Анонсы и Публикации

Как обеспечить успех? Работаем с большими данными

  • success-390309_1920

    success-390309_1920

    Посмотреть сообщение

Есть несколько секретов того, как обеспечить максимальную полезность работы с большими данными.

Прежде всего, важно установить и понимать цели компании. Во многих случаях работа с большими данными начинается со своего рода эксперимента — одного проекта, по которому предполагается судить, будет ли анализ больших данных полезен компании в принципе. Выбирая один такой пилотный проект, компания минимизирует риски и затраты. Однако надо внимательно следить за тем, чтобы не начать делать множество отдельных проектов по анализу больших данных. Если такие проекты не связаны между собой определенными целями и не являются частью одного плана, то грандиозной выгоды от использования больших данных можно и не получить. Поэтому, как только экспериментальная стадия работы с большими данными осталась позади, и вы понимаете, чтó в принципе возможно с ними делать, важно поставить качественно сформулированные краткосрочные и долгосрочные цели, в соответствии с которыми будут разрабатываться и вестись все последующие проекты анализа. После того, как цели поставлены, можно начинать работу, к которой можно привлекать все заинтересованные стороны из разных отделов – ведь большие данные влияют на все аспекты организации.

Следующий этап — это создать план действий. Все проекты по анализу больших данных не могут быть выполнены одновременно и сразу. План (который есть смысл составлять на один-два года) должен обязательно включать в себя информацию о том, какие ресурсы и услуги касательно сбора и обработки больших данных будут задействованы. В плане также необходимо указать как цели бизнеса, так и технические цели аналитики.

Следующий этап — собственно найти или отобрать данные для анализа. Мало какие компании могут пожаловаться на нехватку данных, но такие проблемы как неумение их применить в конкретных целях — это вполне частое явление. Важно найти способ использовать большие данные для конкретных целей бизнеса. Одним из таких способов является обзор уже имеющихся данных — какие это данные, где они находятся, кому принадлежат, кем контролируются и как используются в настоящий момент. Также можно задать себе вопрос, а какие данные из сторонних источников компания уже использует. В процессе такого обзора, вероятно, возникнет множество открытий, а также придет понимание того, где есть пробелы в знаниях о больших данных, а где данные неточны.

Следующим логическим шагом является определение того, каких данных вам не хватает. Здесь можно использовать творческий потенциал сотрудников и задать им вопрос, к примеру, «Если бы у вас была возможность получить любые данные, безотносительно их стоимости или доступности, которые помогли бы существенно улучшить дела компании, какую бы информацию вы хотели получить?» Это поможет выйти за рамки привычного мышления и, возможно, даст идеи того, какие новые данные можно найти и применить в целях бизнеса.

Далее важно понять, какие существуют технологии, которые упростят для вашей компании достижение всех поставленных целей. Есть смысл ознакомиться с широким ассотриментом различных платформ, программ, баз данных и инструментов, которые могут быть полезными для анализа важных для вас больших данных. На основании этих знаний можно сделать осознанный выбор, подходящий именно вам.

Еще один важный аспект — позаботиться о безопасности в конктексте больших данных. Многие компании оказываются не готовыми к управлению сложными данными с развитой системой доступа. Данные необходимо защищать от внешних и внутренних рисков, а также позаботиться о сохранении частной информации.

Необходимо также спланировать стратегию управления информационными потоками, другими словами, создать такой информационный ресурс, которому смогут доверять клиенты, сотрудники и партнеры. Такая стратегия — плод совместной работы команды аналитики данных и IT, и строится она с учетом имеющихся правил и законов, в том числе юридических.

Уже в процессе анализа больших данных будет очень полезным опробовать на практике те предположения, которые возникают на основании получаемых результатов. Тогда становится возможным увидеть неявные проблемы или нехватку данных.

Наконец, необходимо помнить о том, что прогресс не стоит на месте, и постоянно возникают не только новые данные, но и пути, инструменты, способы и технологии их анализа. Мониторинг новинок, достижений и разработок в этой области – прекрасный способ быть в авангарде аналитики больших данных. А о ресурсах, которые помогут отслеживать все это богатство, — читайте в следующей статье.

Откуда брать большие данные для анализа?

  • mind-map-1272282_1920

    mind-map-1272282_1920

    Посмотреть сообщение

Разобравшись с тем, для чего необходимо анализировать большие данные и какие специалисты могут этим заниматься, мы подошли к следующему важному вопросу: где и как их собирать? Несомненно, одна из самых сложных составляющих процесса анализа больших данных — это найти источники данных. Как правило, необходимо принимать во внимание несколько важных аспектов, которые их характеризуют.

Чтобы понять, насколько данные, получаемые из определенного источника, могут быть использованы для анализа, необходимо оценить их по следующим критериям:
1. Структура данных (структурированные, полуструктурированные, неструктурированные…)
2. Источник данных (личный, публичный, внутренний, внешний…)
3. Качество данных
4. Тип и место хранения данных
5. Отношения и взаимосвязь между данными
Эти и другие элементы могут существенно повлиять на то, будут ли конкретные данные полезны для анализа, и как такие данные необходимо подготовить к анализу.

Извлечение информации из массивов данных — это не только обработка данных с помощью алгоритмов. Это, в первую очередь, трансформация данных в формат, с которым можно работать дальше. Для этого нужна платформа. Поэтому после обнаружения заслуживающего доверия источника данных, данные переносятся в платформу для анализа — тут сложность процесса, конечно, зависит и от данных, и от используемой программы. Где-то будет достаточно просто скопировать, а где-то будет необходимо оцифровывать, индексировать, классифицировать и т.п. После этого можно заниматься разработкой образцов и скриптов для автоматизации сбора данных в будущем — это значительно облегчит процесс.

Еще один важный этап процесса анализа больших данных – собственно добыть эти данные. Говоря словами Фрэнка Олхорста, «найти данные для анализа — это отчасти наука, отчасти следовательская работа и отчасти предположения». Наиболее логичными источниками данных служат логи вебсайтов, информация с сенсоров и электронные транзакции. Однако важными могут оказаться буквально любые данные, которые компания получает в ходе своей бизнес-деятельности. Рекомендуется найти как можно больше источников данных и перенести эти данные в платформу аналитики. Если с внутренними данными все достаточно просто, то поиск и получение внешних, неструктурированных данных, а также тех, которые с компанией напрямую не связаны, — это уже работа посложнее. На вопрос «где взять данные для анализа» ответить не так просто, ответ будет неоднозначным, и уж точно уникальным для каждой компании, и особенно сильно будет зависеть от того, для какой конкретной цели предполагается анализ. К примеру, для анализа трендов рынка будут важны одни данные, а для достижения высокой степени удовлетворенности клиентов — совершенно другие.

Далее, как и для любого успешного проекта, для анализа больших данных важно определить и поставить конкретные цели. С целью вроде «извлечь как можно больше пользы из всех данных, которые нам доступны», к сожалению, далеко не уедешь. И дело тут не только в расплывчатости самой цели, но и в том, что с этой целью данных для анализа наберется столько, что анализировать — не переанализировать. Поэтому — ставить цели нужно. К примеру, повысить продажи. Из этой главной цели вытекают конкретные задачи — шаги, которые нужно сделать для того, чтобы цель была достигнута. А задачи определяют, какие именно данные понадобятся для проекта, где их взять и как анализировать.

Важно помнить о разнообразии источников данных и пытаться «примерить» каждый из них к поставленной цели. Например, с целью повышения продаж в розничной торговле начать можно с внутренних структурированных данных (зарегистрированные транзакции, информация о клиентах, цены, взаимодействие с поставщиками), потом перейти к внутренним неструктурированным (записи клиентской поддержки, отзывы и письма клиентов, обзоры, анкетирование) и, наконец, рассмотреть необходимость внешних данных (они могут «найтись» онлайн, быть куплены у компаний, профессионально занимающихся исследованием рынка, и т.п.).

Важно также помнить, что новые источники больших данных возникают и растут буквально каждый день. Некоторые из этих данных могут быть не сразу очевидны — как полезные для конкретной цели вашей компании. Поэтому имеет смысл постоянно держать руку на пульсе и отслеживать потенциальные источники дополнительных важных данных. Это могут быть дисконтные карты, используемые клиентами, социальные сети и так далее.

И, кстати говоря, многие данные могут быть получены совершенно бесплатно или за умеренную оплату онлайн. К примеру, достаточно простые в использовании онлайн платформы и инструменты — www.Extrativ.com, www.Mozenda.com, 80Legs, Google Refine (для сбора данных), www.mTurk.com, BigSheets, Grep (для анализа), www.OpenHeatMap.com, www.Gephi.org, Tableau Public (для визуализации).

Анализируем данные о клиентах: как «поженить» маркетинг с IT

  • large-895567_1920

    large-895567_1920

    Посмотреть сообщение

Безусловно, наибольшее количество данных касательно клиентов традиционно концентрируется в руках (и базах данных) маркетологов. В современном мире, где оцифровано практически все, для контроля и обработки этих данных маркетологам не обойтись без определенных компьютерных программ, включая системы автоматизации маркетинга, системы управления информацией о клиентах (CRM), платформы для управления данными, а также аналитические инструменты для того, чтобы разобраться с этими данными и понять, что можно из них извлечь для компании.

Использование связного набора маркетинговых технологий, состоящего из элементов всех вышеуказанных компьютерных программ, дает компаниям возможность видеть максимально полную картину того, как ведут себя клиенты — и реальные, и потенциальные. Имея в распоряжении такие данные о целевой аудитории, маркетологи могут создавать и посылать этим людям адекватные сообщения в правильное время, а также быть в некотором роде добрыми волшебниками, не только выполняя, но и предугадывая их желания. Ну и, конечно, в некоторых случаях создавая спрос и предлагая такие товары и услуги, о нужности которых для себя клиенты ранее и не подозревали.

Помимо отделов маркетинга, данные о клиентах поступают также через колл центры, финансовые отчеты, платформы электронной коммерции, и если компания сможет свести все эти данные в одном месте, к которому будет иметь доступ отдел маркетинга, то половина успешного использования больших данных у нее в кармане. Почему приоритет в использовании данных отдается именно отделу маркетинга? Да просто они — те люди, которые знают больше всех о клиентах, включая информацию о том, как клиенты узнают о компании и её услугах, как принимают решение о покупке, и как и где рассказывают о своем опыте с компанией и продуктом. Если раньше в большинстве случаев максимальное количество информации обеспечивал самый близкий контакт с клиентом — то, что делает отдел продаж — то сейчас такая информация собирается зачастую путями и способами, не имеющими непосредственного отношения к вербальной коммуникации с целевой аудиторией. Например, для принятия решения о покупке современные клиенты читают отзывы, посещают вебсайты, штудируют социальные сети, а не просто напрямую звонят в отдел продаж, чтобы задать интересующие их вопросы.

Понимая, какие разделы сайта заинтересовали клиента, на какие рассылки он подписался, и какие публикации ему интересны, отдел маркетинга может сделать достаточно точные выводы о том, на какой стадии готовности к покупке (и какого именно продукта) находится данный клиент.

Кстати, важность маркетинга доказывается в современном мире бизнеса еще и тем, что директора по маркетингу сплошь и рядом становятся главными руководителями компаний — примерами этой тенденции являются Audi, Mercedes-Benx, Royal Dutch Shell. Это прямое следствие того, что другие директора не имеют таких же объемов знаний и возможностей для понимания и решения проблем клиентов и для создания лояльности к бренду.

Для того, чтобы эта огромная ответственность маркетингового отдела была оправдана результатами их работы, важно использовать различные инструменты автоматизации отдела маркетинга. Таким образом маркетологи смогут быстро оценивать, приносят ли прибыть их маркетинговая стратегия и программы подготовки клиентов. Потому так важно, чтобы маркетологи использовали программное обеспечение, которое позволит им работать с информацией о клиентах — большими данными — с максимальной пользой. Примером такой платформы может быть Oracle Eloqua.Такой вот союз маркетинга и IT — залог того, что большие данные, поступающие в отдел маркетинга, будут работать на благо компании.

Итак, отделы маркетинга используют большие данные, и им важно привлекать наиболее эффективные инструменты для анализа этих данных и получения выводов, которые станут стимулами и предпосылками к дальнейшим действиям. Это — стратегия победителей. Проиграют те компании, которые будут использовать большие данные для подтверждения собственных заблуждений. Пример, приведенный в книге Рассела Гласса и Шона Каллахана «Бизнес, движимый большими данными: Как применять большие данные, чтобы привлечь клиента, побить конкурента и повысить прибыль» — компания BlackBerry, которая, являясь лидером рынка смартфонов, проигнорировала большие данные касательно запуска Apple iPhone, посчитав его нишевым продуктом. В результате яблочный смартфон оттянул львиную долю клиентов BlackBerry. А самим Apple анализ больших данных помог предугадать, что клиентам понравится идея продукта, в котором будут соединены смартфон, iPod и доступ к интернет. Пример показывает, что, хотя доступ к данным по рынку смартфонов был у обеих компаний, у одной из них не получилось извлечь пользу из этих данных, а другую анализ больших данных привел к триумфу.

Поэтому, важно понимать, что грамотное использование больших данных — это потенциальный успех для компании. И главная хитрость тут — создать систему, которая правильно собирает и анализирует данные, получаемые от клиентов. Такая система откроет перед компанией возможности, которые иначе так и останутся неизведанными.

Что все таки делать с большими данными?

  • hands-1167618_1920

    hands-1167618_1920

    Посмотреть сообщение

Читая об аналитике больших данных, особенно о примерах того, как от анализа данных выигрывают такие компании как Google или Amazon, поневоле задаешься вопросом – ну хорошо, а нам, компаниям в Украине, как это может пригодиться? Особенно если компании по популярности, успешности и размеру далеки от вышеуказаных гигантов. На самом деле, путей и способов использования больших данных, в решении проблем бизнеса – невероятное множество. Практически в любой сфере бизеса и у любой компании есть возможность для сбора, анализа и использования больших данных. Примеров того, как компаниями используются данные, собранные из социальных сетей или аналитики посещаемости вебсайтов, очень много, и такие примеры лежат на поверхности. Однако это далеко не все: большие данные находятся и могут применяться везде, от мониторинга производства и определения конкурентоспособности товара до найма персонала и подбора конкретного пакета услуг для каждого клиента.

В любой сфере бизнеса, топ-менеджеры хотят иметь возможность для анализа тенденций и закономерностей, которые скрыты в больших массивах данных, для предсказания результатов, анализа рисков, повышения конкурентоспособности и клиентоориентированности компании. С этой целью бизнесы используют всевозможные источники информации – от системных логов до записей службы поддержки клиентов. В книге BigDataForDummies, Джудит Гурвиц, Алан Нагент и Ферн Халпер пишут о ценности для разных типов бизнеса данных, которые идут непрерывным потоком — другими словами, передаваемых данных, или данных в движении (при финансовых операциях, отправках корреспонденции, снятии показаний с любых приборов и тому подобных). Безусловно, такие данные должны обрабатываться в режиме реального времени, и реакция на них также должна быть незамедлительной. Для этого необходимо понимание контекста этих данных и того, как он соотносится с производительностью, а также понимание природы таких данных и ожидаемых от их анализа результатов. К примеру, производственная компания может с успехом использовать данные, получаемые от сенсоров, для мониторинга чистоты и количества ингредиентов, используемых в процессе производства. С этим вроде бы понятно. Однако бывают ситуации, когда данных накопить можно много, а вот что с ними делать, не совсем понятно — есть информация, но нет конкретного запроса бизнеса на получение из неё результата. Иногда такие данные, в принципе, могут быть не очень полезны для вашего бизнеса. Однако зачастую компании просто не могут свести вместе потенциал своих больших данных и своих бизнес-задач. Вот здесь и открываются огромные перспективы!

В некоторых случаях, компаниям достаточно собрать данные, которые у них уже есть, и начать использовать их с пользой для себя. В других ситуациях компании, проанализировав свои возможности и запросы, начинают собирать те данные, которые ранее по каким-то причинам ими игнорировались (или же собирать большее количество данных, о которых ранее понятие было довольно общее).

К примеру, компании могут извлечь огромную пользу из анализа поступающей к ним текстовой информации (письма и звонки клиентов, заметки службы подержки, блоги, твиты и посты в соцсетях) — такого рода данные есть практически у всех, но их неструктурированность чаще всего подразумевает анализ в ручном режиме, что неэффективно и медленно, и в результате — компания не успевает вовремя среагировать на потребности клиентов. Найти пути и способы своевременного анализа таких данных (то есть специальные решения для аналитики текстовых данных) — значит, дать своей компании громадное преимущество перед теми, кто этого не делает.

Поскольку клиент в современном мире практически всегда имеет выбор между несколькими альтернативами, важно сделать так, чтобы именно ваше предложение было не только самым выгодным и подходящим конкретному человеку или компании, но и чтобы у ваших клиентов была возможность сделать выбор в вашу пользу, используя удобные для них каналы и способы. Все эти элементы конкуретного преимущества — способность определить ценность каждого покупателя и предложить именно то, что ему нужно, основываясь на его потребностях и запросах — могут быть достигнуты с помощью анализа больших данных.

Например, для каких-то компаний полезными станут способы обработки устных сообщений и телефонных разговоров для перевода их в текстовый формат с последующим поиском определенных ключевых слов и фраз (таким образом компании могут быстро уделять внимание первоочередным запросам). Для кого-то важно дать возможность сотрудникам колл-центров быстро получать как можно более полную информацию о каждом звонящем им клиенте, включая возможные запросы (к примеру, если, анализируя данные о звонящем клиенте, сотрудник банка увидит строку о том, что у него есть ребенок, заканчивающий школу, то он может предложить клиенту обсудить оформление кредита на обучение в университете).

Анализ больших данных, особенно тех, которые ранее оставались невостребованными, позволяет компаниям посмотреть на свой бизнес с новой точки зрения и найти новые подходы, углубляя свое понимание о рынке, клиентах и рисках.

Большие данные: Как к ним подступиться?

  • Большие данные

    Большие данные

    Посмотреть сообщение

Итак, тему пользы и важности больших данных мы уже затронули, и пора перейти к тому, что и как можно с ними делать. Для этого необходимо ответить на вопросы, что такое большие данные, и в чем их особенности.

В общем-то, название говорит само за себя: объемы и темпы роста этих данных настолько большие, что традиционные инструменты аналитики, включая привычные информационные технологии, с ними попросту не справляются. Такие объемы данных сложно собирать, хранить, передавать кому-либо, анализировать, визуализировать, и искать нужную информацию среди всей этой массы. Поэтому зачастую большие данные остаются невостребованными и не получают шанса раскрыть весь свой потенциал. Для того, чтобы все-таки этот потенциал был раскрыт, и большие данные заработали на пользу организации (причем, как уже говорилось, речь может идти не только о бизнесе, но и общественных, научных, и других организациях), нужны алгоритмы и аналитический подход.

Но легче сказать, чем сделать: большие данные довольно коварны, и препятствий к их использованию множество — от технических, операционных, концептуальных. Это связано с объемами данных, их разнообразием, разной степенью достоверности и оборачиваемостью (часто наибольшую пользу могут принести данные, анализируемые по горячим следам, и при этом многие данные необходимо хранить в архивах и извлекать оттуда при необходимости). Эти черты больших данных получили название 4Vs: Volume, Variety, Veracity, and Velocity (Ohlhorst 3).

Поэтому существует несколько технологий, процессов и концепций, позволяющих добыть из приисков больших данных те элементы, которые реально продвинут бизнес: традиционный бизнес-анализ, статистические алгоритмы, анализ с прогнозированием, интеллектуальный или глубинный анализ, а также моделирование данных. Все эти технологии задействуют различные инструменты, платформы и способы аналитики ради того, чтобы добыть важную информацию о трендах и статистике, способную усилить позиции компании на рынке. На сегодня нет одной универсальной и идеальной технологии, которая позволяла бы проводить анализ больших данных с максимальной эффективностью. Разумеется, эта область — непаханое поле для специалистов по анализу, информационным технологиям и обработке данных. Однако тот факт, что технологии продолжают развиваться, не означает, что компаниям «лучше подождать». Ведь данные, во-первых, копятся и постоянно увеличиваются в объемах, во-вторых, порой теряют актуальность, а в-третьих, их можно использовать уже сейчас!

Большинство компаний — особенно это касается малого и среднего бизнеса — сталкиваются с существенными проблемами, подходя к вопросу анализа больших данных: чистота имеющихся данных, аналитические навыки и знания, понимание статистики и некоторые другие вопросы, связанные с образованием и компетентностью. Это все важно не только для самой процедуры анализа, но для того, чтобы проводить именно такой анализ и именно тех данных, которые принесут пользу бизнесу.

Для того, чтобы получить наглядное представление об аналитике, а также приобрести кое-какой опыт, полезно попробовать начать с анализа трафика своего вебсайта (разумеется, тем, кто этого еще не делает). Для сбора данных можно использовать многочисленные онлайн инструменты (например, Extrativ, Neddlebase, 80Legs), которые позволяют собрать информацию из социальных сетей, отзывы о продуктах, списки продаж и другие данные, которые могут быть важны для конкретного бизнеса и послужить хорошим ресурсом. Попробовав для начала проанализировать хотя бы некоторые из полученных данных, как правило, компания понимает, что большие данные имеют для нее огромную ценность — впрочем, как и для всех других бизнесов. Главная хитрость тут — с умом подойти к выбору и анализу этих данных. В конце концов, в сегодняшнем деловом мире без них очень сложно, если не невозможно, оставаться конкурентоспособным.

Аналитика больших данных — для больших результатов бизнеса

  • Аналитика

    Аналитика

    Посмотреть сообщение

Что такое большие данные

«Большие данные» и их анализ — явление не новое. Многие компании собирают, хранят и подвергают аналитике огромные массивы информации. С развитием технологий и глобализацией такие данные становятся все разнообразнее: их получают из опросов, социальных медиа, бизнес операций и многих других источников, и они могут быть как структурированные (статистика), так и неструктурированные — аудио и видео файлы, финансовые транзакции, документы. Однако огромный потенциал больших данных стал очевиден для бизнеса относительно недавно. Многие западные компании, понимая важность анализа всей этой информации, стали искать пути систематизации «разношерстных» данных для того, чтобы связать их в единую систему, установить между ними связи, выстроить иерархию, чтобы в итоге извлечь для себя пользу, которая оказалась просто гигантской.

Большие возможности

Данные, собираемые компаниями, на первый взгляд практически невозможно охватить даже мысленным взором — поток их неиссякаем, и каждый день их становится все больше и больше. Однако, выбрав «правильные» для конкретной цели данные и грамотно проведя их анализ,компании сегодня получают ответы на зачастую наболевшие вопросы — например, касательно рисков, причин отсутствия успеха, снижения затрат, повышения прибыли, оптимизации развития новых продуктов, принятия решений, прогнозирования нежелательного поведения сотрудников и клиентов, выбора маркетинговой стратегии и других аспектов бизнеса. Фрэнк Олхорст (2012) в своей книге «Аналитика больших данных: Трансформируя большие данные в большие деньги» приводит примеры того, как организации успешно используют свои большие данные в своих маркетинговых схемах и для повышения качества услуг. Компания Amazon с помощью анализа больших данных — а именно, поисковых запросов, покупок и других данных о клиенте — создаёт довольно точный «портрет» продукта, который с большой долей вероятности заинтересует конкретного клиента. Facebook, анализируя огромные потоки данных о своих пользователях, выдает на-гора публикации на потенциально интересные темы и предложения добавить в друзья определенных людей. Google использует аналитику больших данных далеко не только для целевой рекламы, но также для прогнозирования использования интернет-трафика и предложения собственных приложений пользователям.

Удивительным образом, большие данные стали полезными во всех сферах человеческой деятельности — в здравоохранении, образовании, науке. Большой адронный коллайдер в CERN — по сути, тоже генератор больших данных, основываясь на которых, компания определяет результаты экспериментов, применяя сложные алгоритмы и аналитику. Надо ли говорить, что бизнесы — и большие, и малые — также могут с успехом использовать этот принцип себе во благо? Практика показывает, что в целом анализ больших данных положительно влияет на прибыль компании и эффективность бизнеса. Возможности, таящиеся в анализе больших данных — при грамотном подходе, разумеется — практически неиссякаемы!

Чем больше — тем лучше?

С одной стороны, любые данные касательно компании могут нести потенциально полезную информацию. С другой — массивы данных во многих компаниях настолько огромны, что анализировать их все означало бы огромные затраты ресурсов. В интервью McKinsey с шестью топ-менеджерами организаций, лидирующих в своих отраслях, многие подчеркнули то, что количество данных, имеющихся в их распоряжении, как правило, больше, чем они могут обработать для извлечения пользы из такого анализа. Таким образом, есть смысл заранее определить, какие данные имеют наибольшую ценность для конкретных целей бизнеса, и именно их включать в аналитику.

Что дальше?

Эксперты предсказывают, что аналитика больших данных будет только набирать популярность. Уже в 2017 году, по словам Даниэла Ньюмана, аналитика Futurum Research и генерального директора Broadsuite Media Group, использование результатов анализа больших данных «впервые будет являться движущей силой бизнес операций, а не только отражать успехи компании.» Те компании, которые научились эффективно анализировать собираемые ими большие данные — в тренде.

Вернуться к начал

Отправить отзыв

      Отправка...
x