Возможности Big Data в сфере рекламы и связи с общественностью

Цель исследования: выявить проблемы использования Big Data в сфере рекламы и связей с общественностью, связанные с фундаментальными ошибками в алгоритмической и технической составляющей Big data и выяснить, каким способами специалисты по рекламе и связям с общественностью могут преодолевать возникающие проблемы.

Проанализировав различные определения термина Big data, можно сделать вывод о том, что каждое из определений имеет свои собственные дополнения, которые, возможно, связаны с доминированием различных тенденций в той или иной профессиональной сфере. Однако обобщить данные определения все-таки возможно. Таким образом в современном мире под Big data можно понимать колоссальный массив данных, генерируемый людьми, использующими интернет, и который можно структурировать и обработать только благодаря современным методам и технологиям, возникшим в процессе развития информационных технологий. Данное определение не является кратким, оно наиболее полно раскрывает современные особенности понимания данного явления и способов работы с ним.
Big Data может быть охарактеризована набором признаков, который получил название «VVV» или «3Vs» (Volume, Velocity, Variety). Изначально эти признаки были сформулированы изначально выработан аналитиком Gartner Дугом Лейни 2001 году, В дальнейшем к концепции добавилась четвёртая V (veracity - достоверность), которая чаще всего использовалась в рекламных материалах, а также пятая «V» (viability — жизнеспособность, и value — ценность]) и даже седьмая «V» (variability — переменчивость, и visualization - визуализация]). IDC интерпретирует «четвёртое V» как value c точки зрения важности экономической целесообразности обработки соответствующих объёмов в соответствующих условиях, что отражено также и в определении больших данных от IDC.
Во всех моделях особое внимание уделяется тому, что определяющей характеристикой Big Data является не только количественный объем информации, но и категории, указывающие на сложность обработки и анализа этих данных.
Приведу несколько примеров того, что может быть источником данных, для которых необходимы методы работы с большими данными:  
Логи поведения пользователей в интернете
GPS-сигналы от автомобилей для транспортной компании
Данные, снимаемые с датчиков в большом адронном коллайдере
Оцифрованные книги в Российской Государственной Библиотеке
Информация о транзакциях всех клиентов банка
Информация о всех покупках в крупной ритейл сети и т.д.
Международная консалтинговая компания McKisney, специализирующаяся на решении задач, связанных со стратегическим управлением, в одном из своих отчётов выделили следующие методы и техники анализа, применимые к большим данным:
методы класса Data Mining: обучение ассоциативным правилам (англ. association rule learning), классификация (методы категоризации новых данных на основе принципов, ранее применённых к уже наличествующим данным), кластерный анализ, регрессионный анализ;
краудсорсинг — категоризация и обогащение данных силами широкого, неопределенного круга лиц, привлеченных на основании публичной оферты, без вступления в трудовые отношения;
смешение и интеграция данных (англ. data fusion and integration) — набор техник, позволяющих интегрировать разнородные данные из разнообразных источников для возможности глубинного анализа, в качестве примеров таких техник, составляющих этот класс методов приводятся цифровая обработка сигналов и обработка естественного языка (включая тональный анализ);
машинное обучение, включая обучение с учителем и без учителя, а также Ensemble learning (англ.) — использование моделей, построенных на базе статистического анализа или машинного обучения для получения комплексных прогнозов на основе базовых моделей (англ. constituent models, ср. со статистическим ансамблем в статистической механике);
искусственные нейронные сети, сетевой анализ, оптимизация, в том числе генетические алгоритмы;
распознавание образов;
прогнозная аналитика;
имитационное моделирование;
пространственный анализ (англ. Spatial analysis) — класс методов, использующих топологическую, геометрическую и географическую информацию в данных;
статистический анализ, в качестве примеров методов приводятся A/B-тестирование и анализ временных рядов;
визуализация аналитических данных — представление информации в виде рисунков, диаграмм, с использованием интерактивных возможностей и анимации как для получения результатов, так и для использования в качестве исходных данных для дальнейшего анализа.

Таким образом, концепция и стратегия персонализированного маркетинга прочно заняла свою нишу на рынке товаров и услуг на базе он-лайн технологий.
Однако существует несколько причин, которые тормозят внедрение Big Data-технологий в маркетинге и PR, является его высокая стоимость, проблемы выбора и обработки данных, а также нехватка квалифицированных специалистов, маркетологов и аналитиков. Огромный объем уже существующей в компании информации зачастую не может быть эффективно использован маркетологами из-за устаревших бизнес-процессов, поэтому проекты big data воспринимаются как сложные к реализации.
Вывод. По состоянию в настоящее время, рынок Big Data-технологий в организациях в РФ не так востребован как в европейских компаниях. Преобладающее большинство компаний в РФ интересуются им, но попробовать использовать Big Data-технологии пока не решаются. В дальнейшем рынок Big Data в России увеличится, так как растет объем информации в бизнесе.
Барьерами для динамического роста технологии Больших Данных в РФ считаются:
− конфиденциальность и безопасности данных;
− недостаток обученного персонала, который может воспользоваться технологией;
− трудность использования новых технологий в существующие ИС организаций;
− дороговизна технологий Больших Данных, приводящая к узкому спектру хозяйствующих субъектов, которые могут их внедрить.