Использование технологий Big Data в исследованиях медиааудитории: перспективы и опыт зарубежных проектов

Идентификация через сайт, или так называемый сайтоцентрический подход (использование пикселей-счетчиков в коде сайта и текстовых файлов cookies с информацией о пользовательской активности и контакте с контентом; в этом случае основными метриками становятся количество уникальных посетителей, число просмотра страниц и посещений, количество контактов с рекламным контентом). Так, к примеру, число пользователей является недостаточно точным показателем из-за того, что у одного пользователя может быть несколько устройств, а подсчет каждого из них приведет к очень большим погрешностям в измерении реальной аудитории ресурса. Поэтому под показателем «количество уникальных пользователей» стоит в первую очередь понимать именно число уникальных сочетаний браузера, кода устройства и IP-адреса (адрес может соответствовать не одному устройству, а целому домохозяйству, что также усложняет замеры). Также в обычных практиках замеров никак не учитывается то, что разные люди могут заходить с одного устройства. Важно, что искажения в замерах также могут быть связаны с намеренным удалением cookies со стороны пользователя. Этот подход более ориентирован на получение количественных показателей для ресурса.

Использование подхода, сфокусированного на пользователе и его данных. Речь не только о формах регистрации, заполненных собственноручно, но и о специальных исследовательских проектах, в рамках которых отбирается репрезентирующая генеральную совокупность панель и уже на устройства респондентов устанавливается программное обеспечение, регистрирующее деятельность в сети. Это позволяет совместить социально-демографические показатели с поведением в сети и покупательскими склонностями аудитории. Примером проектов, основанных на такой методике, является MyMetrix (реализовывается организацией ComScore). Тем не менее, в этом подходе присутствует проблема нехватки данных по устройствам, которыми пользователь не владеет лично (например, рабочий ноутбук), а также есть ограничение по репрезентации сайтов - существуют ресурсы с малой аудиторией, которые респондент может не посещать и в таком случае для таких ресурсов статистически значимого результата получить не удастся. В некотором смысле, этот подход носит скорее качественный характер, так как он позволяет оценить поведенческую специфику.

Таким образом, с измерениями в цифровой среде возникает гораздо больше трудностей. Новой индустриальной валютой для цифровых проектов становятся цена за клик (СРС, cost per click), цена за тысячу показов контента или рекламного инвентаря для аудитории (СРМ, cost per mile) и количество уникальных пользователей. При этом, с развитием медиапроектов в Интернете важным становится не только измерение цены за контакт или количественного показателя контактов, но и вовлеченность аудитории в контент. Так как новые медиа, о которых мы упоминали выше, носят мультимедийный характер, контент становится неоднородным, и измерения затрудняются еще и по этой причине. В попытке оценить вовлечение аудитории и её предпочтения в индустрии измерений возникает разнообразие метрик, инструментов и подходов к исследованиям. Так, к примеру, The Financial Times одной из моделей выбрали формат продажи рекламного инвентаря исходя из стоимости часа пользовательского внимания. Трансформируются не только рекламные, но и редакционные метрики, каждая из которых претендует на роль новой валюты для цифровой среды. Среди наиболее актуальных редакционных метрик Амзин А. Галустян В., Кастельс М., Кульчицкая Д., Лосева Н., Паркс М., Паранько С., Силантьева О., Ван дер Хаак Б. под науч. ред. Балмаевой С. и Лукиной М. Как новые медиа изменили журналистику. 2012--2016. Екатеринбург: Гуманитарный университет, 2016. можно выделить:

Время чтения;

Дочитывание материала (эта метрика представлена в таких сервисах как Яндекс.Дзен, YouTube и других);

Конверсия ссылки в чтение (для анализа такого характера используются специальные utm-метки, которые можно просматривать через такие крупные как сервисы Google Analytics и Яндекс.Метрика);

Число лайков, репостов, комментариев, просмотров;

Количество переходов из поисковых ресурсов, социальных сетей, прямые переходы;

Разнообразие представленных устройств, с которых заходят пользователи (так, к примеру, мобильный трафик оценивается в ряде случаев как более недорогой; ряду СМИ, таких как РБК, у которых доля мобильного трафика оказывается слишком высокой, по данной причине требуется переход от традиционной рекламной модели к иным форматам). Появляется и запрос на верификацию полученных данных: из-за технологических особенностей цифровой среды стали возможны искусственная накрутка пользователей, получение прибыли за счет недостаточной видимости рекламы при загрузке страницы (когда пользователь зашел на ресурс и быстро покинул его, при этом размещенный на ресурсе материал или рекламный инвентарь не был загружен до конца и полноценно показан, а просмотр при этом был посчитан), использование шифрующих данные браузеров, а также другие методы фальсификации, что коснулось как взаимодействия рекламодателей и издателей, так и деятельности аналитиков в рамках медиа.

Важной особенностью измерений в цифровой среде является то, что для моделирования аудитории становится более доступным сбор пользовательских данных напрямую самим ресурсом (например, заполнение анкеты на сайте, профили социальных сетей, фото, видео, аудио, сбор уже упомянутых cookies и так далее). Но при этом такие собранные данные по отдельным ресурсам фрагментарны, не всегда достоверны и обогащены в достаточной степени, они разноформатные и способны занимать огромные объемы памяти и вычислительных мощностей.

Таким образом, на этом этапе появляется интересующее нас противоречие. С одной стороны, корректно измеряемые показатели и четкий портрет аудитории становятся ориентиром для редакции в создании контента и маркером эффективности для рекламодателя, что важно для итоговой финансовой прибыльности и повышения качества контента. Но, с другой стороны, онлайн-среда, как мы уже указали выше, обладает своей спецификой в отношении измерений и формирования портрета аудитории.

Данные, полученные с помощью отдельно установленных счетчиков или опросов, не всегда корректны и достаточны для моделирования аудитории, а множественность форматов контента порождает дополнительные трудности при измерении вовлеченности и остальных важных для анализа параметров. За счет разницы в методологиях измерений, слишком большого количества инструментов и исследовательских организаций, а также общего качества исследований появляется проблема манипулирования показателями для получения более высоких рекламных бюджетов.

В связи с этим возникает вопрос о создании единого измерителя для цифровой среды, который предоставлял бы по унифицированной прозрачной методологии результаты исследований и обеспечивал бы некоторую «рыночную валюту» Brierly S. The Advertising Handbook. London, Routledge, 1995. (такой подход применяется в России для телевидения компанией Mediascope, которая была выбрана Роскомнадзором в качестве единого официального измерителя; при этом, для анализа аудитории телевидения данной компанией применяются технологии больших данных, что примечательно для нашей работы).

Многие исследователи Nelson J., Webster J. Audience Currencies in the Age of Big Data // Communication Studies. 2006. 1. Р. 9-24. высказывают противоречивые мнения McDowell W. S. Issues in marketing and branding // Handbook of media management and economics. 2006. Р. 229-250. о растущем интересе к разработке унифицированных методов оценки вовлеченности пользователей во всех видах контента. Если говорить об индустриальной повестке на уровне отдельных регионов (к примеру, в рамках одной страны), для создания единого измерителя может существовать несколько ключевых барьеров:

Опасения возникновения монополии на измерения и последующее ухудшение качества этих измерений;

Риск потери конкурентного преимущества и финансовой выгоды для ряда игроков, завышающих показатели или не желающих распространять информацию о реальных данных;

Законодательные процедуры, меняющие подходы измерителей в отношении сбора, хранения и обработки данных о пользователях (к примеру, серьезное влияние на мировые процессы в индустрии измерений оказали General Data Protection Regulation (GDPR) и California Consumer Privacy Act (CCPA) 2020).

В уже упомянутой российской индустрии измерений сейчас идет активный диалог на данную тему, тесно связанный с тематикой предыдущего этапа нашего исследования Козырева М. (2018). Использование технологий Big Data в исследованиях медиааудитории. НИУ ВШЭ, Москва.. Так, в ноябре 2019 года Роскомнадзор и Медиакоммуникационный союз возобновили Рунет поставят на счетчик. Mediascope может стать единым измерителем онлайн-аудитории // Сайт vc.ru. [электронный ресурс]. Режим доступа: https://www.kommersant.ru/doc/4162850?from=main_7 (дата обращения 14.04.2020) разработку законопроекта о едином измерителе аудитории Интернета. Ряд СМИ отмечал, что «единой и прозрачной системы учёта пользователей не хватает как рекламодателям и производителям контента, так и государству, которое хочет понимать, какой контент смотрят граждане и какие интернет-площадки оказывают наибольшее влияние на общественное мнение» Роскомнадзор и медиакомпании разработали законопроект о едином счётчике интернет-аудитории // Сайт vc.ru. [электронный ресурс]. Режим доступа: https://vc.ru/legal/93056-roskomnadzor-i-mediakompanii-razrabotali-zakonoproekt-o-edinom-schetchike-internet-auditorii (дата обращения 14.04.2020).

Возникает также потребность в усложнении моделирования портрета аудитории на основании дополнительных данных, полученных из множественных источников (социальные сети, уже упомянутые cookies, история покупок и так далее). Поэтому второй сопутствующий вопрос, которого мы коснемся в этой работе - открытость торговле и обмену данными третьих сторон с целью повышения эффективности и интеграции этих данных в измерения для обогащения результата.

В российской практике существует много закрытых экосистем среди крупных игроков Инесcа Ишунькина, Mediascope: «Очень важный вопрос для индустрии -- решить, как жить в реальности, где существуют закрытые экосистемы» // Сайт adindex.ru. [электронный ресурс]. Режим доступа: https://adindex.ru/publication/interviews/media/2019/03/27/270878.phtml (дата обращения 14.04.2020), которые не поддерживают такие действия и скорее склонны сохранять данные закрытыми для продажи или обмена. Если обратиться к зарубежным практикам, на которых мы будем фокусироваться в этой работе, иностранные издатели и медиа-экосистемы уже используют аналогичные решения.

Хорошим примером могут служить Pangea Alliance (запущенный в 2015 году, он входит в число крупнейших в мире цифровых рекламных альянсов, включая в себя Guardian, CNN, The Week, Reuters, Fast Company) и New European Media Initiative (NEM, направленную на содействие медиа в развитии контента, креативных индустрий, социальных медиа, телекоммуникаций и т. д.).

Упоминая экспертные оценки, в интервью с Ксенией Никифоровой (AdIndex) заместитель исполнительного директора Mediascope Инесса Ишунькина также подчеркнула, что развитый рынок медиаизмерений в цифровой среде представлен в регионах США, Скандинавии и Нидерландов Там же., а для российского рынка еще невозможен переход к единому измерителю: «(…) То есть на первом этапе необходимо решить, что именно должен измерить единый измеритель. Второе -- надо определиться, какими метриками мы хотим это померить. И третий, но не менее важный этап, -- это понять, готова ли вся digital-индустрия, включая непосредственно сайты и площадки, согласиться на этого единого измерителя.

Сегодня есть много возможностей получить данные про digital-среду, но также есть много разных метрик, которые зачастую совершенно несопоставимы между собой. Манипулирование этими метриками в какой-то степени тоже является рыночной ситуацией, помогающей каждому из игроков решать свои задачи. Я не верю, что рынок в ближайший год сможет решить для себя, нужен ли ему единый измеритель и готов ли он к этому Там же.».

Ряд российских медиа выразил интерес в создании единого подхода к измерениям и метрикам в цифровой среде, однако основными границами этого являются финансовый барьер и страх потери конкурентного преимущества (Козырева, 2018).

В завершение приведем таблицу Media Landscapes 2019 Edition // Сайт medialandscapes.org. [электронный ресурс]. Режим доступа: https://medialandscapes.org/ (дата обращения 14.04.2020), обобщающую перечень ключевых компаний, занимающихся исследованиями аудитории в некоторых регионах Европейского союза и США. К ним мы также обратимся позже, чтобы коснуться вопроса роли технологий больших данных в анализе аудитории.

Таблица 1

Перечень компаний, занимающихся исследованиями аудитории в США и странах Европейского союза (ЕС)

Источник данных: Media Landscapes 2019 Edition

Таким образом, в данных регионах лидирующие позиции в индустрии измерений аудитории занимают GfK, The Kantar Media network (TNS), Nielsen Media Research, а также Ipsos и Gemius. Из таблицы можно пронаблюдать, что в отношении исследований аудитории Интернета куда меньше встречается тенденция наличия одной крупной исследовательской компании. В приведенном источнике встречается упоминание Google как источника данных об аудитории, однако исследовательской компанией в традиционном понимании эту организацию назвать нельзя, и она не представлена в нашей таблице. Вторая любопытная тенденция, которую мы можем отметить - для исследования аудитории ТВ, радио и прессы в ряде стран используется либо одна и та же исследовательская компания (как в США, Дании, Литве, Польше или Латвии), либо вовсе индустриальный или государственный комитет/организация (к примеру, Кипр, Словения, Хорватия, Бельгия, Великобритания и другие). Это гарантирует единую методику измерений, на которые может полагаться индустрия, а также унифицированный подход к сбору данных и моделированию портрета аудитории. Как мы уже упоминали выше, появившийся запрос на более точные измерения и моделирование требует большей полноты и многогранности данных, поэтому в следующей главе мы обратимся именно к теме использования технологий больших данных в анализе аудитории.

1.2 Роль Big Data в медиа

Долгое время активно шло обсуждение о применении технологий больших данных для задач промышленности и муниципального управления.

В нашем видении, существует пробел понимания в том, как эти технологии могут использоваться в медиа и как они могут влиять на систему измерений. Поэтому в этой главе мы рассмотрим:

Что понимают под термином «большие данные» и какое определение будем использовать мы в данной работе.

Перечень основных зарубежных компаний в сфере больших данных.

Детали основных законодательных инициатив США и Европейского Союза в сфере данных, так как это, безусловно, влияет на развитие анализа аудитории на международном уровне.

Комплекс технологий больших данных - возможности для медиа.

Для начала, обозначим основные подходы к определению термина «большие данные». Исторически этапы того, как менялась дефиниция данного термина, можно расположить в формате такой таблицы:

Таблица 2

Ключевые этапы трансформации дефиниции термина «большие данные» и их авторы

Как можно заметить из таблицы, термин существенно трансформировался с момента своего возникновения, и существует много подходов к его определению и характеристикам, которыми должны обладать большие данные. На основании приведенных дефиниций мы склонны выделять такие параметры, по которым проходит разделение внутри терминологии: по объему данных, по механике обработки, по выгоде от данных для бизнеса и по структуре данных.

В данной работе мы будем апеллировать к термину, предложенному Ван Райменом, так как он дополнительно затрагивает применение технологий больших данных для визуализации, что важно для медиа.

Также важным пунктом является дальнейшее использование этого комплекса технологий для получения знания о потребителе, что отчетливо выделяется в определении The Oxford English dictionary.

По мере распространения знания о Big Data на глобальном уровне сформировались несколько ключевых поставщиков технологических решений, которые используются во многих индустриях, в том числе и в медиа. Приведем их в таблице №3 ниже с указанием специфики предоставляемого решения и примеров его применения для наибольшей наглядности.

Таблица 3

Ключевые компании, предлагающие программно-аппаратные системы для анализа больших данных

Стоит обратить внимание также на тот факт, что чаще всего медиакомпании используют не одно технологическое решение от одной компании, а комбинацию из нескольких. Так, к примеру, компании IBM и Cloudera даже анонсировали Официальный сайт IBM. IBM и Cloudera: лучше вместе. [электронный ресурс]. Режим доступа: https://www.ibm.com/ru-ru/analytics/partners/cloudera (дата обращения 14.04.2020) сотрудничество для достижения наибольшей эффективности своих решений. Но даже такое многообразие существующих инструментов и их комбинаций не всегда может полностью охватить спектр задач, стоящих перед медиакомпаниями. Поэтому отдельным сценарием при работе с большими данными является разработка своих собственных решений. К примеру, Mail.Ru Group создали систему NoSQL СУБД Tarantool, запустили свою систему веб-аналитики, а позже стали применять большие данные для таргетирования рекламы, оптимизации поиска, поведенческого анализа, обработки спама и многих других задач на платформах холдинга, а компания Rambler использовала свои разработки в сфере больших данных для оптимизации поиска, аналитики спама, таргетирования рекламы, персонализации контента и обработки текстов на разных языках.

В работе с данными в цифровых проектах в сфере медиа возникает большая привязка к законодательству, при этом как локальному (той страны, в которой зарегистрирована компания), так и глобальному. Прежде, чем переходить непосредственно к рассмотрению применения комплекса технологий больших данных для анализа аудитории медиа, обозначим глобальный правовой контекст по регионам, которые мы рассматриваем в данной работе, а именно США и Европе. Выделим ключевые термины в этом контексте:

Цифровые данные - любые данные (например, фото, видео, текст, аудио), представленные как массив цифр в двоичной системе.

Метаданные - дополнительный набор данных, который содержит сведения о типе данных, о взаимодействии пользователя с данными и так далее. По сути, метаданные - данные о данных.

Открытые данные - данные, свободно доступные для использования и публикации без каких-либо ограничений (в том числе, авторского права).

Персональные данные - исходя из определения General Data Protection Regulation: «персональные данные -- это любая информация, относящаяся к идентифицированному или идентифицируемому физическому лицу (субъекту данных), по которой прямо или косвенно можно его определить. К такой информации относится в том числе имя, данные о местоположении, онлайн-идентификатор и факторы, характерные для физической, физиологической, генетической, умственной, экономической, культурной или социальной идентичности этого физического лица» Official PDF of the Regulation (EU) 2016/679 (c) in the current version // Сайт gdpr-info.eu . [электронный ресурс]. Режим доступа: https://gdpr-info.eu/ (дата обращения 14.04.2020).

Агрегированная информация о пользователе - та информация, из которой удалены идентификаторы отдельных пользователей, и которая не может быть привязана к конкретному потребителю или домовладению. 

Анонимизированные данные (на данный момент термин фигурирует в GDPR Там же., p.26) - те, которые совершенно нельзя снова идентифицировать с конкретным владельцем. 

Приведем дополнительную классификацию данных в российском правовом поле (а именно в Федеральном законе № 152 Федеральный закон РФ от 27 июля 2006 года № 152-ФЗ «О персональных данных»): 

Общие - такая информация как ФИО, место регистрации, паспортные данные, сведения о работе и образовании. По дефиниции Роскомнадзора не позволяют установить конкретного человека, однако, все вместе в совокупности представляют уже персональные данные. 

Биометрические - подвид персональных данных, которые характеризуют человека по физиологическим параметрам (отпечатки пальцев, рост, группа крови и другие параметры).

Специальные - раса, религия, убеждения, судимости, медицинская история. Они доступны только с разрешения владельца.

Обезличенные - те данные, информация о которых не позволяет установить конечного пользователя без использования дополнительной информации (например, телефонные книги, а также частично к этому относят данные представителей власти и тех, кто занимает руководящие должности, так как в их отношении законодательство Российской Федерации применяет более свободные меры и позволяет общественности более высокую степень доступа к данным должностных лиц).

Зашифрованные данные - данные, к которым применен способ криптографической защиты, не позволяющий получить к ним открытый доступ.

Теперь, изучив ключевые термины, обратим внимание непосредственно на законодательные акты, действующие в США и Европейском союзе в сфере обращения с данными, с помощью таблицы №4. Так как у проектов в сети Интернет в большинстве случаев отсутствует организация, которая была бы единственной ответственной за проведение аудиторных исследований, а также за сбор, обработку и хранение данных пользователей, соблюдение положений законодательных актов, описанных ниже, возлагается на каждый проект отдельно, в соответствии с характером и регионом его действия.

Таблица 4

Основные законодательные акты США и Европейского союза (ЕС), касающиеся обращения с данными

Таким образом, можно заметить, что в случае с США законодательство носит более фрагментарный характер, и компаниям, ведущим свою деятельность в этом регионе, зачастую требуется соблюдать сразу несколько отдельных блоков требований из разных законодательных актов. Тем не менее, большое преимущество заключается в том, что большая часть этих требований гармонично сочетается с GDPR, что позволяет цифровым проектам практически бесшовно следовать закону тех регионов, где они ведут деятельность. В ситуации же с российскими компаниями, к примеру, могут возникать трудности, так как региональное законодательство (например, Антитеррористический закон Яровой Антитеррористический закон Яровой, Пушкова, Озерова // Сайт refnews.ru. [электронный ресурс]. Режим доступа: https://www.refnews.ru/read/article/1393086 (дата обращения 14.04.2020)) частично вступает в противоречие с глобальными законодательными инициативами.

В контексте данной работы важно было обозначить рамку законодательного аспекта, так как проекты в сфере медиа генерируют, агрегируют и взаимодействуют с огромным количеством разноформатных пользовательских данных (как для рекламных, так и для редакционных целей), и в глобальном контексте изменения в законодательстве могут существенно трансформировать процессы анализа аудитории внутри медиакомпаний.

Теперь же обратим внимание непосредственно на применение технологий больших данных в цифровых медиа и на основные подходы, которые существуют на данный момент в этой сфере.

По типам используемых данных можно выделить данные для профилирования аудитории (показатели, отражающие характеристики количества уникальных посещений, контактов с материалом, активность аудитории, параметры устройств, географическое распределение и так далее) и данные для создания контента Шилина М. Г., Левченко В. Ю. Big data, open data, linked data, метаданные в pr: актуальные модели трансформации теории и практики // Медиаскоп (электронный журнал). 2014. № 1. [электронный ресурс]. Режим доступа: www.mediascope.ru/big-data-open-data-linked-data-метаданные-в-pr-актуальные-модели-трансформации-теории-и-практики (дата обращения 14.04.2020). (в этот блок входит то, что касается журналистики данных, в том числе и данные для визуализации).

Источники таким образом также глобально делятся на два типа: полученные от аудитории (напрямую или косвенно) и полученные извне из других источников (к примеру, государственные ресурсы, публикующие открытые данные, на которых могут базироваться журналистские материалы).

Наиболее применимыми методами работы с большими данными внутри этих направлений можно назвать Manyika J., Chui M., Brown B., Bughin J., Dobbs R., Roxburgh C., Byers A.H. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute, 2011.:

Классификацию;

Формирование ассоциативных правил (может лежать в основе рекомендаций материалов, которые читателю стоит просмотреть на основании его интересов);

Регрессионный анализ (то есть определение отношений между зависимой и независимой переменными; может применяться для анализа факторов влияния на популярность материала, к примеру);

Смешивание данных для обогащения (то есть, использование данных из разных ресурсов и разных форматов для получения более многогранного портрета аудитории, к примеру);

Создание нейронных сетей для обработки речи и изображений, для анализа эффективности материалов (в том числе и рекламных), для моделирования и прогнозирования успешности материалов, а также для создания новых материалов;

Проведение A / B-тестов (например, тестирование успешности тех или иных заголовков).

Теперь определимся с ключевыми направлениями, в которых можно применять большие данные в медиа. Согласно Липпел Х. Lippell H. Big Data in the Media and Entertainment Sectors. In: Cavanillas J., Curry E., Wahlster W. (eds) New Horizons for a Data-Driven Economy. Springer, Cham, 2016., в сфере медиа можно выделить три основных направления, которые могут быть улучшены с помощью использования технологий больших данных:

Продукты и сервисы;

Отношения с поставщиками и аудиторией;

Инфраструктура и внутренние процессы в самой организации или холдинге.

При этом, среди основных причин внедрения таких технологий в медиа автор особенно подчеркивает быструю изменчивость предпочтений аудитории, необходимость анализа взаимодействия аудитории с контентом, а также стремление к диверсификации существующих продуктов и сервисов.

Структурируем на основании классификации Вартанова С.А. Вартанов С.А. Большие данные в онлайн-СМИ: подходы и стратегии использования // Электронный научный журнал «Медиаскоп». 2017. №4. [электронный ресурс]. Режим доступа: http://www.mediascope.ru/2375 (дата обращения 14.04.2020) ключевые сферы использования больших данных в цифровых медиа и рассмотрим детальнее каждый пункт:

Управление рекламными возможностями проекта;

Так, Financial Times при принятии стратегически важных решений и при взаимодействии с рекламодателями опираются на те данные, которые они собирают при регистрации от подписчиков.

Управление редакционной политикой и процессами внутри команды;

Как мы уже упоминали, некоторые организации разрабатывают свой собственный инструментарий. Таким образом, Guardian генерирует отчет о поминутной активности пользователей и подробностях просмотра страниц, переходах и портретных данных аудитории, используя свой собственный инструмент под названием Ophan. Такие большие данные позволяют The Guardian принимать решения на основе реакции пользователя в 5 раз быстрее.

Улучшение качества контента Bale P. Big Data at work in news. Harnessing the power of Big Data for Media 2014. Reuters Institute for the Study of Journalism, University of Oxford, 2014. [электронный ресурс]. Режим доступа: https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2017- 04/Big%20Data%20For%20Media_0.pdf (дата обращения 14.04.2020);

Халинан Б. и Стрифас Т. Hallinan B., Striphas T. Recommended for you: the Netflix Prize and the production of algorithmic culture // New Media & Society. 2016. 18(1). Р. 117-137. отдельно рассматривают кейс компании Netflix, которая использует технологии больших данных для формирования предиктивных алгоритмов, лежащих в основе системы классификации контента и рекомендаций сервиса.

Контроль корректной доставки контента до аудитории (через сегментацию аудитории Betts T. Data: meet reader - bringing customers to life with data. Harnessing the power of Big Data for Media 2014. Reuters Institute for the Study of Journalism, University of Oxford. 2014. [электронный ресурс]. Режим доступа: https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2017- 04/Big%20Data%20For%20Media_0.pdf (дата обращения 14.04.2020));

МакДауэлл В. McDowell W. S. Selling the niche: A qualitative content analysis of cable network business-to-business advertising // International Journal on Media Management. 2004. 6(3-4). Р. 217-225. упоминает, что инструменты анализа цифровых медиа позволили проводить постоянные исследования аудитории на основе собранных данных; это также повысило уровень детализации знаний о целевых группах. Таким образом, согласно Athique А. Athique A. The dynamics and potentials of Big Data for audience research // Media, Culture & Society. 2018. 40(1). Р. 59 -74., большие данные можно использовать как новый источник добавленной ценности от информации независимо от первостепенной цели её сбора, будь то коммерческая реклама или формирование стратегии в СМИ.

Управление комментариями;

Huffington Post.com активно анализируют комментарии для улучшения понимания того, что предпочитает их аудитория и насколько качественные эти комментарии сами по себе (оставлены ли они анонимно, несут ли в себе ту или иную эмоциональную окраску и какие характеристики комментариев влияют на восприятие других пользователей).

Персонализация материалов Шилина М. Г., Левченко В. Ю. Big data, open data, linked data, метаданные в pr: актуальные модели трансформации теории и практики // Медиаскоп (электронный журнал). 2014. № 1. [электронный ресурс]. Режим доступа: www.mediascope.ru/big-data-open-data-linked-data-метаданные-в-pr-актуальные-модели-трансформации-теории-и-практики (дата обращения 14.04.2020).;

Маркс Р. Marks R. The Big Opportunity: Audience Research Meets Big Data. Report for the IPA, 2013.

отмечает, что данные серверов, социальные сети, клиентские базы данных и Return Path Data могут быть полезны для повышения качества знаний об аудитории цифровых медиапроектов. Эти инструменты позволяют охватить все население и получать данные мгновенно, с минимальной временной задержкой. Такие возможности использования больших данных открывают перспективы как для медиаресурсов, так и для рекламодателей, заинтересованных в адаптивном рекламном инвентаре.

Создание материалов на основе больших данных;

В Sacramento Bee активно используется Kunken D. How the Sacramento Bee is using data visualization to extend the utility of Big Data sets, and how Big Data will play a role in helping to introduce readers to more of the content that they want. Harnessing the power of Big Data for Media 2014. Reuters Institute for the Study of Journalism, University of Oxford, November 2014. [электронный ресурс]. [электронный ресурс]. Режим доступа: https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2017- 04/Big%20Data%20For%20Media_0.pdf (дата обращения 14.04.2020) создание расследований на данных. Так, в 2014 году Филлип Риз, руководитель дата-центра Sacramento Bee, получил Пулитцеровскую премию именно за расследование такого типа.

Автоматизация создания контента и разработка систем мониторинга повестки для более оперативного реагирования на новостные поводы;

В CNN была разработана Bale P. Big Data at work in news. Harnessing the power of Big Data for Media 2014. Reuters Institute for the Study of Journalism, University of Oxford, 2014. [электронный ресурс]. Режим доступа: https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2017- 04/Big%20Data%20For%20Media_0.pdf (дата обращения 14.04.2020) собственная система раннего оповещения на основании данных из Twitter.

Механизмы проверки достоверности информации;

Хуанг С. Huang S.F., Su C.J., Saballos M.B.V. Social Media Big Data Analysis for Global Sourcing Realization. In: Bhatia S., Mishra K., Tiwari S., Singh V. (eds) // Advances in Computer and Computational Sciences. Advances in Intelligent Systems and Computing. 2018. 554. Р. 251-256. также дополнительно демонстрируют возможности использования технологий больших данных для аналитики рисков и верификации на основании данных социальных сетей (на примере Twitter).

Помимо преимуществ технологий больших данных в медиа можно выделить и существенные ограничения. В их числе, согласно Липпел Х. Lippell H. Big Data in the Media and Entertainment Sectors. In: Cavanillas J., Curry E., Wahlster W. (eds) New Horizons for a Data-Driven Economy. Springer, Cham, 2016.:

Высокая цена технологического решения;

Возросшие требования и тревоги аудитории относительно конфиденциальности персональных данных;

Давление ключевых игроков, владеющих данными и зачастую представляющих собой целостные экосистемы из сервисов (такие как Amazon, Google и так далее);

Зависимость от существующей технологической и корпоративной инфраструктуры.

Согласно Зиллнер С. Zillner S., Neurerer S., Munneґ R., Lippell H., Vilela L., Prieto E., Hussain K., Rusitschka S. D2.4.2 Final version of sectors roadmap. Public deliverable of the EU-Project BIG. 2014 (318062; ICT-2011.4.4)., важно также соблюдать коллаборацию внутри экосистемы медиакомпании и следовать предписаниям законодательства, чтобы опыт работы с технологиями больших данных в медиа был комплексным и эффективным.

Таким образом, в первой главе мы предоставили комплексный взгляд на измерения аудитории медиа, а также сформулировали ключевые представления о применении больших данных в медиа и особенностях таких технологий.

Далее мы обратимся к более детальному изучению того, как и когда большие данные стали использовать в цифровых медиа именно для анализа аудитории, а также рассмотрим вопрос о необходимости единого измерителя и унифицированных метрик. Во второй главе мы также сформулируем плюсы и минусы обмена данными в медиа, а затем приведем экспертные мнения на данную тему.

Глава 2. Big Data в измерениях аудитории зарубежных проектов

В данной главе мы рассмотрим тему применения технологий больших данных для аудиторного анализа в зарубежных медиа, представленных в цифровой среде. Также мы составим комплексное представление об основных практиках, основанное на результатах экспертных интервью с представителями индустрии. Эта глава раскроет индустриальную специфику технологий больших данных в изучении аудитории медиапроектов и позволит в завершение предложить прогноз относительно дальнейшего развития данной сферы на глобальном уровне через анализ экспертных мнений.

2.1 Особенности применения технологий больших данных в анализе аудитории иностранных медиакомпаний

В этом блоке мы приведем обзор использования технологий больших данных в зарубежных цифровых медиа для анализа аудитории. Также мы коснемся темы единого измерителя и унифицированных метрик, чтобы затем рассмотреть основные плюсы и минусы обмена данными и альянсов в медиа. Для начала, обратим внимание на особенности применения комплекса технологий больших данных в анализе аудитории медиа.

Цифровые медиапроекты привычно использовали анализ аудитории через комментарии, лояльность аудитории, вовлеченность Jenkins H., Carpentier N. Theorizing Participatory Intensities: A Conversation about Participation and Politics // Convergence: The International Journal of Research into New Media Technologies. 2013. 19(3). Р.265-286. и поведение на сайте Napoli P. Audience Evolution: New Technologies and the Transformation of Media Audiences. New York: Columbia University Press, 2011.. Постепенно с совершенствованием технологий обычное оценивание вовлеченности углубилось Anderson C. W. Between Creative and Quantified Audiences: Web Metrics and Changing Patterns of Newswork in Local US Newsrooms // Journalism. 2011. 12 (5). Р. 550-566. в веб-аналитику и попытки оценить портрет аудитории через формулирование паттернов взаимодействия с контентом O'Brien H. L., Elaine G. T. The Development and Evaluation of a Survey to Measure User Engagement // Journal of the American Society for Information Science and Technology. 2010. 61(1). Р. 50-69.. Таким образом, стандартные количественные редакционные метрики перестали быть столь информативными, как ранее - в цифровой среде это затрудняется конвергенцией форматов контента и многообразием устройств. В таких измерениях на уровне больших данных постепенно совершается переход к сегментации аудитории не только по социально-демографическим параметрам, а по их характеристикам взаимодействия и точкам контакта с контентом. Благодаря технологиям больших данных стала доступна возможность такого непрерывного наблюдения за реакцией аудитории на уровне каждого отдельного контакта.