Исследование опыта применения технологии Big Data в различных индустриях
-
Результаты анализа опыта успешного и эффективного применения технологии Big Data на мировом и российском рынках
Деятельность предприятий и организаций, чаще всего реализующих проекты Big Data, как правило, связана с выполнением функций государственной власти и управления, обеспечением безопасности, банковскими и страховыми услугами, телекоммуникациями, торговлей, транспортом, медициной. При этом в разных индустриях перспективы внедрения технологии Big Data различны в соответствии с рисунком (см. Рисунок )Error: Reference source not found. Например, потенциал применения Big Data в правительственных организациях – один из наиболее высоких, однако индекс легкости захвата данных минимален.
Основным фактором, определяющим развитие технологий Big Data, является конкуренция, поэтому наиболее успешные проекты реализуются в таких высоко конкурентных отраслях как телекоммуникации, банки, розничная торговля. Наряду с крупнейшими мировыми компаниями (IBM, ING, VISA, Merrill Lynch, Bank of America, Central Bank of India, HSBC, Capital One, Amazon, Facebook, Twitter, Google и другие), российские компании все чаще применяют технологии Big Data для решения собственных бизнес-задач.
Рисунок – Сравнительный индекс потенциала применения технологии Big Data
и индекс легкости захвата данных в разных индустриях.
Сначала рассмотрим опыт применения технологий Big Data российскими и зарубежными компаниями в перечисленных выше высоко конкурентных отраслях.
К числу лидеров рынка услуг, основанных на анализе и обработке больших объемов информации, относятся телекоммуникационные и интернет-компании.
В компании «Яндекс» первая система обработки больших данных, используемая в режиме промышленной эксплуатации, появилась уже в 2007-2008 годах. В настоящее время технологии Big Data позволяют оптимизировать поиск, фильтровать спам в «Яндекс.Почте», делать рекомендации товаров на «Яндекс.Маркет», выбирать оптимальный маршрут в реальном времени в зависимости от загруженности магистралей и особенностей дорожной обстановки в «Яндекс.Карты» и «Яндекс.Навигатор».
Кроме того разработанные компанией «Яндекс» технологии Big Data используются для анализа и обработки данных геологоразведки компанией «Сейсмотек», а также для анализа и обработки данных в проектах CERN (Европейский центр ядерных исследований, ЦЕРН).
В ближайшие годы планируется использовать большие данные, чтобы улучшить существующие сервисы и технологии. В перспективе с учетом Big Data будет развиваться платформа «Атом», позволяющая веб-мастерам адаптировать свои сайты под интересы пользователей за счет экспресс-анализа профилей посетителей сайтов.
В компании считают, что технологии Big Data позволили получить конкурентные преимущества перед другими глобальными интернет-компаниями, помогли увеличить рыночную долю «Яндекса» в предоставляемых сервисах.
По мнению специалистов компании «Яндекс» распространение технологий Big Data тормозит недоразвитость инфраструктуры, недостаточное количество квалифицированного персонала, неготовность бизнеса к крупным инвестициям, а также непонимание ценности анализа больших данных или неумение применить Big Data на практике.
Интерес компании «Mail.ru» к технологиям Big Data вызван тем, что она работает с миллионами пользователей. Ее ИТ-инфраструктура включает более 17 000 серверов, хранящих 20 петабайт информации и формирующих 460 гигабит в секунду исходящего трафика.
Первый проект по обработке больших данных «Рейтинг Mail.ru» (изначально counter.list.ru) существует с 1998 года. Он предоставляет веб-мастерам статистику событий, происходящих на их сайтах. В нем использованы собственные технологии хранения данных и обработки огромного количества входящей информации (почти 100 миллионов пользователей и несколько миллиардов просмотров страниц в день).
В настоящее время компанией реализуются такие проекты как «Почта Mail.ru», «Одноклассники», «Мой мир», «Поиск Mail.ru» и многие другие. В этих проектах анализ больших данных позволяет выявить спам, выбрать баннер индивидуально для конкретного пользователя, предложить пользователям знакомство и общение с другими пользователями или подписаться на определенные обновления.
По оценкам специалистов компании «Mail.ru» максимальный эффект от применения технологий Big Data может быть достигнут в рекламной деятельности. В частности, в системе автоматического размещения рекламы в социальных сетях «Таргет.Mail.ru» анализ поведения пользователей с использованием обработки больших данных позволил значительно увеличить эффективность рекламных объявлений.
В банковском бизнесе внедрение технологий Big Data направлено на повышение качества обслуживания, разработку новых банковских продуктов и услуг, обеспечение безопасности, оптимизацию расходов.
Так, например, финансовый холдинг ING с помощью технологий Big Data собирает и анализирует информацию о действиях посетителей сайта. При этом решаются задачи оптимизации пользовательского интерфейса и генерации индивидуальных маркетинговых предложений для своих клиентов. В рамках реализации концепции «Next Best Action» технологии Big Data обеспечивают выбор и персонализацию банковских продуктов, предлагаемых конкретным клиентам.
В банке HSBC Big Data, используемые для противодействия мошенничеству с кредитными картами, позволили повысить эффективность службы безопасности в 3 раза, а точность распознавания инцидентов – в 10 раз. Экономический эффект превысил 10 миллионов долларов.
В России многие банки, являющиеся технологическими лидерами, также начинают исследовать возможности применения технологий работы с большими данными.
Сбербанк реализует пилотный проект по применению технологий Big Data в продажах, управлении рисками, маркетинге, управлении взаимоотношениями с клиентами, борьбе с мошенничеством и других направлениях своей деятельности.
В «Альфа-Банке» успешно завершена разработка прототипа решения по взаимодействию с социальными сетями, идет несколько пилотных проектов с применением технологий Big Data. По мнению специалистов банка, это позволит на основании анализа клиентского поведения, клиентской активности и клиентских операций оперативно принимать решения и эффективно предлагать банковские продукты.
В «Райффайзенбанке» выполняется несколько проектов Big Data, направленных на улучшение обслуживания и работы с потенциальными частными клиентами за счет отслеживания поведенческих характеристик при противодействии мошенничеству, принятии решений по кредитным заявкам, а также при сегментации клиентов и создании маркетинговых кампаний в аналитической CRM. Внедрение технологий Big Data помогло «Райффайзенбанку» значительно ускорить обработку данных для формирования ежедневной отчетности.
Также в профессиональных СМИ сообщается о применении технологий Big Data в банках «Санкт-Петербург», ВТБ24, «Тинькофф Кредитные Системы», «Открытие» и других.
В целом анализ проектов Big Data в банковском бизнесе показывает, что в условиях ужесточения конкуренции основными задачами применения технологий анализа больших данных являются оперативное получение отчетности, скоринг, противодействие сомнительным операциям, мошенничеству и действиям злоумышленников, а также персонализация продуктов.
Выделяют два ключевых направления использования технологий Big Data в банковской сфере:
Нацелено на формирование профиля клиента на основе анализа данных внутренних банковских систем и внешних источников, включая открытые базы данных госструктур, программы лояльности, сведения коллекторских агентств, социальные сети и другие источники.
Нацелено на проведение анализа банковских транзакций, а также данных, получаемых от банкоматов и другого банковского оборудования.
С маркетинговых позиций технологии Big Data позволяют найти скрытые взаимосвязи, новые источники информации; повысить качество и оперативность принимаемых решений по персонализации клиентских предложений, удержанию клиентов; разработать новые уникальные услуги.
Маркетинговые службы банковских и финансовых структур, используя продукты Big Data, разрабатывают и реализуют различные инновационные сценарии взаимодействия с клиентами. Рассмотрим в качестве примера несколько из таких сценариев:
-
Применение технологий Big Data на этапе сбора и анализа сведений о поведении клиента на сайте банка, изучения истории его банковских операций, данных из социальных сетей. Используя эту информацию, система управления маркетинговыми коммуникациями готовит персональные рекламные предложения, которые отправляются клиенту банка по наиболее эффективному каналу (письмо по электронной почте, sms, рассылка, социальные сети и т.п.).
-
Оперативная маркетинговая реакция на интерес клиента к определенному продукту или услуге банка. На основе анализа данных о посещении клиентом сайта банка и страницы по заинтересовавшей его услуге система управления маркетинговыми коммуникациями формирует персонализированное предложение по данной услуге. Это предложение клиент получит при переходе на другой сайт, размещающий контекстную рекламу, или на свои странички в социальных сетях.
-
Анализ телефонных разговоров операторов call-центра с клиентами, в процессе которого оператору оперативно предоставляется необходимая информация предыдущей истории отношений с клиентом, формируются подсказки, позволяющие уточнить запросы клиента и побуждающие его к определенным действиям.
Таким образом, применение технологий Big Data, эффективное использование всего объема информации позволяет банкам увеличить выручку и уменьшить отток клиентов за счет повышения эффективности маркетинговых кампаний и создания индивидуальных предложений.
Еще одной отраслью, в которой технологии Big Data наиболее востребованы, является розничная торговля. Рассмотрим несколько примеров анализа больших данных зарубежными и российскими торговыми предприятиями.
Для розничной торговли важна скорость обработки постоянно обновляющихся огромных массивов данных. Американская сеть Guess, продающая джинсовую одежду и аксессуары, применяет технологии Big Data для отслеживания информации о продажах и движении товаров. Используемая сетью система HP Vertica анализирует, какие товары хорошо продаются; выявляет товары, не пользующиеся спросом; определяет комбинации совместно приобретаемых товаров. При этом актуальная информация о продажах предоставляется сети магазинов на утро следующего дня. Совместно в системой HP Vertica используется приложение для планшетных компьютеров, позволяющее дизайнерам и менеджерам (непрофессиональным потребителям аналитики) использовать полученные результаты на своих рабочих местах.
Сеть супермаркетов Wal-Mart применяет технологию Big Data для решения задач прогнозирования спроса, оптимизации цен, разработки акций и маркетинговых кампаний, собирая и анализируя 2,5 петабайт данных в час.
Крупнейшая международная сеть супермаркетов Tesco использует технологии Big Data для работы с покупателем непосредственно в торговых точках. В магазинах сети внедряется программное обеспечение, реализующее технологии распознавания лиц (face recognition). Оно позволяет при приближении покупателя на мониторе транслировать рекламу, предназначенную для соответствующей потребительской аудитории.
В России компания «Глория Джинс», занимающаяся дизайном, производством и продажей одежды, начала анализировать Big Datа для обеспечения своевременных поставок товаров в более чем 600 магазинов в 319 городах России и Украины в 9 часовых поясах. Центральный офис компании находится в Ростове-на-Дону, откуда происходит управление 9 региональными представительствами, 7 логистическими комплексами и 48 фабриками.
Для построения системы управления базами данных выбрана платформа HP Vertica, показавшая в ходе тестирования скорость обработки данных, в несколько раз превышающую показатели конкурентных решений. Так, сложные отчеты, которые на других платформах выполнялись в течение 4 часов, HP Vertica выполняла за 20 секунд, что позволило существенно повысить производительность труда сотрудников компании. Руководство компании «Глория Джинс» считает, что анализ данных в реальном времени помогает принимать быстрые и точные бизнес-решения, основанные на актуальных данных, что в конечном счете приводит к улучшению бизнес-показателей и повышению удовлетворенности покупателей.
Проведенный анализ практики применения Big Data в розничной торговле показывает, что внедрение современных решений Big Data по сбору, обработке, анализу и предоставлению данных позволяет розничным предприятиям и сетям оптимизировать цены и работать с ассортиментом, совершенствовать логистические процессы, эффективнее управлять запасами и транспортными потоками. Современные технологии анализа больших данных дают возможность оперативно решать аналитические задачи, используя как накопленный массив информации, так и данные о текущих продажах.
Кроме того, у маркетинговых служб розничных сетей появляются новые возможности анализа данных о лояльности покупателей. При этом сведения о покупках позволяют точнее сегментировать клиентскую базу для рекламной рассылки. Объединение этих сведений с данными из социальных сетей дает дополнительную информацию об интересах покупателя и помогает формировать персонифицированные рекламные предложения.
Таким образом, несмотря на определенные сложности и проблемы развития, технологии Big Data становятся одним из важнейших направлений формирования новых сервисов, повышения конкурентоспособности сервисных предприятий и организаций, создания инновационных маркетинговых инструментов продвижения услуг.
Далее рассмотрим опыт использования технологий Big Data в работе государственных организаций разных стран.
В государственном секторе Big Data позволяет отслеживать и анализировать огромные массивы неструктурированных текстовых данных, содержащихся в документах, в Интернете, в социальных сетях и в СМИ. Данная технология позволяет проводить автоматический анализ тональности и оценку мнений и сообщений о деятельности государственного органа.
В США в государственном секторе инвестировано около 200 миллионов долларов на развитие технологий «больших данных», что, безусловно, является показателем высокого интереса к Big Data. Основными направлениями инвестиций являются Национальный научный фонд, Национальный институт здравоохранения, Пентагон и Министерство энергетики.
В сфере здравоохранения США (United HealthCare) было построено решение на базе текстовой аналитики SAS, которое позволило исследовать записи в медицинских картах пациентов. Анализ этой информации позволил повысить точность диагностики и подбора медикаментов, при этом всегда есть возможность проверить, соответствует ли диагноз описанным симптомам и анамнезу пациента и насколько адекватным является лечение. Кроме того, существуют и применяются специализированные решения предиктивной аналитики, позволяющие предсказывать вероятность мошенничества в сфере здравоохранения.
Для формирования программы развития здравоохранения Канады, необходимо было агрегировать, подготовить и проанализировать все имеющиеся медицинские данные, накопленные за семнадцать лет. В результате внедрения аналитического решения, с применением технологии Big Data, государство смогло исследовать факторы, влияющие на заболеваемость населения, провести их статистический анализ, оценить качество оказываемой медицинской помощи и использовать полученные результаты для разработки и реализации инициатив по развитию системы здравоохранения.
Налоговая служба США с помощью подобных решений повышает уровень собираемости налогов, Корейская таможня — выявляет нелегальный экспорт и импорт, а Пенсионный департамент Великобритании — граждан, которые неправомерно получают различные социальные льготы и пособия.
Департамент специальных расследований Таиланда, созданный Министерством юстиции Таиланда в 2002 году, также использует технологии Big Data. Объем информации, которой оперирует ведомство, колоссален: это миллионы записей, собранных из разных источников и хранящихся в структурированных и неструктурированных форматах, таких как документы, изображения, видео. Обработка и поиск необходимых данных в таком массиве обычно занимают очень много времени, особенно в условиях, когда невозможно задать четкие параметры для поиска. Это сильно влияло на сроки раскрытия преступлений. Для преодоления этой проблемы департамент внедрил решение Microsoft для хранения и управления большими данными на основе Microsoft SQL Server 2012 и программного обеспечения Apache Hadoop. Внедрение решений обработки больших данных позволило сократить время обработки и анализа информации по ряду дел с двух лет до двух недель.
Государственное агентство занятости Германии разработало сервис по формированию индивидуальных предложений для безработных за счет анализа исторических данных своих клиентов и технологий сегментации и изучения поведенческой активности. Результатом внедрения технологий Big Data является экономия за три года (наряду со смежными инициативами) примерно 10 миллиардов евро бюджетных денег, при этом сокращение времени поиска гражданами работы и, следовательно, повышение их удовлетворенности сервисом.
Налоговая служба Швеции, введя для граждан сервис по предварительному заполнению налоговых деклараций персональными данными и данными за прошлые периоды, высвободила примерно 15% своих штатных сотрудников.
Департамент повышения эффективности при правительстве Гонконга (КНР) создал систему анализа жалоб на базе технологии Big Data, куда поступают сведения обо всех жалобах и обращениях, а это 2,65 миллиона телефонных звонков и 98 тысяч электронных писем ежегодно. Собранная важная социальная информация, содержащаяся в жалобах, используется для углубленного анализа существующих и назревающих в обществе проблем. В результате, правительство имеет возможность оценить эффективность работы государственных учреждений и, при необходимости, принимать меры по ее повышению.
Что касается России, применение технологий «больших данных» в государственном секторе пока находится на стадии исследования их потенциала для повышения эффективности организаций. Однако ряд долгосрочных проектов уже стартовал. Можно утверждать, что многие министерства или ведомства оперируют огромными массивами данных, даже если речь идет об отдельном регионе, не говоря уже о стране в целом. С помощью технологии «больших данных» решается очень широкий спектр задач правоохранительных органов: от предотвращения терактов до поиска пропавших детей; при этом может использоваться анализ текстовой информации из социальных сетей и различных форумов, анализ базы инцидентов, самой разнообразной агрегированной информации о знакомых семьи, об освобожденных преступниках и так далее.
Решения обработки больших данных позволяют повысить эффективность деятельности министерств и ведомств, улучшить процессы прогнозирования и принятия решений.
В Федеральной налоговой службе РФ реализована инфраструктурная часть в проекте по внедрению автоматизированной информационной системы «Налог 3». С вводом АИС «Налог-3» можно будет более эффективно бороться с «серыми зарплатами» или же привлечь к ответственности предпринимателей, работающих без регистрации.
Также на текущий момент ведутся проекты по внедрению решений обработки больших данных в Федеральном казначействе РФ, которые решают задачи анализа плановых и фактических показателей исполнения бюджетов территориальными органами и органами государственной власти.
-
Потенциальные возможности технологии Big Data, которые могут быть полезными в сфере деятельности Минкультуры России
По результатам проведенных исследований технологии Big Data, а также учитывая результаты обследования существующей схемы организации работы Министерства культуры России и выявленные в ходе него потребности в информационно-технологических решениях, можно сделать следующие выводы:
На технологии работы с большими данными в 2013 году в мире было потрачено порядка $34 млрд., а к 2015 году в этом секторе будет создано 4,4 млн. рабочих мест.
Как и источники больших данных, средства и алгоритмы их обработки чрезвычайно многообразны. Среди них как традиционные методы статистики и информатики, так и специально разработанные для Big Data инструменты. Это методики выявления взаимосвязей, позволяющие предсказать поведение потребителей в определенном сегменте рынка, инструменты анализа комментариев в социальных сетях, алгоритмы машинного самообучения, методики анализа пространственных (географических данных), модели симуляции, средства визуализации и многие другие.
Самое известное и распространенное аппаратное решение – Hadoop от Apache. Это программный комплекс с открытым кодом, и в ИТ-индустрии уже появилось целое направление по созданию продуктов на его базе. В настоящее время практически все современные средства анализа больших данных предоставляют средства интеграции с Hadoop. Их разработчиками выступают как начинающие компании, так и общеизвестные мировые бренды ИТ-индустрии.
Основываясь на проанализированных примерах успешного и эффективного использования технологий Big Data в деятельности государственных структур и коммерческих организаций в России и за рубежом, можно выделить несколько возможных направлений, потенциально применимых при решении прикладных задач Минкультуры России (см. Таблица 6).
Таблица Возможные направления использования российского и международного опыта по технологии Big Data в деятельности Минкультуры России
№ п/п
|
Краткое описание проекта использования технологии Big Data
|
Возможное направление использования (аналог) в рамках Минкультуры России
|
1.
|
Крупный авиаперевозчик, компания Air France-KLM, внедрил систему обработки данных о своих рейсах за более чем двухлетний период, позволяющую оценивать и оптимизировать расписание и стоимость билетов, исходя из данных о конкретных пассажирах. Система также оценивает вероятность отмены бронирования или неявки пассажира на рейс, определяя величину возможного избыточного бронирования.
|
Планирование мероприятий (прогноз эффективности, посещаемости и т.п.) на основе ретроспективных данных по ранее проведенным мероприятиям.
|
2.
|
Измерение эффективности рекламы на outdoor-щитах в Лондоне. Раньше охват подобной рекламы можно было измерить лишь поставив возле рекламных конструкций людей со специальным устройством, подсчитывающим прохожих. При использовании технологий Big Data в оценке эффективности рекламы появилось больше возможностей, например, в результате использования данных операторов сотовой связи в качестве постоянно пополняемого и актуализируемого источника информации (местонахождение абонентов, их демографические характеристики, пол, возраст, семейное положение, и т.д.).
Подобные данные используются при решении размещения рекламных щитов в определенной локации на основе данных о наличии мощного целевого потока людей, для изменения содержания рекламного сообщения на основе предпочтений конкретного человека, проходящего мимо рекламного щита. Если данные показывают, что проходящий мимо человек много путешествует, то ему показывается реклама курорта. Также, организаторы футбольных матчей получили возможность планировать места для размещения рекламы следующих матчей, используя информацию оператора сотовой связи о том, где посетители находились за час, день или месяц до него.
|
Планирование места проведения мероприятий и размещения рекламных площадок на основе данных сотовых операторов о потоках целевой аудитории и ретроспективных геолокационных данных по абонентам сотовой сети.
|
3.
|
Проект всемирного фонда здравоохранения по централизованному сбору информации по больницам, клиникам и лабораториям, а также отслеживанию вакцинированных пациентов привел к впечатляющим результатам в борьбе с полиомиелитом в Нигерии, Пакистане, Афганистане, Индии и Эфиопии. Во всех регионах собранная фондом информация была намного более полной и объективной, чем официальная статистика.
|
Проверка выдачи прокатного удостоверения на транслирующийся фильм в кинотеатрах на основе данных централизованной системы учета выдачи прокатных удостоверений и открытой информации о расписании сеансов фильмов в кинотеатрах.
|
4.
|
Крупная европейская сеть ресторанов быстрого питания смогла оперативно отреагировать на непредвиденное событие, тщательно проанализировав внешние данные с помощью программного обеспечения для бизнес-аналитики. В 2011 г. мальчик съел два гамбургера и умер от пищевого отравления. Этот случай, не сопровожденный какими-либо медицинскими свидетельствами, немедленно стал достоянием прессы и интернета, в результате чего образ компании был запятнан, а заведениям пришлось столкнуться с лавиной проверок. Предприятие решило применить методы чувствительного анализа, основанные на отслеживании распространенных слов и фрагментов текста в интернете (например, социальных сетях, блогах и интернет-изданиях). Им удалось понять, какие эмоции испытывают потребители, и сравнить их реакцию с откликом на подобные случаи у конкурентов.
Кроме того, в результате анализа обнаружилось, что пользователи социальных сетей комментируют материалы французской газеты La Provence особенно часто. Компания, желая быть услышанной как можно более широкой аудиторией, связалась с редакцией газеты. Осознавая ожидания потребителей на основе анализа больших данных, компания смогла адаптировать свою PR-стратегию. Через месяц она запустила сайт, посвященный соблюдению санитарных норм в сети ее ресторанов быстрого питания. Такой шаг изменил образ компании и позволил ей сохранить долю и позиции на рынке.
|
Деятельность пресс-службы Министерства культуры Российской Федерации (общественное мнение о деятельности, образ Министерства и его руководства и т.п.).
|
5.
|
Компания Nike запустила проект с открытыми данными – Nike responsibility, задачей которого является повышение прозрачности компании, а также укрепление положительного образа и улучшение отношения к бренду.
Nike часто критиковали за плохие условия труда сотрудников, низкие заработные платы и экологические загрязнения в Азии. Целью указанного проекта была публикация сведений о воздействии, которое оказывает продукция компании на окружающую среду, и производственной информации (например, аудиторские отчеты о работе компаний-субподрядчиков).
|
Повышение прозрачности деятельности Минкультуры России и укрепление положительного образа за счет публикации информации на портале открытых данных с использованием современных средств визуализации.
|
6.
|
В российских телекоммуникационных компаниях (Вымпелком, МТС) с помощью технологий Big Data осуществляется в том числе и управление лояльностью абонента, в рамках которого выполняется:
Формирование профиля абонента: сегментация клиентской базы, оценка предпочтений и расчёт доходности для каждой группы;
Анализ записей о звонках клиентов по десяткам и сотням настраиваемых параметров, определение социальных групп абонентов, выявление лидеров мнений, последователей и другие роли внутри этих социальных групп;
Нахождение внутренних взаимосвязей и зависимостей: позволяет создавать модели оттока абонентов, сегментировать их, что в целом расширяет аналитические возможности оператора;
Планирование и предварительная оценка маркетинговых кампаний, качественное таргетирование исходя из профилей абонентов;
Предотвращение оттока абонентов, за счет выявления и оценки значимости факторов, которые влияют на лояльность клиентов;
Принятий решения о необходимости удержания клиента исходя из экономических соображений
|
Формирование профиля пользователей услуг учреждений культуры по направлениям, сегментация, планирование и оценка эффективности мероприятий и т.п. на основе данных от сотовых операторов, данных социальных сетей и открытых интернет-ресурсов.
|
7.
|
В Лондоне для регулировки дорожного движения, выявления контрабандистов и сбора оплаты за въезд в город применяются специальные технологии на основе Big Data.
Чтобы избежать возникновения пробок, служба мониторинга дорожного движения совместно с госслужащими собирали данные, поступающие из социальных сетей, с камер видеонаблюдения и систем автоматического слежения за транспортными потоками, объединяя их с данными о погоде, служебной информацией полиции и контентом сетей. Это позволило им предсказать часы пик и найти способы регулирования транспортных потоков.
Например, они могли в любой момент предоставить информацию о загруженности дорожной сети представителям СМИ, гражданам, поставщикам различных услуг и спортсменам, а также быстро реагировать на любые инциденты или события и принимать соответствующие меры по координации для управления дорожным движением и проведения работ.
Кроме того, понимание поведения людей, перемещающихся по городу, позволило службе мониторинга дорожного движения успешно адаптироваться в режиме реального времени и с максимальным качеством предоставлять свои услуги пользователям.
|
Планирование места проведения мероприятий, формирование профиля и сегментация пользователей услуг учреждений культуры, анализ пересечения аудитории и т.п. на основе данных сотовых операторов, геолокационных данных, интернет-ресурсов.
|
|
