Наталія Дадівєріна
Подолання впливу людини
«Машинне навчання», «штучні нейронні мережі», «великі дані», data science — усі ці розумні терміни про одне: вони дають змогу техніці поєднувати переваги високої швидкості комп’ютерної обробки даних з можливістю навчання за допомогою прикладів, що вже існують. Після налагодження алгоритмів на основі первинної виборки програма отримує можливість за мінімальної участі людини робити висновки й вибудовувати моделі, засвоюючи закономірності «великих даних». Але навіть у цьому випадку «людський фактор» продовжує впливати.
Програма вчиться обробляти дані та робити висновки на підставі заздалегідь підібраних прикладів. Що їх більше — то вища ймовірність успішного навчання. Але якщо кількісні показники контролювати нескладно, то якісні — зовсім інша справа. Суб’єктивна складова людського впливу знижує ефективність Big Data як самостійного інструменту. Йдеться про різні неточності на кшталт неправильного вибору даних для навчання або подальшого аналізу, неточна інтерпретація отриманого результату, ігнорування окремих каналів отримання інформації.
Припинення безглуздого протистояння реклами та AdBlock
Уже не перший рік точиться війна між цифровими видавцями, які прагнуть показати свій рекламний контент найбільшому колу людей, і користувачами. Останіх втомили нав’язливі банери та сайти. Вони схожі на новорічну ялинку, під якою замість подарунків — десятки спливаючих вікон та збір персональних даних. За даними дослідження PageFair, рівень використання блокувальників реклами постійно зростає по всьому світові. Проте 77% користувачів відзначають, що не проти бачити рекламу в цілому — головне, щоби вона була релевантною і ненав’язливою.
Аналіз «цифрового сліду» на основі великих даних для формування персоналізованих пропозицій вже зараз демонструє набагато вищу ефективність у порівнянні з «килимовим бомбардуванням» банерами. Проте протистояння двох підходів триває. Лише наполегливе, системне застосування data-обґрунтованих рішень може змінити ситуацію та перевести на вищий рівень якості взаємодію джерел контенту та їхніх споживачів.
Примирення креативності та дата-обґрунтованості
Часом доводиться чути думку, ніби data-обґрунтовані рішення несумісні зі справжнім креативом. Водночас, деякі прихильники великих даних вважають, що креатив не потрібен — достатньо зробити пропозицію максимально персоналізованою і своєчасною.
Натомість вже є достатньо успішних кейсів, які демонструють, що найкращих результатів досягти можна у випадку, якщо креатив створюють на основі BigData-моделей. Це — просто 2 етапи однієї якісно виконаної роботи:
- пошук інсайтів за допомогою розумних алгоритмів, виявлення або формування ніш,
- розробка релевантного та оригінального контенту, що відповідає запитам цільової аудиторії.
Віднайдення етики та принципів поведінки у світі «великих даних»
У 2018 році цифрову сферу сколихнула низка скандалів, пов’язаних з витоками та можливим застосуванням персональних даних із соціальних мереж. Найбільший суспільний резонанс викликало використання психологічних портретів десятків мільйонів користувачів Facebook компанією Cambridge Analytica для впливу на результати виборів по всьому світу. Джина випустили з пляшки, а наступний скандал спричинив до важких репутаційних втрат компанії Facebook і до найістотнішого зниження капіталізації за всю її історію.
Станом на 2018 рік «великі дані» є величезною цінністю і потужною конкурентною перевагою, але прозорі та загальноприйняті правила поводження з ними тільки формують. І, на жаль, поки масиви інформації не завжди використовуються чесно й прозоро.
Об’єднання можливостей Big Data та Thick Data
Можливості технологій Big Data зростають з кожним днем. Відтак є велика спокуса використовувати результати роботи спеціалістів із data-science для вирішення всіх без винятку завдань. Проаналізувати «великі дані» і виявити закономірності, на основі яких можна створити наближену до реальності модель, — це прорив в порівнянні з традиційними методами роботи на рекламному і комунікаційному ринках. Проте навіть Big Data — це тільки частина інформації, хоча й досить значна.
Надмірне занурення у світ «великих даних» може стати причиною великої проблеми — відриву отриманої картини від важливого емоційного контексту. Уникнути цього допоможе Thick Data — якісна інформація, заснована на реальних історіях конкретних користувачів. Саме Thick Data генерує інсайти, що дають змогу зрозуміти споживача, і які в подальшому можна значно доповнити вже з використанням інструментів Big Data. Одне без іншого не дасть відчутної користі.