Барьеры использования Big Data в современных российских

компаниях
 Содержание

Введение ................................................................................................................... 3

Глава 1. Теоретико-методологические аспекты использования Big Data ......... 6

1.1. Принцип работы и использования технологии Big Data ........................ 6

1.2. Использование Big Data в маркетинге ..................................................... 9

Глава 2. Тренды и проблемы использования Big Data в российских

компаниях .............................................................................................................. 16

2.1. Анализ использования Big Data российскими компаниями................... 16

2.2. Ограничения использования Big Data ...................................................... 19

Глава 3. Рекомендации по преодолению барьеров использования Big Data .. 25

3.1. Совершенствование практики использования Big Data в российских

компаниях ........................................................................................................... 25

3.2.Формирование IT-компетенций у маркетологов ..................................... 28

Заключение ............................................................................................................ 30

Список использованных источников и литературы .......................................... 31

Приложение А. Наиболее ощутимые проблемы использования Big Data... 34

 Введение

Актуальность темы
Магистральной тенденцией начала XXI века стала цифровизация,
охватывающая все сферы общественной жизни. Маркетинг и его специфика
непосредственным образом зависят от современных реалий, поэтому переход
к цифровой эпохе качественным образом изменил весь бизнес-ландшафт, в
значительной степени повлияв на используемые компаниями бизнес-модели
и маркетинговые стратегии. Руководство компаний осознает, что в текущих
условиях в целях сохранения конкурентоспособности и поддержки развития
брендов компаний необходимым условием бизнес-стратегий является поиск
новых форматов продвижения с применением цифровых технологий.
Маркетинговые исследования всегда сопряжены с большим
количеством информации. Любая компания сегодня располагает крайне
разнородными по своей структуре большими данными (Big Data), для сбора,
хранения и анализа которых необходимы специальные технологии. Однако,
использование таких технологий в российских компаниях находится только
на начальной стадии и сопровождается целым рядом барьеров,
необходимость преодоления которых обуславливает актуальность темы.
Степень научной разработанности
При анализе научной литературы не было выявлено исследований,
посвящённых изучению ограничений использования Big Data в
маркетинговой деятельности современных компаний. Этим и объясняется
научная новизна исследования.
Можно лишь выделить глубокую проработку вопросов по смежным
темам:
1. Сущность и принципы использования технологии Big Data –
2. Концепция цифрового маркетинга и Data-driven маркетинга
изучались
Объект исследования: современные российские компании.
 Предмет исследования: использование технологии Big Data
современными российскими компаниями.
Цель работы: выявление проблем использования Big Data в
современных российских компаниях и разработка универсальных
рекомендаций по преодолению наиболее часто возникающих на практике
барьеров.
Задачи:
1. Дать характеристику технологии Big Data;
2. Определить возможности использования «больших данных в
маркетинге»;
3. Проанализировать практику применения Big Data в российских
компаниях и на основе этого выявить существующие барьеры и ограничения
их использования;
4. Разработать предложения по преодолению барьеров
использования Big Data в российских компаниях.
Методы исследования: при написании работы использовались такие
общенаучные методы, как системный, структурно-функциональный и
сравнительный анализ, синтез, обобщение и группировка. Для анализа
практического использования Big Data в деятельности современных
российских компаний был применен метод реальных ситуаций (case-study).
Теоретическая и практическая значимость
Теоретическая значимость определяется обработкой и систематизацией
большого круга теоретического и эмпирического материала по исследуемой
проблематике. Практическая значимость состоит в разработке предложений
по устранению барьеров использования Big Data в деятельности российских
компаний.
Источниковая база исследования
Основной категорией источников послужили эмпирические
исследования, проведенные консалтинговыми фирмами и маркетинговыми
агентствами, посвященные исследованию эффективности использования
технологии Big Data в маркетинговой аналитике. Другой категорией
источников стали научные труды отечественных авторов, посвященные
описанию сущности и принципов использования технологии Big Data. Также
были использованы открытые данные о применении инструментов анализа
«больших данных», представленные непосредственно на сайтах российских
компаний.
Структура работы
Работа структурно состоит из введения, трех глав, включающих по два
параграфа каждая, заключения и списка использованных источников и
литературы.
 Глава 1. Теоретико-методологические аспекты использования
Big Data

1.1. Принцип работы и использования технологии Big Data

В настоящее время, по оценкам экспертов, ежегодный прирост

информации составляет 40%, поэтому уже к середине 2000-ых годов
аналитикам стало очевидно, что обрабатывать цифровую информацию
традиционными инструментами стало сначала затратно, а потом уже и
нереально, учитывая огромные массивы данных1.
В связи с этим в последнее десятилетие наблюдается растущий
интерес руководства компаний к применению технологии «Big Data»,
которая подразумевает использование автоматизированных и «умных»
инструментов обработки и аналитики больших массивов данных. Первые
программные продукты для работы с большими данными появились в 2010-
ые и с того времени корпорации-гиганты (Google, Facebook) используют
данную технологию при принятии управленческих решений.
Благодаря сокращению информационных затрат на сбор и обработку,
технология «Больших данных» значительно снижает стоимость
экономических и социальных транзакций для фирм, физических лиц и
государственного сектора.
Активное применение данной технологии также позволяет
прогнозировать и планировать объемы, необходимых в производстве
ресурсов, анализировать динамику и тренды продаж. Более того, к
неоспоримым достоинствам применения технологии Big Data причисляется
то, что машинная обработка способна выявить скрытые закономерности,
например, зависимость спроса на конкретный товар от погодных условий.
Усовершенствованный подход, ориентированный на данные, дает
возможность получить новые знания и, в свою очередь, переосмыслить
1
Шуремов Е. Искусственный интеллект и Большие данные. Без хайпа и наукообразия.
– М.: Издательские решения, 2019. – 96с.
бизнес-модели и операции посредством повышения производительности всех
бизнес-процессов и аккумулирования информации в цифровой форме.
С ростом количества программных продуктов, выступающих
инструментами технологии «больших данных», а также с расширение сфер
их применения трактовка термина Big Data стала размываться. И сейчас
социально–экономический феномен «больших данных» охватил все отрасли
и бизнес– функции, а сами «большие данные» стали важным фактором
производства наряду с трудом и капиталом. Только в 2021 году был
утвержден первый национальный стандарт в области больших данных (ГОСТ
«Информационные технологии. Большие данные. Обзор и словарь»). В нем
дается определение базовому понятийному аппарату и выделяются основные
характеристики «Больших данных»2.
Для характеристики Big Data часто используется аббревиатура VVV,
означающая:
⎯ Volume – объем – является самым важным и заметным признаком
«больших данных»;
⎯ Velocity – скорость прироста – так, около 90% данных в мире
было получено в течение двух последних лет3;
⎯ Variety – разнородность или разнообразие – данные могут быть
представлены в виде текста, аудио, видео или навигационных маршрутов.
Выделение таких характеристик определило принципы работы с
«Большими данными»:
⎯ Горизонтальная масштабируемость – все системы обработки и
хранения данных должны обладать свойством расширяемости, то есть

2
ГОСТ Р ИСО/МЭК 20546-2021 «ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. БОЛЬШИЕ
ДАННЫЕ. ОБЗОР И СЛОВАРЬ» // Федеральное агентство по техническому
регулированию и метрологии – URL:
https://protect.gost.ru/v.aspx?control=8&baseC=6&page=4&month=4&year=-
1&search=&RegNum=1&DocOnPageCount=15&id=230578&pageK=EC8ABF65-36A5-4116-
9B7E-23B61C01169B (дата обращения: 20.08.2022).
3
Феномен big data // Век качества. 2014. №4. С. 54-60.
способны постоянно увеличивать вычислительные мощности для обработки
все больших объемов данных;
⎯ Отказоустойчивость – наличие резервных вычислительных
мощностей;
⎯ Локальность данных – обработка данных должна осуществляться
непосредственно в местах их хранения, чтобы не возникали дополнительные
расходы на их передачу;
Big Data определяет не только огромные объемы данных, но и
указывает на совершенно разнородную информацию, хранящуюся в
различных источниках. Основными источниками «больших данных»
являются:
⎯ Глобальная сеть Интернет;
⎯ Корпоративные данные;
⎯ Данные с различных измерительных приборов, предназначенных
для мониторинга.
В настоящее время практика использования Big Data в торговле,
финансовой сфере и логистике позволяет охарактеризовать ее в большей
степени как клиентский сервис и технологию оценки бизнес-процессов.
Однако, специфика использования Big Data зависит от сферы деятельности
компании и непосредственно целей обработки. Так, в секторе банковских
услуг аналитика данных посредством мгновенной обработки персональных
данных ускоряет решение о выдаче кредита, социальные сети активно
используют алгоритмы машинного обучения для сегментации аудитории.
 1.2. Использование Big Data в маркетинге

В русле данной проблематики речь идет о таком специфическом виде

маркетинга, как цифровой маркетинг, понятие которого впервые появилось в
академической литературе в 1990-ых годах. Автором и популяризатором этой
концепции считается С. Кингснорт. Однако, с момента возникновения его
концепция постоянно трансформировалась, подстраиваясь под желания
потребителей, а с развитием новых цифровых технологий появлялись и
новые инструменты. Другими словами, по мере цифровизации происходит и
необратимый процесс постоянной трансформации маркетинга.
О значимости воздействия цифровизации на маркетинговую
деятельность может свидетельствовать дополнение концептуального
оформления теории маркетинга такими специфическими категориями, как
«интернет-маркетинга» и «цифровой маркетинг» (digital-marketing). В свою
очередь цифровой маркетинг — это вид маркетинга, при котором
взаимодействие с клиентами и бизнес-партнерами реализуется посредством
использования цифровых информационно-коммуникационных технологий и
электронных устройств4.
Исходя из этого, основной целью цифрового маркетинга является
удовлетворение клиентов с использованием наиболее приемлемых
омниканальных коммуникаций5.
Говоря о количественной оценки эффективности, можно отметить, что
помимо повышения охвата аудитории, использование современных
технологий позволяет на 5-10% сократить компаний на реализацию

4
Данько Т. П., Китова О. В. Вопросы развития цифрового маркетинга // Проблемы современной
экономики. — 2013. — № 3 (47). — С. 261.
5
Акулич И.Л. Голич В.С. Автоматизация и цифровизация маркетинга // Экономический рост Республики
Беларусь: глобализация, инновационность, устойчивость: материалы XIII Международной научно-
практической конференции - Минск : БГЭУ, 2020. - С. 166-167.
маркетинговой деятельности. Благодаря мультипликационному эффекту, это
обстоятельство способно увеличить прибыль на 50%6.
Одним из разновидностей цифрового маркетинга стал data-driven
маркетинг, представляющий собой управленческий подход к разработке
маркетинговых стратегий на основе сбора и анализа «больших данных». С
этой точки зрения, маркетинг переходит от использования больших данных к
трансформации маркетинговых технологий под действием больших данных.
Что подразумевает выведение на первый план маркетинговой предиктивной
аналитики, которая долгое время в маркетинге равнялась статистическим
инструментам7.
Можно выделить нескольких направлений маркетинговой аналитики,
где использование Big Data, принесет ярко выраженный эффект (Рисунок 1).

повышение
сегментация визуализация
лояльности
клиентов данных
клиентов

снижение
разработка новых прогнозирование
коэффициента
продуктов продаж
оттока откликов

Рисунок 1 - Направления использования Big Data в маркетинговой аналитике

Источник: составлено автором.
Каждое из этих направлений обладает своей спецификой, поэтому
рассмотрим их подробнее.

6
Маркетинговые информационные системы : учебное пособие / Л. Г. Матвеева, А. Ю.
Никитаева, О. А. Чернова ; Южный федеральный университет. – Ростов-на-Дону :
Издательство Южного федерального университета, 2015. – 224 с.
7
Симакина М.А. Особенности использования технологий Big Data в маркетинге //
Бюллетень науки и практики. 2018. №6. С. 255-261.
 1. Сегментация клиентов
Сегментация клиентов позволяет определить клиентов, которые точно
заинтересованы в продукте, а также выбрать наиболее эффективные каналы
взаимодействия с ними.
Сегментировать клиентов – это простой, но действенный способ
использовать данные в Email-маркетинге, делая данный канал коммуникации
с клиентами персонализированным за счет создания уникального
ценностного предложения для каждой группы клиентов. По результатам
исследований, около 74% маркетологов отмечают рост вовлеченности
пользователей после направления сегментированных Email-рассылок. По
показателю возврата от маркетинговых инвестиций (ROMI) такой прирост
эквивалентен 760%8.
В качестве примера компании, которая применяет «большие данные»
для сегментации, можно назвать популярную компанию Coca-Cola. В
качестве данных для формирования сегментов аудитории используются
упоминания в социальных сетях, информация, полученная из каналов
службы поддержки и других коммуникаций потребителей с брендом. На
основе полученного анализа, содержание рекламного контента меняется в
зависимости от сегмента.
Узконаправленный таргетинг настроило хорватское агентство
кемпинга AdriaCamps, прежде всего, чтобы выявить наиболее эффективные
каналы общения с аудиторией. Таргетинг был настолько точным, что одна из
email-рассылок охватила всего 8 людей. Общие результаты выразились в
повышении на 45% открытия электронных писем и увеличении на 60%
количества лидов.
У популярного маркетплейса Ozon сортировка пользователей
происходит по вычислению их платёжеспособности. В результате было
распределено 20 сегментов, для каждого из которых используется
8
Некрасов Д. Big Data в маркетинге: 6 вариантов применения // VC.ru – URL:
https://vc.ru/marketing/78946-big-data-v-marketinge-6-variantov-primeneniya (дата
обращения: 20.08.2022).
уникальная рекламная модель, реализуемая через системы контекстной
рекламы: Google или Яндекс. Такая классификация покупателей позволила
увеличить ROI от обращения к клиенту более чем на 30–50%, а также
совокупную прибыль компании9.
2. Повышение лояльности клиентов посредством персонализации
Многие компании ошибочно уделяют больше сил и внимания на
привлечение новых клиентов в ущерб поддержания существующих, не
учитывая доказанного факт, что привлечь покупателей стоит как минимум в
пять раз дороже, чем удержать лояльных клиентов. Более того, последние
склонны тратить денег на приобретение товаров или услуг на 31% больше.
Однако, в настоящее время только от 18 до 32% руководителей
компаний (по различным исследованиям) отдают приоритет удержанию
клиентов. Для решения последней задачи также необходима разнообразная
информация о клиенте, его покупках и предпочтениях. Например, если в
товарном ассортименте имеется три идентичных продукта, а потребитель
приобрел два из них, то достаточно высокая вероятность того, что он хорошо
среагирует на рекламу третьего продукта как на релевантную рекомендацию.
В таком случае конверсия будет гораздо выше, чем при привлечении новых
клиентов.
Компания The Weather Co. известна тем, что широко использует Big
Data, что вполне объяснимо, поскольку ею владеет IT-компания IBM,
представляющая решения по их хранению. На основе анализа поведения
пользователей на различных локациях по всему миру и данных о прогнозе
погоды приложение составляет пользователям персональные рекомендации,
куда можно пойти.
Рекомендательную систему на основе больших данных внедрила в свои
процессы общения с клиентами российская фитнес-корпорация World Class,
9
Вичугова А. Как снизить отток клиентов с помощью алгоритмов машинного обучения
// Школа больших данных - URL: https://www.bigdataschool.ru/blog/machine-learning-
%d0%b2-%d0%be%d0%bd%d0%bb%d0%b0%d0%b9%d0%bd-
%d0%bc%d0%b0%d1%80%d0%ba%d0%b5%d1%82%d0%b8%d0%bd%d0%b3%d0%b5.html
(дата обращения: 20.08.2022).
которая предоставляет услуги для спорта и поддержания здорового образа
жизни. Руководство компаний, проанализировав данные по клиентской базе,
пришли к выводу, что наиболее часто продлевают свой абонемент те члены
клуба, которые помимо посещения зала оплачивают персональные
тренировки, услуги SPA-салона и другие услуги фитнес-клуба.
При разработке такой системы использовался метод коллаборативной
фильтрации, использующий известные предпочтения групп клиентов для
прогнозирования предпочтений неизвестных покупателей. На практике этот
подход реализовался через решение матриц с использованием библиотек
Python. Основной проблемой для действия системы стало то, что по целой
группе клиентов отсутствовала необходимая информация для анализа (факты
приобретения услуг). Поэтому в выборке помимо информации о прошлых
покупках использовались данные по виду членства, количеству посещений.
При представлении данного кейса на Big Data Conference были
оглашены также результаты внедрения рекомендательной системы на основе
«больших данных»: снижение оттока клиентов на 14% и увеличение
потребления дополнительных услуг фитнес-клуба на 10%. Также было
отмечено, что в целом 58% клиентов воспользовались предложенными
рекомендациями автоматизированной системы10.
3. Визуализация данных
Визуализация данных позволяет наглядно отразить большие объемы
информации с возможными взаимосвязями. Нередко визуализацию
ошибочно путают с инфографикой. Однако, визуализация – это способ
переводить данные в графическую форму с выявлением особых основных
структур, инфографика – способ наглядно передать информацию, в том числе
с использованием декоративных элементов. Для визуализации могут
использоваться различные диаграммы и графики, вид которых определяется
числом переменных и временных периодов.

10
Марин С. Как мы завоевываем лояльность клиентов с помощью технологии больших
данных // RusBase – URL: https://rb.ru/opinion/loyalnost-bd/ (дата обращения: 15.08.2022).
 Примером визуализации данных в маркетинге может стать
географический анализ расположения магазинов или точек контактов с
потребителями как самой компании, так и ее основных конкурентов. Такой
анализ позволит выявить области еще неохваченные точками сбыта, а также
произвести оптимизацию расположения действующих торговых точек. В
этом случае понадобятся дополнительные данные о стоимости квадратного
метра торговых помещений из баз застройщиков.
4. Разработка новых продуктов
Предиктивный анализ может также помочь в разработке новых
продуктов, их характеристик, которые будут пользоваться спросом у
покупателей. В реальности обычно только часть товаров из продуктовой
линейки пользуется спросом, в то время как другая – остается неликвидной.
Например, P&G перед выпуском новых продуктов на рынок и началом
массового производства использует данные, полученные из фокус-групп,
социальных сетей и рыночных тестом.
5. Снижение коэффициента оттока клиентов
Для измерения оттока клиентов используется специальный
коэффициент Churn Rate, рассчитываемый через отношение ушедших
пользователей к общему количеству пользователей. Технология больших
данных позволяет снизить отток клиентов с помощью анализа поведения
каждого пользователя. Так, на основе имеющихся данных и машинного
обучения системы могут спрогнозировать желание клиентов перестать
пользоваться продуктами или услугами, что позволяет маркетологам
своевременно реагировать на такой сигнал и предлагать скидку или подарок
для удержания. Таким образом, происходит генерация превентивных
рекламных предложений.
Одним из индикаторов намерения клиента отказаться от пользования
товаром может служить неактивность в личном кабинете.
6. Прогнозирование продаж
 С помощью анализа таких метрик, как цена привлечения, средний чек и
пожизненная ценность клиента, можно произвести оценку того, сколько
выручки принесет каждый новый клиент в будущем. Прогноз продаж
позволит разработать различные сценарии, включая пессимистичные.
По результатам исследования, проведенного консалтинговой фирмой
BCG, применение «больших данных» в маркетинге в целом способствует:
увеличению онлайн-транзакций на 50%, повышению рентабельности
инвестиций на 33%, снижению цены за конверсии на 44%11.
Выше представлена только часть направлений, как можно
использовать Big Data в маркетинге, однако, считается, что их возможности и
как объем самих данных безграничны. Прежде всего, ценность применения
data-driven подхода к организации маркетинговой деятельности определяется
способностью к прогнозированию различных сценариев поведения клиентов
и помощью в моделировании наиболее эффективных маркетинговых
кампаний. Таким образом, использование «больших данных» в маркетинге
позволяет формировать ценностное предложение не по факту спроса, а путем
предсказания потребительских предпочтений.

11
Как маркетинг на основе данных стимулирует развитие компаний //
https://www.thinkwithgoogle.com/_qs/documents/7078/BCG-Dividends-Digital-Marketing-
Maturity-Feb-2019_pZdXHCx.pdf (дата обращения: 20.08.2022).
 Глава 2. Тренды и проблемы использования Big Data в
российских компаниях

2.1. Анализ использования Big Data российскими компаниями

Исследование, в котором была проанализирована реальная практика

компаний по использованию «больших данных», выявило, что основными
целями их применения являются: принятие решений на основе анализа
данных (51%), а также привлечение новых клиентов (45%). Другие цели
представлены на рисунке 2.

Рисунок 2 - Практика использования Bid Data по целям

Источник: Data-Driven подход в маркетинге: что это такое и как
построить стратегию // VC.ru – URL: https://vc.ru/marketing/298475-data-
driven-podhod-v-marketinge-chto-eto-takoe-i-kak-postroit-strategiyu (дата
обращения: 20.08.2022).
Рассмотрим некоторые кейсы того, как российские компании внедрили
инструменты работы с Big Data в свои бизнес-процессы.
Сеть ведущих российских ритейлеров «Магнит» использует
технологию «больших данных» для отслеживания наличия товаров на полках
9500 собственных магазинов (On Shelf Availability). В случае обнаружения
недостачи система посылает сигналы администраторам магазинов на
мобильные телефоны. В перспективе «Магнит» планирует создать «озеро
данных» (Data Lake) для хранения всего объема информации12.
В сети супермаркетов «Лента» обработка «больших данных» встроена
в систему лояльности — анализируются данные о покупках клиента, после
чего ему предлагаются персональные скидки.
Сервис «Альфа-банк» анализирует информацию о покупках клиентов
по их картам. Если, например, в статье расходов присутствует детское
питание, то значит в семье есть ребенок и родителей потенциально может
заинтересовать предложение по кредиту или ипотеке.
Крупнейшая телекоммуникационная компания МТС, аккумулируя
большими объемами клиентских данных, запустила собственный цифровой
сервис МТС Маркетолог. Так, компания предлагает другим организациям
готовые сегменты аудитории с расчетом количества человек,
сформированные на основе Big Data. На данной платформе можно заказать
CPC и CPA-компании, рекламу в социальных сетях и таргетированные
рассылки13.
В настоящее время 43% организаций вносят изменения в свои бизнес-
процессы, чтобы использовать преимущества больших данных14. В связи с
этим Big Data и прочие сопутствующие элементы маркетинговой аналитики,
регулярно попадают в списки основных трендов. Несмотря на это, степень
использования «больших данных» растет низкими темпами, что в первую
очередь связано с тем, что многие маркетологи слабо владеют или не
владеют вовсе статистическим аппаратом, а также инструментами обработки
и анализа и данных.

12
Большие данные и нейросети увеличили эффективность «Магнита» // Сайт Магнита –
URL: https://www.magnit.com/ru/media/press-releases/bolshie-dannye-i-neyroseti-uvelichili-
effektivnost-magnita-/ (дата обращения: 15.08.2022).
13
МТС Маркетолог // МТС – URL: https://marketolog.mts.ru/ (дата обращения:
15.08.2022).
14
Трепольский Д. Big Data и маркетинг: 5 методов использования с реальными кейсами
// Деловой мир - URL: https://delovoymir.biz/big-data-i-marketing-5-metodov-ispolzovaniya-
s-realnymi-keysami.html (дата обращения: 21.08.2022).
 По данным опроса представителей российских компаний,
проведенного на портале Habr (крупнейший в Европе ресурс для IT-
специалистов), наиболее ощутимыми проблемами использования «больших
данных» являются: нехватка высококвалифицированных специалистов,
низкое качество и неточность данных и их быстрая потеря актуальности
(Приложение А)15.
Согласно результатам исследования, проведенного специалистами
маркетингового агентства Merkle, около 53% компаний только находятся на
стадии поиска решений по систематизации и хранению данных16.
Серьезным ограничением является то, что на российском рынке
наблюдается дефицит специалистов, которые умеют работать с
инструментами обработки «больших данных». В первую очередь это связано
с тем, что до сих пор не сформированы центры компетенций и не открыты
вузовские программы, которые смогли бы обеспечить массовую подготовку
аналитиков Big Data. А те немногочисленные специалисты, имеющие опыт
работы с высоконагруженной Big Data архитектурой, уезжают работать
заграницу. Непосредственно отсутствует и само профессиональное
сообщество, которое смогло бы определить паттерны функционирования
рынка изнутри.
Иногда данные не отражают реального положения дел. Например, факт
совершения разовой покупки спортивной обуви не говорит о том, что
человек занимается спортом и с большой вероятностью заинтересуется
предложениями спортивных клубов и магазинов. Он также может купить
пару обуви в подарок или по просьбе, поэтому самому ему получать такие
предложения в будущем неинтересно.

15
Big Data в российских IT: анализируем результаты опроса про большие данные //
Habr – URL: https://habr.com/ru/article/519100/ (дата обращения: 15.08.2022).
16
3 основные проблемы в использовании big data и как ретейлерам их решить //
MallTech – URL: https://malltech.ru/press_center/3-osnovnye-problemy-v-ispolzovanii-big-
data-i-kak-reteyleram-ikh-reshit/ (дата обращения: 20.08.2022).
 2.2. Ограничения использования Big Data

Активизация использования подобных цифровых решений в первую

очередь связана с разрастанием количества данных, подвергаемых анализу,
что накладывает ограничения на работу с ними.
В целом же при использовании Big Data существует много барьеров,
определяемых многообразием факторов. Анализ специализированной
литературы и реальной практики российских компаний позволил выделить
ряд следующих ограничений, поделенных на 7 групп (Рисунок 3).

нормативные ограничения

организационные ограничения

методологические ограничения

ограничения самих данных

технологические ограничения

ресурсные ограничения

ограничения, связанные с субъективным фактором

Рисунок 3 - Основные категории ограничений использования Big Data

Источник: составлено автором.
- нормативные ограничения и проблема деперсонализации данных:
всю работу по проведению анализа мы можем проводить согласно
действующему законодательству, то есть в рамках нормативно-правового
поля. В РФ к таким, прежде всего, относятся Конституция РФ, ФЗ «Об
информации, информационных технологиях и о защите информации», Закон
«О государственной тайне»17.

17
Назаров А.Д. Big data в маркетинге: тренды и проблемы // Экономика: вчера, сегодня,
завтра. 2020. Том 10. № 6А. С. 169-176.
 Подобные Общие правила защиты данных (GDPR) и недавняя
Директива по сетям и информационным системам (NIS) направлены на
обеспечение общего более высокого уровня кибербезопасности в
Европейском союзе (ЕС).
Поэтому компании, стремящиеся к трансформации с помощью данных,
должны убедиться, что у них есть структуры, обеспечивающие соблюдение
требований по защите данных. Компании также должны управлять
повышенным кибер-риском, возникающим в результате стратегии,
основанной на данных, путем инвестирования в сетевую безопасность,
проведения оценок соответствия требованиям NIS и обеспечения их
надлежащей страховки»18.
Если компания переходит от продажи через посредника к продаже
напрямую потребителю, будут задействованы законы о защите прав
потребителей, и количество обрабатываемых персональных данных
значительно увеличится, что повысит важность соблюдения положений о
конфиденциальности данных»19.
Сообразно этому, в рамках дискурса этики было выделено более узкое
направление – data-этика, формирующаяся отрасль прикладной этики,
описывающая ценностные суждения и походы, используемые при работе с
данными.
Основной этической проблемой является использование и
конфиденциальных данных, поскольку в основу работы любой технологии
ИИ является машинное обучение и обработка данных, в том числе
персонализированных.

18
How COVID-19 has pushed companies over the technology tipping point—and
transformed business forever [Электронный ресурс] – Режим доступа:
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/how-
covid-19-has-pushed-companies-over-the-technology-tipping-point-and-transformed-business-
forever (Дата обращения: 22.08.2022).
19
How COVID-19 has pushed companies over the technology tipping point—and
transformed business forever [Электронный ресурс] – Режим доступа:
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/how-
covid-19-has-pushed-companies-over-the-technology-tipping-point-and-transformed-business-
forever (Дата обращения: 22.08.2022).
 - организационные ограничения: также заданные в организации
регламенты, процедуры, этические нормы, применяемые при работе с
информацией. Или также сюда можно отнести и плохую координацию между
сотрудниками, например, как правило, в информационно-аналитическом
отделе должно функционировать 2-3 подразделения (информационное,
аналитическое, документационное). Именно в этом моменте проявляются
дисфункции структуры или отсутствие четкой специализации у сотрудников.
В большинстве организаций не созданы хранилища для
аккумулирования данных в одном месте, более того, при получении данных
из разных источников сами системы сбора данных редко интегрированы друг
с другом. Поэтому данные могут дублироваться, утериваться, что
значительно затрудняет их обработку. В крупных компаниях создаются
собственные data-центры для минимизации информационных потерь.
- методологические ограничения: связаны непосредственно с теми
инструментами и их целевым назначением, например, корреляционный
анализ мы можем использовать только при нормальном распределении
данных, дерево решений используется для задач следующего рода:
классификация, регрессия и описание объектов, ассоциативные правила для
нахождения закономерностей.
В основном DSS применяются для слабоструктурированных проблем.
Конкретными примерами типовых задач для таких систем являются
определение инвестиций, распределение ресурсов и организационные
решений. И здесь среди достоинств и особенности СППР можно выделить то,
что при преобразовании данных в информацию на выход для принятия
решения могут быть построены сводные показатели, характеризующие
качество функционирования исследуемого объекта и, кроме того, их
интерпретирование.
По своей природе СППР представляют собой синтез моделей,
опирающихся на вычислительные и имитационные технологии, а также на
расчетные методы. К настоящему времени сформировался широкий
инструментарий для анализа и обработки больших объемов данных, среди
чего информационный поиск, интеллектуальный анализ данных,
имитационное моделирование. Последующее эволюционное развитие СППР,
скорее всего, будет проходить по направлению усложнения
интеллектуальных информационных технологий.
Но, как и в любых других системах, СППР характеризуются рядом
недостатков. Из-за невозможности получения всегда объективной
информации на «входе» в системы вносят субъективные допущения, что
влияет и на результат моделирования на «выходе» и на степень
неопределенности конечных результатов. Кроме этого, проблемой может
стать и сама сложность использования таких систем, то есть с управлением и
работой в СППР могут справиться только специалисты.
- ограничения непосредственно самих данных: данные не всегда
могут быть полными, в любом случае остается частичная неопределенность,
могут быть случаи намеренного искажения информации и дезинформации,
умолчания информации. И при отборе данных следует пользоваться
определенными критериями такими, как доступность, достоверность,
полнота и актуальность. Последнее связано с тем, что данные имеют
ограниченные срок годности, на длительность которого влияет время их
простоя или ожидание обработки20.
По материалам исследования «Обзор методов обработки селективности
в источниках больших данных», существует множество источников
«больших данных», которые могут быть репрезентативными для
инфографики, но не подходят для точного статистического анализа —
опросы в интернете, просмотры страниц в Твиттере и других социальных
сетях, анализ частотности хештегов21;

20
Вичугова А. Что такое наблюдаемость данных и как ее обеспечить // Школа больших
данных – URL: https://www.bigdataschool.ru/blog/what-is-data-observability-and-how-to-
implement-it.html (дата обращения: 15.08.2022).
21
An overview of methods for treating selectivity in big data sources // Eurostat – URL:
https://ec.europa.eu/eurostat/web/products-statistical-working-papers/-/KS-TC-18-004 (дата
обращения: 15.08.2022).
 - технологические ограничения: вязаны с возможностями
технологического оснащения. Данные, подлежащие Data Mining
характеризуются высокой размерностью, большим объемом и огромным
количеством числовых и категорийных атрибутов. ИА деятельность требует
применения специализированных технологий, основанных на Computer
Science. Так, Big Data невозможно обработать традиционными методами,
поэтому они анализируются с применением технологий класса ИИ, который
в свою очередь требуют больших мощностей и высокоскоростного
подключению к интернету.
Большие данные по своей характеристике постоянно увеличиваются в
объеме, поэтому для их хранения необходимы большие резервы, к которым
можно получить доступ в режиме реального времени. В свою очередь
большинство корпоративных центров не рассчитаны на такие объемы или же
их просто нет. Поэтому руководство компаний находится в поиске способов
оптимизации хранения, например, использование общих стандартов
хранения и обработки, перевод данных в «облака», как уже отмечалось в
примере сети магазинов «Магнит». Без решения проблемы хранения данных
технологии Big Data по большому счету бессмысленны, поскольку серверные
системы не могут поддерживать транзакции в реальном времени.
Технологии Big Data появляются и развиваются очень быстро. Многие
организации не успевают внедрить предыдущую разработку до того, как
появится новая.
- ресурсные ограничения: связанные с доступом к информации или
соответствующим технологиям.
- ограничения, связанные с субъективным фактором: например,
когда требуется повысить квалификацию у специалиста. При сборе и анализе
данных необходимо знать методологию статистического анализа иметь
навыки работы с инструментами обработки Big Data, а также формировать
правильные запросы и уметь интерпретировать их. В данном контексте
происходит синтез таких профессий, как маркетолог и аналитик. Как
маркетологу без знания методологического аппарата аналитики данных
будет трудно, так аналитикам незнакомым с философией и культурой
маркетинга. Усугубляет проблему то, что сами работодатели не способны
корректно сформулировать перечень необходимых требований для
соискателей.
Таким образом, компаниям, использующим технологию Big Data
необходимо понимать, что некоторые виды данных, подлежат защите и
значительному регулированию, правила которого различаются по странам.
Эти правила могут затруднить или сделать невозможным использование
некоторых данных. Кроме того, поскольку данные лежат в основе стратегии
цифровой трансформации любой компании, защита данных и
кибербезопасность также являются ключевыми областями соблюдения
нормативных требований.
 Глава 3. Рекомендации по преодолению барьеров
использования Big Data

3.1. Совершенствование практики использования Big Data в российских

компаниях

Учитывая существующие проблемы, руководство компаний постоянно

находится в поиске способов их преодоления. Для этого разрабатываются
целые корпоративные стратегии работы с Big Data, создаются
междепартаментские рабочие группы, включающие специалистов разных
направлений, способных работать с большими данными и выделяются новые
должностные позиции такие, как директор по маркетинговым технологиям.
Для начала компании нужно определиться со стратегией внедрения
технологии:
1. Приобрести готовый продукт, где внутри встроены технологии
«больших данных», например, экосистема Apache Hadoop. Современные
решения для аналитики данных достаточно комплексные, состоящие из
большего количества компонентов, поэтому необязательно интегрировать их
все в бизнес-процессы;
2. Создание собственного цифрового решения с привлечением
внешних специалистов.
Одними из основных условий обеспечения бесперебойного
информационного взаимодействия создание в организации информационной
системы, гарантирующей обработку передаваемых данных, доступность
информации и возможность управления требуемыми характеристиками
взаимодействия (скорость и время передачи данных). Задача системы состоит
в том, чтобы создать единое информационное пространство, в котором
функционируют информационные потоки и аккумулируются «большие
данные», благодаря чему реализуется принцип единства информационной
базы. Дополнительным условием выступает наличие информационных
фильтров, благодаря которым из всего объема поступающей информации
отбираются только значимые для предприятия информационные коды.
Одним из основных принципов любого взаимодействия является
принцип целесообразности. Бесцельная передача информации отражается на
функционировании всего предприятия, в результате чего снижается
эффективность его деятельности.
Централизованное место для хранения может быть в форматах CDP
(платформы клиентских данных, предназначенные для объединения
информации о потребителях из различных источников и автоматизации
маркетинга), облачной базы данных или других имеющихся на рынке
решений. С точки зрения маркетинговой аналитики, такой «банк данных»
позволит создать единый профиль клиента, регулярно обновляющийся для
составления актуальных программ лояльности.
Для управления данными и для взаимодействия с клиентами также
необходимо использовать специальные системы. Конкретным примером
информационной системы обеспечивающей взаимодействие с внешней
средой организации (субъектами которой в данном случае выступают
клиенты), является CRM – система, основной задачей которой является
улучшение обслуживания клиентов путем сохранения данных о клиентах и
проведенных бизнес-процедурах. Очевидным достоинством является то, что
такие системы могут хранить разные виды информации. Использование
такой системы обусловлено тенденцией ориентации на клиента22.
Также компаниям необходимо обеспечивать качество, уникальность,
надежность и актуальность данных, что можно сделать посредством
внедрения инструментов наблюдаемости данных (Data observability), которые
являются необходимым элементом системы эффективного управления
данными, обеспечивая удобство их обработки и использования. Некоторые

22 Васюхин О. В., Варзунов А. В. Информационный менеджмент: краткий курс.

Учебное пособие. – СПб.: СПбГУ ИТМО, 2010. – С. 81.
из существующих на рынке ПО инструментальных средств для наблюдения
за данными представлены в Таблице 1.
Таблица 1 - Инструментальные средства наблюдаемости "больших данных"
Название Функционал
Monte Carlo Предотвращает дорогостоящие
простои данных, включает
автоматическое оповещение и
возможность их наблюдения по
нескольких параметрам
Databand ПО на основе Искусственного
интеллекта позволяет обнаружить
ошибки в потоках данных
Acceldata Suite Позволяет прогнозировать, выявлять
и устранять проблемы с данными.
Soda ПО на основе Искусственного
интеллекта обеспечивает совместную
работу пользователей данных,
позволяя создавать собственные
правила для их верификации
Источник: составлено автором
Для преодоления барьеров, связанных с самими данными, необходимо
использовать корректные методы их отбора (выборки), к которым относятся:
повторное взвешивание, метод обобщенной доли и калибровка с
использованием вспомогательных переменных.
 3.2.Формирование IT-компетенций у маркетологов

Вместе с началом использования цифровых технологий, в том числе

Big Data, произошло обновление перечня профессиональных компетенции,
предъявляемого к маркетологам, прежде всего, за счет фокуса на IT-
специализации. Являясь одной из ключевых фигур в модернизации и
организационном развитии компании, маркетолог должен иметь
определенные качества и характеристики.
Поэтому рассуждение имеет место быть в контексте двух парадигм:
требований к личным качествам и компетенциям CRM-маркетолога и с точки
зрения появления новых специфических функций.
Сообразно современным тенденциям, влияющим на проведение
маркетинговых исследований и аналитику, CRM-маркетолог должен
представлять собой такого специалиста, который:
a) обладает стратегическим и аналитическим мышлением;
b) способен эффективно работать в условиях неопределенности;
c) знает особенности развития и функционирования IT-рынка;
d) умеет работать с инструментами анализа Big Data.
e) знает методики статистического анализа и способов их
применения;
f) умеет находить закономерности в наборе данных и способен
формулировать предположения по оптимизации рекламных моделей за счет
изменения различных метрик.
Поскольку изменения внешней среды организации неопределённы и
постоянны, конкурентоспособный маркетолог-аналитик должен быть открыт
к приобретению нового знания и обеспечить его рациональное применение.
Чтобы повысить IT-компетенции у маркетологов крупные компании
могут разработать специальные программы на базе собственных
корпоративных университетов, небольшим компаниям эффективнее будет
направить специалистов проходить существующие курсы в онлайн-
университетах (Skill Factory, Нетология). Среди таких курсов можно
выделить программы по аналитике BI, Tableau, Power BI, мобильной
аналитике и веб-аналитике, выбор которых будет определяться запросом
самой компании и уже имеющимися у маркетологов навыками.
Таким образом, в первую очередь компаниям необходимо
сосредоточиться на преодолении инфраструктурных барьеров работы с
«большими данными» и подготовке высококвалифицированных
маркетологов-аналитиков.
 Заключение

Проведенное исследование позволило выявить, что технология Big

Data открывает перед компаниями качественно новые возможности для
взаимодействия с клиентами, позволяя моделировать их поведение и
угадывать желания, тем самым формирую персонализированное ценностное
предложение. В количественном измерении эффект от использования
технологий такого класса выражается в повышении прибыли, возврата от
инвестиций в маркетинговую деятельность, «кликабельности» рекламных
объявлении, а также в снижении оттока клиентов.
Таким образом, к настоящему времени руководство российских
компаний осознало необходимость использований технологий Big Data.
Однако, учитывая скорость масштабируемости самих данных и разнообразие
форм, не все организации обладают необходимыми инструментами для
работы с ними.
Анализ практики использования Big Data позволил выявить целый ряд
барьеров, с которыми сталкиваются компании на том или ином этапе
управления данными: регуляторные ограничения по работе с персональными
данными, технологические и ресурсные ограничения, а также неправильные
методы сбора и обработки данных. Поэтому российские компании к
настоящему времени внедряют такие технологии очень медленно и работают
с данными фрагментарно, например, только для сегментации клиентов.
Поскольку одним из основных барьеров является проблема хранения
данных, в качестве предложений были рассмотрены различные варианты
организации Data-центров и систем управления ими. Также представляется
необходимым сделать акцент на повышении навыков маркетологов по работе
с различными инструментами сбора и обработки данных.
 Список использованных источников и литературы

1. Акулич И.Л. Голич В.С. Автоматизация и цифровизация

маркетинга // Экономический рост Республики Беларусь: глобализация,
инновационность, устойчивость: материалы XIII Международной научно-
практической конференции - Минск : БГЭУ, 2020. - С. 166-167.
2. Большие данные и нейросети увеличили эффективность
«Магнита» // Сайт Магнита – URL: https://www.magnit.com/ru/media/press-
releases/bolshie-dannye-i-neyroseti-uvelichili-effektivnost-magnita-/ (дата
обращения: 15.08.2022).
3. Васюхин О. В., Варзунов А. В. Информационный менеджмент:
краткий курс. Учебное пособие. – СПб.: СПбГУ ИТМО, 2010. – С. 81.
4. Вичугова А. Как снизить отток клиентов с помощью алгоритмов
машинного обучения // Школа больших данных - URL:
https://www.bigdataschool.ru/blog/machine-learning-%d0%b2-
%d0%be%d0%bd%d0%bb%d0%b0%d0%b9%d0%bd-
%d0%bc%d0%b0%d1%80%d0%ba%d0%b5%d1%82%d0%b8%d0%bd%d0%b3
%d0%b5.html (дата обращения: 20.08.2022).
5. Вичугова А. Что такое наблюдаемость данных и как ее
обеспечить // Школа больших данных – URL:
https://www.bigdataschool.ru/blog/what-is-data-observability-and-how-to-
implement-it.html (дата обращения: 15.08.2022).
6. ГОСТ Р ИСО/МЭК 20546-2021 «ИНФОРМАЦИОННЫЕ
ТЕХНОЛОГИИ. БОЛЬШИЕ ДАННЫЕ. ОБЗОР И СЛОВАРЬ» // Федеральное
агентство по техническому регулированию и метрологии – URL:
https://protect.gost.ru/v.aspx?control=8&baseC=6&page=4&month=4&year=-
1&search=&RegNum=1&DocOnPageCount=15&id=230578&pageK=EC8ABF65
-36A5-4116-9B7E-23B61C01169B (дата обращения: 20.08.2022).
 7. Данько Т. П., Китова О. В. Вопросы развития цифрового
маркетинга // Проблемы современной экономики. — 2013. — № 3 (47). — С.
261.
8. Как маркетинг на основе данных стимулирует развитие компаний
// https://www.thinkwithgoogle.com/_qs/documents/7078/BCG-Dividends-
Digital-Marketing-Maturity-Feb-2019_pZdXHCx.pdf (дата обращения:
20.08.2022).
9. Марин С. Как мы завоевываем лояльность клиентов с помощью
технологии больших данных // RusBase – URL: https://rb.ru/opinion/loyalnost-
bd/ (дата обращения: 15.08.2022).
10. Маркетинговые информационные системы : учебное пособие / Л.
Г. Матвеева, А. Ю. Никитаева, О. А. Чернова ; Южный федеральный
университет. – Ростов-на-Дону : Издательство Южного федерального
университета, 2015. – 224 с.
11. МТС Маркетолог // МТС – URL: https://marketolog.mts.ru/ (дата
обращения: 15.08.2022).
12. Назаров А.Д. Big data в маркетинге: тренды и проблемы //
Экономика: вчера, сегодня, завтра. 2020. Том 10. № 6А. С. 169-176.
13. Некрасов Д. Big Data в маркетинге: 6 вариантов применения //
VC.ru – URL: https://vc.ru/marketing/78946-big-data-v-marketinge-6-variantov-
primeneniya (дата обращения: 20.08.2022).
14. Симакина М.А. Особенности использования технологий Big Data
в маркетинге // Бюллетень науки и практики. 2018. №6. С. 255-261.
15. Трепольский Д. Big Data и маркетинг: 5 методов использования с
реальными кейсами // Деловой мир - URL: https://delovoymir.biz/big-data-i-
marketing-5-metodov-ispolzovaniya-s-realnymi-keysami.html (дата обращения:
21.08.2022).
16. Феномен big data // Век качества. 2014. №4. С. 54-60.
17. Шуремов Е. Искусственный интеллект и Большие данные. Без
хайпа и наукообразия. – М.: Издательские решения, 2019. – 96с.
 18. 3 основные проблемы в использовании big data и как ретейлерам
их решить // MallTech – URL: https://malltech.ru/press_center/3-osnovnye-
problemy-v-ispolzovanii-big-data-i-kak-reteyleram-ikh-reshit/ (дата обращения:
20.08.2022).
19. An overview of methods for treating selectivity in big data sources //
Eurostat – URL: https://ec.europa.eu/eurostat/web/products-statistical-working-
papers/-/KS-TC-18-004 (дата обращения: 15.08.2022).
20. Big Data в российских IT: анализируем результаты опроса про
большие данные // Habr – URL: https://habr.com/ru/article/519100/ (дата
обращения: 15.08.2022).
21. How COVID-19 has pushed companies over the technology tipping
point—and transformed business forever [Электронный ресурс] – Режим
доступа: https://www.mckinsey.com/business-functions/strategy-and-corporate-
finance/our-insights/how-covid-19-has-pushed-companies-over-the-technology-
tipping-point-and-transformed-business-forever (Дата обращения: 22.08.2022).
Приложение А. Наиболее ощутимые проблемы использования Big Data