Биг дата для чего нужна

Big Data — что это такое? Простыми словами рассказываем о главном

Big Data — это область IT-сферы, которая изучает, анализирует, обрабатывает и взаимодействует с большими объемами данных. Биг дата — это все инструменты, подходы, методы обработки всех известных типов больших данных.

Специалисты биг дата чаще всего работают с неструктурированными данными, обработка которых дает структурированные данные в табличном представлении, используемые далее по назначению.

Классификация биг дата

Big Data — это большой объем разноплановых данных, но при этом все данные поддаются классификации и их можно разделить на 3 основные группы:

Как характеризуются биг дата

Любые биг дата можно охарактеризовать 4 особенностями:

Основные термины, окружающие биг дата

Big Data — это большие данные и много различных терминов, связанных с ними и с их обработкой. Несколько популярных терминов:

Заключение

Невзирая на размеры, биг дата — это всегда работа с большим объемом данных. Big Data — это способность использовать большие объемы данных для благих целей. Работа с биг дата имеет очень важное значение в современном мире, поэтому она задействована во многих сферах человеческой деятельности.

Мы будем очень благодарны

если под понравившемся материалом Вы нажмёте одну из кнопок социальных сетей и поделитесь с друзьями.

Источник

Зачем нужны big data

В статье «Три заблуждения о big data» мы развеяли популярные мифы и узнали про требование «3V» (volume, velocity, variety), отвечая которому, данные становятся «big».

«Если мы возьмем котировки акций всех компаний на рынке за несколько десятков лет, то мы получим определенную информационную базу. Однако отнести ее к большим данным нельзя, поскольку она удовлетворяет всего одному критерию из представленных выше, да и то с большой натяжкой.

Но если мы представим анализ активности пользователей в социальных сетях по отношению к этим же компаниям за все время существования Facebook, Twitter, ВКонтакте и попытаемся связать полученные данные с курсом акций, то мы как раз получим те самые большие данные. Активности пользователей и объемы генерируемой ими информации — это те недостающие критерии, которые нужны для того, чтобы мы начали говорить в данном случае о big data» — приводит пример Павел Эдигер, руководитель проекта BI, IT-компании «Эттон». В этой статье поговорим о том, для чего используются большие данные.

Умный таргетинг

Иван Дворников, Senior MS SQL разработчик в i-Free:

«Приведу в пример американскую компанию, производящую фитнес-браслеты. Этот серьёзный по мировым меркам бизнес с прибылью в несколько сотен миллионов долларов в своё время произвёл переполох в сфере big data. Представители бренда заявили, что бизнес уходит в другую область и будет заниматься торговлей данными. Каким образом?

Браслеты измеряли всю биометрику человека и собирали данные. А так как клиентов много, появилась возможность структурировать данные в разрезе городов, штатов, страны, целого континента. Производители стали продавать эти данные фармацевтическим компаниям. Понятно, что те легко заметили определённости сезонных заболеваний и использовали данные для создания таргетинговой рекламы».

Предугадывание поведения и настройка рекламных компаний

Иван Бегтин, директор АНО «Информационная культура»:

«Cотни терабайт компании WallMart позволяют предугадывать поведение их посетителей. Огромные хранилища данных Facebook позволяют аккуратно настраивать рекламные кампании, исходя из характеристик пользователя».

Самоходные автомобили и совершенствование диагностики

Светлана Ермаченкова, генеральный директор компании Digital Society Laboratory и руководитель проекта SocialKey Ads:

«Среди ярких примеров в FMCG — работа американской компании Tesla над созданием автомобиля, который сам будет везти водителя в нужное место назначения, в медицине — установка точного диагноза благодаря анализу не только истории болезни пациента, но и полученному опыту других врачей (помимо лечащего), знаниям об экологическом состоянии района, где он проживает/работает».

«Вычисление» пользователей телеком-услуг

Богданов Александр, архитектор Big Data компании AT Consulting:

«Допустим, вы телеком-оператор, у вас на рынке существует такое понятие, как „внутренний отток“. Абонент покупает новую SIM-карту и вставляет ее в свой новый телефон (старая карта при этом продолжает работать в старом) или регистрирует SIM-карту на документ другого человека. Перед вами встает задача определить, что это один и тот же абонент.

В этом случае вы начинаете изучать поведение человека в сети при помощи big data: анализируете, на какие номера он звонит, в какое время и т.д. Полученная матрица с данными сохраняется и постоянно актуализируется. И каждая новая SIM-карта изучается по тем же алгоритмам и накладывается на эту матрицу. В течение месяца с высочайшей точностью (до 99,99%) система определяет внутренний отток.

Для наглядности немного цифр, затрагиваемых в этой задаче: big data ежедневно обрабатывает данные почти 50 млн абонентов, а объем трафика звонков составляет около 3 Тб информации».

И многое другое

Иван Андриевский, Первый Вице-президент Российского союза инженеров:

«Практическая реализация big data — это современные нейронные сети и производные на их основе системы, например системы распознавания образов, имитационное моделирование, машинное обучение, прогнозная аналитика. Примеры из жизни — программы распознавания лиц на фото- и видео-съемке в современных смартфонах, фотоаппаратах, видеокамерах; алгоритм Microsoft по распознаванию эмоций на фото; системы кредитного скоринга в банках. Big data достаточно давно и успешно используется такими транснациональными корпорациями как: IBM, VISA, Master Card, Facebook, Google (с октября 2015 года Alphabet).

Фактически, big data работает в сфере человеческих интересов, которые невозможно оценить статистически обычными методами. Например, американская компания Alphabet, анализируя запросы пользователей в ее поисковой системе Google, посещаемые ими сайты, а также клики и движения курсора, может предложить с высокой точностью правильную и нужную контекстную рекламу.

Другой пример, это анализ предпочтений пользователей мобильных устройств, по которым ритейлеры и производители могут понять на какие устройства будет больший спрос, а на какие меньший. Это хорошо становится видно при анализе того, какие интернет-сервисы и программы наиболее часто используются потребителями».

Не big data, но тоже интересно: профессия «Веб-разработчик».

Освоить востребованную профессию в Аналитике больших данных можно всего за полтора года на курсах GeekBrains.

В статье «Три заблуждения о big data» мы развеяли популярные мифы и узнали про требование «3V» (volume, velocity, variety), отвечая которому, данные становятся «big».

«Если мы возьмем котировки акций всех компаний на рынке за несколько десятков лет, то мы получим определенную информационную базу. Однако отнести ее к большим данным нельзя, поскольку она удовлетворяет всего одному критерию из представленных выше, да и то с большой натяжкой.

Но если мы представим анализ активности пользователей в социальных сетях по отношению к этим же компаниям за все время существования Facebook, Twitter, ВКонтакте и попытаемся связать полученные данные с курсом акций, то мы как раз получим те самые большие данные. Активности пользователей и объемы генерируемой ими информации — это те недостающие критерии, которые нужны для того, чтобы мы начали говорить в данном случае о big data» — приводит пример Павел Эдигер, руководитель проекта BI, IT-компании «Эттон». В этой статье поговорим о том, для чего используются большие данные.

Умный таргетинг

Иван Дворников, Senior MS SQL разработчик в i-Free:

«Приведу в пример американскую компанию, производящую фитнес-браслеты. Этот серьёзный по мировым меркам бизнес с прибылью в несколько сотен миллионов долларов в своё время произвёл переполох в сфере big data. Представители бренда заявили, что бизнес уходит в другую область и будет заниматься торговлей данными. Каким образом?

Браслеты измеряли всю биометрику человека и собирали данные. А так как клиентов много, появилась возможность структурировать данные в разрезе городов, штатов, страны, целого континента. Производители стали продавать эти данные фармацевтическим компаниям. Понятно, что те легко заметили определённости сезонных заболеваний и использовали данные для создания таргетинговой рекламы».

Предугадывание поведения и настройка рекламных компаний

Иван Бегтин, директор АНО «Информационная культура»:

«Cотни терабайт компании WallMart позволяют предугадывать поведение их посетителей. Огромные хранилища данных Facebook позволяют аккуратно настраивать рекламные кампании, исходя из характеристик пользователя».

Самоходные автомобили и совершенствование диагностики

Светлана Ермаченкова, генеральный директор компании Digital Society Laboratory и руководитель проекта SocialKey Ads:

«Среди ярких примеров в FMCG — работа американской компании Tesla над созданием автомобиля, который сам будет везти водителя в нужное место назначения, в медицине — установка точного диагноза благодаря анализу не только истории болезни пациента, но и полученному опыту других врачей (помимо лечащего), знаниям об экологическом состоянии района, где он проживает/работает».

«Вычисление» пользователей телеком-услуг

Богданов Александр, архитектор Big Data компании AT Consulting:

«Допустим, вы телеком-оператор, у вас на рынке существует такое понятие, как „внутренний отток“. Абонент покупает новую SIM-карту и вставляет ее в свой новый телефон (старая карта при этом продолжает работать в старом) или регистрирует SIM-карту на документ другого человека. Перед вами встает задача определить, что это один и тот же абонент.

В этом случае вы начинаете изучать поведение человека в сети при помощи big data: анализируете, на какие номера он звонит, в какое время и т.д. Полученная матрица с данными сохраняется и постоянно актуализируется. И каждая новая SIM-карта изучается по тем же алгоритмам и накладывается на эту матрицу. В течение месяца с высочайшей точностью (до 99,99%) система определяет внутренний отток.

Для наглядности немного цифр, затрагиваемых в этой задаче: big data ежедневно обрабатывает данные почти 50 млн абонентов, а объем трафика звонков составляет около 3 Тб информации».

И многое другое

Иван Андриевский, Первый Вице-президент Российского союза инженеров:

«Практическая реализация big data — это современные нейронные сети и производные на их основе системы, например системы распознавания образов, имитационное моделирование, машинное обучение, прогнозная аналитика. Примеры из жизни — программы распознавания лиц на фото- и видео-съемке в современных смартфонах, фотоаппаратах, видеокамерах; алгоритм Microsoft по распознаванию эмоций на фото; системы кредитного скоринга в банках. Big data достаточно давно и успешно используется такими транснациональными корпорациями как: IBM, VISA, Master Card, Facebook, Google (с октября 2015 года Alphabet).

Фактически, big data работает в сфере человеческих интересов, которые невозможно оценить статистически обычными методами. Например, американская компания Alphabet, анализируя запросы пользователей в ее поисковой системе Google, посещаемые ими сайты, а также клики и движения курсора, может предложить с высокой точностью правильную и нужную контекстную рекламу.

Другой пример, это анализ предпочтений пользователей мобильных устройств, по которым ритейлеры и производители могут понять на какие устройства будет больший спрос, а на какие меньший. Это хорошо становится видно при анализе того, какие интернет-сервисы и программы наиболее часто используются потребителями».

Не big data, но тоже интересно: профессия «Веб-разработчик».

Освоить востребованную профессию в Аналитике больших данных можно всего за полтора года на курсах GeekBrains.

Источник

Что такое big data: зачем нужны большие данные, как их собирают и обрабатывают

Все вокруг говорят о больших данных: что с их помощью можно анализировать бизнес-процессы, предсказывать поведение клиентов, управлять производством и даже разрабатывать искусственный интеллект. Разберемся, что это, для чего они нужны и как работают.

Что такое большие данные

Если обобщить, то биг дата — это большой объем информации, который компания собирает и хранит для последующего использования. Еще когда говорят, что компания использует большие данные, часто имеют в виду не сами данные, а технологии для их обработки.

Какие данные можно считать большими

Чтобы отделить большие данные от обычных, нужно ответить на вопрос: «big data — это сколько?». Таблица в Экселе на 500 000 строк — это большие данные? А если строк миллиард? Текстовый файл на тысячи слов, который весит 2 мегабайта, — это много? А распечатки графиков температуры всех метеостанций Архангельской области — много или еще недостаточно?

Тут многие скажут, что эти примеры представляют собой довольно внушительное количество информации. Действительно, с такой точки зрения, все перечисленное — большие данные. Но что вы скажете про таблицу в Экселе на миллиард строк? Это тоже большие данные — и куда побольше тех!

На интуитивном уровне специалисты, далекие от big data, привыкли называть большими данными любой объем информации, который сложно удержать в голове и/или который занимает много места. И такое интуитивное определение, конечно же, неправильно.

Однозначно отделить формат больших данных от обычных помогут три критерия.

Данные должны быть цифровыми. Книги в национальной библиотеке или стопки документов в архиве компании — это данные, и часто их много. Но термин big data означает только цифровые данные, которые хранятся на серверах.

Данные должны поступать в объективно больших объемах и быстро накапливаться. Например, база заказов интернет-магазина по продаже колясок может быть большой: 10 миллионов заказов за 20 лет, но пополняется она со скоростью 100 заказов в сутки — это не большие данные. Фильм в высоком качестве может занимать десятки гигов, но со временем его размер не растет — это тоже не big data.

А вот записи показателей пары сенсоров в двигателе Боинга, поступающие в количестве несколько гигабайт в час и загружаемые на диагностический сервер производителя авиатехники — это уже big data.

Данные должны быть разнородными и слабо структурированными. Заказы в онлайн-магазине упорядочены, из них легко извлечь дополнительные статистические параметры, например, средний чек или самые популярные товары. Поэтому эти данные не относят к big data.

Показания датчиков температуры с корпуса самолета, записанные за последние 6 месяцев, — информация, в которой есть польза, но не очень понятно, как ее извлечь. Можно, конечно, рассчитать средние значения температуры за бортом самолета за полгода, но какой в этом смысл? А если погрузиться в анализ этих данных глубоко — можно вытащить много неочевидной информации. Например, о длительности перелетов, скорости набора высоты, климатических условиях за бортом и так далее. Информация интересная и полезная, но трудноизвлекаемая, значит, это большие данные.

Этот критерий не всегда обязательный. Иногда большие объемы структурированных данных, которые постоянно пополняются, относят к формату big data, особенно если их используют для машинного обучения или выявления неочевидных закономерностей. То есть если к структурированным данным применяют методы анализа big data, можно сказать, что это они и есть.

Итак, большие данные — это трудноанализируемая цифровая информация, накапливаемая со временем и поступающая к вам солидными порциями

Зачем нужна big data

Когда в любом IT-проекте начинают работать с данными, в первую очередь анализируют наиболее очевидные, значимые и понятные показатели. Так, если речь идет об онлайн-торговле, сначала смотрят на средние чеки заказов, топ продаж и объемы складских запасов. Когда речь идет о самолетах — смотрят скорость, высоту, расход топлива.

Сбор и анализ очевидных метрик позволяет вносить в систему простые и понятные корректировки. Такие улучшения практически сразу дают ощутимый результат. Это называется «сбор фруктов с нижних веток дерева».

По мере эволюции системы инженеры прорабатывают все видимые узкие места в проекте. После этого начинается стагнация продукта: для поиска новых путей развития нужно лезть выше, чтобы собрать плоды с более высоких веток. Инженеры и аналитики начинают собирать и анализировать косвенные данные, напрямую не связанные с основными метриками проектов.

Например, в онлайн-торговле можно собирать со страниц магазина данные о перемещении курсора (или пальца) по экрану. Или собирать данные с большого числа сенсоров самолета, например: число оборотов двигателя, состав топливно-воздушной смеси, забортную температуру и температуру выхлопа. Или анализировать слова в комментариях клиентов в соцсетях для оценки их лояльности.

Такие данные напрямую не связаны с основными метриками IT-системы и бизнеса, но при правильном анализе могут рассказать много интересного о возможных точках оптимизации в проекте. Работа с такими данными — как поиск нефти. Нужно пробовать разные места, применять различные стратегии поиска и извлечения скрытых ресурсов, спрятанных в данных. Далеко не все попытки будут успешны, но в итоге находки могут принести массу выгоды.

Большие данные в основном помогают решать четыре задачи:

Анализировать текущее положение дел и оптимизировать бизнес-процессы. С помощью больших данных можно понять, какие товары предпочитают покупатели, оптимально ли работают станки на производстве, нет ли проблем с поставками товаров. Обычно для этого ищут закономерности в данных, строят графики и диаграммы, формируют отчеты.

Делать прогнозы. Данные о прошлом помогают сделать выводы о будущем. Например, примерно прикинуть продажи в новом году или предсказать поломку оборудования до того, как оно действительно сломается. Чем больше данных, тем точнее предсказания.

Строить модели. На основе больших данных можно собрать компьютерную модель магазина, оборудования или нефтяной скважины. Потом с этой моделью можно экспериментировать: что-то в ней изменять, отслеживать разные показатели, ускорять или замедлять разные процессы для их анализа.

Автоматизировать рутину. На больших данных учатся автоматические программы, которые умеют выполнять определенные задачи, например, сортировать документы или общаться в чатах. Это могут быть как примитивные алгоритмы, так и искусственный интеллект: голосовые помощники или нейросети.

Больше интересных кейсов использования big data читайте в статье «Зачем вам большие данные: примеры использования big data в 8 отраслях».

Технологии работы с большими данными

Мы разобрались, что такое большие данные и какую пользу они могут принести. Теперь посмотрим, как в общих чертах работают системы анализа больших данных и какие инструменты нужны для их работы.

Упрощенно работа с big data происходит по следующей схеме: информацию собирают из разных источников → данные помещают на хранение в базы и хранилища → данные обрабатывают и анализируют → обработанные данные выводят с помощью средств визуализации или используют для машинного обучения.

Для технологий, которые работают с большими данными, базовым принципом считают горизонтальную масштабируемость, то есть возможность обрабатывать данные сразу на множестве узлов (серверов, компьютеров). Если обрабатывать такой массив информации на одном узле, это займет слишком много времени.

Итак, к основным технологиям для работы с большими данными относят:

McKinsey также включает в этот список технологии Business Intelligence и реляционные системы управления базами данных с поддержкой языка SQL

Рынок big data в мире и в России

По данным отчетов, в 2020 году мировой рынок big data составляет 138,9 млрд долларов, к 2025 году он вырастет до 229,4 млрд долларов — будет расти по 10,6% в год. Вплоть до 2025 года лидерство на рынке будет удерживать Северная Америка, в частности США.

В основном такой рост вызван повышением интереса к IoT — сейчас к интернету вещей подключено 30,73 млрд устройств, а к 2025 году их будет 75,44 млрд. Кроме того, уже сейчас без больших данных компании не выдерживают конкуренцию с теми, кто использует big data, так как не могут обеспечивать достаточный уровень клиентского сервиса.

По российскому рынку данных за 2020 год пока нет. В 2018 году отечественному рынку прогнозировали рост до 1,4 млрд долларов. По оценкам 2019 года, за счет больших данных ВВП России вырастет на 1,94 трлн рублей, а к 2024 эта сумма увеличится до 4,2 трлн. Особенно большой выигрыш от больших данных в России получат отрасли добычи полезных ископаемых, торговли, ремонта и строительства.

Источник

Зачем вам большие данные: примеры использования big data в 8 отраслях

Анализ больших данных помогает прогнозировать поведение клиентов, повышать продажи, выявлять мошенников и предотвращать аварии на производстве. Расскажем, как можно использовать большие данные в разных сферах и покажем кейсы big data от реальных компаний.

Big data в промышленности: предсказание аварий и оптимизация производства

Предиктивная аналитика. Сейчас на производстве часто внедряют IoT-системы: устанавливают датчики на оборудовании и в помещениях, а потом анализируют собранные ими данные. Эти данные и есть big data, их можно использовать для мониторинга состояния оборудования, моделирования производственных процессов, выявления и предотвращения сбоев.

Снижение стоимости продукции и оптимизация производства. Если собрать много данных о работе станков, проценте брака и каждом этапе производства, а потом их проанализировать, можно понять:

Все это помогает уменьшить издержки и снизить стоимость производства, а значит, повысить прибыль.

Поиск новых месторождений. При добыче природных ресурсов месторождения часто приходится искать почти вслепую. Однако с помощью анализа больших данных можно обнаруживать закономерности, изучать состояние почв, наличие подземных пустот, температуру пород — и таким образом эффективно искать перспективные месторождения, сравнивая новые участки с уже известными аналогами.

Big data в логистике: планирование грузоперевозок и оптимизация маршрутов.

Планирование грузоперевозок. В логистике на перевозку товаров влияет много разных факторов: загрузка складов, пробки на дорогах, состояние парка машин, расположение автозаправок. Если собрать все эти факторы вместе, сопоставить их и проанализировать, можно эффективнее планировать маршруты и время доставки, чтобы избежать простоев транспорта.

Сокращение времени доставки. Учет разных факторов перевозки товаров помогает не только планировать грузоперевозки, но и сокращать время доставки: выбирать самые короткие маршруты, избегать пробок и трудных участков пути, экономить бензин.

Например, в логистике есть «проблема последней мили» — она стоит примерно 28% от общей стоимости доставки. Так происходит, поскольку водителю приходится заезжать во дворы, искать парковку, останавливаться и разворачиваться.

Big data в ритейле: персональные предложения и оптимизация выкладки товаров

Повышение продаж. Информация о поведении клиентов в магазине или на сайте — это большие данные. На их основе можно предполагать, что именно люди будут покупать, и использовать это для повышения продаж:

Например, онлайн-ритейлер Amazon использует большие данные для системы рекомендаций товаров. Их система основана на машинном обучении — она учитывает поведение других покупателей, ваши предыдущие покупки, время года и десятки других факторов.

В итоге 35% всех продаж в Amazon генерируют рекомендации, а 86% пользователей сервиса утверждают, что рекомендации влияют на их решения о покупке.

Оптимизация выкладки товаров. Для расположения товаров на полках тоже можно использовать большие данные: анализировать предпочтения покупателей, информацию об ассортименте, форму и цвет упаковки, чтобы повысить продажи.

Big data в финансах: оценка платежеспособности и повышение качества сервиса

Оценка платежеспособности. Банкам важно выдавать кредиты только тем, кто точно сможет их вернуть, чтобы не понести убытки. Анализ больших данных помогает анализировать платежеспособность клиентов и оценивать риски.

Улучшение клиентского сервиса. Big data в банках также используют для того, чтобы делать клиентам персонализированные предложения. Это как в интернет-магазинах, только в качестве «рекомендуемых товаров» выступают банковские продукты и услуги.

Big data в HR: наем сотрудников и предупреждение увольнений

Наем сотрудников. На начальном этапе найма сотрудников часто требуется отсеять тех, кто мало заинтересован в работе или совсем для нее не подходит. Эту задачу можно решать с помощью больших данных: собирать информацию о кандидатах и резюме, выявлять в них закономерности, использовать эти данные для разработки скриптов или обучения роботов и нейросетей.

Оптимизация HR-стратегии. Компании часто анализируют поведение клиентов, и по тем же принципам можно анализировать поведение сотрудников: отслеживать эффективность их работы, переработки, признаки усталости или выгорания.

В Google есть отдел People Analytics, который анализирует большие данные, связанные с поведением сотрудников. У них есть несколько успешных кейсов применения big data:

Big data в медицине: прогноз заболеваний и сбор данных о пациентах

В медицинской сфере большие данные в перспективе можно использовать для диагностики и лечения, большинство интересных проектов пока находятся на стадии разработки или тестирования, но есть и уже реализованные.

Прогнозирование заболеваний. Если собрать достаточно данных о пациентах, можно делать предположения о том, чем они больны сейчас или могут заболеть в ближайшее время.

Ведение базы пациентов. У многих пациентов длинная история болезни, которая часто хранится в разных больницах и у разных врачей. Чтобы увидеть полную картину, нужно собрать данные в единую базу. С помощью технологий big data можно не только организовать такую базу, но и настроить в ней удобный поиск и аналитику.

Big data в образовании: помощь в выборе курсов и предотвращение отчислений

Помощь в выборе курсов. В образовании проекты big data помогают студентам с профориентацией: анализируют их способности и помогают выбрать направление обучения и будущую профессию.

Предотвращение отчислений. В США из университетов отчисляются 400 тысяч студентов в год. Чтобы решить эту проблему, в Университете Содружества Виргинии проанализировали данные об отчислениях и построили алгоритм, который выявляет студентов в группе риска.

Система оповещает, когда студент становится проблемным. И тогда с ним работают индивидуально, например, предлагают перевод на другой курс или помощь репетитора. По итогам семестра число студентов, закончивших курс, увеличилось на 16%.

Big data в маркетинге: повышение прибыли и привлечение клиентов

Создание коммерчески успешных продуктов. Большие данные о поведении клиентов помогут предсказывать спрос и позволяют до вывода продукта на рынок понять, будет ли он успешным.

Например, такие технологии использует Netflix. Этой платформой для просмотра фильмов и сериалов пользуются более 150 миллионов человек. В компании анализируют поведение клиентов: какие сериалы они смотрят, какие бросают, какие моменты перематывают. Это помогает лучше понимать психологию зрителей и грамотно рекомендовать им новые сериалы.

Таргетированная реклама и снижение стоимости привлечения клиента. Big data помогает лучше настраивать целевые аудитории и показывать таргетированную рекламу более точечно.

Например, ритейлер Ozon использует большие данные для таргетированной рекламы и рекомендации товаров. Для этого на сайте и в мобильном приложении собирают логи пользователей — фиксируют всё, что они просмотрели, пролистали, на что кликнули. На основе данных составляют прогноз: планирует ли пользователь покупку, товар какой категории, скорее всего, его заинтересует. Релевантные товары показывают в таргетированной рекламе.

Также в Ozon тестировали полки рекомендаций для различных товаров. Пользователей разделили на две группы: для первой рекомендации вручную составили эксперты, для второй — собрали автоматически на основе данных логов. В итоге во второй группе продажи оказались в 10 раз ваше.

Источник