Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
00136 002623 20673190 na godz. na dobę w sumie
Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes! - książka
Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes! - książka
Autor: Liczba stron: 240
Wydawca: Helion Język publikacji: polski
ISBN: 978-83-283-5796-9 Data wydania:
Lektor:
Kategoria: ebooki >> komputery i informatyka >> biznes it >> zarządzanie projektami it
Porównaj ceny (książka, ebook (-40%), audiobook).

Koncepcja big data zmieniła zasady gry w biznesie. Wiele osób z kadry zarządczej nie rozumie specyfiki tego rodzaju danych: ogromnych, szybko narastających, często niepasujących do tradycyjnej struktury. Są one zasadniczo różne od konwencjonalnych danych, zarówno pod względem wielkości, jak i złożoności. Rzucają nowe wyzwania, stwarzają nowe możliwości, zacierają tradycyjne granice konkurencji i zmuszają do zmiany paradygmatów pozyskiwania wartości z danych. Big data i data science wraz z uczeniem maszynowym radykalnie zmieniają ekosystem biznesu. Aby przetrwać tę rewolucję, trzeba dostosować się do nowych warunków.

Ta książka jest przystępnym wprowadzeniem do koncepcji big data i data science. Pozwoli na uzyskanie wiedzy niezbędnej do oceny, czy korzyści z tych technologii są warte kosztów i wysiłku związanych z wdrożeniem w firmie. Poszczególne techniki zostały dokładnie i przejrzyście opisane. Przedstawiono zasady tworzenia odpowiednich strategii. Wyjaśniono, jakich zasobów i jakich ludzi potrzeba do przeprowadzenia transformacji w kierunku zbierania, analizy i wykorzystywania danych, a także omówiono związane z tym ryzyko. Ważnym elementem książki są praktyczne wskazówki i podpowiedzi.

W tej książce:

Big data: łatwiejsze, niż myślisz, skuteczniejsze, niż marzysz!

Znajdź podobne książki Ostatnio czytane w tej kategorii

Darmowy fragment publikacji:

Tytuł oryginału: Big Data Demystified: How to use big data, data science and AI to make better business decisions and gain competitive advantage Tłumaczenie: Wojciech Bombik ISBN: 978-83-283-5796-9 © Pearson Education Ltd 2018 (print and electronic) This translation of Big Data Demystified is published by arrangement with Pearson Education Limited. Polish language edition published by HELION SA. Copyright © 2019. All rights reserved. No part of this book may be reproduced or transmitted in any form or by any means, electronic or mechanical, including photocopying, recording or by any information storage retrieval system, without permission from the Publisher. Wszelkie prawa zastrzeżone. Nieautoryzowane rozpowszechnianie całości lub fragmentu niniejszej publikacji w jakiejkolwiek postaci jest zabronione. Wykonywanie kopii metodą kserograficzną, fotograficzną, a także kopiowanie książki na nośniku filmowym, magnetycznym lub innym powoduje naruszenie praw autorskich niniejszej publikacji. Wszystkie znaki występujące w tekście są zastrzeżonymi znakami firmowymi bądź towarowymi ich właścicieli. Autor oraz Helion SA dołożyli wszelkich starań, by zawarte w tej książce informacje były kompletne i rzetelne. Nie biorą jednak żadnej odpowiedzialności ani za ich wykorzystanie, ani za związane z tym ewentualne naruszenie praw patentowych lub autorskich. Autor oraz Helion SA nie ponoszą również żadnej odpowiedzialności za ewentualne szkody wynikłe z wykorzystania informacji zawartych w książce. Helion SA ul. Kościuszki 1c, 44-100 Gliwice tel. 32 231 22 19, 32 230 98 63 e-mail: helion@helion.pl WWW: http://helion.pl (księgarnia internetowa, katalog książek) Drogi Czytelniku! Jeżeli chcesz ocenić tę książkę, zajrzyj pod adres http://helion.pl/user/opinie/bidata Możesz tam wpisać swoje uwagi, spostrzeżenia, recenzję. Printed in Poland. • Kup książkę • Poleć książkę • Oceń książkę • Księgarnia internetowa • Lubię to! » Nasza społeczność Spis treści O autorze 7 Podziękowania 8 Wprowadzenie 9 Część 1 Wprowadzenie do koncepcji big data 15 1 Historia big data 19 2 Sztuczna inteligencja, uczenie maszynowe i big data 37 3 Dlaczego technologie big data są użyteczne? 49 4 Przykłady zastosowań big data w analizie danych 61 5 Zrozumieć ekosystem big data 81 Część 2 Jak wykorzystać ekosystem big data w swojej organizacji? 93 6 W jaki sposób big data może pomóc w kierowaniu strategią? 97 7 Strategia wykorzystywania big data oraz data science 117 8 Wykorzystanie data science — analityka, algorytmy i uczenie maszynowe 135 9 Wybór technologii 159 5 Poleć książkęKup książkę SPIS TREŚCI 10 Budowanie zespołu 173 11 Zarządzanie danymi i kwestie prawne 193 12 Skuteczne realizowanie projektów 205 Przypisy 215 Słowniczek 223 Skorowidz 231 6 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? Rozdział 95 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC 96 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? W jaki sposób big data może pomóc w kierowaniu strategią? Oceniając strategię firmy, a być może nawet biorąc pod uwagę dużą zmianę w dalszym kierunku jej rozwoju, dobrze będzie zebrać i wykorzystać wszystkie dostępne dane w celu dogłębnego zrozumienia swoich klientów, konku- rencji i zewnętrznych czynników, które wpływają na firmę, a nawet swo- jego własnego produktu. Ekosystem big data odgrywa ważną rolę w tym procesie, umożliwiając uzyskiwanie wiedzy i kierowanie działaniami w sposób dotychczas niemożliwy. Twoi klienci Dane dotyczące klientów to jeden z największych atutów, jakie posiadasz. W dzisiejszych czasach mamy dostęp do większej ilości informacji niż kiedy- kolwiek wcześniej i możesz z nich dowiedzieć się więcej niż byś się spo- dziewał o swoich obecnych i potencjalnych klientach. Kim są, co ich moty- wuje, jakie są ich preferencje i zwyczaje. Im więcej danych zbierzesz, tym pełniejszy obraz klientów możesz uzyskać, więc zbieranie danych z tylu źródeł, z ilu tylko się da, powinno stać się Twoim celem. Zdobywanie danych Rozpocznij od zidentyfikowania wszystkich punktów interakcji z klientami:  Wizyty na platformach cyfrowych, takich jak strony internetowe, aplikacje itp.  Kontakt ze wsparciem klienta przez telefon, e-mail, czat itp.  Media społecznościowe, w tym przesłane wiadomości, tweety, posty opublikowane na Twoim koncie lub kontach klientów. 97 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC  Wszystkie zapisy ruchu, uzyskane przy wykorzystaniu nagrań wideo i czujników ruchu ze sklepów. Istnieje wiele technologii, które mogą pomóc przy monitorowaniu ruchu, takich jak czujniki, Wi-Fi, Bluetooth, beacony, a nawet aplikacje na smartfona wykorzystujące zmiany częstotliwości światła.  W niektórych branżach możesz mieć dostęp do dodatkowych danych z czujników, identyfikatorów RFID, aplikacji fitnessowych itp., które mogą dostarczyć takich danych jak odczyty biomedyczne, dane z akcelerometrów, termometrów itp. Dla każdego punktu interakcji zastanów się:  jakie dane możesz zbierać,  jakie są potencjalne możliwości użycia tych danych,  jakie ograniczenia prawne dotyczące prywatności należy wziąć pod uwagę (patrz rozdział 11.). Dla wielu organizacji na takie punkty interakcji będą składały się sklepy, strony sieciowe, aplikacje na Androida i iOS, kanały w mediach społeczno- ściowych, personel obsługujący klientów w sklepach, call center i czaty. Zilustruję je kilkoma przykładami. Platformy cyfrowe Zacznijmy od platform cyfrowych. Na początek od podstaw, pomijając na razie technologie big data. Zapewne już wykorzystujesz na swojej stronie jakieś narzędzia analityczne, które zapisują wysokopoziomowe zdarzenia. Upewnij się, że zapisujesz też najważniejsze punkty ścieżek zakupowych, takie jak wyszukiwania, używane filtry, odwiedzanie konkretnych podstron, ściągane pliki, odtworzone filmy lub towary umieszczane w koszyku. Zapisuj akcje wykonywane myszką, takie jak scrollowanie lub umieszczenie kursora nad danym obiektem. Upewnij się, że te zdarzenia są zapisywane wraz z etykietami zawierającymi dodatkowe szczegóły, które będą potrzebne przy późniejszych analizach, takie jak kategoria produktu, zakres cen czy ID produktu. Umożliwi to szybkie analizowanie najbardziej interesujących zagadnień, takich jak np. spraw- dzenie, jak często produkty z danej kategorii były oglądane lub jak skuteczna była kampania reklamowa pod kątem konkretnych działań klientów. Na koniec prawdopodobnie uzyskasz kilkadziesiąt lub nawet kilkaset wymiarów, które będziesz mógł wykorzystać w gotowych narzędziach analitycznych. To jeszcze nie jest big data. 98 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? Wykorzystanie przy zapisie etykiet z dodatkowymi szczegółami umożliwi dalszą analizę i zrozumienie wielu aspektów ścieżek zakupowych klientów, dając wgląd w to, jak różne typy klientów reagują na prezentowane im pro- dukty. Poniżej pokażę to na konkretnym przykładzie. Jeżeli jeszcze tego nie zrobiłeś, zdefiniuj lejki konwersji, składające się z kolejnych zdarzeń, które prowadzą do ważnego celu konwersji, takiego jak na przykład dokonanie zakupu. Rysunek 6.1 pokazuje, jak może wyglą- dać taki lejek konwersji. Rysunek 6.1. Przykładowy lejek konwersji Wszystkie pośrednie cele w lejku konwersji, tak zwane mikrokonwersje, prowadzą razem do makrokonwersji (w tym przypadku jest to zakup). Wybieraj mikrokonwersje w sposób, który odzwierciedla rosnące zaangażo- wanie oraz prawdopodobieństwo końcowego zdarzenia. Zdefiniowane lejki pozwalają na analizę współczynnika rezygnacji na każdym etapie, umożli- wiając zauważenie potencjalnych wrażliwych punktów i zwiększenie praw- dopodobieństwa przechodzenia użytkowników do kolejnych etapów lejka, aż do końcowego zdarzenia. W zależności od rodzaju produktu przejście przez cały lejek może trwać kilka dni, tygodni lub nawet miesięcy, więc należy się dobrze zastanowić, co można uznać za rezygnację. Pamiętaj o zachowaniu zgodności z przepisami dotyczącymi używania pli- ków cookie. Przechowuj informacje dotyczące tego, jakie dane powiązane z konkretnymi użytkownikami zapisujesz (np. adres IP) i w jaki sposób je później wykorzystujesz. Na przykład, jeżeli personalizujesz zawartość strony lub działania marketingowe na podstawie działań użytkownika w sieci, powinieneś rozważyć też stronę etyczną oraz prawną takiego zagadnienia. Przypomnij sobie opisany przykład firmy Target. 99 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC Teraz możemy przejść do części związanej z technologiami big data. Jak na razie mamy narzędzia analityczne zapisujące najbardziej istotne dane ze strony internetowej. Teraz można podłączyć stronę pod system big data, który będzie zapisywał wszystkie działania każdego odwiedzającego stronę. Potrzebny będzie odpowiedni system do przechowywania danych, taki jak HDFS, oraz skrypty zbierające zdarzenia na stronie (zazwyczaj używa się do tego skryptów JavaScript). Jeżeli interesuje Cię rozwiązanie wymagające najmniej pracy, można rozważyć konto premium w Google Analytics (GA360) i aktywować w nim integrację z usługą BigQuery. Dzięki temu dane ze strony będą wysyłane do chmury Google, umożliwiając szczegółowe analizy w ciągu kilku godzin. Jeżeli potrzebujesz rozwiązania działającego w czasie rzeczywistym, wystarczy zmienić w Google Analytics metodę sendHitTask (JavaScript) tak, by przesyłała te same dane zarówno do chmury, jak i do Twojego własnego systemu. Taka architektura jest przed- stawiona na rysunku 6.2. Zwróć uwagę na to, że regulamin Google Analytics nie pozwala na przesyłanie danych osobowych (określanych jako PII — ang. personally identifiable information). Omówimy tę kwestię szerzej w roz- dziale 11. Rysunek 6.2. Przykładowa architektura do strumieniowania danych big data (źródło: ikony BigQuery, Apache Kafka, Jupyter notebooks i Tableau) 100 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? Masz już więc surowe dane potrzebne do bardzo szczegółowego zrozumienia swoich klientów, co opiszemy w dalszej części rozdziału. Wsparcie klienta Zastanówmy się nad zapisywaniem i analizowaniem wszystkich interakcji między klientami i sprzedawcami oraz wsparciem klienta: rozmów telefo- nicznych, czatów, maili, a nawet zapisów wideo ze sklepów. Większość z tych danych jest łatwa do przeanalizowania w pojedynczych fragmentach, ale żeby zrobić to samo w większej skali, potrzebne będą zaawansowane narzę- dzia. Przy zapisie tego typu informacji pracownicy wsparcia klienta powinni dostarczać dodatkowych informacji, takich jak ID klienta czy też pora dnia, i oznaczyć je kategoriami, na przykład „zapytanie o zamówienie”, „nowy zakup”, „anulowanie” lub „reklamacja”. Następnie całość informacji można zapisać w bazie przeznaczonej do danych big data (na przykład MongoDB lub HDFS). W dalszej części rozdziału pokażemy, w jaki sposób używać takich danych. Fizyczne położenie klientów Istnieje kilka technologii przeznaczonych do monitorowania przemieszcza- nia się klientów w sklepie. Oprócz tradycyjnych kamer oraz laserowych czujników ruchu przy wejściach niektóre technologie umożliwiają śledzenie smartfonów przy użyciu sygnału z telefonu, Wi-Fi lub Bluetooth. Rozwią- zania tego typu oferują firmy ShopperTrak lub Walkbase. Tego typu moni- toring pomaga zrozumieć wzorce zachowań klientów, na przykład jakie kategorie produktów są rozważane przez tych samych klientów lub ile czasu zajmuje podjęcie decyzji o zakupie. Pomaga to kierować personel sklepu w miejsca, gdzie jest on najbardziej potrzebny. Tego typu dane są wartościowe, nawet jeżeli przy ich zbieraniu zachowujemy anonimowość klientów. Gdy klient podchodzi do kasy, by dokonać zakupu, być może nawet przy użyciu karty, która jest z nim skojarzona, możesz zobaczyć nie tylko, co zamierza kupić, ale również jakie rejony sklepu odwiedził. Takie informacje mogą być pomocne w przyszłych działaniach marketingowych lub zmianie układu sklepu, jeżeli zauważysz, że obecny może niekorzystnie wpływać na możliwości sprzedaży krzyżowej. Oto zaledwie kilka przykładów. Dobrze jest zacząć zbierać i przechowywać tak szczegółowe dane, jak to tylko możliwe, biorąc pod uwagę ich wartość biznesową, poszanowanie prywatności klientów i zachowanie zgodności 101 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC z prawem podczas zbierania, przechowywania oraz używania tych danych. Uważaj też, by nie przekroczyć cienkiej linii między „pomocny” a „nachalny”. Miej na uwadze najlepszy interes swoich klientów i pamiętaj, że prędzej czy później dowiedzą się oni o wszystkich stosowanych przez Ciebie technikach. Zapamiętaj Za każdy kawałek prywatności, który zabierasz swoim klientom, staraj się dać im jakąś użyteczną usługę. Na przykład, jeżeli Twoja aplikacja śledzi fizyczne położenie klienta, upewnij się, że dostaje on dzięki temu wartościowe informacje związane z jego położeniem. Zapewnij również lepszą, spersonalizowaną obsługę klientom, którzy logują się na Twojej stronie. W ten sposób interesy Twoje i Twoich klientów będą częściowo się pokrywać. Łączenie danych o klientach Połącz dane pochodzące ze wszystkich punktów interakcji z klientem, aby uzyskać całościowy obraz ścieżek zakupowych. Jeżeli klient dzwoni do call center po sprawdzeniu na stronie warunków rozwiązania umowy, powi- nieneś móc połączyć te dwa zdarzenia w swoim systemie. By tego doko- nać, potrzebujesz pola identyfikującego konkretnego klienta (takiego jak telefon lub nazwa użytkownika). Jeżeli monitorujesz drogę, jaką porusza się klient w sklepie, połącz ją z informacją z kasy o dokonanych zakupach (do rozważenia pozostaje tutaj kwestia prywatności). Możesz to zrobić, łącząc dokładny czas zakupu w kasie z trasą przejścia przez sklep. Połącz te dane w centralnym systemie, by uzyskać pełny obraz. Czasami możesz wykorzystać anonimowe dane klientów, na przykład gdy analizujesz przepływ całkowitego ruchu przez sklep. Czasami jednak przy- dają się dane połączone z konkretnym klientem, na przykład przy analizie wszystkich jego działań. W tym drugim przypadku dobrze będzie zdedupli- kować dane o klientach. Jest to trudne zadanie i prawdopodobnie osiągniesz na tym polu umiarkowany sukces. Najlepsza sytuacja jest wtedy, gdy klient zawsze używa unikatowego identyfikatora, korzystając z Twoich usług. W sklepie sieciowym może to być trwały, unikatowy login (tak jak w przy- padku np. Facebooka). W życiu rzeczywistym takim unikatowym identy- fikatorem jest zazwyczaj dokument ze zdjęciem. W większości przypadków nie będziesz miał tego luksusu, więc dołóż wszelkich starań, by dobrze połączyć interakcje z klientami. 102 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? Zazwyczaj przy identyfikacji klientów możesz spotkać się z takimi pro- blemami:  Problem: Klient się nie identyfikuje (na przykład nie loguje się na stronie).  Możliwe rozwiązania: Użyj plików cookie oraz adresu IP do połączenia wszystkich wizyt tego samego klienta, by stworzyć całościowy obraz ścieżek zakupowych osobnego, anonimowego klienta. Użyj szczegółów płatności, by połączyć zakupy z konkretnym klientem. Aplikacje zainstalowane na smartfonie mogą dostarczyć dodatkowych informacji; porozmawiaj na ten temat z twórcami swojej aplikacji.  Problem: Klienci używają wielu loginów.  Możliwe rozwiązania: Przeszukaj bazę klientów pod kątem użytkowników z takimi samymi nazwiskami, mailami, adresami, datami urodzin lub adresami IP. Grafowa baza danych, taka jak Neo4j, może pomóc w tym procesie, tak jak jest to pokazane na rysunku 6.3. Opracuj razem ze stroną biznesową logikę opisującą, które konta można scalić, a które powiązać, używając specjalnego pola (na przykład „mąż/żona”). Zmień proces tworzenia nowych kont w taki sposób, aby wykryć i ograniczyć możliwość tworzenia zduplikowanych kont, na przykład oznaczając maile powiązane z już istniejącymi kontami. Rysunek 6.3. Grafowa baza danych może pomóc w deduplikacji klientów 103 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC Używanie danych Większość danych Twoich klientów będzie przydatna, nawet w zagrego- wanej i zanonimizowanej formie, w jakiej dostarczają je standardowe narzę- dzia do analityki sieciowej. Będziesz dzięki nim widział, jak wielu klientów pojawia się w danych godzinach, uzyskasz też przydatne informacje, takie jak średni czas spędzony na stronie, liczba odwiedzonych stron, jak wielu klientów trafia na Twoją stronę przez inne strony lub dzięki kampaniom marketingowym itp. Dowiesz się również, jaki jest całkowity obrót wyge- nerowany przez konkretne grupy klientów w podziale np. względem poło- żenia lub sposobu pozyskania. To da Ci obraz tego, w jaki sposób i kiedy Twoje produkty są używane, w szczególności, gdy połączysz te informacje z danymi o kampaniach marketingowych, dniach wolnych, przerwach w działaniu usług lub nowych inicjatywach. Ścieżka zakupowa Dane przechowywane w zbiorach big data stają się znacznie bardziej uży- teczne, gdy używasz ich do właściwego zrozumienia zamiarów, preferencji i zwyczajów swoich klientów. Powinieneś już móc podzielić swoich klientów na tak zwane persony na podstawie cech statycznych, takich jak adres, płeć, język, wiek oraz prawdopodobny poziom dochodów. Jeżeli włączysz odpo- wiednie ustawienia, Google Analytics może dostarczyć Ci dodatkowych danych demograficznych (przy użyciu plików cookie stworzonych przez firmę DoubleClick). Możesz rozszerzyć kryteria segmentacji klientów tak, by wykorzystać dane ze ścieżek zakupowych, takich jak wymienione poniżej:  Jakich filtrów używają najczęściej? Czy jest to sortowanie po cenie od najwyższej? Od najniższej? Najlepiej oceniane produkty? Najnowsze produkty? Klienci, którzy sortują od najniższej ceny, prawdopodobnie dobrze orientują się w cenach. Dla tych, którzy sortują od najwyższej ceny lub po ocenach produktu, prawdopodobnie większą rolę odgrywa jakość. Ci, którzy sortują po najnowszych produktach, również skupiają się na jakości lub są entuzjastami nowinek. Użytkownicy sortujący po ocenach mogą też być tzw. late adopters, czyli klientami, którzy wolą poczekać, aż produkt trochę się „uleży” na rynku. Wszystkie te informacje wypływają na to, w jaki sposób podejmujesz działania wobec takich klientów. Jeżeli dla danego klienta jakość jest ważniejsza od ceny, powinieneś w wynikach wyszukiwania oraz w mailach marketingowych pokazywać mu 104 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? produkty wysokiej jakości, natomiast nie powinieneś kierować do niego informacji o wyprzedażach lub produktach, które dopiero co się pojawiły. Wobec klientów stawiających na pierwszym miejscu cenę należy postępować dokładnie na odwrót.  Ile przedmiotów zazwyczaj przeglądają, zanim dokonają zakupu? Ta informacja pomoże Ci zdecydować, kiedy należy zadziałać podczas procesu sprzedaży, na przykład oferując zniżkę, gdy podejrzewamy, że klient zamierza zrezygnować z dokonania zakupu.  Jakie kategorie odwiedzają najczęściej? Może być to pomocne przy segmentacji klientów oraz przy zwracaniu najlepszych wyników wyszukiwania niejednoznacznych fraz (na przykład „jaguar” jako samochód lub zwierzę albo „Panama” jako miasto na Florydzie lub kraj). Informacja ta będzie też dobrym wskaźnikiem, jakie towary reklamować danemu klientowi.  Czy zmieniają sposób wysyłki, aby zaoszczędzić? Ponownie jest to sygnał, że mamy do czynienia z klientami przykładającymi dużą wagę do ceny.  Czy czytają lub piszą opinie o produktach? Jeżeli klient za każdym razem czyta opinie, nie należy w materiałach reklamowych, wynikach wyszukiwania albo podczas sprzedaży krzyżowej prezentować mu produktów ze słabymi ocenami. Jeżeli często pisze opinie lub posiada w mediach społecznościowych konto z wyjątkowo dużą liczbą śledzących, upewnij się, że otrzyma obsługę z najwyższej półki.  Na jaki rodzaj działań marketingowych najlepiej odpowiadają? Czy czytają newslettery? Czy robią zakupy podczas błyskawicznych wyprzedaży (tzw. flash sales)? Nie wysyłaj klientom materiałów reklamowych, jeżeli na nie nigdy nie odpowiadają. Wybierz najodpowiedniejszy sposób kontaktu, a zwiększysz szansę na to, że zareagują lepiej, niż klikając „wypisz się z newslettera”.  Jeżeli są aktywni w mediach społecznościowych, jakich hashtagów najczęściej używają? Czy możesz wykorzystać tę wiedzę do skuteczniejszych działań marketingowych? Ponownie, dzielisz klientów na persony przy użyciu wszystkich istotnych informacji. Spróbuj wykorzystać ich konta w mediach społecznościowych. Tak jak powiedzieliśmy w rozdziale 4., działania podejmowane w sieci mogą sporo powiedzieć o klientach. 105 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC Grupy klientów (persony) Towary Używając zebranych danych, powinieneś określić, które czynniki są najistot- niejsze przy dzieleniu klientów na segmenty, tak zwane persony. Przykładem mogą być „mężczyźni w wieku od 20 do 30 lat, zwracający uwagę na cenę” lub „wydający dużo pieniędzy miłośnicy nowinek, którzy podejmują szybkie decyzje podczas zakupów” albo „klienci, którzy codziennie przeglądają kon- kretne kategorie, ale kupują tylko podczas zniżek”. Możesz tworzyć takie segmenty w sposób jakościowy, przy użyciu intuicji ekspertów od marke- tingu, lub możesz robić to w sposób ilościowy, przy użyciu narzędzi anali- tycznych, takich jak klasteryzacja oraz analiza głównych składowych. Obydwa podejścia są poprawne, ale jeżeli masz dostęp do dużej ilości danych, które mogą zostać pogrupowane na wiele sposobów, podejście ilościowe prawdopodobnie da lepsze efekty. Dane ze ścieżek zakupowych mogą dać Ci lepszy wgląd w to, jak towary wpływają na doświadczenia klientów. Jeżeli rozważasz usunięcie towarów z niskim poziomem sprzedaży, ścieżki zakupowe mogą pokazać wysoki odsetek zyskownych transakcji dokonanych przez klientów, którzy trafili na Twoją stronę, szukając tych mało opłacalnych towarów. Dobrze jest przyj- rzeć się lepiej ścieżkom zakupowym takich klientów — czego szukali i dla- czego podjęli takie, a nie inne decyzje — zanim postanowisz zrezygnować z towarów, które mogą przyciągać pewnych klientów do sklepu. Z drugiej strony, możesz sprzedawać produkt, który często pojawia się w wynikach wyszukiwania, ale nie cieszy się zainteresowaniem klientów, co pokazują ich ścieżki zakupowe. W takim przypadku powinieneś albo zmienić sposób wyświetlania wyników wyszukiwania, albo zupełnie usunąć dany towar, żeby nie zajmował miejsca w wynikach wyszukiwania. Krytyczne interwencje Wykorzystuj zarówno podstawową analitykę, jak i zaawansowane uczenie maszynowe do badania danych swoich klientów, a prawdopodobnie znaj- dziesz sposoby na zmniejszenie ich migracji i zwiększenie sprzedaży. Podsta- wowa analiza tego, gdzie i kiedy klienci są aktywni, pomoże w ustaleniu odpowiedniego harmonogramu dla swoich pracowników. Może też zasygna- lizować prawdopodobne kolejne kroki klienta (na przykład klient odwie- dzający sklep z AGD dwa razy w ciągu poprzedniego tygodnia może plano- wać większy zakup). 106 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? Przy nieco dokładniejszych analizach możesz wykrywać subtelne, ale ważne sygnały. Jedna z firm telekomunikacyjnych przeanalizowała ostatnio dane dotyczące klientów rezygnujących z umów i odkryła, że znaczna ich część przed rezygnacją przeszła przez te same trzy lub cztery kroki: sprawdzenie szczegółów swojej umowy na stronie, telefon do wsparcia klienta, następnie wizyta w salonie i kwestionowanie rachunku, a na końcu rozwiązanie umowy. Łącząc te zdarzenia, firma zidentyfikowała sygnały nadchodzącej migracji klienta i mogła podjąć odpowiednie działania. Na jeszcze wyższym poziomie techniki uczenia maszynowego mogą wykryć zbliżające się usunięcie konta lub prawdopodobieństwo sprzedaży na pod- stawie analizy tekstu albo nagrań audio lub wideo. Taki system może być znaczącą inwestycją czasu i zasobów, ale warto poznać jakiś przypadek biz- nesowy, który pomoże to właściwie ocenić lub znaleźć dostawcę, który już rozwinął technologię pasującą do Twoich potrzeb, tak jak jest to opisane w poniższym studium przypadku. Studium przypadku Istotne informacje o klientach ze sklepowych nagrań wideo Magazyn „The Economist” opisał ostatnio dwie innowacje w dziedzinie wideoanalizy. Realeyes, firma z Londynu zajmująca się wykrywaniem emocji, odkryła, że kupujący, którzy uśmiechają się, wchodząc do sklepu, wydają trzy razy więcej niż inni. W innym programie pilotażowym sieć księgarni zaczęła używać oprogramowania firmy Angus.ai do monitorowania klientów, którzy doszli do końca sklepu, a następnie wracając, mieli zmarszczone brwi. W takich przypadkach była wysyłana dyskretna informacja do obsługi sklepu, aby ta mogła odpowiednio zareagować. W rezultacie sklep odnotował 10-procentowy wzrost sprzedaży58. Jak zawsze w takich przypadkach, należy skonsultować się z prawnikiem, by nie naruszyć granic prywatności i działać w zgodzie z najlepszym inte- resem klientów, a także by nie zrobić niczego, co mogłoby zaszkodzić wize- runkowi sklepu po ujawnieniu takich działań klientom. Twoja konkurencja Szczególne wyzwanie stanowi uzyskanie informacji na temat konkurencji. Brokerzy informacji, tacy jak Nielsen, Comscore lub SimilarWeb, mogą na zamówienie oszacować ruch na stronach i w aplikacjach konkurencyjnych firm, być może dołączając nawet informacje o stronach, z których następowały 107 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC przekierowania. Na stronie https://trends.google.com/trends/ można zobaczyć wykres liczby wyszukiwań danej frazy, co umożliwia porównanie się z kon- kurencyjnymi firmami pod względem wyszukiwań (patrz rysunek 6.4). Rysunek 6.4. Wyszukiwania frazy „McDonalds” (górna linia) oraz „Burger King” (dolna linia) w Brazylii w drugim kwartale 2017 (Google Trends) Informacje o towarach, usługach lub fizycznych lokalizacjach konkurencji można uzyskać przez tak zwany web scraping, czyli zautomatyzowane wycią- ganie informacji bezpośrednio ze stron internetowych. Można użyć do tego narzędzi, takich jak na przykład Selenium. Jeżeli starasz się konkurować ceną, będziesz chciał dopasowywać ceny, kierując się bliskością konkurencji. W przypadku lokalizacji fizycznych można ją określić przy użyciu adresów oraz dróg przesyłania towaru. Dla sklepów sieciowych częściowy wpływ na kształtowanie cen będzie miała informacja o tym, skąd klienci trafiają na Twoją stronę. Jeżeli ze stron porównujących ceny, to powinno być to sygna- łem dużego ryzyka tego, że kupią u konkurencji. Pracuj nad zwiększeniem swojego udziału w rynku, czyli procenta wydawa- nych przez klientów pieniędzy, które zasilają Twój biznes, a nie konkurencję. Rozpocznij, wykorzystując szczegółowe dane o klientach, które zebrałeś, i przeanalizuj, jakie kategorie oraz konkretne produkty są zazwyczaj kupo- wane przez te same segmenty klientów. Będziesz mógł zobaczyć, którzy klienci już dokonują takich krzyżowych zakupów, którzy tylko przeglądają dane kategorie, ale nie kupują, a którzy pozostają aktywni tylko w obrębie jednej kategorii. Zidentyfikuj produkty, które Twoi klienci kupują gdzie indziej, by zobaczyć, gdzie tracisz udziały w rynku. Jeżeli sprzedajesz produkty spożywcze, a klient kupuje tylko owoce i warzywa, to możesz zgadywać, że mleko i jajka kupuje w innym sklepie. Jeżeli sprzedajesz elektronikę, a klient kupuje tylko smart- fony, to znaczy, że komputery kupuje zapewne gdzie indziej. W ten sposób możesz poznać obszary, w których powinieneś mocniej konkurować. Wyko- 108 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? rzystując utworzone segmenty klientów, możesz zobaczyć, czy konkurencja przemawia bardziej do klientów skupiających się na jakości, tych reagujących na akcje marketingowe, takich, którzy wydają dużo pieniędzy itp. Przeglądaj sieciowe strony z ogłoszeniami o pracy, by wykryć różne posu- nięcia konkurencji. Znaczny wzrost liczby ogłoszeń dotyczących danej loka- lizacji lub stanowiska może oznaczać działania podejmowane w konkretnym obszarze. Utwórz listę profili pracowników konkurencji na LinkedIn i moni- toruj je pod względem nietypowych aktualizacji. Jeżeli wyjątkowo duża liczba pracowników aktualizuje swoje profile, może to być sygnałem zamieszania lub nadchodzących zwolnień w firmie. Podobnie analiza wykorzystująca przetwarzanie języka naturalnego, badająca publiczne oświadczenia firmy, może pomóc odkryć nietypowe działania. Ta technika została skutecznie wykorzystana do sygnalizowania zbliżających się pierwszych ofert publicz- nych przy sprzedaży papierów wartościowych. Czynniki zewnętrzne Na Twoją strategię ma wpływ szeroki zakres czynników, od regulacji rzą- dowych po lokalną pogodę. Jeżeli zajmujesz się branżą turystyczną, dni wolne od pracy będą wpływały na rezerwacje robione z dużym wyprzedzeniem, a pogoda na te dokonywane w ostatnim momencie. Ceny surowców wpłyną na koszty produkcji oraz transportu, a kursy wymiany walut lub zawirowania polityczne dotkną działań podejmowanych za granicą. Większość takich czynników można wychwycić, analizując tradycyjne źródła danych, ale zasoby big data mogą dostarczyć dodatkowych, wartościowych sygnałów. Uważnie obserwuj zmiany w aktywności klientów w sieci, gdyż mogą one sygnalizować pojawienie się niespodziewanych czynników, które będą wymagać Twojej uwagi. Przykładowo, dzięki Google Maps lub Waze możesz wykryć nowe place budowy lub zamknięcia dróg, analizując natężenie ruchu drogowego. Innym przykładem może być to, że pojawienie się nowego, innowacyjnego produktu możesz zauważyć, wyszukując go w sieci, ale możesz to też zrobić, obserwując wpływ, jaki wywiera na sprzedaż Twoich innych produktów. Jeżeli prowadzisz sieć hoteli i masz jeden z nich w Scranton w Pensylwanii, możesz nie wiedzieć o tym, że w drugim tygodniu lutego ma tam miejsce duża konferencja na jakiś niejasny temat. Jeżeli przygotowujesz prognozę rezerwacji na luty, zauważysz niespodziewany wzrost aktywności użytkow- ników strony z rezerwacjami i call center już w październiku, zanim w ogóle 109 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC dowiesz się o tej konferencji. Monitorując zachowania klientów, możesz podnieść stawki za pokój jeszcze w październiku, zanim wynajmiesz niedo- szacowane pokoje na luty kilka tygodni później. W tym celu powinieneś stworzyć regularne prognozy kluczowych metryk, takich jak liczba odwiedzin, oraz prognozę sprzedaży. Można to zrobić, łącząc dane historyczne, przewidywania stóp wzrostu oraz wiedzę biznesową o wszystkich nietypowych czynnikach (dni wolne, ważniejsze wydarzenia, zmiany prawne lub gospodarcze itp.). Takie prognozy powinny być podzielone na segmenty aż do poziomu, na którym możesz sterować odpowiednimi działaniami (na przykład do poziomu produktu lub regionu), i najlepiej, aby były aktualizowane codziennie. Jeżeli automatycznie monitorujesz progno- zowane wartości w cyklach dziennych lub tygodniowych, możesz podjąć odpowiednie działania, gdy tylko przekroczą spodziewane wartości, sygna- lizując, że jakiś zewnętrzny czynnik wpływa na biznes w nieoczekiwany sposób. Twój własny produkt Musisz naprawdę dobrze rozumieć oferowane przez siebie usługi oraz pro- dukty podczas tworzenia strategii. Możesz nie rozumieć ich tak dobrze, jak Ci się wydaje, a Twoi klienci mogą postrzegać je w zupełnie inny sposób, niżbyś się spodziewał. Co działa dobrze, a co nie? Jak klienci reagują na Twoje produkty? Gdzie tracisz pieniądze przez nieefektywne działania? Jeżeli znaczna część Twojej oferty znajduje się w sieci, dowiedz się, jakie rozwiązania sprawdzają się tam dobrze i co możesz poprawić. Zdefiniuj i śledź mikrokonwersje, by zobaczyć, jak wypadają Twoje produkty jeszcze przed zakupem. Mogą one dostarczyć cennych informacji, nawet jeżeli nie są częścią analizy lejków konwersji. Śledź zaangażowanie klientów na swoich platformach cyfrowych.  Jaki jest współczynnik uznania (ang. applause rate) w Twoich mediach społecznościowych? (Jak często Twoje tweety są udostępniane, ile mają polubień? Ile komentarzy pojawia się pod Twoimi postami na Facebooku?)  Ile osób ściąga Twoje materiały?  Ile osób zapisuje się do newslettera? Przetestuj zmiany w swoich produktach przy pomocy testów A/B. Możesz to zrobić w następujący sposób: 110 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ? 1. Zaproponuj jedną małą zmianę, która może ulepszyć Twoją ofertę. Zmień jedną ramkę, jedną frazę lub jeden banner. Upewnij się ze swoim zespołem inżynierów, że jest to zmiana łatwa we wprowadzeniu. 2. Zdecyduj, jakie kluczowe wskaźniki efektywności (KPI) najbardziej chciałbyś zwiększyć: dochód, liczbę zakupów, sprzedaż dodatkową, czas spędzony na stronie itp. Badaj także wpływ na inne wskaźniki. 3. Uruchom równocześnie wersję oryginalną i zmienioną (A i B). Dla stron internetowych możesz użyć odpowiednich narzędzi, takich jak Optimizely. Zbadaj wyniki przy użyciu wybranego narzędzia lub umieść identyfikator wersji testowej w tagach na stronie i porównaj wersję, badając na przykład długości dróg prowadzących do konwersji. 4. Przy pomocy testu istotności różnic dla dwóch prób niezależnych sprawdź, czy rezultaty są statystycznie istotne. Jeżeli nie masz analityka, który może się tym zająć, możesz skorzystać z kalkulatora dostępnego na stronie https://abtestguide.com/calc/. 5. Użyj systemu big data do głębszej analizy: a) Czy były istotne zmiany w ścieżkach zakupowych, takie jak liczba odwiedzonych kategorii lub użyte filtry? b) Czy jest jakiś kluczowy produkt lub grupa klientów, które powinieneś potraktować inaczej? c) Czy jakieś zewnętrzne czynniki wpływają na rezultaty? d) Czy wskaźniki efektywności przesuwają się w innych kierunkach? Dostosuj swoje założenia dotyczące produktów do tych nowych spostrzeżeń. Na przykład:  Czy próbujesz konkurować ceną, podczas gdy większość Twoich dochodów pochodzi od klientów, którzy na pierwszym miejscu stawiają jakość?  Czy poświęcasz za mało czasu na recenzje klientów, podczas gdy większość Twoich klientów sortuje po ocenach i czyta te oceny? Jeżeli Twoje założenia na temat produktów nie pasują do tego, czego dowie- działeś się o preferencjach swoich klientów i ich zwyczajach, być może jest to czas na zmianę strategii. Wykorzystaj swoje dane oraz techniki data science do ich analizy, by uzyskać wiedzę, która pomoże Ci określić oraz udoskonalić strategię. Selektywnie wybieraj obszary, które mógłbyś udoskonalić dzięki technologii big data oraz data science, a następnie dobieraj odpowiednie narzędzia, ludzi oraz procesy. 111 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC W następnym rozdziale opowiem, jak określać i priorytetyzować działania w obszarze danych. Podsumowanie  Źródła danych big data mogą pomóc w uzyskaniu informacji potrzebnych do tworzenia strategii, dostarczając nowej wiedzy na temat klientów, konkurencji, środowiska biznesowego oraz produktów.  Istnieje wiele nowych, nietradycyjnych źródeł danych. Stwórz listę tego, co jest dostępne i co może być najbardziej użyteczne.  Zazwyczaj napotkasz problemy, próbując połączyć akcje podejmowane przez klientów w różnych punktach kontaktu.  Twoja strona oraz inne platformy cyfrowe mogą dostarczyć szczegółowych informacji o intencjach, preferencjach oraz zwyczajach klientów, sygnalizując potrzebę zmiany strategii.  Stosowanie testów A/B w kombinacji z systemem big data umożliwia przeprowadzanie znacznie dokładniejszych analiz. Zastanów się  Utwórz listę punktów kontaktu z klientem. Dla każdego punktu zaznacz, czy zapisujesz jakiekolwiek dane, a jeżeli tak, to czy tylko niektóre, czy też wszystkie dostępne. Określ każdy z tych punktów w skali od 1 do 10, biorąc pod uwagę (a) jaką wartość mają te dane, (b) jak trudno byłoby zapisywać i analizować dodatkowe dane z tego punktu. Pomnóż obydwie liczby przez siebie. Punkty kontaktu z najwyższymi wynikami to najbardziej obiecujące źródła danych o klientach.  Jakie źródła danych potrzebowałbyś dołączyć, by uzyskać pełny obraz interakcji klientów? Czy coś powstrzymuje Cię przed użyciem tych danych?  W jaki sposób różnią się zachowania i preferencje Twoich klientów i które z nich mogą wpływać na sposób, w jaki się do nich odnosisz, oraz produkty, które im oferujesz?  Jaka była najbardziej udana zmiana w produkcie, której dokonałeś po przetestowaniu różnych możliwości? 112 Poleć książkęKup książkę W JAKI SPOSÓB BIG DATA MOŻE POMÓC W KIEROWANIU STRATEGIĄ?  Jakie zewnętrzne dane są istotne z punktu widzenia Twojej firmy? Dane o gospodarce, pogodzie, dniach wolnych itp.?  Jakie źródła danych mogłyby dać Ci lepszy wgląd w Twoją konkurencję? Pomyśl o prywatnych i publicznych źródłach informacji, jak również o wykresach i sygnałach udostępnianych przez firmy internetowe, takie jak Google lub LinkedIn. 113 Poleć książkęKup książkę BIG DATA, NAUKA O DANYCH I AI BEZ TAJEMNIC 58 How retailers are watching shoppers’ emotions, „The Economist”, 8 czerwca 2017. 114 Poleć książkęKup książkę Skorowidz A szlaków sygnałowych, 57 ścieżki zakupowej klienta, 30, 54, 56, 62, agile, Patrz: metodyka zwinna AI, 20, 37, 121 rozwój, 39 system wartości, 44 wąska, 43, 44 zastosowania, 58 medycyna, 44, 57, 141, 142 algorytm, 39, 140, 177 CUImage, 42 Flink, 57 grafowy, 121 prototypowanie, 177 skalowanie, 122 Allchin Jim, 89 AlphaGo, 37, 38, 49, 146, 147 Amazon, 37 Amazon Web Services, Patrz: AWS analityk biznesowy, Patrz: zespół specjalista od biznesu analityka diagnostyczna, 135, 137, 139 model poziomów, Patrz: model poziomów analityki narzędzia, Patrz: narzędzia opisowa, 135, 136, 137 predykcyjna, 135, 139, 140 preskryptywna, 135, 140 sieciowa, 67 analiza dostarczanie wyników użytkownikowi końcowemu, 163, 164 głównych składowych, 106 języka naturalnego, 109 samodzielna, 137 sentymentu, 65, 75 67, 71, 104, 111, 179 pełne dane, 55 segmentacja, 104, 105, 106 towar, 106 wielkość danych, 23, 56 zbieranie danych, 98 wykres, Patrz: wykres Analytics Ascendancy Model, Patrz: model poziomów analityki Andreasen Alan, 52 Apache Beam, 85 Apache Software Foundation, 88 applause rate, Patrz: współczynnik uznania Apple, 37 architektura lambda, 85 sieci neuronowej, 143, 146 SSN, 40, 41 artificial intelligence, Patrz: AI artificial neural network, Patrz: SSN ASKAP, 25 atak linkage attack, 197, 198 Australian Square Kilometre Array Pathfinder, Patrz: ASKAP AWS, 32 Azure, 32 B Banko Michele, 56 batch job, Patrz: zadanie wsadowe baza danych, 124, 148 bezschematowa, 148 dokumentowa, 149 dostępność, 150 231 Poleć książkęKup książkę SKOROWIDZ baza danych grafowe, 103, 150 klucz-wartość, 149 kolumnowa, 149 masowo równoległa, Patrz: MPP NoSQL, 148 relacyjna, 31, 148 silnik wyszukiwania, 149 spójność, 150 tolerancja na partycjonowanie, 150 w środowisku rozproszonym, 150 wybór, 150, 162 Berkeley Vision Lab, 40 biblioteka do tworzenia wykresów, 152 Keras, 146, 163 TensorFlow, Patrz: TensorFlow big data, 81, Patrz też: AI koszty, 167, 168 narzędzia, 90 zastosowania, 29, 49, 50, 51 marketing, 67 BigQuery, 100 Bork Robert, 196 bozon Higgsa, 24, 29 Bratton Bill, 50 Brewer Eric, 150 Brill Eric, 56 C Caffe, 40 Cassandra, 90 cecha, 42 inżynieria, Patrz: dane inżynieria cech przykłady, 71 cena, 68 chmura, 160, Patrz też: przetwarzanie w chmurze prywatna, 32 publiczna, 32, 161 CLV, 73, 74 CNN, 146 collaborative filtering, Patrz: filtrowanie treści uwspólnione content-based filtering, Patrz: filtrowanie oparte na zawartości convolutional neural network, Patrz: CNN Critical Path Software, 185 CRO, 70 cross-sell, 74 232 cross-validation, Patrz: model sprawdzian krzyżowy customer lifetime value, Patrz: CLV cykl rozwoju nowych technologii, 29 D dane baza, Patrz: baza danych cecha, Patrz: cecha dostęp, 199 genomiczne, 57 graficzne, 146 gromadzenie, 53, 54, 98, 101, 120 etyka, 99, 107 konkurencja, 107 medycyna, 57 przepisy, 99, 107, 145, 193, 194, 195, 196, 197, 198, 199 historyczne, 66, 110 hurtownia, Patrz: hurtownia danych inżynieria cech, 42, 66, 137 jezioro, Patrz: jezioro danych nieustrukturyzowane, 42 ochrona, 194, 195 oczyszczanie, 162 osobowe, 100, 193 prawo do bycia zapomnianym, 199 quasi-identyfikator, 194 prognozy kluczowych metryk, 110 prywatność, 194, 196 różnicowa, 198 przechowywanie, 25, 27, 32, Patrz też: pamięć rozproszone, 83, 84 przesyłanie, 162 przetwarzanie, Patrz: przetwarzanie różnorodność, 82 sekwencyjne, 146, 180 strumieniowane, 85, 86 surowe, 42, 101 treningowe, 40, 41, 49, 71, 144, 146 niewystarczające, 43, 44 typ, 53, 54 wideo, 146 wizualizacja, Patrz: wizualizacja wolumen, 81 wrażliwe, 194 zarządzanie raportowaniem, 200 data mining, 121 data science, 123 data-driven, 50, 51, 53, 64, 72, 117, 195, 207 Poleć książkęKup książkę SKOROWIDZ Deep Blue, 37, 38 DeepMind, 49, 185 Deming William Edwards, 50 drzewo decyzyjne, 147 eBay, 30, 185 Elasticsearch, 149 E F Facebook profil na podstawie polubień, 198 fast data, 85 Few Stephen, 180 filtrowanie oparte na zawartości, 65 treści uwspólnione, 65 firma finansowa, 165 handlowa, 69, 131 kontrolowanie problemów, 136 lotnicza, 72 strategia, Patrz: strategia telekomunikacyjna, 107 turystyczna, 69, 109 ubezpieczeniowa, 69, 143 wgląd w dane, 136 wymagania operacyjne, 136 format JSON, 149 XML, 149 framework Hadoop, Patrz: Hadoop Spark, Patrz: Spark Fundacja Apache, 31 G General Electric, 153, 185 genom, 57 Geometric Intelligence, 43 goodness-of-fit, Patrz: model miara dopasowania Google, 20, 27, 29, 40 misja, 30 Google Analytics, 100 Google Cloud, 32 Google Maps, 109 GPU, 66, 144 gra go, 37, 147 szachy, 37 graf, 103, 150 graphical processing unit, Patrz: GPU H Hadoop, 20, 27, 31, 84, 88, 90 jako relacyjna baza danych, 31 HDFS, Patrz: system HDFS Hive, 31 hurtownia danych, 67, 124, 137, 162, 176 I IaaS, 32, 91, 160 ILSVRC, 42 ImageNet, 42 Immelt Jeff, 153 Infrastructure as a Service, Patrz: IaaS infrastruktura jako usługa, Patrz: IaaS Instacart, 184 inteligencja sztuczna, Patrz: AI internet rzeczy, Patrz: IoT Internet of Things, Patrz: IoT IoT, 24, 72, 86 J Jaklevic Mary Chris, 206 Jeopardy, 49, 205 jezioro danych, 50 język naturalny, 127 programowania, 122, 124, 150 C++, 151, 177 Java, 151, 177 Python, 141, 144, 151, 177 R, 141, 144, 151, 177 Scala, 177 K Kafka, 31 kanał społecznościowy, 68 Kasparow Garri, 37 klasteryzacja, 106 233 Poleć książkęKup książkę SKOROWIDZ klient, 97, 120 adres IP, 99 aktywność w sieci, 74 deduplikacja, 102, 150 doświadczenie, 69 zakupowe, 55 identyfikacja, 102, 103 interakcja, 97, 98, 118 łączenie danych, 102 koszyk, Patrz: koszyk late adopter, 104 lojalność, 69 migracja, 69, 71, 74 ograniczanie, 71, 72, 73, 106 prognozowanie, 142 segmentacja, 74, 104, 105, 106, 139, 147 ilościowa, 106 jakościowa, 106 ścieżka zakupowa, Patrz: analiza ścieżki zakupowej klienta wartość, 74 długookresowa, Patrz: CLV wizyta na platformie cyfrowej, 97, 98, 110 wsparcie, 97, 101, 102, 118 wykrywanie emocji, 107 zapis ruchu, 98, 101, 102 konkurencja, 107, 120 udział w rynku, 108 kontrola wersji, 124 konwersja lejek, Patrz: lejek konwersji optymalizacja, Patrz: CRO prawdopodobieństwo, 70 korelacja, 69 koszyk, 69, 98, 127, 140 KPI, Patrz: wskaźnik efektywności kluczowy krzywa podaży i popytu, 69 kultura upraszczania, 153 L Laney Doug, 81 Large Hadron Collider, Patrz: LHC Large Scale Visual Recognition Challenge, Patrz: ILSVRC latencja, 86 lead scoring, 74, 142 HR, 75 lejek konwersji, 99, 180 LHC, 24 234 licencja, 87, 88 LIME, 143 Local Interpretable Model-Agnostic Explanations, Patrz: LIME LoRaWAN, 87 M machine learning, Patrz: uczenie maszynowe MacLaurin Ian, 51 makrokonwersja, 99 MapReduce, 27, 85 Marcus Gary, 43 massively parallel processing, Patrz: MPP maszyna wektorów nośnych, 147 McCarthy John, 39 media społecznościowe, 68, 69, 74, 97, 105 filtrowanie treści, 38 pobieranie danych, 162 profil na podstawie polubień, 198 metoda dynamicznej wyceny, 69 fast data, 71 gradientu prostego, 177 grupowania, 42 quasi-Newtona, 177 sendHitTask, 100 metodyka kaskadowa, 152 zwinna, 152, 153, 211 mikrokonwersja, 55, 99, 110 ze ścieżki zakupowej, 69 minimum viable product, Patrz: MVP Minsky Marvin, 39 moc obliczeniowa koszt, 28 skalowanie, 65 model 3V, 81, 83 analityczny, 45, 121, 140 projektowanie, 141 czarnoskrzynkowy, 141, 142, 143, 145 przejrzystość, 143 dopasowywanie do danych, 143, 144 kalibrowanie, 143, 144 miara dopasowania, 144 poziomów analityki, 135, 140 przejrzystość, 141 przetrenowanie, 144 RFM, 139 Poleć książkęKup książkę sprawdzian krzyżowy, 144 struktura, 143, 144 Treacy’ego i Wiersemy, 118 trenowanie, 146 wdrażanie, 144 MongoDB, 90, 149 MPP, 30, 83 MVP, 129, 154, 211 iteracje, 130 N nadużyć wykrywanie, 71 narzędzia, 122, 137, 141, 147, 152 do prototypowania algorytmów, 177 do wizualizacji, 152 ETL, 162, 176 Neo4j, 90 Netflix, 197 Netscape Communications Corporation, 88 neuron, 40 nowotwór, 57 O oprogramowanie jako usługa, Patrz: SaaS open source, 31, 66, 87, 163, 168 historia, 87, 88 korzyści, 89 licencja, Patrz: licencja w big data, 90 płatne, 168 zakup, 163 optymalizacja współczynnika konwersji, Patrz: CRO z ograniczeniami, 121 Otto Group, 130, 131 outsourcing, 186 overfitting, Patrz: model przetrenowanie P PaaS, 161 pamięć koszt, 26, 27 o dostępie swobodnym, Patrz: pamięć RAM RAM, 25, 27 stała, 25 ulotna, 25 SKOROWIDZ persona, 106, 139 personally identifiable information, Patrz: dane osobowe PII, Patrz: dane osobowe piksel niewidzialny, 67 Platform as a Service, Patrz: PaaS platforma jako usługa, 161 plik cookie, 99 Predix, 185 procesor graficzny, Patrz: GPU tensorowy, 144 produkt, 110, 120 dopasowywanie w czasie rzeczywistym, 70 historia, 120 konkurencyjność, 118 minimalnie wykonany, Patrz: MVP testowanie, 110, 111 programowanie całkowitoliczbowe, 147, 177 liniowe, 177 obiektowe, 177 przetwarzanie krawędziowe, Patrz: przetwarzanie mgłowe mgłowe, 86 prędkość, 82 rozproszone, 84 równoległe masowe, Patrz: MPP strumieniowe, 69 w chmurze, 32, 90, 160 bezpieczeństwo, 161, 162 zalety, 91, 161 w czasie rzeczywistym, 85, 100, 127 publikowanie, 22 pulpit, 139 R rak, Patrz: nowotwór RankBrain, 41 RDMS, 148 Realeyes, 107 recurrent neural network, Patrz: RNN regresja logistyczna, 147 reklama kontekstowa, 70 relational database management system, Patrz: RDMS RNN, 146 równanie finansowe, 147 235 Poleć książkęKup książkę SKOROWIDZ S SaaS, 32, 91 bezpieczeństwo, 161 Safe Harbour, 196 Salesforce, 32 SAS Enterprise Miner, 151, 152, 177 Sedol Lee, 37 Selenium, 108 serwer HTTP Apache, 87, 88 serwis REST, 151 sieć neuronowa, 142, 146 architektura, 143, 146 konwolucyjna, Patrz: CNN rekurencyjna, Patrz: RNN sztuczna, Patrz: SSN tworzenie, 146 silnik wyszukiwania, 149 Siri, 37 SKA, 25, 82 słowo kluczowe, 67 Snowden Edward, 162, 196 Software as a Service, Patrz: SaaS Solr, 50, 149 spam, 38, 41 Spark, 20, 27, 90 Splunk, 149 sprzedaż dodatkowa, 74 sprzęt, 159 lokalizacja, 160 outsourcing, 161 wybór, 160 Square Kilometre Array, Patrz: SKA SSN, 145 architektura, 40, 41 historia, 40 trenowanie, 40, 41 wielowarstwowa, 41 zastosowania, 40, 41 Stallman Richard, 87 startup, 185 statystyka, 177 stos technologiczny, 159, 199 strategia, 97, 104, 109, 110, 118 cel biznesowy, 125, 127 dokumentacja, 127, 128 doskonałość operacyjna, 118 konkurencyjność produktu, 118 przewaga, 118 ramy czasowe, 126 236 relacje z klientami, 118 wdrażanie spotkanie inauguracyjne, 125, 127 zespół, Patrz: zespół zmiana, 111 zrywania nisko wiszących owoców, 126 streaming, 22 symulacja Monte Carlo, 69, 147 system aukcji, 67 CompStat, 50 ekspercki, 39 HDFS, 84, 85, 100 kontroli wersji, 89 operacyjny Linux, Patrz: Linux rekomendacji, 63, 65, 69 zarządzania relacyjny, Patrz: RDMS szereg czasowy, 71 sztuczna inteligencja, Patrz: AI Ś ślad cyfrowy, 67 T Target, 52, 56, 99, 197 TensorFlow, 40, 146, 163 teoria CAP, 150 Teradata, 30, 82 Tesco, 51, 52, 54 test A/B, 61, 69, 70, 110, 111, 177 usprawnienia, 62, 63 istotności różnic, 111 Theano, 40 TPU, Patrz: procesor tensorowy U Uber, 43 uczenie głębokie, 40, 41, 121, 142, 145, 147, Patrz też: SSN maszynowe, 20, 38, 39 up-sell, Patrz: sprzedaż dodatkowa urządzenie generujące dane cyfrowe, 21, 22, 23, 24, 54, 98 przenośne, 23 utrzymanie według stanu, 72 Poleć książkęKup książkę SKOROWIDZ Z zadanie wsadowe, 65 zarządzanie łańcuchem dostaw, 73 zasoby ludzkie, 75, Patrz też: zespół zdarzenie wysokopoziomowe, 98 zespół, 118 budowanie, 173 lead data scientist, 181, 182 outsourcing, 186, 187 przywódca, 181, 182 specjalista data scientist, 173, 174, 211 inżynier danych, 176 IT, 124, 125, 127, 144, 165 nietechniczny, 120 od algorytmów, 177, 178 od analizy, 121, 123, 127, 129, 136, 139, 184 od biznesu, 119, 120, 126, 129, 136, 179 od danych, 183 od ochrony danych osobowych, 145, 165, 199 od raportowania, 180 od strategii, 118 platform engineer, 176 sieciowy, 179 techniczny, 123, 124, 141 zewnętrzny, 187 spotkanie inauguracyjne, 125 wynik, 127 w małej firmie, 188 V VCS, Patrz: system kontroli wersji version control system, Patrz: system kontroli wersji Visual Networking Index, 24 W warstwa, 41 Washington Post, 64 Watson, 205, 206 Waze, 109 web scraping, 108 wideoanaliza, 107 Wielki Zderzacz Hadronów, Patrz: LHC wizualizacja, 138, 152, Patrz też: wykres narzędzia, 152 wskaźnik efektywności kluczowy, 111, 126, 207 zmiana, 111, 136 kluczowy optymalizacja, 135 przetrwania klienta, 71 współczynnik konwersji optymalizacja, Patrz: CRO uznania, 110 wycena dynamiczna, 69 wykres, 137, 152, 180 Y Yahoo, 29 YouTube, 81 237 Poleć książkęKup książkę NOTATKI Poleć książkęKup książkę
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes!
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: