Текстовая аналитика Big Data для мобайл решений

и выявления трендов

SEO Conference 2016, Казань

Луценко Елена

РЫНОК BIG DATA И

ТЕКСТОВОЙ АНАЛИТИКИ

Рынок Big Data в мире

Wikibon Big Data Market and Forecast, 2011-2020

Тренды рынка текстовой аналитики

Источник: IDC Digital Universe Study & EMC, 2011

Объем неструктурированных данных составляет 80-90% от всех данных.

68% неструктурированных данных сгенерированы потребителями

Глобальный рынок продуктов текстовой аналитики должен составить

$13.4 млрд. к 2020 году при росте в 18.4% по CAGR. Текущая оценка

рынка - $5.8 млрд*

Европейский рынок текстовой аналитики ожидает рост на 18.3% с 2014

до 2019 года, достигнув $1 223.9 млн к 2019 году. Основные игроки:

Microsoft, IBM, Oracle, SAS, SAP*

61% ЛПР считают, что анализ неструктурированных (текстовых) данных

крайне важен для определения и корректировки стратегии бизнеса,

однако более половины ЛПР в компаниях используют лишь до 25%

доступной текстовой big data для анализа **

Тренды мирового рынка текстовой аналитики

* По оценке MarketsendMarkets & MicromarketMonitor 2015

** По оценке Forrester Report: Big Data Management Solutions Forecast 2016

С 2012 года в России число компаний, не заинтересованных в текстовой

аналитике, снизилось с 35 до 18%. Число тех, кто уже использует,

выросло с 20% до 40%*

70% респондентов в России считают, что анализ данных их компании

поможет принимать более взвешенные решения**

31% респондентов сообщили, что их компании получили конкурентное

преимущество в результате внедрения технологий больших данных**

Более половины (51%) респондентов согласны, что технологии анализа

больших данных сыграют решающую роль в выявлении и

предотвращении кибер-атак; это может оказаться решающим фактором,

так как только 67% респондентов в России уверены, что они смогут в

случае необходимости полностью восстановить все свои данные**

Тренды рынка текстовой аналитики в России

* По оценке SAS, 2016 (открытые источники)

** По оценке Dell EMC, 2013. Опрос 678 ИТ-руководителей российских предприятий

Источник: TCS Global Trend Study, 2013

Внешние VS Внутренние

Распределение данных

Структурированные VS

Неструктурированные

52% компаний из разных стран и

отраслей НЕ используют в полной

мере накапливаемые данные, либо

же вовсе «тонут» в объемах

неструктурированной

информации*

Потенциал для роста

* Согласно исследованию Information Generation, проведенному ЕМС и Institute for the Future

Степень удовлетворенности от

использования текстовой аналитики

Источник: Alta Plana, 2014

Очень низкая

Низкая

Нейтральная

Высокая

Очень высокая

КЕЙСЫ

Инструмент высокоскоростного извлечения

коммерчески полезных знаний и определения

тональности через текстовой анализ внутренних и

внешних коммуникаций компании

EurekaEngine для бизнеса

Инструмент извлечения коммерчески полезных знаний и

определения тональности через текстовой анализ внутренних и

внешних коммуникаций компании

Текстовые сообщения (посты) social media:

Facebook, VK, Twitter, LinkedIn, Одноклассники

Web-контент: сообщения форумов, отзывы, статьи

СМИ, блоги, чаты

Внутренние документы: файлы Word, опросы,

почтовые сообщения, презентации, текстовые записи

разговоров (call-center), письменные обращения

клиентов

Mobile: сообщения SMS, гео-объекты, чаты мобильных

игр, контент и описания приложений

ДАННЫЕ, которые анализирует EurekaEngine

ЗАДАЧА: аналитика информационного поля

бренда

ИНДУСТРИЯ: маркетинг, реклама, СМИ

МОДУЛИ: все лингвистические модули

РЕЗУЛЬТАТ:

Лидеры рынка в real-time мониторинге

инфо-поля;

Рост продаж засчет предложения

уникального продукта, разработанного

на основе технологии EurekaEngine;

Высокая лояльность крупных

корпоративных клиентов;

Снижение рисков в коммуникациях

клиентов;

И др.

Brand Analytics занимают 1 место по качеству среди систем мониторинга соцмедиа в рейтинге TECH INDEX 2016 от AdIndex

ЗАДАЧА: рейтинг банков (аналитика

обсуждений соц-медиа 50 крупнейших

российских банков)

ИНДУСТРИЯ: банки

МОДУЛИ: SentiFinder (тональность)

РЕЗУЛЬТАТ (выявленные параметры):

• Лояльность потребителей к банкам;

• Лояльность к банковским

продуктам;

• Информационные всплески

обсуждений;

• Тренды и тенденции в банковском

секторе. Для создания рейтинга было проанализировано более 900 тыс

сообщений от 700 тыс уникальных авторов

ЗАДАЧА: составление актуального

рейтинга медиа-персон

ИНДУСТРИЯ: СМИ

МОДУЛИ: SentiFinder (определение

тональности)

РЕЗУЛЬТАТ:

• Рейтинг медиаперсон занимает

топовые позиции в интернет-

пространстве, повышенная

узнаваемость и авторитет СМИ;

• Долгосрочное сотрудничество (2

года)

ЗАДАЧА: выявление информационных

трендов по видам спорта на русском и

английском языках

ИНДУСТРИЯ: СМИ

МОДУЛИ: SentiFinder (тональность),

морфоанализатор

РЕЗУЛЬТАТ (выявляемые тренды):

Популярные персоны и виды спорта:

определены среди лидеров роста в

рейтинге популярных слов;

Пики количества обсуждений;

Тональность обсуждений.

Ежедневный поток 1-2,5 млн сообщений.

ПРИМЕНЕНИЕ В МОБАЙЛ

Направления

Выявление

похожих

аудиторий и

приложений

(ДМП)

Встраивание в

чаты мобильных

игр и

управление

community

Анализ

структурированных

данных +

неструктурированных

Определение

характеристик

выгодных

клиентов

Тегирование

контента

мобайл

приложения

«Эмоциональное»

сегментирование

(вкл. по гео-

объектам)

Пример: продажи

ПРОБЛЕМА: неожиданное снижение

продаж

ЗАДАЧА: найти причину

РЕШЕНИЕ: структурированные данные

не позволяют выявить контекст

проблемы в поведении пользователей.

Однако есть возможность

проанализировать записи и профайлы

клиентов. Совместив с анализом

структурированных данных, выявить

истинные причины и наиболее

выгодных для бизнеса (уже или

потенциально) клиентов/пользователей

Пример: чаты и community

Анализ тональности сообщений и степени тональности (как по

объекту, так и безобъектно) позволяет выявлять лидеров

community, персонализировать общение, определять тренд развития

Пример: гео-локация по эмоциям

Определение эмоционального состояния ЦА в определенной

локации для таргетированного предложения услуг/товаров и push-

уведомлений

Пример: тегирование контента

Тегирование контента для создания новых продуктов и

направлений

Пример: дополнение к аналитическим

отчетам

Максимально полный отчет: анализ структурированных

данных и неструктурированных, выявление взаимосвязей и

инсайтов

Высокая скорость обработки потока документов (десятки

материалов в минуту)

Качественные возможности анализа русскоязычных сообщений

Возможность аналитики в режиме онлайн

Как «коробочное», так и встраиваемое решение

Обработка не только правильного «книжного» языка (СМИ,

внешний документооборот), но и сообщений социальных сетей,

форумов, блогов

Преимущества EurekaEngine

Уникальная скорость обработки данных – десятки миллионов

документов в сутки на одном сервере, возможно линейное

масштабирование

EurekaEngine

EurekaEngine – резидент Skolkovo 2016

DEMO EurekaEngine: http://eurekaengine.ru/ru/demo/

КОНТАКТЫ:

Луценко Елена

Руководитель по коммуникациям EurekaEngine.ru

lutsenko@palitrumlab.ru

+7 (916) 823 98 28