookie, информацию о подписчиках и другую аналитику, команда проекта получила лучшее представление о сегментах читателей. Это в свою очередь позволило настроить рекламную кампанию на основе технологии look-alike — таргетированную на потенциальных пользователей и подписчиков.

The Economist запустил 12-недельную кампанию с использованием инструментов дисплейной и контекстной рекламы. Вопросительные заголовки объявлений обыгрывали актуальные темы дня и в реальном времени таргетировались на те сегменты, для которых именно эта тема может быть наиболее актуальна.

При клике на объявление пользователь переходил на посадочную страницу с возможностью подписки. The Economist создал 60 объявлений с целью привлечь 650 000 потенциальных подписчиков. Цели достигли за 9 дней. При этом CPA снизился на 50%.

В результате кампании удалось привлечь 3,6 миллиона потенциальных подписчиков и более 10 000 реальных (платных). А показатель ROI превысил 10:1 к запланированному.

Источник: www.cossa.ru

Комментарии: