Человек. Образ и сущность 2017. Гуманитарные аспекты. № 3–4 (30–31): Угроза апокалипсиса и идея сверхчеловека - страница 17



Интересный кейс использования такого инструмента для работы с Big Data как технологией Social Media Listening в компании Nestle был представлен на конференции Натальей Григорян. На основе его использования для мониторинга социальных сетей и автоматического анализа полученных персональных данных специалисты компании создали удачные кейсы, рассчитанные на региональную молодежную целевую аудиторию, и прежде всего студентов. Задача состояла в том, чтобы, основываясь на полученных данных, максимально учесть интересы, ценности, особенности языка общения молодежной аудитории из различных российских регионов и отразить их в данных видео. Нужно было, чтобы контент в этих видео был понятен именно данной аудитории, что прекрасно получилось у их создателей, и ролики вызвали большой эмоциональный отклик. Однако даже представительница компании, показывавшая эти ролики на конференции, никогда не бывавшая в данных регионах, не понимала, о чем, собственно, в них идет речь.

Чрезвычайно востребованы персональные данные и в сфере банковского бизнеса. Особенно интенсивно работают с данными банковские гиганты, например Сбербанк. Имея и собственные огромные IT-возможности, банк тем не менее сотрудничает в области мониторинга клиентского контента и со специализированными компаниями, например с Angry Analytics, которая сканирует социальные сети и другие открытые источники, собирая оттуда любые упоминания и мнения о компаниях и брендах. На конференции был представлен опыт этой компании по использованию нейронных сетей для обработки Big Data, мониторинга клиентского сервиса и информации о работе Сбербанка в социальных медиа. Ведь социальные медиа (сети, блоги, форумы, сервисы геолокации, сайты для подачи петиций и проч.) все больше доминируют в качестве коммуникационных каналов и используются клиентами для оставления своих отзывов о сервисе компании значительно чаще, чем почта или телефон, для подачи жалоб или, наоборот, позитивных отзывов. Сами же компании часто не в состоянии достаточно быстро и профессионально обработать такие объемы информации. Для сканирования сетей в Angry Analytics используются нейронные сети, которые фильтруют контент лингвистически, оценивают его эмоциональную окраску и находят упоминания о конкретных компаниях, брендах и проч. Среди полученных данных для анализа наиболее важен релевантный негативный сегмент, особенно с указанием конкретных данных. Наиболее продвинутые компании работают и с сегментом позитивных отзывов, как это делают в Сбербанке. Так, например, на основе такой информации был сделан представленный на конференции ролик с целью нематериального поощрения сотрудников одного из отделений банка в связи с высказанной им в электронных сетях клиентской благодарностью.

В качестве прекрасной иллюстрации к словам Черешнева прозвучал доклад Дмитрия Уфаева, представителя Департамента транспорта Москвы, об организации паркинга в столице, в которой задействовано большое количество информационных систем и используются огромные централизованные массивы данных о транспортных передвижениях граждан. При этом происходит и сотрудничество госструктур и частных компаний в области использования данных о пользователях.

Дмитрий Уфаев рассказал об организации работы с Big Data, касающихся всевозможных транспортных перемещений в столице, в целях повышения эффективности паркинга в Москве и о сотрудничестве в этой области городских властей с компаниями и стар-тапами, в том числе с Яндекс.-Такси. Для планирования работы парковок и повышения их эффективности в таком крупном мегаполисе, как Москва, с его миллионами транспортных трансакций требуется очень много данных о постоянных маршрутах жителей, паттернах их передвижений (так называемая «матрица корреспонденции», которая описывает подвижность населения мегаполиса). В связи с этим представители департамента обращались к мобильным операторам с просьбой предоставить им эти данные хотя бы в самой общей форме, только постоянные маршруты, точки передвижения. Но оказалось, что даже по этим данным очень легко идентифицировать человека. По этой причине мобильные операторы отказались от сотрудничества. Однако те или иные формы сотрудничества в будущем здесь неизбежны.