Aa Aa Aa
Aa Aa Aa
Pročytaty vgolos
Zupynyty čytannja

5 tehnologičnyh vyklykiv, jaki Data Science dopomože podolaty

5 технологічних викликів, які Data Science допоможе подолати

Data Science otrymuje bagato novyh možlyvostej zastosuvannja v biznesi. Za dopomogoju velykyh danyh stalo možlyvym vyrišyty nyzku zavdań — vid zapusku mašynnogo zoru do formuvannja kompleksnyh biznes-metryk čy personalizovanyh reklamnyh propozycij. Odnak u cijeї molodoї sfery znań poperedu šče čymalo vyklykiv. Eksperty AGAMA Communications — pro 5 golovnyh vyklykiv dlja fahivciv iz data-science
Data Science отримує багато нових можливостей застосування в бізнесі. За допомогою великих даних стало можливим вирішити низку завдань — від запуску машинного зору до формування комплексних бізнес-метрик чи персоналізованих рекламних пропозицій. Однак у цієї молодої сфери знань попереду ще чимало викликів. Експерти AGAMA Communications — про 5 головних викликів для фахівців із data-science
Читати кирилицею

Speciaľni možlyvosti

Pročytaty vgolos
Zupynyty čytannja
Kontrastna versija
  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 навязливі 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 ненавязливою.   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, повязаних 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. Обєднання 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.

Podolannja vplyvu ljudyny

«Mašynne navčannja», «štučni nejronni mereži», «velyki dani», data science — usi ci rozumni terminy pro odne: vony dajuť zmogu tehnici pojednuvaty perevagy vysokoї švydkosti komp’juternoї obrobky danyh z možlyvistju navčannja za dopomogoju prykladiv, ščo vže isnujuť. Pislja nalagodžennja algorytmiv na osnovi pervynnoї vyborky programa otrymuje možlyvisť za minimaľnoї učasti ljudyny robyty vysnovky j vybudovuvaty modeli, zasvojujučy zakonomirnosti «velykyh danyh». Ale naviť u ćomu vypadku «ljudśkyj faktor» prodovžuje vplyvaty.

Programa včyťsja obrobljaty dani ta robyty vysnovky na pidstavi zazdalegiď pidibranyh prykladiv. Ščo їh biľše — to vyšča jmovirnisť uspišnogo navčannja. Ale jakščo kiľkisni pokaznyky kontroljuvaty neskladno, to jakisni — zovsim inša sprava. Sub’jektyvna skladova ljudśkogo vplyvu znyžuje efektyvnisť Big Data jak samostijnogo instrumentu. Jdeťsja pro rizni netočnosti na kštalt nepravyľnogo vyboru danyh dlja navčannja abo podaľšogo analizu, netočna interpretacija otrymanogo rezuľtatu, ignoruvannja okremyh kanaliv otrymannja informaciї.

Prypynennja bezgluzdogo protystojannja reklamy ta AdBlock

Uže ne peršyj rik točyťsja vijna miž cyfrovymy vydavcjamy, jaki pragnuť pokazaty svij reklamnyj kontent najbiľšomu kolu ljudej, i korystuvačamy. Ostanih vtomyly nav’jazlyvi banery ta sajty. Vony shoži na novoričnu jalynku, pid jakoju zamisť podarunkiv — desjatky splyvajučyh vikon ta zbir personaľnyh danyh. Za danymy doslidžennja PageFair, riveń vykorystannja blokuvaľnykiv reklamy postijno zrostaje po vśomu svitovi. Prote 77% korystuvačiv vidznačajuť, ščo ne proty bačyty reklamu v cilomu — golovne, ščoby vona bula relevantnoju i nenav’jazlyvoju.  

Čytajte takož: Jak Kytaj zbyrajeťsja vykorystovuvaty velyki dani

Analiz «cyfrovogo slidu» na osnovi velykyh danyh dlja formuvannja personalizovanyh propozycij vže zaraz demonstruje nabagato vyšču efektyvnisť u porivnjanni z «kylymovym bombarduvannjam» baneramy. Prote protystojannja dvoh pidhodiv tryvaje. Lyše napoleglyve, systemne zastosuvannja data-obğruntovanyh rišeń može zminyty sytuaciju ta perevesty na vyščyj riveń jakosti vzajemodiju džerel kontentu ta їhnih spožyvačiv.

Prymyrennja kreatyvnosti ta data-obğruntovanosti

Časom dovodyťsja čuty dumku, niby data-obğruntovani rišennja nesumisni zi spravžnim kreatyvom. Vodnočas, dejaki pryhyľnyky velykyh danyh vvažajuť, ščo kreatyv ne potriben — dostatńo zrobyty propozyciju maksymaľno personalizovanoju i svoječasnoju.

Natomisť vže je dostatńo uspišnyh kejsiv, jaki demonstrujuť, ščo najkraščyh rezuľtativ dosjagty možna u vypadku, jakščo kreatyv stvorjujuť na osnovi BigData-modelej. Ce — prosto 2 etapy odnijeї jakisno vykonanoї roboty:

  • pošuk insajtiv za dopomogoju rozumnyh algorytmiv, vyjavlennja abo formuvannja niš,
  • rozrobka relevantnogo ta oryginaľnogo kontentu, ščo vidpovidaje zapytam ciľovoї audytoriї.

Vidnajdennja etyky ta pryncypiv povedinky u sviti «velykyh danyh»

Čytajte takož: Data Scientist — hto ce takyj i čy varto obyraty cej fah

U 2018 roci cyfrovu sferu skolyhnula nyzka skandaliv, pov’jazanyh z vytokamy ta možlyvym zastosuvannjam personaľnyh danyh iz sociaľnyh merež. Najbiľšyj suspiľnyj rezonans vyklykalo vykorystannja psyhologičnyh portretiv desjatkiv miľjoniv korystuvačiv Facebook kompanijeju Cambridge Analytica dlja vplyvu na rezuľtaty vyboriv po vśomu svitu. Džyna vypustyly z pljašky, a nastupnyj skandal spryčynyv do važkyh reputacijnyh vtrat kompaniї Facebook i do najistotnišogo znyžennja kapitalizaciї za vsju її istoriju.

Stanom na 2018 rik «velyki dani» je velyčeznoju cinnistju i potužnoju konkurentnoju perevagoju, ale prozori ta zagaľnopryjnjati pravyla povodžennja z nymy tiľky formujuť. I, na žaľ, poky masyvy informaciї ne zavždy vykorystovujuťsja česno j prozoro.

Ob’jednannja možlyvostej Big Data ta Thick Data

Čytajte takož: Big data ta blockchain v deržavnyh ustanovah Ukraїny — buty čy ne buty

Možlyvosti tehnologij Big Data zrostajuť z kožnym dnem. Vidtak je velyka spokusa vykorystovuvaty rezuľtaty roboty specialistiv iz data-science dlja vyrišennja vsih bez vynjatku zavdań. Proanalizuvaty «velyki dani» i vyjavyty zakonomirnosti, na osnovi jakyh možna stvoryty nablyženu do reaľnosti modeľ, — ce proryv v porivnjanni z tradycijnymy metodamy roboty na reklamnomu i komunikacijnomu rynkah. Prote naviť Big Data — ce tiľky častyna informaciї, hoča j dosyť značna.

Nadmirne zanurennja u svit «velykyh danyh» može staty pryčynoju velykoї problemy — vidryvu otrymanoї kartyny vid važlyvogo emocijnogo kontekstu. Unyknuty ćogo dopomože Thick Data — jakisna informacija, zasnovana na reaľnyh istorijah konkretnyh korystuvačiv. Same Thick Data generuje insajty, ščo dajuť zmogu zrozumity spožyvača, i jaki v podaľšomu možna značno dopovnyty vže z vykorystannjam instrumentiv Big Data. Odne bez inšogo ne dasť vidčutnoї korysti.

Natalija Dadivjerina

PhD, CEO PLEON Talan, Reputation management Director AGAMA Communications

Jakščo vy znajšly pomylku, buď laska, vydiliť fragment tekstu ta natysniť Ctrl Enter.

Dodaty komentar

Takyj e-mail vže zarejestrovano. Skorystujtesja Formoju vhodu abo vvediť inšyj.

Vy vkazaly nekorektni login abo paroľ

Vybačte, dlja komentuvannja neobhidno uvijty.
Šče
Vy čytajete sajt ukraїnśkoju latynkoju. Podrobyci v Manifesti
Hello. Add your message here.

Povidomyty pro pomylku

Tekst, jakyj bude nadislano našym redaktoram: