Full text

Сегодня информационные технологии класса Big data набирают все большую популярность, связанную с постоянным ростом данных, которыми приходится оперировать крупным компаниям. Накопленная информация для многих организаций является важным активом, однако обрабатывать ее и использовать с каждым днем становится все сложнее и дороже. Цифровые технологии присутствуют во всех областях жизни человека. Объем записываемых в мировые хранилища данных ежесекундно растет, а это означает, что такими же темпами должны изменяться условия хранения информации и появляться новые возможности для наращивания ее объема. Эксперты в области IT-технологий высказывают мнение, что расширение Big Data и ускорение темпа роста стало объективной реальностью. Ежесекундно гигантские объемы контента генерируют такие источники, как социальные сети, информационные сайты, файлообменники – и это лишь сотая часть поставщиков. Согласно исследованию IDC Digital Universe, в ближайшие пять лет объем данных на планете вырастет до 40 зеттабайтов, то есть к 2020 г. на каждого живущего на Земле человека будет приходиться по 5200 Гб. Взрывной рост данных, а также стремление получить больше знаний о своих клиентах толкает крупные компании на поиски технологий, которые помогут сохранять огромные объемы данных, получать и анализировать информацию из недоступных или труднодоступных ранее источников.

Информация – главный аспект успешного прогнозирования роста и выработки маркетинговой стратегии в умелых руках маркетолога. Анализ больших данных давно и успешно применяется для определения целевой аудитории, интересов, спроса, активности потребителей. Тем самым Big Data является точнейшим инструментом маркетолога для прогнозирования будущего состояния компании. Работа с большими данными не похожа на обычный процесс бизнес-анализа, где простое сложение известных значений приносит результат: например, итог суммирования данных об оплаченных счетах становится объемом продаж за год. При работе с большими данными результат получается в процессе их очистки путём последовательного моделирования: сначала выдвигается гипотеза, строится статистическая, визуальная или семантическая модель, на ее основании проверяется верность выдвинутой гипотезы и затем выдвигается следующая.

В России, к сожалению, данная технология еще не получила широкого распространения. Пока отечественный рынок Big Data ограничивается лишь внедрениями среди крупных компаний, но, при этом, сейчас доступны все имеющиеся в мире наработки в области Big Data, начиная от «open source» и заканчивая решениями крупных вендоров. Использование этой технологии для компаний – возможность оторваться от конкурентов за счет совершенствования предлагаемых продуктов или услуг либо существенной оптимизации бизнес-процессов. В силу этого технологии Big Data востребованы всеми компаниями, находящимися в условиях жесткой конкуренции, в частности, банками, ритейлом, телеком-операторами и др.

Проводимое исследование было реализовано по следующему алгоритму.

  1. Сначала были выделены несколько B2С-отраслей, в которых наиболее вероятен факт использования Big data. Главной характеристикой отбора являлось наличие большого числа потребителей и соответственно информации. Эта характеристика даёт представление о том, что в данной области возможно и выгодно внедрение Big data.
  2. В выделенных отраслях был построен топ-5 компаний. Главной характеристикой отбора компаний являлась их капитализация. Выбор аргументировался тем, что капитализация является показателем стоимости компании, что идеально подходит для построения топ-5 на её основе.
  3. По каждому топ-5 была проанализирована информация из открытых источников.
  4. Был осуществлён сбор ответов на главные вопросы исследования, которые дают представление о состоянии Big Data на рынках B2C-сектора: доля внедрения Big Data среди лидирующих компаний, виды и способы использования данной технологии и результаты внедрения.
  5. В каждой отрасли были сделаны соответствующие выводы.

Важно понимать, что данное исследования не даёт чётких ответов о состоянии рынка Big Data в российской маркетинговой среде. Напротив, оно предоставляет некоторые обобщённые выводы о возможных способах использования Big Data в маркетинге, которые могут быть использованы компаниями, ещё не работающих в данном направлении. Также исследование может быть использовано для построения гипотез с целью более глубокого анализа в данном направлении.

Банковский сектор. Банковский сектор является отличным примером отрасли, в которой присутствует огромный потенциал для внедрения Big data. Это связано с тем, что в банках аккумулируется большое количество данных о клиентах, которые можно использовать для принятия решений и изменения своей маркетинговой стратегии. Зарубежные банки уже давно взяли на вооружение технологии Big Data и выстраивают свои предложения на основе тщательного анализа поступающей от потребителей информации. Поскольку банки являются фундаментом финансовой системы любой страны, это означает, что их можно также назвать двигателями экономики. В связи с этим банки должны стремиться внедрять самые передовые технологические разработки для наиболее эффективной деятельности [2]. Топ-5 компаний банковской сферы выглядит следующим образом [1].

  1. ПАО «Сбербанк» (капитализация на конец 2015 г. – 29 964 млн дол.).
  2. ПАО «Банк ВТБ» (капитализация на конце 2015 г. – 14 084 млн дол.).
  3. ПАО «ФК Открытие» (капитализация на конец 2015 г. – 2 669 млн дол.)
  4. ОАО «Банк Москвы» (капитализация на конец 2015 г. – 2 050 млн дол.)
  5. ОАО «Московский кредитный банк» (капитализация 2015 г. –
    1 241 млн дол.).

На основе проанализированной информации из открытых источников, были получены следующие ответы, которые могут охарактеризовать состояние внедрения Big Data в компании банковского сектора: «используют», «на стадии внедрения», «не используют» (рис. 1). На основе полученных данных можно сделать вывод, что Big data-технологии распространены в банковском секторе, включая допущение, что компании с низкой капитализацией в принципе не могут использовать эти технологии, в связи с дороговизной. Также им невыгодно их внедрение, поскольку у компаний такого уровня не будет достаточно информации для эффективного применения Big data. В целом банки используют в своей маркетинговой деятельности технологии для анализа «больших данных» похожим образом (персонализация предложений, обработка и анализ постоянно поступающей маркетинговой информации и т. д.). Естественно, компании в целях коммерческой тайны не раскрывают все свои действия, включая способы применения технологий, но всё же в открытых источниках есть интересные примеры.

           

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Рис. 1. Распространение Big Data среди топ-5 компаний российского банковского сектора

 

Например, банк ВТБ использует Big Data для анализа отзывов в социальных сетях (Twittet, Facebook, Vkontakte). Банк Москвы, в свою очередь, раскрывает более подробную информацию о своём направлении в использовании Big Data. Компания внедрила платформу событийного маркетинга в режиме реального времени. Решение, развернутое GlowByte Consulting, позволяет рассчитывать целевое маркетинговое предложение для клиента с учетом текущего контекста и истории взаимодействия клиента с банком в режиме реального времени. Система также автоматически подбирает наиболее удобный канал коммуникации для отправки сформированного предложения – через SMS, звонок, автоматизированную банковскую систему и др.

В итоге банковский сектор можно охарактеризовать, как пример индустрии, широко и эффективно использующей Big data-технологии. Четыре компании из топ-5 внедрили и работают с данными технологиями, оставляя в сети Интернет только положительные отзывы. И судя по аналитическому отчёту компании CNews Analytics за 2014 г., многие российские компании банковского сектора планируют внедрять аналитику «больших данных» в свою маркетинговую деятельность. Основными проблемами внедрения Big data-технологий в ходе анализа были выделены: дороговизна внедрения и отсутствие такой массы данных, которую невозможно обрабатывать стандартными аналитическими инструментами.

Сектор ритейла. Данная рыночная отрасль так же, как и банковский сектор примечательна тем, что обслуживает большой поток потребителей и, соответственно, накапливает массу данных, которые являются потенциалом для развития технологий Big data. Можно выделить массу возможностей для внедрения их в секторе ритейла: выбор места для открытия нового магазина, выбор маркетинговых акций, прогнозирование продаж, работа с ценами в реальном времени и т. д. Топ-5 компаний в секторе российского ритейла выглядит следующим образом [1].

  1. ПАО «Магнит». Капитализация за 2015 г. – 14 435 млн дол.
  2. X5 Retail Group. Капитализация за 2015 г. – 5 024 млн дол.
  3. Лента. Капитализация за 2015 г. – 3 284 млн дол.
  4. ПАО «М.видео». Капитализация за 2015 г. – 646 млн дол.
  5. O’KEY Group S.A. Капитализация за 2015 г. – 538 млн дол.

Состояние Big Data в российском ритейле оценивается хуже, чем, например, в банковском секторе. Из топ-5 компаний всего лишь две используют технологии для обработки «больших данных». Лента, таким образом, определяет предпочтения и поведение своих потребителей. Как говорит Я. Дюннинг: «Наша система Big Data знает, что вы покупаете и как изменили покупки, чем вы балуете себя, какие ваши импульсные покупки. Мы индивидуализируем наши промокампании. Вы идете на кассу, кассир считывает вашу карту и дает два-три купона со скидкой на следующую покупку на определенные товары, которые, как мы знаем, вы покупали раньше. Например, мы видим, что раньше вы всегда покупали картофельные чипсы, а сейчас перестали. Это потому, что у вас нет денег, или потому, что вы на диете? Мы можем протестировать это и дать 50 % скидку на чипсы. Тогда уже после следующей вашей покупки мы точно узнаем, на диете вы или нет. И если вы на диете, то следующий купон уже будет скидкой на что-то из здорового питания» [6].

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Рис. 2. Внедрение Big Data среди топ-5 компаний российского ритейла

 

Также использует Big Data в своей маркетинговой области компания М.Видео, но в открытых источниках не найдено информации о том, как именно она их применяет. X5 Retail Group находится на стадии внедрения Big Data в маркетинговую деятельность. Фирма планирует использовать технологию для выявления скрытых потребностей, анализа поведения потребителей и оценку эффективности промо-мероприятий.

Сектора ритейла – это одна из самых подходящих отраслей для внедрения решений в области Big data. Отрасль отличается большим количеством клиентов, торговых точек и ресурсов для осуществления анализа «больших данных». Основной проблемой в этом секторе является непонимание, как можно наиболее эффективно использовать обработку и анализ «больших данных» в своей маркетинговой деятельности. Но для розничной торговли Big Data может помочь решить одну из самых главных проблем – выбор места для открытия торговых точек. С помощью геоаналитики компании могут спрогнозировать максимальный поток людей и на этой основе выработать стратегию открытия новых магазинов. В результате можно сказать, что российскому ритейлу ещё только предстоит ознакомиться с возможностями Big Data для эффективного ведения маркетинговой деятельности.

Сотовые операторы (рисунок 3). Данный сектор является не полноценной экономической отраслью, а видом бизнеса в телекоммуникационной отрасли. Помимо большого количества потребителей, пользующихся услугами сотовых операторов, данный сектор представляет собой отдельный рынок информации. Компании, работающие в этом секторе, являются, помимо своей основной деятельности, поставщиками данных для сторонних компаний. И главным товаром на этом рынке являются геоданные. Сотовые операторы аккумулируют массу информации о местоположении потребителей сотовой связи. Это позволяет им продавать накопленные данные сторонним компаниям, а они, в свою очередь, на основе этой информации могут выстраивать рекламные стратегии, кампании по продвижению и т. д. Этот факт указывает на то, что для компаний, работающих в этом секторе Big data-аналитика является не просто технологией для оптимизации и увеличении эффективности своей деятельности, но и одним из основных бизнес-процессов.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Рис. 3. Внедрение Big Data среди топ-5 сотовых операторов в России

 

Список топ-5 компаний по капитализации выглядит следующим образом [1].

  1. ПАО «Мегафон». Капитализация за 2015 г. – 7 273 млн дол.
  2. ПАО «МТС». Капитализация за 2015 г. – 5 979 млн дол.
  3. «VimpelCom Ltd.» Капитализация за 2015 г. – 5 762 млн дол.
  4. ПАО «Ростелеком». Капитализация за 2015 г. – 3 223 млн дол.
  5. ПАО «МГТС». Капитализация за 2015 г. – 531 млн дол.

Полученные результаты являются закономерными для телекоммуникационных компаний (сотовых операторов). Эффективность выбранного сектора зависит от качественного использования передовых технологий, поскольку основными продуктов на этом рынке является «технология» сотовой связи. Также практически все представленные сотовые операторы внедрили Big Data для успешной работы с геоданными.

Для многих компаний данного сектора, обработка и продажа этого типа информации является одним из основных бизнес-процессов. Мегафон, например, на основе собственных данных о перемещении абонентов между сотовыми базами, может агрегировать данные о потоке и привязывать его к конкретной географической точке. В результате заказчику может быть дана информация о населении заданной территории, виде используемого им транспорта и, что, самое главное, уровню дохода (вероятнее всего информация хоть и обезличенна, но привязана к уровню затрат на сотовую связь, стоимости телефона и фактам выезда за рубеж). Как вариант использования данных, сотовый оператор предлагает решение следующих задач: анализ перемещения потока потребителей с выделением определенных слоев населения для планирования места открытия магазинов. К примеру, где открыть новую кофейню в расчете на посетителей с айфонами, регулярно выезжающих в Европу. Аналогично применяют Big Data и другие две компании из «Большой тройки»: МТС и VimpelCom (Билайн). Остальные участники топ-5 сотовых операторов также направляют свою деятельность в сторону Big data, но в открытых источниках о методах использования нет информации, хотя и подтверждено, что компании уже практикуют в своей деятельности технологии Big data.

Интернет-компании (рис. 4). Компании, работающие в этой области, являются, как поставщиками решений в сфере Big data, так и непосредственными потребителями этих технологий. Выбранный сектор подходит под главную характеристику, рассматриваемую в данном исследовании – большое число потребителей и информации о них, которая создаёт возможности для внедрения Big data. Компании этой отрасли занимаются консультационными услугами в сфере внедрения Big data, являются поставщиками готовых решений по обработке «больших данных», поставляют на другие рынки уже готовые данные, обработанные рассматриваемой технологией, а также сами являются потребителями Big data. Поскольку основная деятельность данного сектора происходит в Интернете, то эти компании являются самыми наглядными примерами использования Big data.


 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Рис. 4. Внедрение Big Data среди топ-5 интернет-компаний в России

 

Связано это с тем, что интернет-технологии предоставляют широкие возможности для использования обработки «больших данных».

Топ-5 компаний в этой сфере выглядит следующим образом [11].

  1. Mail.Ru Group. Капитализация – 4 693 млн дол.
  2. Яндекс Н. В. Капитализация – 4 356 млн дол.
  3. Avito. Капитализация – 2 400 млн дол.
  4. Юлмарт. Капитализация – 1 100 млн дол.
  5. Exist. Капитализация – 700 млн дол.

Результаты говорят о том, что практически все компании рассматриваемого сектора используют Big Data в своей маркетинговой деятельности. Можно утверждать и о внедрении этих технологий во всех пяти рассматриваемых компаниях потому, что информации об использовании Big Data компанией Exist найдено не было, но можно предположить, что компания, находящаяся в списке топ-5, будет использовать Big Data для обработки и анализа, накопившихся данных.

В современном интернет-бизнесе невозможно игнорировать распространение технологий обработки «больших данных», поскольку деятельность в этом секторе автоматически подразумевает накопление огромных массивов данных о пользователях (поведение на сайте, составление карт «путей к покупке» и т. д.). Интернет-компании в основном используют Big Data похожим образом: сбор, обработка «больших данных» и продажа их сторонним компаниям, персонализация предложений, оптимизация рекламных компаний и т. д., но есть и уникальные примеры. Например, А. Горный, директор по информационным технологиям в Mail.ru Group, заявил, что «в будущем каждый пиксель на нашем сайте будет формироваться с учетом Big Data, чтобы идеально соответствовать тому пользователю, который его видит» [7]. Это означает, что компания стремится к «абсолютной» персонализации своих сервисов. По данным Forbes в Mail.ru Group, деятельностью, связанной с Big Data (внедрение, консультирование, поддержка, создание своих предложений), занимается специальный отдел.


 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Рис. 5. Степень распространения Big Data среди топ-5 компаний секторов B2C-рынка

 

Как заявил заместитель гендиректора Mail.ru Group Д. Сергеев, данное подразделение будет реализовывать проекты, которые направлены на серьезное повышение эффективности процессов маркетинга и продаж, оптимизации производства, логистики, управления рисками, планирования, управления персоналом и другие рабочие процессы различных бизнесов. Яндекс двигается в сторону консультирования сторонних фирм по вопросам внедрения и использования Big Data (например, компания является консультантом Сбербанка по данной технологии). Судя по информации из открытых источников, компания предоставляет мало информации о своих проектах в области Big data.

Согласно исследованию аналитической компании Rusbase, помимо информации, представленной в исследовании, решения по анализу больших данных внедрены в Сбербанке, Газпромбанке, ВТБ24, «Альфа-Банке», ФК «Открытие», «Райффайзенбанке», «Ситибанке», «Нордеа-Банке», банке «Уралсиб», «ОТП Банке», компании «Тройка Диалог», «Всероссийском банке развития регионов» и «Уральском банке реконструкции и развития», а также у главных телеком-операторов. Из крупных ритейлеров этими технологиями пользуются X5 Retail Group, «Глория Джинс», «Юлмарт», сеть гипермаркетов «Лента», «М.Видео», Wikimart, Ozon, «Азбука вкуса», из нефтяных компаний – «Транснефть», «Роснефть» и «Сургутнефтегаз».

             

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Рис. 6. Наиболее популярные сферы использования Big Data в маркетинговой области

 

Таким образом, проведенный анализ показал ряд аспектов использования Big Data на российском B2C-рынке: степень внедрения, способы применения, качественные результаты. Степень распространения данной технологии, рассмотренная в разрезе четырёх крупных секторов экономики, компании которых тесно работают с большим количеством потребителей, представлена на рисунке 5. Это подтверждает тезис о том, что компании, находящиеся на стадии внедрения, в основном, не афишируют информацию о ходе запуска в своей маркетинговой деятельности решений на основе Big data-технологий. Рассматривая результаты исследования в разрезе способов применения обработки «больших данных», можно сделать следующие выводы. В своих стратегиях по внедрению Big Data в маркетинговую деятельность компании B2C-рынка направлены, в основном, на кастомизацию предложений. Они обрабатывают информацию о поведении потребителей, их предпочтениях и на её основе строят более персонализированные предложения. В этом наиболее преуспели интернет-компании, так как технологии Интернета позволяют им подстраиваться под клиента практически мгновенно, например, когда он ещё даже не открыл сайт. Многие компании используют свои «большие данные» как коммерческий продукт для участников других рынков. Например, сотовые операторы продают геоданные о своих клиентах рекламным компаниям. Общий итог способов использования Big Data в маркетинговой области компаний B2C-сектора можно представить на рисунке 6. Были выбраны наиболее популярные сферы применения. Ряд компании представленных отраслей уже провели крупные внедрения Big Data в маркетинговую деятельность. Примеры позволяют объективно взглянуть на качественную сторону Big Data в B2C-секторе.

Мегафон. Оператор начал осваивать технологии обработки Big Data несколько лет назад. Основная цель компании – оптимизация затрат и улучшение обслуживания абонентов. В 2015 году «Мегафон» заключил договор с правительством г. Москвы предоставлять информацию о структуре столичного населения. В 2013 г. «Мегафон» занялся геоаналитикой – изначально для прогнозирования нагрузок на собственную сеть. Сегодня это направление выросло в отдельный сервис анализа пассажироперевозок для транспортных компаний. Приложение показывает объем пассажиропотока, популярные маршруты и раскладку по видам транспорта. В июле оператор начал переговоры с РЖД, предложив ей свое решение для прогнозирования популярных маршрутов. Совместный проект запустится не ранее 2016 г. Направление Big Data приносит «Мегафону» около 1% выручки. Для работы с массивами больших данных телеком-оператор использует решения на базе платформы Hadoop. Приоритетом в этой работе компания считает конфиденциальность информации о клиентах, поэтому не привлекает к анализу сторонние разработки [5].

Сбербанк. В стратегии банка на 2014-2018 гг. говорится о важности анализа супермассивов данных для качественного обслуживания клиентов, управления рисками и оптимизации затрат. Сейчас банк использует Big Data для управления рисками, борьбы с мошенничеством, сегментации и оценки кредитоспособности клиентов, управления персоналом, прогнозирования очередей в отделениях, расчета бонусов для сотрудников и других задач. По данным CNews, Сбербанк применяет Teradata, Cloudera Hadoop, Impala, Zettaset, стек продуктов Apache (Hadoop, HBase, Hive, Mahout, Oozie, Zookeeper, Flume, Solr, Spark и пр.), специализированные базы данных (Neo4j, MongoDB и т. д.) и собственные решения в области data mining, predictive/prescriptive-аналитики, обработки естественного языка. В организации работает лаборатория по big data. Банк намерен подключить к анализу больше типов своих внутренних данных и задействовать внешние источники (например, данные из социальных сетей). В марте 2015 г. Сбербанк купил рекламную платформу Segmento, чтобы использовать ее данные для персонализации предложений своих клиентам и привлечения новых. В июле банк привлек «Яндекс» в качестве консультанта по анализу больших данных [4].        

Вымпелком. Телекоммуникационный холдинг «Вымпелком» использует анализ больших данных для мониторинга качества обслуживания клиентов, подбора сервисов и тарифов, борьбы с мошенничеством и спамом, оптимизации работы колл-центра за счет прогнозирования причины обращения и других задач. Разработкой и внедрением решений в сфере Big Data занимается специальное подразделение. Массивы данных анализируют с помощью Hadoop, IBM SPSS, Apache Spark и Vowpal Wabbit. В мае 2014 г. «Вымпелком» представила пилотный проект «Умное оповещение». Технология позволяет предупреждать людей, находящихся в зоне чрезвычайной ситуации, а также тех, кто туда может попасть. В конце мая 2015 г. оператор запустил пилотный проект по оценке кредитоспособности своих абонентов. К эксперименту подключились около 20 банков. Они получают от «Вымпелкома» обезличенные скоринговые баллы, рассчитанные по платежам за мобильную связь, оплате услуг со счета мобильного оператора и даже данным геолокации. В области обработки больших данных компания сотрудничала с Генпланом Москвы, Дептрансом Санкт-Петербурга, а недавно выиграла тендер Департамента информационных технологий Москвы на SMS-информирование москвичей (сумма контракта 78 млн р.) [3].

Следующие выводы наиболее объективно характеризуют современное состояние Big Data в маркетинговой деятельности отечественных фирм, работающих в B2C-секторе.

  1. Пока внедрением Big data-технологий занимаются, в основном, крупные фирмы, а мелкий и средний бизнес не имеет к ним доступ (малые бюджеты, низкое количество потребителей и вытекающая ненадобность использования обработки «больших данных» и т. д.).
  2. Фирмы преимущественно пользуются сторонними решениями в области Big Data за исключением крупных технологических фирм (Яндекс, Mail Group).
  3. Главное маркетинговое направление использования Big Data – кастомизация или персонализация предложений.
  4. Одним из основных тормозов распространения обработки «больших данных» является непонимание, как эффективно использовать накопленную информацию.
  5. Исходя из анализируемой информации, предполагается, что рынок Big Data в России находится на ранней стадии развития. Но маркетинг является главным драйвером развития этого рынка, так как основные крупные внедрения обработки «больших данных» связанны, именно, с ним (Мегафон, Вымпелком, Сбербанк и т. д.).