Влияние использования "больших данных" на мировую экономику и деятельность международных компаний на примере рекламной индустрии

Также важной областью применения технологии больших данных является сфера рекламы и продвижения продуктов, но этот аспект описан в пункте 2.1.

Необходимо отметить, что большие данные - термин, обозначающий целую группу технологий хранения и обработки информации. Самыми популярными технологиями в этой группе являются: экосистема Hadoop и входящий в нее и активно набирающий популярность сервис Apache Spark (среда с открытым исходным кодом, предназначенная для децентрализованной обработки крупных массивов данных; она является базой для использования больших данных и, по прогнозам аналитиков, рынок продуктов, в основе которых лежит данная технология будет расти на 50% в год до 2022 года), R (язык программирования и среда, позволяющая совершать статистические исследования с применением больших данных), озера данных (технология, позволяющая хранить данные из различных источников в исходном виде, не структурируя их; особенно популярна для хранения информации, полученной благодаря Интернету вещей), NoSQL (SQL - язык программирования, который лежит в основе структурированных баз данных; технология NoSQL позволяет хранить неструктурированные данные, при этом обеспечивая высокую производительности системы), предсказательная аналитика (технология, основанная на машинном обучении и позволяющая делать прогнозы на будущее, анализируя исторические данные; особенно популярна в финансовом секторе, а именно для кредитного скоринга), блокчейн (технология распределенного хранения данных, обладающая высокой степенью безопасности за счет невозможности изменения информации после ее группировки в блоки). Harvey C. Big Data Technologies // Datamation, 2 августа 2017 г. URL: https://www.datamation.com/big-data/big-data-technologies.html.

Технология больших данных, безусловно, обладает огромным потенциалом для развития большинства областей экономической активности, но, как и любой другой технологии, большим данным присущи немаленькие риски Кравченко Влада Олеговна, Крюкова Анастасия Александровна "большие данные" - практические аспекты и особенности // Academy. 2016. №6 (9). URL: https://cyberleninka.ru/article/n/bolshie-dannye-prakticheskie-aspekty-i-osobennosti.:

1. Риск конфиденциальности. При попадании конфиденциальных данных третьим лицам может возникнуть целый ряд проблем с законодательством, а также компания может понести значительные убытки из-за того, что внутренней информацией завладели конкуренты.

2. Риск потери данных. При технических неполадках возникает риск потерять данные насовсем, однако при регулярном резервном копировании такая ситуация невозможна.

3. Риск переполнения хранилища. При неправильном использовании технологии может возникнуть ситуация, при которой хранилище оказывается переполненным, и чтобы продолжить его применение, необходимо удалить часть собранной информации.

4. Риск снижения эффективности больших данных. При помещении данных в хранилище необходимо проводить тщательный отбор информации, чтобы не допустить хранения ненужных данных и, как следствие, снижения ценности собранной информации.

2. Влияние использования больших данных на корпоративные стратегии и эффективность рекламной деятельности международных компаний

2.1 Ключевые сферы применения больших данных в рекламе

Для проведения анализа влияния больших данных на рекламный рынок необходимо описать, каким образом функционирует современная реклама, как именно в ней используются технологии больших данных, и кто является основными поставщиками информации.

Технология больших данных открыла новые безграничные возможности для рекламной индустрии. Большие данные помогают специалистам по маркетингу наилучшим образом выстраивать рекламные кампании за счет создания максимально точного портрета целевого потребителя, прогнозирования его реакции на рекламное сообщение, высокой степени персонализации предложений и использования цифровых платформ для продвижения продукта. Warner J. Why Marketers Should Tap Into Big Data // Business.com, 21 июня 2019 г. URL: https://www.business.com/articles/big-data-marketing/. Более того, технология открывает новые возможности для каждого привычного маркетингового инструмента (4P) Симакина Марина Анатольевна ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ BIG DATA В МАРКЕТИНГЕ // Бюллетень науки и практики. 2018. №6. URL: https://cyberleninka.ru/article/n/osobennosti-ispolzovaniya-tehnologiy-big-data-v-marketinge.:

1. Продвижение. Сегментация пользователей, проведенная с использованием больших данных, позволяет точно определить целевую аудиторию и персонализировать предложения, добиваясь максимального успеха рекламной кампании.

2. Продукт. Инструменты технологии дают компаниям возможность проводить глубокий анализ конкурентов и положения продвигаемого продукта на рынке, что приводит к более высоким продажам.

3. Место. Использование больших данных позволяет выбирать наиболее удачные каналы для продвижения того или иного продукта, чтобы выстроить грамотную стратегию продвижения.

4. Стоимость. Применение технологии для анализа финансовых отчетов, данных поставщиков и бизнес-моделей конкурирующих товаров приводит к установлению эффективной цены на продвигаемый продукт.

Постоянный прогресс в рекламной индустрии приводит к регулярному появлению новых технологий и терминов. Одним из таких алгоритмов является Look-a-like, запущенный Яндексом еще в 2013 году. Горелова А. А. Большие данные и направления их использования в маркетинге //Актуальные проблемы гуманитарных и естественных наук. - 2017. - №. 4-2. - С. 11-16. Суть технологии состоит в автоматизированном подборе аудитории, которая по своему поведению максимально похожа на определенные компанией целевые группы потребителей, и запуске таргетированной рекламы на этих пользователей. В основе сервиса лежит технология лежит технология машинного обучения, что позволяет постоянно пополнять базы данных и достигать максимальной эффективности маркетингового продвижения. Однако эффект Look-a-like в социальных сетях не имеет достаточного потенциала, чтобы проводить рекламные кампании только с его помощью, поэтому также используются такие технологии, как динамический ретаргетинг, персонализированные рассылки по электронной почте и товарные рекомендации на сайтах. Использование больших данных привело к появлению еще одной технологии, которая стала неотъемлемой частью любой цифровой рекламной кампании - аукциона в реальном времени (RTB). С помощью автоматизированных сервисов компания загружает данные о своем целевом сегменте аудитории в систему. При вводе пользователем запроса в поиске, релевантного продвигаемому продукту, алгоритм реагирует на это и оценивает потребителя с точки зрения совпадения с целевым портретом. Если система классифицирует пользователя, как подходящего для рекламного сообщения, она автоматически выставляет ставку на покупку места для объявления, исходя из диапазона ставок, заданного компанией. Далее алгоритм оценивает качество предложенных рекламных объявлений, их релевантность для пользовательского запроса и размеры ставок, выбирая наилучшего кандидата, который и получает место для своего объявления. Торг работает по системе аукциона второй цены, что означает, что компания, выигравшая рекламное место, оплачивает стоимость, которую установил второй игрок. Real Time Bidding // Between Exchange. URL: http://rtb-media.ru/wiki/. Таким образом, поисковая реклама позволяет компаниям контролировать стоимость рекламного размещения и качество аудитории, на которую оно направлено, что является принципиальным отличием от контекстной рекламы, при которой компании могут лишь устанавливать желаемое количество показов сообщения, выполнений целевого действия или конверсий на сайт, и в зависимости от желаемого результата оплачивать показ или клик по цене, установленной автоматически. Jallat F. et al. Gestion de la relation client: Total relationship management, Big data et Marketing mobile. - 2014. - №. hal-01637863.

Рекламные агентства занимаются самостоятельным сбором информации, необходимой для продвижения продуктов на рынке, однако огромную часть данных они закупают у различных поставщиков:

1. Банки. С помощью технологии больших данных, кредитные организации собирают различные данные о своих клиентах. С одной стороны, они успешно применяют собранную информацию для повышения лояльности потребителей и предоставления большего количества персонализированных услуг, а с другой, они продают часть этих данных рекламным компаниям. С этой целью крупнейшие банки создают собственные экосистемы: выкупают компании, которые ведут свою деятельность в самых разных сферах, либо заключают с ними партнерские соглашения, что открывает им доступ к куда большему количеству информации, чем просто данные о месте и сумме совершенных трансакций. 9. Время разбрасывать камни: кого и зачем покупают российские банки // Bloomchain, 30 апреля 2019 г. URL: https://bloomchain.ru/detailed/vremya-razbrasyvat-kamni-kogo-i-zachem-pokupayut-rossijskie-banki/. На основе полученных от банков данных, рекламным компаниям предоставляется возможность таргетировать рекламу на определенный круг пользователей, подбирая сегмент аудитории в зависимости от продвигаемого продукта. Лидерами по развитию партнерской сети на российском рынке являются такие банки, как Сбербанк и Тинькофф Банк (табл. 5):

Таблица 5 Экосистемы Сбербанка и Тинькофф Банка

Источник: Время разбрасывать камни: кого и зачем покупают российские банки // Bloomchain, 30 апреля 2019 г. URL: https://bloomchain.ru/detailed/vremya-razbrasyvat-kamni-kogo-i-zachem-pokupayut-rossijskie-banki/.

2. ОФД. Операторы фискальных данных передают информацию, полученную от онлайн-касс, работающих, в том числе, на основе CRM-систем, в налоговые службы. Через ОФД проходят все чеки, свидетельствующие о различных трансакциях, что позволяет им аккумулировать и анализировать большое количество информации о покупателях, применяя технологию больших данных. Рекламные агентства обычно заключают контракт на покупку данных одновременно с банками и операторами фискальных данных, что предоставляет им доступ к более полному портрету потребителей. Так, запрашивая в ОФД данные о конкретном продукте, маркетологи получают выгрузку потребителей, которые приобрели этот товар, и по информации о номере карты и месте покупки банки могут сопоставить эти сведения со своими реальными клиентами, что дает возможность таргетировать рекламу на максимально заинтересованных в ней людей.

3. Мобильные операторы. Операторы мобильной связи, используя технологию больших данных, хранят огромное количество пользовательских данных, так как значительную долю своего времени люди проводят, используя смартфоны. Рассылки от магазинов и других центров, оказывающих услуги, оповещения от банков, подтверждение регистрации с помощью номера мобильного телефона и другие данные, которые приходят на телефон в виде СМС-сообщений, - вся эта информация ежесекундно поступает в хранилища сотовых операторов и может быть использована для продажи сторонним компаниям, в том числе, рекламным. Помимо этого, все крупные сотовые операторы предоставляют возможность подключения к Интернету, что позволяет им отслеживать цифровой след своих абонентов, таким образом собирая максимальное количество пользовательских данных. Соколова А. Как устроен рынок big data в России // Rusbase, 1 сентября 2015 г. URL: https://rb.ru/howto/big-data-in-russia/. Получая доступ к большим архивам данных о поведении пользователей, маркетологи имеют возможность максимально точно направить рекламную кампанию на целевого потребителя.

4. Ритейл. Крупные ритейл-сети регулярно проводят аналитику данных своих покупателей с целью выявления наиболее и наименее популярных товаров, понимания какие продукты являются субститутами, а какие группы товаров клиенты чаще всего покупают вместе, спрос на какие продукты выше в определенное время суток, день недели или время года и т.д. Бочкова Елена Владимировна, Авдеева Евгения Александровна, Щербаков Денис Сергеевич Особенности применения информационной технологии Big Data в маркетинговой деятельности российских компаний B2C-сектора // Концепт. 2016. №S17. URL: https://cyberleninka.ru/article/n/osobennosti-primeneniya-informatsionnoy-tehnologii-big-data-v-marketingovoy-deyatelnosti-rossiyskih-kompaniy-b2c-sektora. Вся эта информация находится в хранилищах больших данных и может быть использована самими магазинами для максимизации прибыли и удовлетворения потребностей и пожеланий покупателей. Рекламные агентства зачастую обращаются к ритейлерам, чтобы получить данные об определенном сегменте потребителей, чтобы настроить рекламные предложения именно на тех покупателей, которые могут быть в них заинтересованы.

5. Wi-Fi провайдеры. В современных мегаполисах сети Wi-Fi доступны практически везде: в торговых центрах, кафе и ресторанах, театрах, музеях, в общественном транспорте, аэропортах и т.д. На рынке существует не так много провайдеров, способных создать общедоступные сети, которые могут выдержать такое количество подключений. Однако те компании, которые могут позволить себе создать такую инфраструктуру, вкладываются и в технологии хранения данных, получаемых благодаря подключениям к их сетям, в том числе, большие данные. Провайдеры открытых сетей имеют доступ к истории использования самой сети каждым подключившимся пользователем. Таким образом, компании агрегируют огромное количество информации о поисковых запросах потребителей, скачиваемых приложениях, загружаемых страницах и использовании социальных сетей. Все эти данные обладают колоссальным значением для рекламных компаний, которые имеют возможность выкупить у провайдеров данные об интересующем их сегменте аудитории.

6. Социальные сети и поисковые сервисы. Google и Яндекс, как самые популярные поисковые сервисы в мире и в России соответственно, ежесекундно обрабатывают невероятные объемы данных о запросах пользователей. Эти гиганты в сфере IT не предоставляют данные маркетинговым компаниям, вместо этого они запустили собственные сервисы, предназначенные для размещения рекламных объявлений в Интернете: Google Display Network и Яндекс Директ. Данные сервисы являются основным доходом для компаний-создателей и генерируют наибольшее количество рекламного трафика: только Google Display Network ежедневно совершает до 2 млрд показов рекламных объявлений. По тому же принципу работают и наиболее востребованные социальные сети, такие, как Facebook (+ Instagram), YouTube, ВКонтакте и Одноклассники (Mail.ru group). Последовав примеру поисковиков, они создали личные кабинеты для контроля рекламных объявлений и аналитики проводимых кампаний. Социальные сети и поисковые системы собирают о пользователях совершенно разные данные, которые позволяют оптимизировать показы рекламы пользователям. Среди данных, доступных вышеупомянутым сервисам можно выделить следующие: имя, возраст, место жительства, устройства, браузеры, операционная система, мобильная сеть, номер телефона, электронный адрес, IP-адрес, поисковые запросы, содержание почты и вложений, файлы, находящиеся в облачных хранилищах, просмотренные фото и видео, списки друзей и пользователей, с которыми общается конкретный человек, контакты, файлы cookie, кэш приложений и другие. Охота за информацией: кто и зачем собирает персональные данные в интернете? // Bloomchain, 12 сентября 2019 г. URL: https://bloomchain.ru/detailed/ohota-za-informatsiej-kto-i-zachem-sobiraet-personalnye-dannye-v-internete/. Регистрируясь в той или иной социальной сети, пользователь подтверждает доступ к указанной персональной информации и при каждом новом входе в приложение/сайт сервис обновляет сохраненные базы данных об этом человеке. Благодаря доступу к такому количеству информации, реклама с помощью поисковых сервисов и социальных сетей является одним из самых популярных направлений на сегодняшний день, позволяющим за минимальную стоимость достичь максимального охвата целевой аудитории.

Существует также множество компаний, которые являются агрегаторами данных, полученных из вышеперечисленных источников, и занимаются продажей полноценных сегментов аудитории, что облегчает работу рекламных агентств, позволяя заключить контракт лишь с одной компанией, которая предоставит полноценный и готовый к использованию сегмент целевых потребителей. Все приведенные компании разрабатывают технологии, в основе которых лежат алгоритмы больших данных и искусственного интеллекта, что позволяет им анализировать настолько большое количество пользовательских данных и делать прогнозы поведения потребителей. На российском рынке крупнейшими среди таких компаний являются:

1. Segmento. Крупная платформа автоматизированного размещения и управления рекламой, которая анализирует поведение пользователей в социальных сетях, историю поисковых запросов, посещения сайтов, социально-демографические факторы и многие другие данные, предоставляя своим клиентам готовые сегменты аудитории. На данный момент компания принадлежит Сбербанку и АФК «Система», что в совокупности с заключенным в 2019 году соглашением с Платформой ОФД, расширяет базы данных Segmento за счет доступа к внутренней аналитике клиентов вышеупомянутых компаний. Инструментарий Segmento предоставляет доступ к более чем 1,5 млн площадок для размещения рекламы, а аналитика охватывает 98% пользователей Рунета. Официальный сайт Segmento. URL: https://segmento-target.ru (дата обращения: 27.04.2020).

2. Квант. Совместная компания ГазПромМедиа и оператора публичных Wi-Fi сетей МаксимаТелеком предоставляет рекламодателям огромные возможности для размещений за счет сбора огромных массивов пользовательской информации в Интернете, аналогично Segmento. Огромным плюсом сотрудничества с компанией является предоставление рекламных площадок на сайтах компаний, входящих в ГазПромМедиа, и страницах подключения к Wi-Fi сетям МаксимаТелекома (крупнейшая в Европе сеть MT_Free, доступная в общественном транспорте, аэропортах, на остановках, в парках и некоторых ресторанах, а также региональная сеть Dom.ru). Официальный сайт Квант. URL: https://qvant.ru/advertisers/ (дата обращения: 27.04.2020).

3. Shopster. Компания, специализирующаяся на Wi-Fi-аналитике, которая позволяет эффективно отслеживать оффлайн-конверсию бизнеса. Устанавливая специальные роутеры в общественных местах, Shopster может собирать данные о передвижениях пользователей и анализировать динамику потока потребителей, чтобы использовать в дальнейшем эти данные для оптимизации рекламных продвижений компаний-рекламодателей. Высокой степени эффективности аналитики компании способствуют партнерские соглашения с Яндексом и Mail.ru Group, а подписанный договор с Russ Outdoor, крупнейшим оператором наружной рекламы в России, обеспечивает клиентам огромное количество потенциальных площадок для размещения. Официальный сайт Shopster. URL: https://www.getshopster.com/ru/ (дата обращения: 27.04.2020).

4. Locomizer. Российский стартап, работающий на основе технологий, аналогичных Shopster, который привлек инвестиции от иностранных венчурных фондов, и теперь осуществляет свою основную деятельность за рубежом. Компания предлагает эффективные решения в сфере наружной рекламы, построенные на агрегации и глубоком анализе GPS-данных потребителей. Официальный сайт Locomizer. URL: https://locomizer.com (дата обращения: 27.04.2020).

5. Flocktory. Платформа реферрального маркетинга, деятельность которой сфокусирована на повышении конверсии сайта клиента. Flocktory собирает аналитические данные на всех этапах пользовательского пути: при входе на сайт потребителю предлагают оформить подписку на e-mail-рассылку, чтобы получить промокод на скидку, а после совершения покупки предлагается поделиться ссылкой с другом в обмен на еще один промокод. Также настроена автоматизированная система для сбора и обработки отзывов, что позволяет клиентам улучшить качество обслуживания и пользовательский опыт своих покупателей. С 2017 года компанией владеет Qiwi банк, что открывает для ее потенциальных клиентов совершенно новые рекламные возможности. Офциальный сайт Flocktory. URL: https://www.flocktory.com/en/ (дата обращения: 27.04.2020).

Культура больших данных и подходы к регулированию использования данной технологии в рекламе

Вследствие бурного развития технологий хранения, обработки и передачи больших массивов данных, особо остро встает вопрос информационной безопасности. На данный момент, из-за новизны технологии, в мире не существует какого-либо унифицированного соглашения, регулирующего безопасность данных. Из-за отсутствия однозначного подхода к регламентированию применения больших данных в целом, нормативная база регулирования использования данной технологии в рекламе также не существует.

Тем не менее, работа по созданию регуляторной системы ведется очень активно, так как цифровые технологии, на сегодняшний день, имеют огромное значение для всех сфер экономической активности. Несколько важнейших институтов стандартизации сейчас работают над созданием стандартов в области больших данных. Ключевыми структурами являются Международная организация по стандартизации и Международная электротехническая комиссия, Международный союз электросвязи, Британский Институт Стандартов, Национальный Институт Стандартов и Технологий США. В России в данном направлении ведет свою работу Национальная Стратегическая Инициатива. Д.Е. Намиот, В.П. Куприяновский, Д.Е. Николаев, Зубарева Е.В. Стандарты в области больших данных // International Journal of Open Information Technologies. 2016. №11. URL: https://cyberleninka.ru/article/n/standarty-v-oblasti-bolshih-dannyh.

Из-за отсутствия глобальной стратегии по регулированию больших данных, следует рассмотреть положение дел в этой сфере в отдельно взятых регионах мира.

Так, в Соединенных Штатах Америки, несмотря на несравнимый технологический прогресс, до сих пор отсутствует единая система правого регулирования больших данных; существуют нормативно-правовые акты, регулирующие использование данных в отдельных областях (финансовый сектор: банки и страховые компании; специфические требования для кредитных организаций и компаний, которые занимаются выпуском кредитных карт; сферы здравоохранения и образования; мобильные операторы), а также законы отдельных штатов (Калифорния, Массачусетс, Нью-Йорк, Вашингтон). Klosek J. Regulation of big data in the United States // Global Data Hub. URL: https://globaldatahub.taylorwessing.com/article/regulation-of-big-data-in-the-united-states. Более того, в США не существует федерального законодательного органа, контролирующего исполнение вышеперечисленных актов. Частичными полномочиями в этой сфере обладает Федеральная Торговая Комиссия - антимонопольный государственный орган, деятельность которого направлена на борьбу с недобросовестной конкуренцией и нарушением прав потребителей. USA: data protection 2019 // ICLG.com, 03 июля 2019 г. URL: https://iclg.com/practice-areas/data-protection-laws-and-regulations/usa. Причин отсутствия комплексных мер по регулированию технологии в Соединенных Штатах Америки несколько. Соснин К. Правовое регулирование Больших данных: зарубежный и отечественный опыт. "Журнал Суда по интеллектуальным правам", № 25, сентябрь 2019 г., с. 30-42. Во-первых, в Америке нет закрепленного на федеральном уровне права на неприкосновенность частной жизни (оно возникло лишь на основе судебных прецедентов), а персональные данные являются частью частной жизни граждан США, что усложняет процессы формирования нормативно-правовой базы в отношении больших данных. Во-вторых, крупные американские корпорации, такие, как Google, Yahoo, Amazon и Facebook, совершенно не заинтересованы в принятии законов, ограничивающих открытость Интернета и передачу персональных данных пользователей. Именно поэтому они активно занимаются лоббистской деятельностью, направленной против введения жесткого регулирования технологии больших данных. В-третьих, Федеральная Торговая Комиссия стимулирует компании разрабатывать собственную политику конфиденциальности, что предполагает значительную долю саморегуляции, поэтому государственные структуры Соединенных Штатов Америки не видят острой необходимости в принятии федеральных законов, регламентирующих применение технологии больших данных.

В Европе 25 мая 2018 года вступил в силу Общеевропейский Регламент по защите персональных данных - наиболее масштабный и подробный на сегодняшний день документ, регулирующий права человека в отношении персональных данных и принципы работы с ними. Data-related Legislation // Science Europe. URL: https://www.scienceeurope.org/our-priorities/data-related-legislation/. Регламент также предполагает создание специального органа, ответственного за исполнение положений введенного законодательства, - Европейского Совета по защите данных, в состав которого входят Европейский инспектор по защите персональных данных и руководители надзорных органов всех стран, входящих в Европейский Союз. Касательно содержания документа, следует отметить описанные в Регламенте основные принципы обработки данных: законность, справедливость и прозрачность (вся информация о способах и целях обработки персональных данных должна быть доступна и изложена в понятной форме); ограничение цели (данные должны собираться лишь для заранее объявленной компанией цели); минимизация данных (данные должны собираться только в необходимом для выполнения целей компании объеме); точность (компании обязаны применять меры, необходимые для своевременного исправления неточностей и ошибок в собранных данных); ограничение хранения (данные должны храниться лишь в течение срока, необходимого для выполнения целей компании); целостность и конфиденциальность (компании обязаны обеспечить безопасность собираемых данных и защитить их от попадания третьим лицам, повреждения или уничтожения). Талапина Эльвира Владимировна Защита персональных данных в цифровую эпоху: российское право в Европейском контексте // Труды Института государства и права РАН. 2018. №5. URL: https://cyberleninka.ru/article/n/zaschita-personalnyh-dannyh-v-tsifrovuyu-epohu-rossiyskoe-pravo-v-evropeyskom-kontekste. Основные изменения касательно политики сбора данных представлены в таблице (табл. 6):

Таблица 6 Основные изменения в Европейской регуляторной системе после введения Общеевропейского Регламента по защите данных



В России основными законами, регулирующими правила хранения персональных данных, являются Федеральный закон «О защите персональных данных» Федеральный закон "О персональных данных" от 27.07.2006 N 152-ФЗ. и Федеральный закон «Об информации, информационных технологиях и о защите информации» Федеральный закон "Об информации, информационных технологиях и о защите информации" от 27.07.2006 N 149-ФЗ., принятые 27 июля 2006 года. Также, в 2017 году была принята национальная программа «Цифровая экономика», направленная на развитие технологического потенциала Российской Федерации. Паспорт национальной программы «Цифровая экономика». Большие данные являются одной из 9 основных сквозных технологий, указанных в данной программе, которые обладают наибольшим потенциалом для развития. Тем не менее, в вышеупомянутой программе нет точной формулировки, что именно подразумевается под большими данными, что создает некоторые проблемы для дальнейшей работы над нормативной базой этой технологии. В недавно принятом Европейском Регламенте большие данные также не имеют четкого определения, однако эта технология включена в расширенное определение персональных данных. В российском Федеральном законе «О защите персональных данных» вводится понятие персональных данных: «любая информация, относящаяся прямо или косвенно к определенному или определяемому физическому лицу (субъекту персональных данных)». Федеральный закон "О персональных данных" от 27.07.2006 N 152-ФЗ. Однако после принятия в 2016 году «Пакета Яровой» Федеральный закон "О внесении изменений в Федеральный закон "О противодействии терроризму" и отдельные законодательные акты Российской Федерации в части установления дополнительных мер противодействия терроризму и обеспечения общественной безопасности" от 06.07.2016 N 374-ФЗ., который обязывает агрегаторов данных хранить не только персональную информацию, но и метаданные, которые передаются пользователями, появились новые противоречия, ведь в последнем однозначно идет речь о больших данных, в отличие от Федерального закона, в котором нет упоминания об этой технологии. Таким образом, несмотря на наличие законодательных актов в сфере цифровых технологий и безопасности персональных данных, четкое регулирование больших данных в России отсутствует. Недочеты российского законодательства более заметны при сравнении с Общеевропейским Регламентом (табл. 7):

Таблица 7 Наиболее существенные различия в регулировании персональных данных в России и Европе

	Федеральный закон о персональных данных	Общеевропейский Регламент по защите персональных данных
Действие закона	РФ	ЕС и обработчики данных граждан ЕС
Право на перенос данных	Нет	Да
Необходимость уведомления контролирующих органов об утечке данных	Нет	Да
Файлы куки и IP-адреса являются персональными данными	Нет	Да
Ответственный за обработку данных	«Оператор» организует сбор данных, определяет цели сбора и осуществляет обработку	«Контроллер» ставит цели и определяет способы обработки, а «процессор» уже решает, как обрабатывать (и, как частный случай обработки, защищать) данные

Источник: Соснин К. Правовое регулирование Больших данных: зарубежный и отечественный опыт. "Журнал Суда по интеллектуальным правам", № 25, сентябрь 2019 г., с. 30-42.

Таким образом, можно выявить основные проблемы российского регулирования больших данных. Во-первых, российские предприниматели вынуждены соблюдать как нормы российского законодательства, так и европейского, ведь Регламент распространяется не только на учрежденные в Европе компании, но и на те, которые используют данные граждан ЕС; это приводит к «двойному обременению», что является весьма затруднительным вследствие наличия значительного количества противоречий (часть из них представлена в табл. 7). Во-вторых, вступление в силу «Пакета Яровой» обязывает компании тратить огромные средства на его реализацию, что совершенно не входит в интересы крупных европейских корпораций, осуществляющих деятельность на территории России. Отдельно стоит отметить закон 2014 года «О внесении изменений в отдельные законодательные акты Российской Федерации в части уточнения порядка обработки персональных данных в информационно-телекоммуникационных сетях» Федеральный закон "О внесении изменения в статью 4 Федерального закона "О внесении изменений в отдельные законодательные акты Российской Федерации в части уточнения порядка обработки персональных данных в информационно-телекоммуникационных сетях" от 31.12.2014 N 526-ФЗ., который предполагает локализацию персональных данных граждан РФ на территории России. Последние изменения в российском законодательстве приводят к значительному сокращению присутствия Европейского бизнеса на территории страны: уже в первый год после введения закона о локализации данных потери российской экономики от ухода европейских компаний составили 0,27% от ВВП. Bauer M. Data Localization in Russia // ECIPE, июнь 2015 г. URL: http://ecipe.org/publications/data-localisation-russia-self-imposed-sanction/. В-третьих, в России отсутствуют стандарты качества центров хранения данных, что делает невозможным объективную оценку возможностей и безопасности хранения данных.

Подводя итог, следует отметить, что Российское законодательство в отношении больших данных требует доработки и гармонизации с нормативными актами, принятыми в других странах, для эффективной работы технологии и современных компаний, ее использующих. Данную необходимость ощущают и сами российские корпорации, объединяющие свои усилия для разработки стратегий работы с большими данными и другими цифровыми технологиями. Для поддержки цифровой трансформации российской экономики на базе Инновационного центра Сколково в 2017 году была создана АНО «Цифровая экономика», которая выступает посредником между бизнесом и государством. В ее состав вошли такие компании, как Сбербанк, ВТБ24, Qiwi, Rambler, Яндекс, Mail.ru, Ростелеком, МТС, Билайн, Мегафон и другие, что говорит о высокой степени заинтересованности различных бизнес-сегментов в участии в формировании цифровой повестки страны. Официальный сайт АНО «Цифровая экономика». URL: https://data-economy.ru/organization (дата обращения: 30.04.2020). Более того, в следующем году появилась Ассоциация больших данных, деятельность которой направлена на разработку единых стандартов обработки, хранения и передачи больших данных. В состав АБД вошли практически те же организации, что и в АНО «Цифровая экономика»: Сбербанк, Тинькофф, Газпромбанк, Qiwi, Яндекс, Mail.ru, Ростелеком, МТС, Билайн, Мегафон и другие, что в очередной раз подтверждает список ключевых сфер, для которых технология больших данных представляет наибольший интерес и потенциал для развития. Официальный сайт Ассоциации Больших Данных. URL: https://rubda.ru/assocziacziya/ob-assocziaczii/ (дата обращения:30.04.2020). Также, 8 мая 2020 года на общественное обсуждение был вынесен первый вариант стандарта «Информационные технологии. Большие данные. Обзор и словарь», разработанный Национальным центром цифровой экономики МГУ имени М.В. Ломоносова и Институтом развития информационного общества. Этот стандарт имеет огромное значение для дальнейшего развития больших данных, так как он определяет основные термины и понятия в сфере работы с вышеупомянутой цифровой технологией. Бахур В. В России разработан основополагающий национальный стандарт по большим данным // CNews, 8 мая 2020 г. URL: https://www.cnews.ru/news/line/2020-05-08_v_rossii_razrabotan_osnovopolagayushchij.

Регулирование больших данных вызывает трудности не только в России: данная технология противоречит большому количеству законов и правил, установленных по всему миру. В первую очередь, технология не совместима с принципом ограничения цели сбора данных. А.И. Савельев Проблемы применения законодательства о персональных данных в эпоху «Больших данных» (Big Data) // Право. Журнал Высшей школы экономики. 2015. №1. URL: https://cyberleninka.ru/article/n/problemy-primeneniya-zakonodatelstva-o-personalnyh-dannyh-v-epohu-bolshih-dannyh-big-data. Большие данные подразумевают сбор всех возможных данных для максимальной эффективности работы с ними, а также хранение и повторное их применение, которое невозможно регламентировать заранее определенной целью. Бачило И.Л., Сергиенко Л.А., Кристальныи? Б.В., Арешев А.Г. Персональные данные в структуре информационных ресурсов. Основы правового регулирования. Минск: Беллитфонд, 2006. 474 с. Также не совсем правильной является трактовка больших данных как части персональных данных, которая встречается во многих существующих стандартах регулирования персональной информации, ведь аналитика включает в себя также и обезличенные данные, и технологические данные. Big Data: обзор и перспективы правового регулирования // Danilov & Partners, 15 марта 2019 г. URL: https://danilovpartners.com/ru/publikacii/big-data-obzor-i-perspektivy-pravovogo-regulirovanija/. Любая собранная информация обладает огромной потенциальной ценностью для компаний, поэтому ограничение цели ее сбора устанавливает рамки для применения технологии больших данных, которые значительно уменьшают эффективность ее использования. Еще одно противоречие возникает, когда речь идет о концепции информированного и сознательного согласия на обработку персональных данных. А.И. Савельев Проблемы применения законодательства о персональных данных в эпоху «Больших данных» (Big Data) // Право. Журнал Высшей школы экономики. 2015. №1. URL: https://cyberleninka.ru/article/n/problemy-primeneniya-zakonodatelstva-o-personalnyh-dannyh-v-epohu-bolshih-dannyh-big-data. Во-первых, компании не могут предоставить субъекту данных полную информацию об их потенциальном использовании из-за невозможности заранее однозначно определить цель применения собранной информации. Выходом из данной ситуации являются размытые формулировки политики конфиденциальности, которые предоставляют компаниям возможность варьировать трактовку в случае жалоб со стороны пользователей или законодательных органов. Во-вторых, даже при добросовестном предоставлении информации о потенциальном использовании данных, пользователи вряд ли смогут ее усвоить, так как обычно это является документом, состоящим не из одного десятка страниц, и написанным техническим языком, тяжелым для восприятия людьми, не связанными с ИТ-сферой. Именно поэтому большинство пользователей вообще не читают пункты политики конфиденциальности, в любой случае соглашаясь с ней. Solove D. Privacy Self-Management and the Consent Dilemma // Harvard Law Review. No. 126. 2013. P. 1880-1903. В связи с этим возник «парадокс прозрачности», который заключается в том, что достоверная и актуальная информация о потенциальном применении данных слишком сложна для восприятия, а при более простом и понятном изложении теряются важные детали, что порождает недостаток информации в итоге. Nissenbaum H. A Contextual Approach to Privacy Online // Daedalus, 2011. No. 4. P. 32-48. В-третьих, если допустить, что все компании максимально детально излагают информацию о потенциальном использовании собираемых данных, а все пользователи ответственно подходят к изучению политик конфиденциальности, появляется еще одна проблема, которую призваны решать современные технологии - трата огромного количества времени. Любым своим действием в Интернете человек дополняет свой цифровой след, а учитывая то, что люди проводят все больше времени онлайн, физически невозможно изучать пользовательские соглашения каждого сайта или приложения, которые собирают информацию о потребителях. Согласно исследованиям, среднестатистический житель США должен потратить примерно 201 час на прочтение политик конфиденциальности всех сайтов, которыми он пользуется, что может привести страну к потере $781 млрд в год. McDonald A., Cranor L., The Cost of Reading Privacy Policies // Journal of Law and Policy for the Information Society. 2009. No. 4. P. 543-568. Также на пути сознательного согласия на обработку данных появляется еще одна проблема - существование информационных брокеров, рекламных агентств и других структур, которые не собирают пользовательские данные напрямую, а покупают их из различных источников и применяют в своей деятельности, которая зачастую не совпадает с заявленной в политике конфиденциальности компании, продавшей им информацию о своих потребителях. Очередным препятствием на пути создания единого регламента работы с большими данными является проблема обезличивания данных. А.И. Савельев Проблемы применения законодательства о персональных данных в эпоху «Больших данных» (Big Data) // Право. Журнал Высшей школы экономики. 2015. №1. URL: https://cyberleninka.ru/article/n/problemy-primeneniya-zakonodatelstva-o-personalnyh-dannyh-v-epohu-bolshih-dannyh-big-data. По законодательствам многих стран, в том числе России Приказ Роскомнадзора от 05.09.2013 N 996 «Об утверждении требовании? и методов по обезличиванию персональных данных» (вместе с «Требованиями и методами по обезличиванию персональных данных, обрабатываемых в информационных системах персональных данных, в том числе созданных и функционирующих в рамках реализации федеральных целевых программ»)., компании обязаны деперсонализировать пользовательские данные с помощью различных методик, например, присвоения цифровых идентификаторов. Однако многие из этих способов являются обратимыми, то есть, при необходимости, можно восстановить субъекта собранных данных. Эта возможность ставит под вопрос анонимность передаваемой информации, таким образом создавая противоречие с законами о персональных данных. Более того, наличие огромного количества другой информации в открытом доступе и доступность вычислительных мощностей позволяют деанонимизировать даже тщательно обезличенные данные, что может подвергнуть опасности пользователей, чьи данные оказались раскрыты. Однако основной проблемой является то, что даже обезличенность данных не обеспечивает сохранность частной жизни, ведь применение технологии больших данных позволяет компаниям создавать портреты пользователей и делить их на определенные сегменты на основе их поведения и информации из открытых источников, не раскрывая при этом реальную личность потребителя, но используя эту классификацию в своих целях.

Подводя итог, следует отметить, что большие данные обладают настолько большим потенциалом, что на данный момент создание единой системы, регламентирующей их применение, не представляется возможным. Существующие законодательства о персональных данных создают существенные барьеры для развития технологии, поэтому для начала необходимо четко определить сферы применения больших данных и начать разработку стандартов для каждой отдельной взятой из них. Также, важным шагом на пути к созданию регламента использования технологии является внедрение системы регулирования оборота информации в целом, так как на сегодняшний день темпы роста нормативной базы по этому вопросу значительно ниже темпов роста количества информации и технологий для ее обработки, хранения и передачи.

2.3 Влияние использования больших данных в рекламных кампаниях на ключевые показатели их эффективности на примере деятельности международного медиа холдинга Publicis Groupe

Технология больших данных активно применяется в рекламной сфере. Помимо закупок огромных массивов данных для повышения точности составления целевой аудитории и таргетирования рекламных сообщений на выявленные сегменты, рекламные агентства разрабатывают собственные технологии, в основе которых лежат большие данные. Эти технологии необходимы для более продвинутой аналитики и оптимизации рекламных кампаний. Алгоритмы машинного обучения решают сразу несколько задач: выявление сегментов аудитории и ситуаций потребления того или иного товара; проверка и уточнение гипотез, составленных стратегическим отделом; определение факторов, которые в наибольшей степени влияют на вовлеченность потребителей.

На примере медиа холдинга Publicis Groupe хотелось рассмотреть некоторые из подобных технологий и способы их применения.

Средством выполнения вышеописанных целей зачастую служит работа с огромными массивами текста, собранного, в том числе, из социальных сетей, и визуальными объектами. Компания Publicis Groupe использует 2 метода обработки текста: кластеризация и расчет связей слов; и 1 метод анализа визуального контента - машинное зрение.

Кластеризация - технология, основанная на машинном обучении искусственного интеллекта, которая разделяет текстовые массивы на однородные группы, объединенные по тематике. Однако у этого метода есть серьезный недостаток - компьютер группирует информацию по непонятному принципу, поэтому зачастую людям приходится вручную определять, по какому именно принципу сформирован тот или иной кластер. Тем не менее, эта технология позволяет в течение нескольких минут обработать огромный массив текстовой информации, что не под силу человеку, а также выявить неочевидные закономерности. Михаил Степнов и Лилия Мусина, Publicis Groupe Russia: любовь, социальные медиа и роботы // Sostav.ru, 17 февраля 2020 г. URL: https://www.sostav.ru/publication/love-social-media-and-robots-41914.html.

Расчет связей слов - алгоритм, в основе которого также лежит искусственный интеллект, показывающий частоту и вероятность употребления определенного слова в сочетании с другими. Технология помогает подтвердить или опровергнуть стратегические гипотезы и выстроить грамотную схему продвижения продукта, показывая, с чем этот товар ассоциируется у потребителей чаще всего. Также, показательной является динамика изменения предпочтений пользователей со временем, что помогает анализировать глобальные тенденции на рынке. Михаил Степнов и Лилия Мусина, Publicis Groupe Russia: любовь, социальные медиа и роботы // Sostav.ru, 17 февраля 2020 г. URL: https://www.sostav.ru/publication/love-social-media-and-robots-41914.html.

Машинное зрение - технология, которая основана на искусственной нейросети и способна распознавать объекты, находящиеся на экране, даже во время видеоряда. Она применяется во многих сферах: от автомобилестроения и строительства до медицины и систем контроля населения. Свое место машинное зрение нашло и в рекламе, ведь визуальная составляющая является одной из наиболее важных в маркетинговой индустрии. Самый распространенный способ применения технологии в рекламе - поддержание безопасности бренда за счет анализа контента, который потенциально может быть расположен рядом с рекламным сообщением и отказ от размещения в случае наличия информации и объектов, противоречащих ценностям бренда. Куда менее очевидным кажется использование технологии для оценки эффективности видеоконтента на телевидении. В последнем исследовании компании Publicis Groupe был измерен эффект, который появление разных предметов в ролике оказывает на его запоминаемость. Целевой переменной стала узнаваемость бренда, замеренная с помощью онлайн опросов, а объясняющими - объем размещения, присутствие популярного человека или запоминающейся мелодии в ролике и сам видеоролик. Технология должна была предсказать уже известный уровень узнаваемости бренда, анализируя объекты, присутствующие в ролике и цветовую гамму видео (в RGB кодировке). Технология машинного зрения несовершенна, поэтому некоторые объекты она определяет с низкой точностью, однако эта проблема была решена тем, что в анализе были учтены только объекты с точностью выше 0,8. Результаты исследования оказались совершенно не очевидными (рис. 1). Так, количество показов ролика оказалось лишь вторым по значимости фактором, влияющим на узнаваемость бренда. Также, присутствие известного человека в кадре не так важно, как кажется, и даже наличие незнакомых людей оказывает большее влияние на узнаваемость, а самым оптимальным количеством людей оказалось 2, большее или меньшее число людей в кадре негативно сказывается на узнаваемости бренда потребителями. Однако самым неожиданным открытием стала цветовая гамма ролика: чем больше доля красного цвета в кодировке RGB, тем выше узнаваемость бренда среди зрителей, таким образом, наиболее эффективным является ролик, в котором преобладают яркие и теплые цвета. Data- Data-driven marketing: оценка эффективности видеоконтента с помощью компьютерного зрения // Sostav.ru, 3 апреля 2020 г. URL: https://www.sostav.ru/publication/data-driven-marketing-otsenka-effektivnosti-videokontenta-s-pomoshchyu-kompyuternogo-zreniya-42707.html.



Рисунок 1. Уровень влияния разных факторов на узнаваемость бренда, в %

Источник: Data-driven marketing: оценка эффективности видеоконтента с помощью компьютерного зрения // Sostav.ru, 3 апреля 2020 г. URL: https://www.sostav.ru/publication/data-driven-marketing-otsenka-effektivnosti-videokontenta-s-pomoshchyu-kompyuternogo-zreniya-42707.html.

Отдельного внимания заслуживает технология эконометрического моделирования с использованием больших данных, разработанная в компании Publicis Groupe - омниканальная атрибуция. Это подход, использующий постоянно обновляющиеся персональные данные для того, чтобы генерировать инсайты о наиболее эффективных способах максимизации целевых показателей бизнеса. Революционность технологии заключается в том, что она позволяет таргетировать рекламное сообщение на конкретного потребителя, подходящего под целевой портрет не только на цифровых площадках, но и в остальных медиаканалах (телевидение, наружная реклама и т.д.). Более понятными становятся нововведения омниканальной атрибуции в сравнении с классическим эконометрическим моделированием маркетинг микса (продукт, продвижение, место и стоимость) на цифровых платформах (табл. 8):

Таблица 8 Сравнение моделирования маркетинг микса и омниканальной атрибуции

	Моделирование маркетинг микса	Омниканальная атрибуция
Тип модели	Статичная (для одного проекта)	Постоянно обновляющаяся
Тип данных	Агрегированные	Детализированные (вплоть до сегментов потребителей и продуктов)
Использование данных	Анализ исторических данных	Система, обучающаяся в реальном времени
Агрегация данных	Данные поступают заранее определенными сегментами	Прямое подключение к базам данных компании клиента и регулярная выгрузка обновленных данных ...

Страница:

•  1 
•  2 
•  3 

дипломная работа "Влияние использования "больших данных" на мировую экономику и деятельность международных компаний на примере рекламной индустрии" скачать

Подобные документы

• Повышение экономической эффективности сталелитейных и горнодобывающих компаний

  Экономическая эффективность хозяйственной деятельности производственных предприятий и управление рисками. Риски производственных компаний: сущность, классификация, причины возникновения, методы выявления и оценки. Развитие сталелитейных компаний.
  
  дипломная работа [3,8 M], добавлен 12.08.2017
  

• Развитие инновационных компаний при высших учебных заведениях: мировой и российский опыт

  Сущность, функции и значение инновационных компаний в процессе модернизации экономики страны. Европейский опыт развитития инновационных компаний при ВУЗах. Пути повышения эффективности инновационной деятельности ВУЗов и компаний, создаваемых при ВУЗах.
  
  дипломная работа [365,2 K], добавлен 21.05.2013
  

• Инвестиционная активность российских компаний

  Понятие инвестиционной активности компаний. Отраслевые особенности обрабатывающей промышленности. Инвестиционная активность российских промышленных компаний. Влияние фондового рынка. Рыночные и специфические, финансовые и институциональные факторы.
  
  дипломная работа [1,6 M], добавлен 09.06.2017
  

• Влияние структуры собственности на дефолт по облигациям российских компаний

  Знакомство с особенностями влияния структуры собственности на дефолт по облигациям российских компаний. Корпоративное управление как популярное направление в анализе деятельности компаний. Рассмотрение способов раскрытия финансовой информации по МСФО.
  
  дипломная работа [2,0 M], добавлен 22.08.2017
  

• Влияние компонентов интеллектуального капитала на эффективность компаний в развивающихся странах

  Методы оценки интеллектуального капитала компании. Выявление влияния различных элементов интеллектуального капитала – человеческого, отношенческого, инновационного и процессного – на операционные результаты деятельности компаний России и Бразилии.
  
  дипломная работа [453,7 K], добавлен 03.07.2017
  

• Основы вертикальной интеграции в нефтехимическом комплексе

  Понятие вертикальной интеграции, этапы становления и развития вертикально интегрированных нефтяных компаний России на примере "ЛУКОЙЛа" и "Роснефти". Конкурентоспособность, основные виды деятельности, стратегические цели и направления развития компаний.
  
  курсовая работа [41,8 K], добавлен 18.08.2010
  

• Отличия кооперативов от акционерных компаний

  Гражданско-правовой механизм реализации права собственности у кооперативов и акционерных компаний. Их формы, цели создания и способы управления. Отличия кооперативов от акционерных компаний в распределении доходов от предпринимательской деятельности.
  
  курсовая работа [28,8 K], добавлен 11.10.2009
  

• Проблемы регулирования естественных монополий

  Сущность и причины появления монополий, их общая характеристика. Место в экономике и проблемы, тенденции развития российских естественных монополий, их государственное регулирование. Развитие и перспективы развития коммерческих монопольных компаний.
  
  курсовая работа [42,7 K], добавлен 10.03.2016
  

• Организация оффшорных компаний

  Понятие оффшорной компании, ее сущность и особенности, причины создания и назначение. Страны для регистрации оффшорных компаний, профили деятельности и управление ими. Порядок регистрации и ликвидации оффшорной компании, необходимые документы и взносы.
  
  контрольная работа [24,5 K], добавлен 19.02.2009
  

• Деятельность вертикально-интегрированных нефтяных компаний

  Основные факторы, влияющие на стабилизацию и развития нефтегазового комплекса, повышение эффективности его работы. Особенности вертикально-интегрированных нефтяных компаний Тюменской области. Пути и перспективы повышения прибыльности предприятий.
  
  реферат [38,4 K], добавлен 04.12.2014
  

• Анализ деятельности иностранных компаний на российском рынке автомобилестроения

  Совместные предприятия как современная форма привлечения прямых иностранных инвестиций. Правовые основы функционирования иностранных компаний на российском рынке. Анализ рынка автомобилестроения и перспективы развития на примере ЗАО "GM-АвтоВАЗ".
  
  курсовая работа [64,8 K], добавлен 10.10.2011
  

• Инвестиционные компании в России

  Особенности, специфика и история развития российских инвестиционных компаний, обзор и анализ их деятельности на современном этапе. Изучение деятельности ОАО "ИК РУСС-ИНВЕСТ", история его создания и оценка дальнейших перспектив развития предприятия.
  
  курсовая работа [57,6 K], добавлен 20.12.2010
  

• Эффективность инновационных разработок, используемых в деятельности косметической фирмы

  Понятие "инновационные разработки" и их место в деятельности косметических компаний. Обзор косметического рынка Российской Федерации. Влияние инноваций и инновационности предлагаемых продуктов на прибыльность компании в динамике на примере L’Оreal Paris.
  
  курсовая работа [37,8 K], добавлен 14.12.2013
  

• Создание лизинговых компаний

  Лизинг как общепризнанное средство финансирования капиталовложений. Управление на рынке лизинговых услуг. Учредители лизинговых компаний. Создание объединений лизинговых компаний на добровольной основе. Особенности договора лизинга в Республике Беларусь.
  
  контрольная работа [21,0 K], добавлен 21.03.2009
  

• Влияние инноваций на уровень риска компании

  Исследование влияния инновационной деятельности на уровень риска компаний технологического сектора США, анализ применимости его результатов для компаний из российского технологического сектора. Методология исследования и построения регрессионной модели.
  
  курсовая работа [432,5 K], добавлен 30.09.2016
  

• Изменение инвестиционной привлекательности акций российских нефтегазовых компаний на современном этапе развития российского фондового рынка

  Использование фундаментального и технического анализа в определении инвестиционной привлекательности акций нефтяных компаний. Комплексный алгоритм и основные этапы его проведения. Анализ факторов изменения данного показателя на российском рынке.
  
  дипломная работа [207,0 K], добавлен 25.07.2015
  

• Изменение капитализации компании под влиянием информации о слияниях и поглощениях

  Комплексный обзор российского рынка слияний и поглощений, оценка активности отечественных компаний. Определение степени влияния информации о сделках слияния на стоимость компаний на фондовом рынке. Модель избыточной доходности в капитализации компаний.
  
  дипломная работа [1,4 M], добавлен 10.03.2015
  

• Анализ моделей оценки рисков во взаимосвязи с иерархией субъекта в пирамиде "актор-риск"

  Проблема оценки рисков судоходных компаний. Деятельность транспортных компаний в различных климатических условиях. Иерархия субъекта в пирамиде "актор-риск". Организационные, рыночные, кредитные, юридические и технико-производственные риски корпораций.
  
  статья [22,3 K], добавлен 06.06.2016
  

• Собственность акционерных компаний на примере ЗАО "Лисавенко"

  Сущность акционерной формы собственности, экономическая деятельность на ее основе. Проблемы управления акционерным обществом. Отличительные особенности акционерной формы собственности ЗАО "Лисавенко". Основные показатели эффективности деятельности.
  
  курсовая работа [134,0 K], добавлен 15.05.2012
  

• Слияния и поглощения компаний в телекоммуникационной отрасли

  Российская практика слияний и поглощений компаний в телекоммуникационной отрасли, подходы к оценке их эффективности. Анализ финансово-экономического потенциала компаний до слияния. Оценка эффективности слияния (метод многокритериальных альтернатив).
  
  курсовая работа [414,8 K], добавлен 05.07.2012
  

Другие документы, подобные "Влияние использования "больших данных" на мировую экономику и деятельность международных компаний на примере рекламной индустрии"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам