Сергей Марин, «Big Data Билайн»: зачем маркетологам необходимо разбираться в аналитике больших данных
Для начала мы поговорили с создателем школы Сергеем Мариным,руководителем службы разработки продуктов «Big Data Билайн» («ВымпелКом») ороли «больших данных» в маркетинге и бизнесе в целом.
Каким компаниям нужны «большие данные»?
Если бы вы задали этот вопрос два года назад, я бы ответил –большим компаниям. У малого бизнеса нет инфраструктуры и технических мощностей.
Но сейчас положение дел кардинально поменялось. Проблема уже не в железках,анализ данных можно без особых трудностей делать и на ноутбуке. Такую работуспособна выполнять компания любого размера, если у нее есть готовностьиспользовать данные на пользу своего бизнеса. Как раз недавно, на одной изконференций я познакомился с владельцем сети шаверм. Бизнесмену очень важнопонимать, где открывать новые ларьки, где есть большая потребностьстимулировать потенциального потребителя совершить покупку в момент, когда тотнаходится в непосредственной близости от точки продаж. Это относительнонебольшой бизнес, но его владелец уже думает о том, как ему может пригодитьсяBig Data.
Существует мнение, что Big Data это не вполнемаркетинг и не вполне IT, понятие гораздо шире. Вы с этимсогласны?
Скорее, это другой взгляд на бизнес. Возьмем, например,производителя какого-либо FMCG-товара. Помимо производства у компании имеетсябольшое подразделение логистики, ведь товар необходимо еще и доставить вмагазины и конечному потребителю. В логистической цепочке много промежуточныхшагов – учет товара, отгрузка, организация транспортных потоков. Менеджментэтого цикла осуществляется с помощью цифровых технологий. Считать лидистрибуцию только перевозками или только IT – хороший вопрос. Я бы сказал, чтоэто все общая часть «value chain». В этой логике Big Data тоже является частью«цепочки стоимости».
«Большие данные» определяют продукт, который мы создаем,помогают понять, кому мы его предлагаем, где находится его потребитель. BigData может присутствовать во всех 4P маркетинга.
Расскажите, как «большие данные» встроены вмаркетинг «Билайна» и как они помогают оптимизировать рекламные/маркетинговыерасходы?
Мы используем аналитику данных при формировании какпродукта, так и продуктового предложения. Мы не только не ограничиваемсяразработкой таргетированных кампаний, но и создаем и запускаем продукты,родившиеся из полученного в результате аналитики знания. В основе нашей работы– концепция персонального менеджера «Билайна». Проще говоря, у каждого абонентаесть виртуальный менеджер, который совершает с клиентом «customer journey». Какэто работает: например, человек приехал в аэропорт, и ему на телефон пришлаинформация о тарифах роуминга, которые он может подключить. Или человек купилсмартфон, мы его информируем о пакете интернета.
Хорошо, пусть руководство большой компании осозналопотребность в использовании Big Data для эффективной работы бизнеса, но неимеет опыта запуска такого высокотехнологичного подразделения. С чего начать?
Как оценить объем инвестиций и КПД?
Как и в любом бизнесе, все начинается с идеи. Прежде всегонеобходимо понять, как именно данные могут развить бизнес и помочь решитьпроблемы. Хотя бы приблизительно. В моем представлении аналитика данных сейчас– это намерение компании, воплощенное в жизнь через использование доступныхданных и полученных с помощью машинной обработки выводов из них для разныхцелей, будь то маркетинг или логистика. Необязательно данные должны бытьбольшими в привычном понимании, маленький бизнес может не иметь массивныхданных, но уже сейчас он должен задумываться, как их можно применить напрактике. С моей точки зрения, это тоже Big Data, потому что любой бизнеслюбого размера задумывается над тем, как монетизировать те знания, что онимеет.
Необходимо привлечь экспертов в области аналитики. Этосложный вопрос. Можно воспользоваться аналитической экспертизой Data Scientist,но этих специалистов крайне мало. И Data Scientist может построитьматематическую модель, но не всегда способен ответить, как полученную аналитикуэкстраполировать на специфику бизнеса.
Экспертиза в области бизнес-применения аналитики данныхтолько начала развиваться и многим компаниям ее не хватает. Отчасти поэтому мыи запустили курс менеджмента Data-MBA: чтобы дать возможность владельцамбизнеса разной величины и топ-менеджерам понимание, как данные могут им помочьповысить выручку, как делать продукты более таргетированными, а сервис болеекачественным.
На какие «грабли» обычно наступаютнеофиты?
Распространенная ошибка – ставить во главу угла IT. Когда всбор и анализ больших данных не включены другие юниты компании. Еще одна – этофокусировать аналитику в каком-то одном конкретном подразделении. Я считаю, чтоэто неправильно. В крупных компаниях существует много разнонаправленных задач.
Например, в «Билайне» помимо маркетинговых запросов есть потребности отдела,который занимается развитием сотовой сети. Ему важно знать, где находятсяклиенты, чтобы строить вышки целенаправленно там, где концентрация абонентовнаиболее высока. Аналитика также востребована у таких подразделений какэлектронная коммерция, антифрод и даже HR. Самостоятельное аналитическоеподразделение позволяет агрегировать данные, которые можно использоватькомплексно для разных нужд компании. Третий момент, необходимо понимать, чтонайти аналитика нелегко, поэтому на создание качественного подразделения уйдетне один месяц.
Допустим, компания может позволить себе инвестиции вBig Data. Как ей понять, какие сотрудники должны развивать это направление.
Какие навыки, знания и опыт должны быть у специалистов?
Как правило, используются две компетенции. Первая –построение математических моделей и анализ данных (Data Science). Вторая –принятие решений, что именно необходимо исследовать и анализировать. Никтолучше сотрудников специфику бизнеса не знает, и как монетизировать данные,полученные в результате анализа, понимают именно они. В том числе имаркетологи.
Все гораздо сложнее с Data Scientist. Развею известный миф,что таким специалистом может стать только очень умный математик. На мой взгляд,машинное обучение – скорее ремесло, чем наука. В том смысле, что в работе сбольшими данными используются давно известные и понятные алгоритмы. Существуетбольшое количество алгоритмических библиотек в открытом доступе. Задача –понять, в какой ситуации какой алгоритм использовать, и что будет значить егорезультат на выходе. Проще говоря, это набор инструментов в машинном обучении,которые нужно знать, а это достигается только практикой и опытом.
Кто поставляет таких специалистов?
На сегодняшний момент, насколько мне известно, в нашейстране фундаментальному знанию учат в МГУ на кафедре математических методовпрогнозирования (ММП), в «Высшей Школе Экономики» на факультете компьютерныхнаук, в школе анализа данных «Яндекса». Теперь и в школе «Билайна».
Считается, что разобраться в Big Data без глубокогознания математики невозможно, да и учиться тяжело. Нужно ли знать хорошо высшуюматематику, чтобы управлять процессами, связанными с обработкой большихданных?
Если говорить о программе для маркетологов и менеджеров, тонет. Мы как раз построили курс таким образом, чтобы знание математики не былообязательным условием для обучения. Прежде всего необходимы интерес и опытработы с аналитикой. Маркетологи в силу специфики своей профессии привыклисмотреть и читать графики, работать в Excel, считать кейсы и так далее. Скорееважно умение работать с цифрами. Людям без этих навыков, конечно, будетсложно.
Совсем другое дело – аналитический курс, который мы запустили в октябрепрошлого года. Для него важно базовое знание математики, преимущественнолинейной алгебры, и необходимо понимать принципы статистики. Обязательнымтребованием является Python, поскольку именно этот язык программирования мыиспользуем как базовый на курсе. Но каких-то более высоких требований кабитуриентам мы пока не предъявляем.
Какие специалисты получатся на выходе после обученияв вашей школе?
Специалист по работе с большими данными, который работает в«Билайне» – универсал. Сегодня он занимается построением моделей оттока, завтра– анализом социальных сетей, послезавтра делает рекомендательные системы. Нашашкола готовит специалистов широкого профиля, способных применять машинноеобучение в разных областях.
Есть ли у Data Scientist деление наспециализации?
Обычно они делятся на тех, кто фокусируется на машинномобучении в целом, и тех, кого больше занимают специфичные области: анализсоциальных сетей, рекомендательные системы, обработка текстов, анализизображений и видео. Но на практике сейчас все занимаются всем.
Возможна ли работа с большими данными нааутсорсе?
И да, и нет. Для каких-то отдельных задач вполне подойдетвнешний подрядчик, когда вы точно знаете, что хотите получить на выходе, иможете четко сформулировать задачу. Вы должны понимать, что в этом случае выполностью берете на себя ответственность за весь бизнес-анализ и доверяетевнешним специалистам только разработку аналитической части. И, кстати,подготовка всех данных также остается за вами. Такой вариант возможен, если высами хорошо представляете, чего хотите, и имеете экспертизу. «Билайн» вотдельных случаях именно так и поступает, поскольку у компании имеется опыт исобственные наработки. В остальных ситуациях имеет смысл иметь штатного DataScientist, который будет постоянно взаимодействовать со всеми подразделениямикомпании и сможет оценить качество работы подрядчиков.
От кого чаще приходят идеи продуктов – от специалистов Data Science илимаркетологов?
Специалист Data Science способен самостоятельно предлагатьидеи продуктов и сервисов, но на практике это происходит не так часто.
Маркетинг больше и глубже погружен в знание о клиенте, его потребностях иобразе жизни, поэтому чаще создает запрос на анализ, который мы, исследователи,должны произвести и подтвердить или опровергнуть маркетинговую гипотезу. Но этоне значит, что в результате обработки данных аналитик не способен выявитькакие-то интересные потребительские особенности или неочевидныезакономерности. Просто на практике это происходит реже.
Какие рекламные тренды вы видите в Big
Data?
Еще пять лет назад мало кто из среднего бизнеса задумывалсянад тем, как большие данные могут помочь ему развиваться. Да и во многихкрупных компаниях, если они не связаны с производством высокотехнологичныхпродуктов, аналитика данных по сей день не внедрена. Но сегодня большие данныестановятся все более доступными, и в перспективе нас всех ждет релевантность итаргетированность. Обычный человек все чаще будет сталкиваться с нужнойинформацией и предложениями в определенные отрезки его жизни. Сейчас телефонпрогнозирует, сколько времени человек потратит на дорогу от офиса до дома, азавтра, находясь в магазине, мы будем получать информацию о выгодных акциях искидках, интересных только нам. Эти технологии уже существуют, но пока мало ктопоставил их на поток. В общем, наше будущее похоже на фильм «Особое мнение»,где в одном из эпизодов программа распознавания лиц «определила» лицо главногогероя в магазине и ему тут же транслировалась ориентированная на него одноговидеореклама. И самое интересное, это уже реально сегодня. Но не готовы люди,не готово законодательство.
На западе были эксперименты с «наружкой», когдарелевантным было не только рекламное сообщение, но и креатив (коммуникация).
Возможно ли такое в ТВ-рекламе в будущем?
Вполне. Есть два способа выявления потребностей и интересоваудитории. Способ первый – кластерный анализ. Как это работало раньше: мыпроводили опрос нашей клиентской базы по выборке в несколько тысяч, из которыхвыделяли несколько сегментов ЦА и с ними работали. Но проблема заключалась вследующем: когда к нам приходил «случайный» человек, мы незнали – кто это, к какому сегменту он относится и, соответственно,какой продукт ему следует предложить. Сейчас мы можем действовать иначе. Мызнаем, к какому сегменту относится каждый конкретный клиент. Нам не нужно иметьсотни разных рекламных коммуникаций, достаточно пяти-шести, близких той илииной аудитории, и мы можем знать, что именно показывать каждому человеку. Такимобразом реклама уже становится более точной и более интересной дляпотребителя.
Способ второй. Более захватывающий, который сейчасиспользуется в интернете. Когда мы выделяем сегмент потребителей и транслируемему рекламное сообщение, мы можем наблюдать за реакцией и адаптироваться. Темгруппам, которые показывают наименьшую реакцию, мы предлагаем другое сообщение,более точное, на наш взгляд. Когда мы показали рекламу определенное количествораз, мы можем проанализировать и понять, что общего у всех этих людей (исходяиз их реакций), и далее транслировать сообщение на массовую аудиторию, котораяпохожа по своим потребительским и поведенческим признакам на репрезентативнуюгруппу.
Кстати о нас, о потребителях. Не секрет, чтосценарий популярного сериала «Карточный домик» корректируется, исходя изанализа зрительских ожиданий. Может ли подобный опыт быть применим дляТВ-рекламы, и как в этом поможет Big Data?
Скажу больше, это решение уже сегодня серьезнопрорабатывается в индустрии, просто пока оно не вышло на массовый рынок. СкороТВ-реклама станет такой же таргетированной, как реклама в интернете.
Закончите фразу: еще десять лет назад нельзя былопредставить, что Big Data даст рекламе…
Возможность создавать персональные предложения науровне каждого человека. Если раньше потребителей делили на несколько групп поразным признакам, таким как возраст, пол, география проживания и прочее, тосейчас мы можем персонифицироваться до каждого потребителя.
Сергей Марин, руководитель службы разработки продуктов«Big Data Билайн» («ВымпелКом») и руководитель школы«Big Data Билайн»:
Выпускник МГУ имени М.В. Ломоносова, имеет степень MBA.
Начинал карьеру в Нидерландах, в компании Acision — ведущем вендоре смс-системи мобильного мессенджинга. Несколько лет проработал в Hewlett Packard, гдеотвечал за развитие продуктов c использованием технологий Web 2.0. Затемпродолжил карьеру в компании KPN — голландском операторе сотовой связи. В 2009году после девяти лет в Нидерландах вернулся в Россию. Руководил подразделениембизнес-аналитики и машинного обучения компании Adidas. В 2013 году пришел в«ВымпелКом» («Билайн») на позицию руководителя лаборатории Big Data. Внастоящее время отвечает за продукты компании, связанные с Big Data. Хобби:пулевая стрельба, спортивное вождение и фотография.