BIG DATA. Вся технология в одной книге. Андреас ВайгендЧитать онлайн книгу.
Она подразумевает понимание процесса переработки информации, знание изменяемых и неизменяемых параметров, умение интерпретировать ошибки и понимать возможные последствия передачи информации о себе. Для мира, где большую часть наших решений будут направлять рекомендации, полученные на основе обработки социальных данных, такая грамотность является обязательной.
Неудивительно, что одним из первых «инфоперерабатывающих заводов» стало предприятие розничной торговли – компания Amazon. Преуспевающий магазин обязан знать, какие товары, интересующие потенциальных покупателей, должны быть в наличии, а для этого нужно отслеживать данные о товарообороте, ценах, рекламе и потребительских предпочтениях своей целевой аудитории.
Двести лет назад практически вся информация, нужная хозяину магазина, заключалась в данных об остатках товара на полках и денег в кассе. По окончании каждого торгового дня эти данные вписывали чернильной ручкой в гроссбух. При выборе покупок из примерно одинакового ассортимента в одной и той же ценовой категории покупатель руководствовался информацией о надежности, привлекательностью упаковки или же мнением друзей, соседей и родственников. Примерно 150 лет назад несколько компаний, самыми известными из которых были Montgomery Ward и Sears & Roebuck Company, порадовали жителей провинциальных американских городков каталогами для заказа товаров почтой. Эти инноваторы своего времени знали, что именно обычно заказывает конкретный покупатель и куда ему доставляют товары, и поэтому могли определять уровень спроса на отдельные виды продукции в разрезе регионов. Сто лет назад, для того чтобы прогнозировать спрос и оптимизировать товарные запасы, компании, занимавшиеся торговлей по каталогам, открывали и шоурумы, и обычные магазины, а также держали целые армии аналитиков, прочесывавших статистику продаж[27]. Спустя еще пятьдесят лет в розничной торговле опять произошли важные перемены. С появлением системы почтовых индексов в США рассылочным фирмам и их торговым точкам стало проще отслеживать особенности своих потребителей[28]. В течение двух следующих десятилетий компании смогли собрать подробную демографическую информацию о людях, проживающих в различных географических областях. А вошедшие в обиход американцев с середины 1960-х годов кредитные карточки позволили собирать данные о покупках конкретного потребителя. До наступления эпохи интернета это был предел детализации личных данных – где человек живет и сколько и где он тратит.
Основанная в 1969 году компания-брокер данных Acxiom и ряд других вдоль и поперек анализировали данные домохозяйств, распределяя частных лиц по потребительским нишам, в которых фигурировали, например, сегменты «Образцово-показательных граждан», «Барских домов», «Селян с дробовиками» и «Пригородных наседок». И это еще не самые худшие образцы социальной стереотипизации[29]. В качестве источников информации у этих брокеров
Madison, James H., “Changing Patterns of Urban Retailing: The 1920s”, Business and Economic History, vol. 5 (1976), p. 104, http://www.thebhc.org/sites/default/files/beh/BEHprint/v005/p0102-p0111.pdf.
Clark, Anna, “The Tyranny of the ZIP Code”, New Republic, March 8, 2013, https://newrepublic.com/article/112558/zip-code-history-how-they-define-us.
“Образцово-показательные граждане” – название одного из сегментов Acxiom. См. Hicken, Melanie, “What Type of Consumer Are You?”, CNNMoney, April 19, 2013, http://money.cnn.com/2013/04/18/pf/consumer-type/. “Барские дома” и “Селяне с дробовиками” – две категории программы «Potential Rating Index by Zip Markets» (PRIZM), которую разработала маркетинговая фирма Claritas, созданная в 1990-х годах. Сейчас Claritas – одно из подразделений Nielsen Company – компании, собирающей для производителей информацию о продажах их продукции в рознице и измеряющей телеаудиторию. См. Kotler, Philip, and Kevin Lane Keller, Marketing Management 14 (Upper Saddle River, NJ: Prentice-Hall, 2012), p. 215. “Пригородные наседки” – категория базы данных розничной сети Best Buy’, которая содержит информацию о 75 миллионах домохозяйств-покупателей и является одной из самых смелых попыток крупной розницы использовать данные для персонализации предложений. См. Kotler, Philip, and Kevin Lane Keller, Marketing Management 14 (Upper Saddle River, NJ: Prentice-Hall, 2012), p. 71; и Zmuda, Natalie, “Best Buy Touts Data Project as Key to Turnaround”, Advertising Age, February 27, 2014, http://adage.com/article/datadriven-marketing/buy-touts-data-project-key-turnaround/291897.