Аналитика данных цифрового следа потребителя для повышения эффективности продаж на электронных торговых площадках

ВВЕДЕНИЕ
Цифровой след потребителя — чистый и необработанный источник данных, который сгенерирован самим пользователем. Это эффективный инструмент для профилирования клиентов, а также для идентификации потребительского поведения и предпочтений. К примеру, индийские розничные кредиторы, которые подписали стратегические договоры с технологическими сервисами, уже оценили пользу, которую несёт в себе анализ цифровых метаданных клиентов. Так, год назад банковская корпорация ICICI заключила партнерское соглашение с Paytm, и это предоставило ей возможность предлагать мгновенные краткосрочные онлайн-займы. А Capital Float недавно приобрёл приложение по управлению личными финансами Walnut за 30 миллионов долларов.
В целом сбор, обработка и анализ цифровых следов потребителей сделает финансовые услуги наиболее доступными сразу на нескольких уровнях.
Информация о личности, как и о коммерческой организации (любая организация – это, в первую очередь, люди) представляет приносящий прибыль капитал, в доступе к которому по различным причинам заинтересованы коммерческие и некоммерческие, государственные и частные компании. Персональные данные о человеке (рядовом гражданине, менеджерах высшего, среднего и низшего звена, собственниках) в цифровом мире давно стали ликвидным товаром. Стоимость данного товара увеличивается с ростом его качества – с ростом объема собранной самой различной информации.
Собранная по крупицам разнообразная и разносторонняя информация из многочисленных различных источников, которая сведена в единую систему, предоставляет возможность составить полный портрет человека с его предпочтениями, наклонностями и морально-психологическими качествами и (как в Китае) оценить в баллах положительные и отрицательные качества человека, чтобы принять решение о пользе либо ненужности подобного лица, установить направления взаимодействия и сферы контактов с ним.
Таким образом, целью данной диссертации является аналитика данных цифрового следа потребителя для повышения эффективности продаж на электронных торговых площадках (на примере компании Л’Этуаль).
В соответствии с целью диссертации, были определены и задачи:
1) рассмотреть феномен цифрового следа в современном обществе;
2) выявить проблемы и перспективы применения анализа цифрового следа потребителя;
3) рассмотреть понятие и особенности электронных торговых площадок;
4) представить общую характеристику Л'Этуаль.
5) осуществить кластерный анализ путем автоматического анализа цифровых данных в Л'Этуаль;
6) описать использование технологии Data Fusion;
7) представить социально-экономическое обоснование использования технологии Data Fusion .
Объектом исследования является компания Л’Этуаль.
Предметом исследования являются данные цифрового следа потребителя компании Л’Этуаль.
Гипотеза исследования – применение технологии Data Fusion компанией Л’Этуаль для понимания предпочтений потребителя является эффективной и прибыльной.
Основными методами исследования являются: сбор, анализ и синтез полученной информации, кластерный анализ.
Теоретическую основу исследования составили работы таких российских и зарубежных специалистов, как Бабаров Н.А., Лузгина Е.Н., Багмет А., Бычков В., Скобелин С., Ильин Н., Бардина Н.Ю., Федюшин Н.А., Барченкова Я. В., Вознесенская, Е. В., Дудина В.И., Юдина Д.И., Колпаков Д.В., Колычева А. Н., Прилукова Е. Г., Себякин, А. Г., Сибел Т., Черешнев Е., Жижилева А. А., Feher K., Fish T. и так далее. Помимо этого, использовались нормативно-правовые акты Российской Федерации.
Научная новизна диссертации состоит в применении технологии Data Fusion в компании Л’Этуаль с расчётом социально-экономического эффекта.
Практическая значимость диссертации обусловлена тем, что рассматриваемая технология Data Fusion может быть применена в других компаниях. Основой для принятия решения о применении данной технологии служит социально-экономический эффект, рассчитанный в данной диссертации.
Структура диссертации представлена следующим образом: введение, первая глава, состоящая из трёх параграфов, вторая глава, состоящая из двух параграфов, третья глава, состоящая из двух параграфов, заключение, список использованных источников.

 
1 ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ АНАЛИЗА ДАННЫХ ЦИФРОВОГО СЛЕДА ПОТРЕБИТЕЛЯ
1.1 Феномен цифрового следа в современном обществе
Цифровая среда развивается стремительно — появляются новые услуги, новые востребованные профессии, и уязвимость пользователей становится больше. Сегодня в интернете можно найти информацию практически о любом человеке. Цифровой след, также его называют «электронный след», «цифровой отпечаток», «цифровая тень» — это информация о человеке, которая появляется с его первого посещения интернета.
Цифровой след хранится в виде «cookie» (англ. «печенье») на сервере. Куки — это фрагменты данных, которые были отправлены на сервер с устройства, которое совершило вход на ту или иную страницу в веб-браузере. Таким образом, они сохраняют настройки, которые задал пользователь, иными словами — хранят фрагменты данных пользователя для его идентификации и передачи данных. «Куки» знают, с какого именно устройства заходил человек, какой у него IP-адрес, какие сайты он посещал и какие у него увлечения и предпочтения, знают его личные данные (место входа в интернет, город, пол, возраст, имя и так далее).
Благодаря цифровизации общества стало возможным отследить не только человека, но и информацию о компаниях. В монографии «Цифровые следы преступлений» описаны классификация и особенности цифрового следа. Существует два вида цифровых следов:
1. Активный след — данные, который человек сознательно «отдаёт», когда соглашается принять cookie, пишет комментарии, выкладывает фото, видео, или текст, ставит лайки и делает репосты. Из этого складывается виртуальный образ личности.
2. Пассивный цифровой след оставляется пользователем непредумышленно — это данные историй посещений, сведения об устройстве и IP-адрес. Этот цифровой след контролировать нельзя.
При наличии данных можно анализировать все действия человека: что он любит смотреть, куда ходит, за что платит. На основании анализа цифрового следа создается портрет потребителя, и ему показывают только то, что входит в его предпочтения, включая мнения, которые схожи с мнением потребителя. Тем самым формируется «Туннель реальности» [Leary et al. 1988: 54]. Использовать цифровые следы могут государство, корпорации и частные лица. Источники, в котором можно найти цифровые следы:
1. Аккаунты в интернет-сети и публикации в них.
2. Видео и фотографии пользователя.
3. Фамилия, имя и отчество.
4. Мобильный номер.
5. Любая интернет-активность — лайки, комментарии, репосты и так далее.
6. Личные документы.
7. Фотографии и видео у других людей.
8. Биографические данные (учёба, работа и т.п.).
В юридической литературе, посвященной изучению цифровых следов, даются различные классификации как по структуре, так и по используемым основаниям. А.Л. Осипенко предлагает использовать классификацию по способу создания цифровых данных в виде файлов:
1. Файлы, созданные пользователем и сохраненные на физическом носителе устройства.
2. Файлы, созданные в автоматическом режиме без участия пользователя.
3. Файлы, в которых записи могут быть сгенерированы устройством с учетом управляющих последовательностей, определенных пользователем [4].
Исследователь А. Н. Колычева предлагает авторскую классификацию электронных и цифровых следов, образующихся в процессе подготовки, совершения и сокрытия преступного деяния, формируемых в компьютерной системе и интернет-пространстве, по типу информации [24]:
1. Файлы системного и прикладного программного обеспечения.
2. Конфигурационные файлы программных приложений и операционных систем.
3. Файлы-логи программного и аппаратного обеспечения.
4. Файлы — источники информации, генерируемые в ходе деятельности пользователя, включая их резервные копии и удаленные файлы, подлежащие восстановлению.
5. Файлы, обеспечивающие аутентификацию и конфиденциальность пользователя.
6. Информация, хранящаяся в оперативной памяти или файле подкачки устройства.
7. Информация, полученная с помощью соответствующих радиоэлектронных или специальных технических средств.
Используя за основу классификацию цифровых следов по их местоположению, автор выделяет следующие их группы:
1. Расположенные на электронных устройствах жертвы.
2. Размещенные на электронных устройствах лиц, готовящих, совершающих или совершивших преступление.
3. Размещенные на материальных носителях, размещенных в технических устройствах операторов связи [24].
В зависимости от источника хранения цифровые следы подразделяются на:
1. Следы на материальных носителях.
2. Трассы, расположенные в оперативной памяти электронных устройств для приема, записи, обработки и передачи цифровых данных.
3. Трассировки в сетевых каналах передачи данных между устройствами [24].
Некоторые авторы, опираясь на специфику подготовки, совершения и сокрытия определенных видов преступлений, обоснованно полагают, что цифровые следы можно классифицировать более подробно. В частности, в отношении совершения мошенничества посредством сотовой связи предлагается следующая классификация:
1. Цифровые следы, возникающие в мобильных телекоммуникациях (голосовые сообщения в виде акустических сигналов, SMS-сообщения и т.д.):
- информация об используемом терминальном оборудовании, номерах терминалов, абонентах сети;
– пространственные и временные данные (местоположение базовых станций, время, период и продолжительность соединений);
– метаданные контактов, фотографий, аудио- и видеозаписей;
– наличие программ для записи акустических сигналов и их изменений, специальных программных приложений для проведения банковских операций.
2. Цифровые следы, связанные с использованием банковской карты (банковского счета).
3. Аудиофонограммы.
4. Цифровые следы, связанные с подготовкой, совершением и сокрытием преступного деяния, расположенные на электронном устройстве преступника [6].
В работе А. Г. Себякина [33] на основе проведенного анализа предложена классификация цифровых следов по степени воздействия пользователя на компьютерную систему. По мнению автора классификации, такие следы делятся на прямые и косвенные. В этом случае под прямыми следами следует понимать электронные цифровые следы, возникающие в результате прямого воздействия пользователя на компьютерную систему. Эти следы могут располагаться как непосредственно на материальном носителе электронного устройства, так и вне его (доступ к которому обеспечивается с помощью телекоммуникаций, т.е. канала связи).
Под косвенными следами автор понимает цифровые следы, образующиеся в результате функционирования системного программного обеспечения, стандартов форматов файлов и протоколов передачи данных, независимо от воли пользователя. Исходя из вышесказанного, мы согласны с мнением автора о том, что предложенная им классификация имеет не только теоретическую сторону, но и содержит практический аспект, поскольку принадлежность цифрового следа к прямому или косвенному может определять уровень применения специальных знаний и криминалистических методик, необходимых для его обнаружения. Обращает на себя внимание классификация цифровых следов, изложенная в работе А. А. Жижилевой, в которой автор дифференцирует цифровые следы на два основных типа — активные и пассивные:
1. Активный цифровой след – это сознательная активность субъекта в информационно-телекоммуникационном пространстве (переписка, ведение блога, комментарии).
2. Пассивный виртуальный след — совокупность данных, оставленных пользователем непреднамеренно (история посещений сайта, IP-адрес и так далее) [39].
Такой подход представляется вполне оправданным как самый простой и практически применимый.
Вышеизложенное позволяет нам сделать следующие выводы:
1. Анализ литературы по изучению цифровых следов в криминалистике позволяет сделать вывод о том, что в настоящее время отсутствует доминирующая позиция в определении сущности цифровых следов, подходов к формулировке основных понятий, терминов и их определений.
2. Многомерный характер исследуемой проблемы затрудняет разработку единого подхода к классификации цифровых следов. Это обстоятельство обусловлено целым рядом причин в авторских классификациях, предложенных исследователями.
3. Электронные цифровые следы – это цифровой код, возникающий при преобразовании первичных электронных сигналов в электронном устройстве, характеризующийся пространственно-временными параметрами, фиксируемый и отражаемый в преобразованном (воспринимаемом) виде на материальном носителе.
1.2 Проблемы и перспективы применения анализа цифрового следа потребителя
Перед обществом встает проблема «digital trace awareness» — осознание человеком своих цифровых следов, когда человек понимает, что он оставляет свои цифровые следы. Каталин Фехер, автор книги «Digital identity and the online self: Footprint strategie» [45], утверждает, что 70% цифровых следов можно контролировать, а 30% пользователи оставляют неосознанно, что может привести неприятным последствиям. К угрозам от цифровых следов относятся:
1. Мошенничество. Очень часто люди подвергаются интернет-мошенничеству из-за утечки данных. Злоумышленники звонят и просят назвать данные карты или другие данные с целью мошеннических действий.
2. Раскрытие личной информации. Например, в 2007 году американский маркетолог Тони Фиш в книге «Мой цифровой след» [46], утверждал, что анализ цифровых следов может рассказать, почему и как часто потребитель покупал тот или иной товар, и узнать его предпочтения. Таким образом, компании могут, собрав данные по цифровым следам, предлагать покупателям именно то, что им нравится, но, возможно, совсем не нужно, что приводит к бесконечным покупкам.
3. Ограничение выбора. Алгоритмы выстраивают вокруг пользователя те материалы, которые ему нравится, включая мнения, которые схожи с мнением потребителя. Создается так называемый «информационный пузырь», что приводит к интеллектуальной ограниченности.
4. Нечестная конкуренция. В Сети можно найти плохие отзывы о человеке или компании, а также личные данные, которые были опубликованы сторонними лицами.
Польза цифровых следов состоит в следующем:
1. В интернете размещается большое количество отзывов о клиниках, врачах, ресторанах и другие организациях. Благодаря честным отзывам потребителю легче сделать выбор.
2. Цифровые следы позволяют собирать материал для исследований и расследований. Например, этой технологией является Big Data, об этом подробно рассказано в книге Т. Сибела «Цифровая трансформация. Как выжить и преуспеть в новую эпоху» [34]. На основе цифровых следов пользователей продолжаются исследования, которые помогают составить портрет потребителя, могут помочь в прогнозировании и направить компании и государство на правильный вектор развития.
3. Цифровые следы могут помочь в составлении рейтинга, это описано в книге «Как остаться человеком в эпоху расцвета искусственного интеллекта» [36]. Во многих странах банки ведут «рейтинг» с помощью скоринга. Некоторые организации при приёме сотрудников делают выбор в пользу тех, чей цифровой след в сети является положительным. Также в некоторых учебных заведениях студентов принимают после анализа их цифровых следов, которые могут включать не только их аккаунты в социальных сетях, но и научную деятельность, волонтёрство, правонарушения, оскорбительные комментарии и др.
4. Практически любую информацию можно найти в интернете благодаря оставленным людьми пассивным и активным следам.
5. Некоторые преступления раскрываются благодаря цифровым следам. Следователи используют цифровые следы преступника.
В XXI веке общество столкнулось с новым глобальным вызовом, которым стал беспрецедентный скачок развития коммуникационных технологий, оказавший значительное влияние на все аспекты его жизнедеятельности. Интернет стал больше, чем просто средством коммуникации, это социальное пространство, формирующее условия взаимодействия нового типа. Динамика «цифровых» изменений поставила перед социологами новые задачи, связанные с исследованиями трансформировавшихся социальных практик. Однако с первых исследований активности пользователей в глобальном виртуальном пространстве стало понятно, что новые практики общения не всегда можно оценить классическими, формализованными социологическими методиками. Необходимо разрабатывать новые средства онлайн мониторинга, позволяющие осуществлять автоматизированный сбор эмпирического материала, использования математического инструментария для оценки виртуального социального взаимодействия.
Исследования, базирующиеся на цифровых технологиях и использующие возможности сети Интернет, в социологии проводятся уже более 20 лет, а сфера их применения, тематика, методическое разнообразие огромны. Обзор статей в журнале «Мониторинг общественного мнения: экономические и социальные перемены» с 2000 по 2022 годы показал, что тема «технологизации социологии» [13] поднимается с середины первого десятилетия XXI века. Одним из первых этапов осмысления технических возможностей сети Интернет для социологических исследований стало сравнение результатов опросов, проведенных классическими социологическими методами и онлайн. Например, социологи А.В. Шашкин и О.Е. Кузина пришли к выводу, что данные репрезентативны только по отдельным узким темам: «несмотря на то, что Интернет опросы не репрезентативны по отношению к населению России в целом, их можно использовать для решения модельных задач, когда требуется оценить влияние различных факторов на финансовое поведение населения, а также в тех случаях, когда речь идет о труднодоступных для оффлайновых методов пользователях финансовых услуг» [2].
Следующим трендом в развитии эмпирической социологии стал поиск средств онлайн мониторинга социальной активности пользователей. На первых этапах ученые стали приспосабливать средства статистики поисковых систем для исследования социального поведения. Например, Ф.Н. Ильясов осуществил попытку оценить отношение россиян к теме «финансового кризиса», используя анализ частоты запросов в поисковой системе Яндекс [3]. Со временем стали появляться комплексные методики Интернет-мониторинга. Например, А.А. Азаров и его соавторы предложили методику киберметрического анализа цифровых следов активности пользователей в социальных медиа, совмещающую «ивент-анализ, типологизацию сообщений о рассматриваемых событиях с применением онлайн Интернетсервиса мониторинга и дискурс-анализ» [4].
На следующем этапе начинает разворачиваться активная дискуссия о преимуществах и недостатках исследования Big Data, которая ведется и в настоящее время. Обсуждение из теоретического поля, перешло в область решения конкретных исследовательских кейсов. О.Ю. Колесниченко и его соавторы доказывают, что «датафицированная текстовая характеристика «мобильный телефон» в привязке к 2011 году, когда началась «арабская весна», оказалась связана с социально-демократическими процессами в глобальном обществе» [5]. В то же время В.И. Дудина, Д.И. Юдина, на основе сравнения анализа комментариев пользователей видеохостинга с результатами опроса общественного мнения по поводу отношения к фильму, показали, что данные не сошлись [14].
Различные кейсы исследований, проведенных по цифровых следам представлены в работах М.Г. Мягкова и его соавторов (субъективная оценка (не) благополучия населения регионов РФ на основе данных социальных сетей) [7], С.С. Бразевич и коллектива (исследование интересов молодежи через тематический репертуар общения в студенческой среде) [10]. Однако все авторы признают, что работа с Интернет-данными сопряжена с определенным риском.