Что мы делаем?
Изучаем поведение пользователей в интернете, прежде всего – в социальных сетях. Чем интересуются, как распространяют информацию, как часто пользуются – мы ищем и находим ответы на эти и многие другие вопросы.
Кто мы?
Наша команда объединяет математиков, программистов, социологов, психологов, политологов и политтехнологов – мы считаем, что именно такое сочетание позволяет разносторонне проанализировать, что же происходит в российском интернете и социальных сетях.
Как мы это делаем?
Прежде всего, создавая программные продукты (с использованием «облачных технологий»), которые позволяют в автоматизированном виде извлекать и анализировать больше объемы данных.
Во-вторых – создавая математические модели для анализа полученной информации.
В-третьих – активно перенося опыт «офф-лайн» полевых психологических, социологических, маркетинговых и политических исследований, накопленный основателями с 1999 года.
Особенности
Принципиальным недостатками big data анализа во многих компаниях является отсутствие координации с подразделениями маркетинговых служб, отделов продаж и исследований и т.д.. Мы обладаем 15-летним опытом проведения любых видов классических маркетинговых исследований, а также моделирования поведения на основе эмпирических данных.
В связи с этим мы можем предложить выстраивание комплексных систем обратной связи от потребителей и/или поисковых исследований, которые объединят, с одной стороны внутренние или внешние Big Data, а с другой – исследования, предполагающие непосредственный контакт с потребителями или представителями целевой аудитории.
Решения (техническая часть)
Мы предлагаем построение систем класса Big Data с использованием принципов и технологий Data Mining для анализа больших объемов данных и использование результатов анализа в режиме, приближенном к реальному времени.
Использование Apache Hadoop и Apache HBase позволяет строить легко (линейно в зависимости от объема данных и используемых мощностей) и неограниченно масштабируемые распределенные решения, позволяющие обрабатывать большие массивы данных, и использовать результаты этого анализа с фиксированным временем отклика вне зависимости от объема данных. При этом использование открытых технологий Apache позволяет минимизировать капитальные затраты (лицензионные отчисления).
Для построения систем возможно использование как вычислительных мощностей дата центров заказчика (c минимальными требованиями к используемым серверам, с одновременной поддержкой, как одноядерных ПК, так и многоядерных high-end серверов).
Так же возможно построение аналитических решений с использованием мощностей облачных провайдеров (таких как Amazon и их технологии Amazon Elastic MapReduce), что позволяет снизить требования к инфраструктуре и оплачивать вычислительные мощности на основе подписки по мере их использования.
Использование современных подходов к анализу данных (нейронные сети, генетические алгоритмы, деревья и леса решений, случайное блуждание в графах и т.д.) позволяют строить прогнозные и аналитические модели высокой точности как на основе «обучения с учителем» (supervised learning), так и самообучающиеся (unsupervised learning).
Возможное применение (некоторые примеры)
Изучение распространения информации, статики и динамики социальной структуры; системы мониторинга социальных сетей
Преимущественно в рамках проекта Polit-IT.
Системы наилучших предложений и анализа каналов взаимодействия (Recommender systems/Next Best Offer)
Основные решаемые задачи:
- повышение конверсии маркетинговых акций (в отдельных случаях в разы);
- увеличение выручки путем предложения релевантных дополнительных опций и продуктов;
- повышение лояльности клиентов путем персонализации взаимодействия.
Для решения данных задач, системы NBO выполняют анализ клиентской информации (географическое таргетирование, оборот, история взаимодействия и т.д.) и истории покупок и откликов клиентской базы в совокупности, и предсказание вероятности совершения клиентом покупки в ответ на определенное маркетинговое действие. На основе такого анализа решение позволяет:
- При взаимодействии с клиентом (центры обслуживания, приема платежей и т.п.) предложить ему персонализированные продукты, промо-акции (система класса Next Best Offer).
- При проведении маркетинговых кампаний повышать отклик путем предложения персонализированных промо-акций с использованием оптимальных для групп клиентов каналов продаж (личный кабинет, sms, email, соцсети).
Борьба с мошенничеством (fraud management)
Основная решаемая задача: поиск и предотвращение мошеннических действий, проактивный мониторинг и оперативная реакция на них. Возможна интеграция в биллинговые системы для блокировки подозрительных транзакций так и в системы взаимодействия (CRM, call-центры) для проактивного предупреждения клиентов о совершаемых подозрительных операциях.
Система выполняет поиск подозрительных транзакций путем выявление несоответствий на основе: