نوشته‌ها

Big Data

Big Data یا کلان داده

عبارت Big Data مدت‌ها است که برای اشاره به حجم‌های عظیمی از داده‌‌ها که توسط سازمان‌های بزرگی مانند گوگل یا ناسا ذخیره و تحلیل می‌شوند مورد استفاده قرار می‌گیرد؛ اما به تازگی، این عبارت بیشتر برای اشاره به مجموعه‌های  داده‌ای بزرگی استفاده می‌شود که به‌قدری بزرگ و حجیم هستند که با ابزارهای مدیریتی و پایگاه‌های داده سنتی و معمولی قابل مدیریت نیستند. مشکلات اصلی در کار با این نوع داده‌‌ها مربوط به برداشت و جمع‌آوری، ذخیره‌سازی، جست‌وجو، اشتراک‌گذاری، تحلیل و نمایش آن‌ها است.

این مبحث، به این دلیل هر روز جذابیت و مقبولیت بیشتری پیدا می‌کند که با استفاده از تحلیل حجم‌های بیشتری از داده‌ها، می‌توان تحلیل‌های بهتر و پیشرفته‌تری را برای مقاصد مختلف، از جمله مقاصد تجاری، پزشکی‌ و امنیتی، انجام داد و نتایج مناسب‌تری را دریافت کرد. بیشتر تحلیل‌های مورد نیاز در پردازش داده‌های عظیم، توسط دانشمندان در علومی مانند هواشناسی، ژنتیک، شبیه‌سازی‌های پیچیده فیزیک، تحقیقات زیست‌شناسی و محیطی، جست‌وجوی اینترنت، تحلیل‌های اقتصادی و مالی و تجاری مورد استفاده قرار می‌گیرد. حجم داده‌های ذخیره‌شده در مجموعه‌های داده‌ای Big Data، عموماً به خاطر تولید و جمع‌آوری داده‌‌ها از مجموعه بزرگی از تجهیزات و ابزارهای مختلف مانند گوشی‌های موبایل، حسگرهای محیطی، لاگ نرم‌افزارهای مختلف، دوربین‌ها، میکروفون‌ها، دستگاه‌های تشخیص RFID، شبکه‌های حسگر بی‌سیم و غیره با سرعت خیره‌کننده‌ای در حال افزایش است.

نقش کلان داده در بازاریابی

بازاریابی مدرن وابستگی بسیار زیادی به اطلاعات دارد. در این میان نقش کلان داده‌ در بازاریابی هر روز بیشتر از گذشته می‌شود.

کلان داده‌ (Big Data) وعده‌های زیادی به صنعت بازاریابی داده‌ است. اصلی‌ترین وعده، پاسخ به دو سوال اساسی است. اول اینکه با کمک آن‌ها بتوان فهمید چه کسی، چه محصولی را در چه زمانی با چه قیمتی می‌خرد؟ و دوم اینکه چگونه می‌توان بین محصولی که مشتریان می‌بینند یا در موردش شنیده یا می‌خوانند، و چیزی که نهایتا می‌خرند یا مصرف می‌کنند، ارتباطی منطقی پیدا کرد؟

پاسخ به این دو سوال، بازاریابی را بسیار اثرگذارتر از روش‌هایی مثل هدفگیری و شناسایی مشتری می‌کند؛۱‍ روش‌هایی که نیمی از بودجه بازاریابی را هدر می‌دهند.

بازاریاب‌ها برای یافتن پاسخ باید آموزش ببینند تا بتوانند از کلان داده‌ها در این مسیر و برای پیش‌بینی خرید بعدی مشتریان، بهره ببرند. در این راه، بازاریاب‌ها باید تلاش کنند در تشخیص الگوی مصرف هر مشتری و شناخت علاقمندی‌ها، خواسته‌ها و عادات خرید و مصرف او، موفق و بهینه عمل کنند. نتیجه، جزییاتی دقیق و کامل از عملکرد مصرف‌کننده‌ها و امکان پیش‌بینی خریدهای بعدی آن‌ها خواهد بود.

 

پاسخ به این سوالات اساسی و یافتن راه‌حل‌های مطلوب، نیازمند استفاده‌ی متفاوت از کلان داده‌ها است. لازم است به جای یافتن راه‌حل‌هایی برای هدف‌گیری مشتریان بالقوه، به دنبال استفاده از کلان داده‌ها جهت کسب صفات ارزشمند در محصولات و خدمات بود. این صفات ارزشمند، چیزهایی هستند که مشتریان برای انتخاب گزینه‌ی ایده‌آل به آن توجه می‌کنند. سوال اساسی و متفاوت این است: کلان داده‌ها چگونه می‌توانند به ما -و نه مشتریان- کمک کنند؟

با کمک کلان داده‌ها می‌توان اطلاعاتی جدید را برای ایجاد محصولات و خدماتی کاملا تازه کشف کرد. مثال ساده در همین رابطه، استفاده از کلان داده‌ها برای کمک به تسریع روند یافتن نتیجه‌ی مورد نظر کاربران به هنگام استفاده از موتورهای جست‌وجو باشد. روشی که در حال حاضر شرکت‌هایی مانند آمازون و نت‌فلیکس برای کمک به کاربران‌شان جهت یافتن سریع‌تر گزینه‌های مورد نظرشان، از آن بهره می‌برند. در مثالی دیگر می‌توان به تجمیع منابع اطلاعاتی‌ای که شرکت‌ها از نتیجه‌های جست‌وجوی سایر مشتریان و کاربران‌شان به‌دست می‌آورند اشاره کرد. اطلاعاتی که با کمک آن‌ها می‌توان با تشخیص روند جست‌وجوی سایر مشتریان و مقایسه‌ی آن با مشتری فعلی، نتایج بهتری را در اختیار او گذاشت.

چه نوع اطلاعاتی در دسترس هستند؟ آیا باید آن‌ها را جمع‌آوری و مورد استفاده قرار داد؟

آیا جمع‌آوری اطلاعاتی حاشیه‌ای مانند موقعیت مکانی کاربران می‌تواند ارزشمند باشد؟ این چیزی است که InVenture که یک استارتاپ جذاب در آفریقاست، به آن پرداخته است. این شرکت با تبدیل اطلاعاتی که به‌صورت اتفاقی در تلفن همراه کابران تولید می‌شود، امکان تشخیص مشتریانی را که به خدمات مالی خاصی دسترسی یا نیاز داشته یا دارند برقرار کرده است. در محیطی که هیچ تاریخچه‌ای از وضعیت اعتبار مالی بخش اعظمی از جمعیت وجود ندارد، استفاده از اطلاعات حاشیه‌ای که به‌ظاهر بی‌اهمیت به نظر می‌رسند، به دستیاری مناسب برای موسسات مالی در جهت تصمیم‌گیری برای پرداخت یا عدم پرداخت وام به مشتریان تبدیل شده است. برای مثال این شرکت تشخیص داده که احتمال بازپرداخت منظم و کامل وام افرادی که در دفترچه تماس تلفن همراه‌شان نام و نام‌خانوادگی افراد را به طور کامل ثبت کرده‌اند، بیشتر است.

کلان داده‌ها می‌توانند بسیاری از سوالات اساسی بازاریاب‌ها را پاسخ دهند. یافتن پاسخ سوالاتی که می‌تواند برای مد‌ت‌ها برای آن‌ها بی‌جواب مانده باشد با کمک گرفتن و تحلیل صحیح کلان داده‌ها امکان‌پذیر می‌شود. این، تنها راه‌حل برای صنعت بازاریابی است که با کمک مجموعه‌ای از اطلاعات، بهترین بازخورد و بالاترین سطح بازدهی را در درازمدت برای صنایع مختلف، حاصل کند.