12 ноября 2018 г.
Фраза «данные — это новая нефть» успела уже порядком примелькаться, однако в последнее время она наполняется самым что ни на есть буквальным содержанием. Играющие на бирже клиенты американской консалтинговой фирмы Thasos Group оказываются в выигрышном положении относительно среднего брокера как раз потому, что своевременно получают объективные подтверждения или опровержения неких громких заявлений, которые делают время от времени главы акционерных компаний.
Наиболее свежий пример того, как аналитика больших данных позволяет эффективно управлять портфелем акций, относится к озвученному несколько месяцев назад заявлению Илона Маска (тогда ещё главы Tesla) о готовности компании работать в три смены, лишь бы только удовлетворить неожиданно высокий спрос на седан Model 3.
Многие держатели акций компании тогда его словам не поверили, что привело к снижению её стоимости. И те, кто успел приобрести акции Tesla в момент наиболее ощутимого их падения, оказались в очевидном выигрыше после того, как поставки Model 3 неожиданно для множества аналитиков оказались успешными — и принесли акционерам компании внушительные дивиденды. Однако как можно было своевременно удостовериться, сдержит ли Маск обещание — или снова возьмёт свои слова назад, как это было в случае с объявлением в Twitter о смене статуса компании с акционерной на частную?
Оказывается, способ есть, — аналитика больших деперсонифицированных данных. Thasos Group специализируется как раз на такой деятельности, и первое, что она сделала после обещания Маска запустить круглосуточный конвейер, — начала наблюдение за его фабрикой в калифорнийском Фремонте. Нет, специально нанятые соглядатаи не парковали свои авто у заводской проходной и не считали рабочих по головам: современные технологии дают возможность действовать значительно тоньше.
Суть аналитики больших данных, которую практикует Thasos Group и подобные ей цифровые консалтинговые компании, — в сборе и переработке огромных потоков информации, поступающей от многих сотен смартфонных приложений. Как правило, это бесплатное ПО с полезной для владельца смартфона функциональностью (погодные виджеты, например), которое получает доступ к геолокационным данным.
Разработчики таких приложений предупреждают пользователей в лицензионных соглашениях, что некоторые данные могут аккумулироваться и передаваться в обезличенном виде третьим сторонам, так что с юридической точки зрения тут всё чисто, — впрочем, кто же и когда читал лицензионные соглашения для устанавливаемого на смартфон ПО? Разработчики собирают данные о географическом положении аппаратов с привязкой ко времени, деперсонифицируют их (убирают номер IMEI, номер сотового абонента и прочие идентификаторы), а после оптом продают аналитикам больших данных — вроде той же самой Thasos Group.
Что происходит дальше, догадаться нетрудно. Консалтинговая компания производит анализ перемещений смартфонов (вместе с их владельцами, очевидно) в том географическом регионе, где располагается анализируемый объект. В данном случае — завод Tesla во Фремонте. Не выходя из офиса, аналитики сразу же видели: действительно, в период с июня по октябрь множественные отметки о «посещении» смартфонами территории завода регистрировались в неурочные часы.
Количество и продолжительность «посещений» примерно соответствовало ожидаемому притоку рабочих, становящихся к конвейеру во вторую и третью смены. Таким образом, клиенты консалтинговой фирмы (в число которых входит ряд крупных хедж-фондов, в частности) получали самые твёрдые заверения в том, что акции Tesla покупать всё-таки стоит, невзирая на их падение, — поскольку заявленной цели компания, очевидно, достигнет. Как показало дальнейшее развитие событий, эти выводы полностью подтвердились.
Подобные аналитические системы не слишком сложно организовать: разработчиков, которые собирают самую разнообразную информацию со смартфонов и готовы торговать деперсонифицированными большими данными, сегодня множество. Собственно, практически любое фирменное приложение торговой сети или Интернет-магазина в подавляющем большинстве случаев создаётся именно ради того, чтобы такие данные собирать самостоятельно.
И анализировать, разумеется, Выстраивать графики посещения постоянными покупателями различных торговых точек данной сети; следить за тем, к каким конкурентам владельцы этих смартфонов также заглядывают и сколько времени у тех проводят; чем в свободное время занимаются (сидят дома, ходят на концерты, стадионы и т. п.). Даже в отсутствие чёткой привязки потока данных к конкретным людям очевидна невероятная маркетинговая ценность подобной информации для составления портрета потребительской аудитории, для поиска новых способов привлекать её в свои магазины и побуждать её к новым покупкам.
Однако если крупные торговые сети могут позволить себе развивать собственные отделы аналитики больших данных, ритейлеры с более скромными бюджетами будут, очевидно, обращаться к компаниям вроде Thasos Group — к ауосорсерам цифрового консалтинга. Будут непременно: уже становится ясно, что в самом скором времени те, кто первыми освоит новейшие инструменты рыночной аналитики и маркетинга, оставят далеко позади своих более тяжёлых на подъём коллег по рынку. Заодно в выигрыше окажутся те интеграторы, которые отыщут в себе потенциал развивать и предоставлять подобные услуги по обработке больших данных, — сами примеряя на себя функции цифровых консалтинговых агентств.
Источник: Максим Белоус, crn.ru
