3.2. Imperia cyfrowe
3.2.1. Statystyki - świat i Polska jako przykłady
3.2.2. Facebook
3.2.2.1. Rewolucja 2.0
3.2.2.2. Facebook Data Science Team - 61 milionów
Ponadto zarówno grupie I, jak i II umożliwiono zadeklarowanie uczestnictwa w wyborach poprzez klawisz "Zagłosowałem/am" (patrz klawisz I voted na Rysunku 3.2.). Okazało się, że użytkownicy z grupy I chętniej - o 2,08% - niż grupa II klikali na klawisz "Zagłosowałem/-am" (20,04% użytkowników z grupy I i 17,96% użytkowników z grupy II). Ta część badania opierała się wyłącznie na zadeklarowaniu uczestnictwa w wyborach. Niemniej zespół badawczy miał daleko ambitniejszy cel, a mianowicie określenie, czy te deklaracje miały potwierdzenie w rzeczywistym akcie wyborczym. Listy uczestników wyborów w Stanach Zjednoczonych są informacjami publicznie dostępnymi. Zdobyte w ten sposób dane osobowe wyborców (imię, nazwisko i data urodzenia) zestawiono z danymi osobowymi użytkowników Facebooka podlegających eksperymentowi (średnio 1 na 3 użytkowników został w ten sposób pozytywnie zweryfikowany)[4]. Dzięki tej weryfikacji okazało się, że użytkownicy z grupy I chętniej o 0,39% niż grupa III uczestniczyli w wyborach. Ten istotny statystycznie wynik nie wydaje się wielkim osiągnięciem, niemniej należy pamiętać o efekcie skali. Wyniki badań metod mobilizacji wyborców, na przykład przez kontakt bezpośredni, pokazują ich relatywnie niski wpływ na frekwencję wyborczą i finalne głosowanie. Niemniej, pomimo że działania te dają małe, ale pozytywne efekty, to prowadzone w dużej skali mogą zdecydować o wyniku wyborów. W przypadku omawianego eksperymentu 0,39% z badanej populacji to 237 900 osób, które zostały zachęcone do uczestnictwa w wyborach. Wynik tego eksperymentu pokazuje, że przez aktywne sterowanie informacją w mediach społecznościowych można skutecznie wpłynąć na frekwencję wyborczą5.
Rysunek 3.2. Komunikat przedstawiany uczestnikom badania
Źródło: opracowano na podstawie Bond i in. 2012.
3.2.2.3. Facebook Data Science Team - Epidemia emocji
W styczniu 2012 roku zespół badawczy składający się z pracowników Facebook Data Science Team oraz Instytutu Komunikacji Uniwersytetu Cornell przeprowadził eksperyment badawczy na losowo wybranych 689 003 aktywnych użytkownikach Facebooka (Kramer i in. 2014). Te kilkaset tysięcy osób było poddanych eksperymentowi mającemu potwierdzić hipotezę o rozprzestrzenianiu się stanów emocjonalnych w sieciach społecznych. Zgodnie z wcześniej przeprowadzonymi eksperymentami laboratoryjnymi, ludzie są w stanie przekazywać swoje pozytywne i negatywne emocje innym ludziom (Hatfield i in. 1993) W przypadku Facebooka badanie epidemii emocji oparto na analizie komunikacji przekazywanych danych tekstowych. W tym celu postanowiono wykorzystać algorytm automatycznie selekcjonujący informacje, które mają się pojawiać na stronach użytkowników (ang. news feed). Wspomniany algorytm zmodyfikowano w ten sposób, aby mógł redukować pozytywne albo negatywne wiadomości docierające do poddanych eksperymentowi użytkowników. Każda potencjalna wiadomość do wyświetlenia podlegała automatycznej analizie treści[6] w celu określenia, czy ma pozytywny, czy też negatywny wydźwięk. W ten sposób można było wpływać na liczbę pozytywnych albo negatywnych treści docierających do użytkowników. W wyniku badania okazało się, że użytkownicy, do których w sposób świadomy redukowano negatywne komunikaty, mieli znacząco statystycznie większą skłonność do tworzenia pozytywnych przekazów i generowali mniej negatywnych informacji niż grupa kontrolna (patrz Rysunek 3.3.). Analogicznie istotnie statystycznie wyniki otrzymano w sytuacji redukcji pozytywnych komunikatów (patrz Rysu-nek 3.3.). Eksperyment potwierdził hipotezę badawczą, że stany emocjonalne mogą podlegać transferowi w sieci społecznej online nawet bez bezpośredniej interakcji, tylko pośrednio przez samą ekspresję stanu emocjonalnego.
Rysunek 3.3. Transfer emocji przez news feed Facebooka
Źródło: opracowano na podstawie Kramer i in. 2014.
1.2. Historia
1.2.1. MyLifeBits
Tabela 1.2. Wielkość danych, które można zapisać na dysku o pojemności 1 Tera
Dane
Zapisane w ciągu 1 roku
Zapisane w ciągu 1 dnia
Obraz (400 KB JPG)
2,7 x 106 obrazów
7,3 x 103 obrazów
1 MB dokument
1,0 x 106 dok.
2,9 x 103 dok.
128 kb/s audio
18,6 x 103 godz.
51 godz.
256 kb/s wideo
9,3 x 103 godz.
26 godz.
1,5 Mb/wideo
1,6 x 103 godz.
4 godz.
Źródło: Gemmell i in. 2006.
Podstawową architekturę systemu oraz rozważane źródła danych przedstawiono na Rysunku 1.2. Podstawowy problem, na jaki napotkano, nie był związany ze składowaniem danych o różnych formatach pochodzących z wielu różnych źródeł[10]. Najtrudniejsze okazało się umożliwienie ergonomicznego dostępu do składowanych danych multimedialnych, ich wyszukiwanie oraz analiza.
Rysunek 1.2. Architektura MyLifeBits
Źródło: Gemmell i in. 2006.
Projekt MyLifeBits przyczynił się do rozwoju autoanalityki i samopoznania poprzez tzw. self-tracking, który polega na monitorowaniu i analizowaniu swoich prywatnych śladów cyfrowych (ciśnienie, waga, temperatura ciała i powietrza, długość snu itp.) za pomocą różnych urządzeń elektronicznych z wbudowanymi sensorami. Celem tego typu monitoringu i analizy zebranych danych ma być lepsze poznanie własnego organizmu, poprawa zdrowia itp.[11]
Rysunek 1.3. Plakat reklamujący seminarium badawcze Digital Anthropology
Źródło: http://courses.media.mit.edu/2003spring/da/.
2.2. Przedsiębiorstwo w erze Big Data
2.2.1. N=1
2.2.1.1. Wstęp
2.2.1.2. Krótka historia Business Intelligence
Tabela 2.3. Przegląd wybranych zastosowań BI w zakresie logistyki, finansów i produkcji
Nazwa
Opis
Analiza stanów magazynowych
Badanie rotacji towarów z uwzględnieniem sezonowości w celu ustalenia optymalnego obłożenia magazynu
Analiza sprawozdań finansowych (bilans, rachunek zysków i strat oraz rachunek przepływów pieniężnych) oraz wykrywanie zagrożeń (systemy wczesnego ostrzegania)
Ocena kondycji finansowej, majątkowej i wyników osiąganych przez badaną jednostkę gospodarczą poprzez badanie sprawozdań w zakresie: analizy struktury, dynamiki, analiz wskaźnikowych, badań przyczynowych, analiz regresji i korelacji oraz wielowymiarowych analiz porównawczych
Analiza majątku obrotowego
Analizy wskaźnikowe w zakresie:
- zapasów, np. wskaźnik rotacji zapasów
- należności, np. wskaźnik cyklu inkasa należności
- środków pieniężnych, np. wskaźnik udziału środków pieniężnych w majątku obrotowym
Analiza kosztów
Rachunek kosztów działań (ang. activity-based costing)
Analiza efektywności produkcji
Analiza produktywności w czasie i w porównaniu z normami ze względu na linię produkcyjną, maszynę, zmianę, pracownika
Ranking dostawców
Ranking dostawców w kontekście terminowości i jakości dostaw
Źródło: Surma 2009.
2.2.2. Systemy CRM
2.2.2.1. Wstęp
Przedstawiona wcześniej koncepcja N=1 Prahalada ma swoje bezpośrednie odwzorowanie we współczesnym marketingu. W tym kontekście właściwe jest odwołanie się do historii rozwoju zarządzania klientami - od bezpośrednich kontaktów z klientem indywidualnym (ang. individual customers), przez całościowe spojrzenie na rynek klientów (ang. entire-market customers), po segmentację klientów (ang. segmented customers) i finalnie powrót pierwotnej idei, tj. spersonalizowanej obsługi klienta z wykorzystaniem marketingu interaktywnego (ang. interactive marketing) (Deighton i in. 1996). Według Kumara marketing interaktywny ma następującą charakterystykę (Kumar 2010):
1. Zakres podejmowania decyzji: identyfikacja właściwych klientów i zapewnienie relacji na bieżąco lub w odpowiednim czasie.
2. Zakres analiz: opracowanie całościowej charakterystyki klienta.
3. Czynnik tworzenia wartości: personalizacja i dostosowanie właściwych produktów i usług we właściwym czasie.
Wykorzystanie analiz zachowania klienta ma już relatywnie długą historię w marketingu. Analityczne systemy zarządzania relacjami z klientem (ang. analytical customer relationship management systems) - nazywane dalej systemami CRM - są używane standardowo w sektorze telekomunikacyjnym i bankowym od lat 90. ubiegłego wieku (Shankar, Winer 2006), zarówno w zakresie segmentacji klientów, jak i podejścia spersonalizowanego[19].
2.2.2.2. Strategie implementacji systemów CRM
Realne zastosowania biznesowe systemów CRM są uzasadnione w przypadku spełnienia jednocześnie pięciu warunków koniecznych:
1. Klient jest znany i jednoznacznie identyfikowany.
2. Firma ma zdolność do bezpośredniego kontaktu z klientem oraz do rozpoznania jego potrzeb.
3. Liczba obsługiwanych klientów jest na tyle duża, że uzasadniona jest inwestycja w system informatyczny i jego utrzymanie.
4. Klient dokonuje wielokrotnych zakupów.
5. Oferowane produkty lub usługi można dostosować do potrzeb klienta.
Rysunek 2.2. Strategie budowy systemu zarządzania relacjami z klientami
Źródło: opracowano na podstawie wykładu Normana Chervany z Uniwersytetu w Minnesocie.
