Криптотрейдинг: прибыльная торговля криптовалютой.
Июн 5, 2019
21 Views
Комментарии к записи Прекрасный новый, большой мир данных отключены

Прекрасный новый, большой мир данных

Written by
Биткоин: краткое руководство

Он характеризуется объемом, скоростью, ценностью и разнообразием; большие данные создаются со скоростью более 2,8 зетабайта (ЗБ) или 2,8 триллиона гигабайт каждый год. Ежедневно публикуется 2 миллиона блогов, 172 миллиона пользователей посещают Facebook (тратя 4,7 миллиарда минут на одну социальную сеть), загружается 51 миллион минут видео и делятся 250 миллионами цифровых фотографий. Мы продолжаем генерировать 294 миллиарда электронных писем каждый день, хотя многие считают электронную почту устаревшей формой общения. Ожидается, что к 2020 году он взорвется до более чем 40 ZB в год; Чтобы оставаться впереди конкурентов, компаниям приходится иметь дело с большими данными сегодня. Инвестиции происходят быстрее, чем когда-либо прежде, чтобы повысить производительность, создать стоимость, оставаться конкурентоспособными, увидеть новые тенденции в бизнесе и генерировать интересные аналитические решения. Большие данные становятся визитной карточкой начала 21-го века, когда они потребляются и используются все большим количеством компаний.

В целом, большие данные можно разделить на два разных типа, упорядоченные и неструктурированные. 294 миллиарда электронных писем, отправляемых в день, можно рассматривать как структурированный текст и одну из самых простых форм больших данных. Финансовые операции, в том числе продажа билетов в кино, продажа бензина, продажа ресторанов и т. Д. Они, как правило, структурированы и представляют собой небольшую часть данных, передаваемых в настоящее время в глобальных сетях. Другие формы структурированных данных включают активность потока кликов, данные журнала и предупреждения безопасности сети. Неструктурированные данные также являются основным источником роста для больших наборов данных. Музыка — это растущее разнообразие данных, и мы отправляем более 19 миллионов часов музыки каждый день через бесплатный музыкальный сайт Pandora. Старые телевизионные программы и фильмы являются еще одним источником разнообразия в неструктурной сфере. Ежедневно на YouTube загружается более 864 000 видео часов. MBAOnline.com даже обнаружил, что мы можем качать 98 лет непрерывных фильмов с кошками в любой дом, чтобы провести бесконечные часы скуки, веселья или безумия!

В дополнение к общей технологии, большие данные потребуют изменений в большинстве бизнес-процессов, чтобы гарантировать, что решения принимаются с правильными аналитическими суждениями. Чтобы признать эти требования, остановимся на двух основных идеях. Прежде всего, необходимо изучить, как компании могут использовать текущие технологические решения для обоих сегментов, а затем проанализировать данные; во-вторых, необходимо будет представить, а затем предсказать, каким образом компании будут использовать данные для создания стратегий по поддержанию, поддержанию, а затем увеличению различных потоков доходов.

В течение десятилетий компании делят рынки клиентов, но эра больших наборов данных делает сегментацию более важной и даже более сложной. Задача заключается не только в сборе информации; это скорее гонка, чтобы лучше понять клиентов. Сегментация является основным элементом понимания клиентов. В простейшей форме клиенты группируются по сходным характеристикам. По мере совершенствования данных (демографических, поведенческих и поведенческих) подходы к сегментации становятся все более изощренными. В настоящее время предприятия практически тонут во всех собранных данных, и если они не будут осторожны, они могут тратить все свое время на их изучение, а не на то, чтобы принимать более эффективные бизнес-решения. Время резки может быть неограниченным без реальных результатов, поэтому наличие проверенной и масштабируемой аналитической системы может существенно сократить это время сегментации.

Компании из всех секторов признают, что знание клиента ведет к улучшению и персонализированному обслуживанию для покупателя, что приводит к более лояльному клиенту. Стремясь лучше узнать своих клиентов, компании традиционно используют передовые аналитические системы, такие как Google Analytics, для разделения клиентов на группы по демографии, географии и многому другому. Хотя этот тип сегментации помогает, он часто не только не определяет важные различия между клиентами, но и не предлагает последовательных инновационных функций. Например, базовая сегментация путешествий авиакомпании может определить клиента как мужчину 37 лет, который живет и работает в Роли и часто ездит в Лондон.

Лучшим подходом является классификация в соответствии с выбором, предпочтениями и вкусами клиента на основе всех его / ее взаимодействий с бизнесом. Однако, чтобы разделить своих клиентов на сегменты, компаниям необходимо распознавать более широкий диапазон характеристик клиентов, многие из которых находятся за пределами структурированной информации в системах бронирования, контроля поездок и лояльности авиакомпаний. Богатый набор дополнительной информации о клиентах можно найти в контактах с клиентами, таких как электронная почта, стенограмма звонков, чат, SMS, социальные сети и многое другое. Предприятия должны уметь понимать значение в диалоге клиента и могут делать это автоматически с помощью новых типов аналитических систем.

Большие данные могут в корне изменить отношение маркетологов к своим клиентам — всем, а не к небольшому проценту, который активно участвует в программе лояльности. Бизнес может использовать огромное количество информации, доступной во взаимодействиях с клиентами и путях интернет-маркетинга (таких как социальные сети, блоги и веб-сайты), чтобы точно сегментировать, поддерживать и развивать отношения с клиентами.

Общеизвестно, что большие данные являются одновременно критической проблемой и возможностью для компаний. Наличие технологий, разработанных для противодействия внезапному увеличению объема, разнообразия и скорости распространения информации, имеет решающее значение для их успеха. К счастью, сегодняшние альтернативные модели аппаратного обеспечения, облачной архитектуры и программного обеспечения с открытым исходным кодом предоставляют большие возможности обработки данных. В конечном счете, большая история больших данных может быть очень маленькой — способность создавать и обслуживать очень маленькие микросегменты клиентов — с гораздо более высокой точностью и получать большее количество при меньших затратах. Сегментация — это лишь вершина айсберга больших наборов данных, и стратегии, которые компании уже создали и будут продолжать использовать для их использования, ненадежны.

В настоящее время компании используют четыре основные стратегии использования больших данных в свою пользу: управление эффективностью, обучение принятию решений, социальный анализ и анализ данных. Управление производительностью — это место, где все начинается. Понимая важность больших данных в базах данных компании с использованием предварительно определенных запросов, менеджеры могут задавать вопросы, например, где находятся наиболее прибыльные сегменты рынка. Это может быть чрезвычайно сложным и потребовать много ресурсов; Однако все становится проще. Большинство современных инструментов бизнес-аналитики предоставляют функции панели мониторинга. Пользователь, часто менеджер или аналитик, может выбирать, какие запросы запускать, и может фильтровать и оценивать выходные данные отчета по определенным измерениям (например, по регионам), а также анализировать / увеличивать данные. Многие типы отчетов и диаграмм облегчают менеджерам анализ тенденций. Благодаря функциональным и «простым» инструментальным панелям компании начинают делать больше за меньшие деньги; но мы еще не видели решение, которое предлагает чистый дизайн с простой функциональностью, которая предлагает еще лучшее понимание того, что в настоящее время существует.

Интеллектуальный анализ данных — вторая стратегия, которая в настоящее время используется предприятиями. Эта стратегия использует статистику, чтобы экспериментировать и получать ответы на вопросы, о которых менеджеры, возможно, не думали раньше. Этот подход использует методы прогнозирующего моделирования для прогнозирования поведения пользователя на основе его предыдущих транзакций и предпочтений. Кластерный анализ можно использовать для разделения клиентов на группы на основе сходных атрибутов, которые, возможно, не были изначально запланированы. После обнаружения этих групп менеджеры могут выполнять целевые действия, такие как настройка маркетинговых сообщений, служба обновлений и перекрестные продажи / дополнительные продажи для каждой уникальной группы. Еще один популярный пример использования — прогнозирование, от какой группы пользователей можно «отказаться». С помощью этой информации менеджеры могут активно разрабатывать стратегии для поддержки этого пользовательского сегмента и снижения уровня отставки.

Известный ритейлер Target использовал метод анализа больших данных, чтобы предсказать покупательские привычки групп клиентов, которые пережили важное жизненное событие. Target удалось идентифицировать около 25 продуктов, таких как бальзам без запаха и витаминные добавки, которые вместе анализировали, помогли определить результат «прогнозирования беременности». Затем Target разослала женщинам рекламные материалы о товарах для детей на основе их прогноза беременности. Это привело к резкому увеличению продаж продуктов Baby и Mother Target вскоре после запуска новых рекламных кампаний.

Еще одним применением стратегий компании является использование сайтов социальных сетей, таких как Facebook, Twitter, Yelp или Instagram. Социальный анализ измеряет огромное количество нетранзакционных данных, которые существуют сегодня. Многие из этих данных существуют в социальных сетях, таких как разговоры и обзоры в Facebook, Twitter и Yelp. Социальная аналитика измеряет три широкие категории: осведомленность, вовлечение и передача информации в устной или разбросанной форме. Осведомленность проверяет подверженность или упоминания социального контента и часто включает такие параметры, как количество просмотров видео и количество подписчиков или членов сообщества. Обязательство измеряет уровень активности и взаимодействия между участниками платформы, например, частоту пользовательского контента. Наконец, охват измеряет степень распространения контента среди других пользователей на платформах социальных сетей. Охват можно измерить с помощью таких переменных, как количество ретвитов в Twitter и общих лайков в Facebook.

Социальные анализаторы нуждаются в четком понимании того, что они измеряют. Например, вирусное видео, просмотренное 10 миллионов раз, является хорошим показателем высокой осведомленности, но не обязательно является хорошим показателем вовлеченности и взаимодействия. Кроме того, социальные показатели включают косвенные нефинансовые показатели. Чтобы определить влияние на бизнес, аналитикам часто необходимо собирать интернет-трафик и бизнес-показатели в дополнение к социальным показателям, а затем искать корреляции. В случае вирусных видео аналитики должны определить, соответствует ли трафик на веб-сайте компании после просмотра видео на YouTube возможной покупке продуктов.

Окончательное использование стратегий компаний получило название «Наука Наука». Обычно это включает в себя эксперименты и анализ нетранзакционных данных, таких как идеи для потребительских товаров и обзоры продуктов, для улучшения процесса принятия решений. В отличие от социальных анализаторов, которые фокусируются на социальном анализе для измерения известных целей, лица, принимающие решения, изучают большие социальные данные для проведения «полевых испытаний» и проверки гипотез. Краудсорсинг, включая генерацию идей и опрос, позволяет компаниям задавать сообществу вопросы о своих продуктах и ​​брендах. Исследователи, принимающие решения, в сочетании с обратной связью от сообщества, определяют ценность, актуальность, осуществимость и соответствие этих идей и в конечном итоге информируют о том, намерены ли они применить эти идеи в действии. Например, программа My Starbucks Idea позволяет потребителям делиться, голосовать и отправлять идеи о продуктах Starbuck, опыте работы с клиентами и участии сообщества. На данный момент собрано более 100 000 идей. В Starbucks есть раздел «Идеи в действии» для обсуждения того, где идеи находятся в процессе рассмотрения.

Многие из методов, используемых лицами, принимающими решения, включают в себя инструменты прослушивания, которые анализируют текст и настроения. Используя эти инструменты, компании могут измерять конкретные темы, связанные с продуктами, а также то, кто говорит на эти темы. Например, перед запуском нового продукта маркетологи могут измерить, как потребители воспринимают цену, влияние демографии на настроения и то, как настроения меняются со временем. Затем менеджеры могут корректировать цены на основе этих тестов.

Будущее стратегии сложно предсказать, но исходя из того, как она будет развиваться, компании предполагают, что это будут новые типы технологий, используемых в аналитических системах, с упором на большие наборы данных. Как основатель компании, которая занимается веб-анализом и данными, мы ориентируемся на будущее в обработке больших данных. Создавая аналитическую платформу, доступную онлайн, с акцентом на красивый дизайн и простой в использовании интерфейс, мы объединяем мощный анализ с прекрасными результатами. Используя все четыре текущие стратегии и добавив нашу собственную технологию, результаты должны изменить границы между фактом и научной фантастикой.

Big Data меняет наш образ жизни: от ведения бизнеса до покупок в продуктовом магазине и покупки билетов в кино. Каждая собранная информация сегментируется и используется для анализа того, как потребители думают и ведут себя. Чтобы воспользоваться этой возможностью, мы должны отказаться от устаревших, менее инновационных решений. Вместо этого мы можем использовать новые технологии, предлагаемые новыми компаниями, которые изменяют способ определения тенденций в данных и понимания мыслительных процессов потребителей. Зная текущие стратегии, которые компании используют для использования этого огромного количества данных, мы можем использовать эту информацию, чтобы лучше предсказать, куда нас приведет это явление.

Article Categories:
Криптовалюта
Как устроен блокчейн

Comments are closed.