Как медиакорпорации используют Big data

Большие данные представляют собой огромный объем информации разного типа: картинки, видео, текст, геоданные, веб-журналы, машинный код. Вся информация находится в различных хранилищах и трудно поддается анализу с помощью традиционных методов. Для этого используются специализированные технологии, включая искусственный интеллект и машинное обучение.

Пример. Netflix, крупнейший американский поставщик потокового видео, предлагает пользователям персонализированный контент, также анализируя огромные массивы данных. Среди них – время суток, выбранное для просмотра, длительность процесса выбора фильма, частота и периодичность постановки видео на паузу.

На сбор данных о потребительских интересах перед запуском хита «Карточный домик» понадобилось 6 лет, и теперь по аналогичной схеме запускаются все новые проекты компании. В итоге уровень успеха продуктов Netflix составляет 80% благодаря предиктивной аналитике, тогда как вероятность успеха традиционных телешоу оценивается на уровне 30-40%.

По статистике, ежедневно Facebook обрабатывает около 2 миллиардов запросов. Google получает 5,5 миллиардов запросов каждый день. И это не предел, объемы информации постоянно растут. Полученные данные анализируются и используются для повышения качества контента.

Благодаря тонкой настройке новостной ленты Facebook в нее попадают те посты, которые, скорее всего, понравятся пользователю. Учитывается буквально все: на что вы отреагировали лайком или грустным смайликом, что прокомментировали, какую ссылку открыли, досмотрели ли до конца видео, дочитали ли текст поста.

В итоге в ленту пробивается контент, способный заинтересовать пользователя с наибольшей вероятностью. Вслед за Facebook алгоритмическую ленту внедрили в Instagram, ВК и другие соцсети. Есть свои наработки и у YouTube: в топ выдачи поиска попадают не только самые просматриваемые видео, но и получившие большее число лайков, подписок на канал, комментариев и просмотров до конца.

Big data на ТВ

Цифровым медиа проще получать Big data, чем теле- и радиокомпаниям. Диверсификация источников данных может помочь решить эту проблему. Например, кабельные компании часто предлагают помимо ТВ-каналов подключить и интернет, а использование возможностей SMART-TV может еще больше рассказать о предпочтениях зрителей.

Показательный пример управления данными – адресное телевидение. Каждой точке подключения присваивается адрес, и можно точно знать состав семьи, возраст ее членов, есть ли у них домашние животные, автомобиль, частный это дом или квартира.

Выигрывают не только кабельные и спутниковые компании, но и их клиенты, получающие меньший процент избыточных или нерелевантных для них рекламных объявлений. В США, по данным на конец 2017 года, насчитывалось 75-85 миллионов адресуемых домашних хозяйств, и эта аудитория быстро растет. Притом что процесс перехода американских потребителей к цифровому вещанию начался еще в 1990-х годах.

В России тем временем еще не завершился окончательный переход с аналога на «цифру». Так, около 70% телевизоров россиян способны поддерживать цифровой прием, хотя охват составляет в среднем 98%. Адресное планирование ТВ-рекламы в РФ – скорее, вопрос отдаленного будущего, чем настоящего.

Big data в интернет-изданиях

Не имея возможности соперничать с лидерами цифрового контента, СМИ вынуждены объединять усилия. Так появился проект Pangaea Alliance, созданный CNN, The Guardian, Financial Times, The Economist, Reuters совместно с другими медиакорпорациями. Компании обмениваются данными о пользователях, подписках, поведенческой информации на сайте. В итоге профиль каждого пользователя складывается как картинка из кусочков пазла.

Подобный опыт объединения можно наблюдать и в Германии. Речь идет о платформе Emetriq под управлением Deutsche Telekom. За пользование информацией каждый участник альянса платит фиксированную сумму, размер зависит от объема необходимой информации о клиентах. На итоговую цену рекламы влияет и количество показов на сайте партнера.

Еще один тренд, которые обязует использовать Big Data – постановка в KPI сотрудников редакций не только количества посещений сайта, но и показателей просмотров статей, времени нахождения на сайте пользователем, показателей возврата читателей. Фокус СМИ переносится с трафика на вовлеченность, а это уже качественный, а не количественный показатель.

Пример. Так, сайт NBC News сократил количество выпускаемых статей на 25%. В NBC решили сделать ставку на то, чтобы читатель не просто зашел на сайт и покинул его, прочитав заинтересовавшую его новость, но и продолжил поиск интересного на сайте. Для этого СМИ запустил суббренды: ориентированный на науку Mach, пишущий статьи о здоровье Better, собравший мнения и идеи Think.

Такой редакционный сдвиг предполагает совпадение интересов читателей и показываемой рекламы, что помогает пользователям оставаться лояльными к сайту. Выявлению интересов как раз способствует сбор и аналитика Big data. Без этого обеспечить вовлеченность представляется сложной задачей.

The Guardian для аналитики использует продукт внутренней разработки – инструмент Ophan. С его помощью можно сформировать детализированный отчет и просмотреть поминутные данные по отдельным статьям: детализацию просмотра страниц (через смартфон или компьютер), время прочтения статьи, переход с опубликованного текста в соцсетях, геоданные о пользователях. Результаты изменений и корректировок, вносимых в статью, редакторы могут видеть в режиме онлайн. Так, Big data позволяет в среднем в 5 раз быстрее принимать решения на основе пользовательских реакций.

Но не только СМИ нуждаются в больших данных.

Корпорации должны объединяться для работы с Big data

Отток лояльных ранее клиентов – серьезная угроза для любой корпорации. Статистика говорит, что как минимум 30% потребителей делятся отзывами о товарах через соцсети и специализированные сайты. Причем негативным опытом покупки товаров или услуг делятся в 1,5 раза чаще.

Анализируя эти данные, компании могут улучшить качество сервиса, скорректировать ценовую политику, тип медиа-контента (сделать ставку на текстовое описание, фото или видео), изменить параметры доставки. Компании активно используют новые каналы продаж, используя те же соцсети, воздействуя на потребителя напрямую.

Яркий пример увеличения продаж с использованием Big data демонстрирует крупнейшая торговая сеть Walmart. Применив текстовый анализ, технологии машинного обучения и алгоритм подбора синонимов в поисковой системе, сайт ритейлера увеличил коэффициент конверсии на 10-15%. Для Walmart – это миллионы долларов дополнительной прибыли.

Для настройки целевых сегментов аудитории используются сервисы таргетинга данных MediaMath, BlueKai, Lotame и Krux.

В России одними из первых к анализу больших данных обратились крупнейшие банки («Сбербанк», «Альфа-Банк», ВТБ24 и другие), операторы связи, ритейлеры (X5 Retail Group, «Лента», «М.Видео», Ozon, «Глория Джинс», «Азбука вкуса») и нефтяные компании. Так, представитель X5 Retail Group подтвердил, что компания уже анализирует архивы чеков покупателей для планирования продаж и промоакций.

К сожалению, в России еще не пришли к идее объединения между крупными корпорациями полученных данных. Этот шаг мог бы стать прорывным на пути роста продаж и доверия покупателей к брендам.

7-8 апреля в Москве пройдет хакатон компании «Газпром-Медиа Развлекательное телевидение» Hack The Media. Если у вас есть готовое решение обработки медийных данных или вы готовы его создать, успейте подать заявку. 

Правила охоты на инвестора: как привлечь в стартап средства с помощью публикаций в СМИ

«В Беларуси наш проект, вероятно, первая попытка сделать медиа для США»

Чем нас могут удивить новые соцсети

Видеостриминг как феномен: может ли на этом заработать бизнес?

«Cо стороны может показаться, что у нас полный бардак и хаос»: телеканал «Дождь» изнутри