Wpisy

Mikrotargetowanie, sukces przedsiębiorstwa i wygrana Trupma w wyborach – jaki jest ich wspólny mianownik?

Przekonanie o tym, że jeden komunikat reklamowy może trafić do masowego odbiorcy, odchodzi do lamusa. Za znacznie skuteczniejsze uważa się precyzyjne określanie mikro grupy docelowej i formułowanie przekazu, który trafi w specyficzne gusty jej członków. Przekonali się o tym nie tylko przedsiębiorcy z branży e-commerce, ale także członkowie sztabu wyborczego Donalda Trumpa. Zapraszamy Cię w świat mikrotargetowania.

Czym jest mikrotargetowanie?

Mikrotargetowanie (nazywane także targetowaniem niszowym – z angielskiego niche targeting) to proces, który polega na dokładnej analizie i selekcjonowaniu konsumentów oraz dzieleniu ich na odpowiednie grupy. Określając grupy docelowe, bierze się pod uwagę między innymi zainteresowania odbiorców, ich oczekiwania, potrzeby i pragnienia, a także demografię. Analizie poddawane są także zachowania konsumenckie. Wszystko po to, aby stworzyć i skierować do nich specyficzny przekaz – taki, który wzbudzi ich maksymalne zainteresowanie.

Celem mikrotargetowania jest jak najdokładniejsza selekcja grupy docelowej, po to, aby przekaz reklamowy trafił wyłącznie (lub w znacznej większości) do osób potencjalnie zainteresowanych danym produktem lub usługą. Mikrotargetowanie stoi nieco w opozycji do kampanii ATL (above the line), których nośnikiem są mass media i które kierują ten sam komunikat do odbiorcy masowego. W mikrotargetowaniu chodzi o dopasowanie przekazów do niewielkich, precyzyjnie dobranych grup.

Wydawać by się mogło, że nie ma w tym nic zaskakującego i innowacyjnego. W praktyce jednak implementacja procesu mikrotargetowania do strategii marketingowej e-commerce jest jedną z najważniejszych dróg do podnoszenia pozycji danej strony w rankingach Google.

Mikrotargetowanie i Big Data, czyli jak poznać użytkowników internetu?

Mikrotargetowanie może być skuteczną formą marketingu i wywoływać reakcje w odbiorcach, szczególnie wtedy, gdy skupia się na analizie profili w mediach społecznościowych. Znajomość zainteresowań odbiorców i wiedza na temat ich potrzeb oraz pragnień może pomóc Ci dopasować przekaz w taki sposób, aby wywołał on określone reakcje. Jednak czy takie poznanie zachowań internautów jest możliwe?  Owszem, jest. Aby to zrozumieć, należy przywołać termin, który wiąże się bezpośrednio z mikrotargetowaniem – pojęciem tym jest Big Data (więcej informacji na ten temat znajdziesz a artykule Systemy Big Data i Internet of Things).

Termin Big Data odnosi się do różnorodnych, dużych i zmiennych zbiorów danych. Ich analiza i przetwarzanie często nie są łatwe, jednak mogą przynieść nową wiedzę i wymierne korzyści. Określenia Big Data używa się także w kontekście elektronicznych śladów, jakie zostawiasz za sobą w sieci. Może to być na przykład kliknięcie „wezmę udział” przy wydarzeniach na Facebooku, każdy „like”, zakupy z użyciem karty płatniczej, aplikacje, z których korzystasz, „meldowanie się” w różnych miejscach za pośrednictwem Facebooka czy zapytania, jakie wpisujesz w wyszukiwarkę. Na co dzień możesz pewnie zauważyć, że to, co wyszukujesz w Google i to, jakie strony odwiedzasz, ma odzwierciedlenie w reklamach, które widzisz w sieci. Na przykład – w popularnym sklepie internetowym szukasz butów trekkingowych, po czym opuszczasz stronę (niezależnie od tego, czy poszukiwania okazały się udane, czy też nie). Co się dzieje potem? Przez najbliższe dni obserwujesz, zarówno na portalach społecznościowych, jak i innych stronach, które odwiedzasz, że większość reklam dotyczy właśnie butów i akcesoriów trekkingowych.

Jak widać, Twoja aktywność w sieci pozostawia ślady, które są skrupulatnie zbierane i analizowane, a potem wykorzystywane na przykład w celach komercyjnych. O tym, co i w jaki sposób można wyczytać na podstawie aktywności w sieci, dowiesz się już za chwilę.

Jakie techniki wykorzystuje się do analizy osobowości internautów?

Istnieją pewne zaawansowane techniki, służące do analizy zachowań i osobowości użytkowników internetu, na czele z użytkownikami mediów społecznościowych. Dwie najbardziej znane metody to OCEAN oraz IBM.

MODEL OCEAN

Został opracowany na początku lat 80. Zgodnie z jego założeniami charakter konkretnej osoby można określić (zmierzyć) przy pomocy pięciu wymiarów osobowości:

  • otwartości (openess),
  • sumienności (conscientiousness),
  • ekstrawersji (extroversion),
  • zgodności (agreeableness),
  • neurotyczności (neuroticism).

Pozyskanie i analiza takich danych mogą dać odpowiedź na pytania dotyczące osobowości, potrzeb i pragnień danej osoby, a także przewidzieć jej zachowania. Niegdyś kłopot stwarzała jednak konieczność wypełniania długiej ankiety w celu zdobycia wartościowych informacji.

Problem został rozwiązany przez psychologa Michała Kosińskiego, studenta i pracownika Centrum Psychometrii w Laboratorium Cavendish uniwersytetu Cambridge. W początkowych etapach badań Kosiński stworzył aplikację dla Facebooka – użytkownicy brali udział w quizie, odpowiadali na pytania dotyczące ich charakteru i zachowania, a na koniec otrzymywali swój model osobowości. Naukowcy z Cambridge natomiast – informacje niezbędne do analizy. Popularność aplikacji była ogromna – swoje dane udostępniły miliony ludzi.

Po obliczeniu wartości OCEAN dla danego użytkownika Michał Kosiński i jego współpracownicy porównywali wynik z aktywnością w sieci danej osoby – co polubiła, co udostępniła na Facebooku, jaką wpisała płeć, jaki wiek, miejsce zamieszkania, edukację itp. Wnioski, jakie wyciągnięto, były zaskakujące. Według Kosińskiego na podstawie 68 polubień na Facebooku można określić np. kolor skóry danego użytkownika, jego orientację seksualną, upodobania polityczne, stosunek do religii, alkoholu, papierosów, narkotyków, stopień inteligencji, a także to, czy jego rodzice do 21. roku życia tej osoby pozostawały w związku, czy też nie. Im więcej razy dana osoba kliknie „like”, tym lepiej da się przewidzieć jej zachowanie. Do tej szczegółowej analizy bierze się pod uwagę także zdjęcia oraz ilość kontaktów, a nawet czujnik ruchu w telefonie (nawet gdy telefon jest offline).

Wykorzystując model OCEAN i analizę aktywności użytkowników internetu można nie tylko przeanalizować dane badanych osób, ale także szukać określonych typów osobowości.

METODA IBM

Metoda ta zwana jest także analizą predykcyjną. Polega na analizie istniejących danych, wyciąganiu z nich wniosków oraz wydobywaniu informacji. Celem jest oczywiście przewidywanie nadchodzących zdarzeń i trendów oraz określanie wzorów zachowań konsumentów.

W analizie predykcyjnej analizuje się niewielką grupę osób, które już skorzystały z Twoich usług lub kupiły Twoje produkty. Na tej podstawie buduje się tak zwany model predykcyjny, który pomaga zidentyfikować zbiór cech wspólnych dla wielu użytkowników. Takimi cechami mogą być np.: wysokość odchodów, miejsce zamieszkania, stan cywilny, liczba dzieci, a nawet konkretne zainteresowania. Istotne jest to, aby wydobyć wyjątkowe cechy, łączące osoby z jednej grupy.

Dane, na podstawie których dokonasz analizy predykcyjnej to np. historia zamówień Twoich klientów czy odpowiedzi na pytania zamieszczone w ankiecie. Istnieje też możliwość zakupu danych konsumenckich i demograficznych – zbieraniem takich informacji zajmują się wyspecjalizowane firmy.

Na podstawie analizy osób, które już skorzystały z Twoich usług, możesz oszacować, jakie charakterystyczne cechy posiadają Twoi klienci i jak budować przekazy reklamowe, które będą odpowiedzią na te cechy.

Przygotowując się do analizy predykcyjnej, możesz zadać sobie kilka pytań, które pomogą Ci określić kierunki działań:

  • Kto jest moim dotychczasowym klientem?
  • Co mają ze sobą wspólnego moi klienci?
  • Które inne osoby mają takie same cechy, co dotychczasowi klienci?
  • Jak dotrzeć do nowych klientów?
  • Jak rozszerzyć bazę klientów, znając ich specyficzne upodobania?

Czy mikrotargetowanie ma związek z sukcesem wyborczym Donalda Trumpa?

Dane pozyskane na podstawie analiz zachowań internautów nie są wykorzystywane wyłącznie w branży e-commerce. O skuteczności mikrotargetowania można przekonać się, analizując przebieg kampanii i wyniki wyborów prezydenckich w Stanach Zjednoczonych z 2016 roku. Sukces wyborczy Donalda Trumpa, według przypuszczeń wielu badaczy, jest oparty w dużej mierze właśnie na mikrotargetowaniu wyborców.

Pod koniec 2014 roku sztab wyborczy Donalda Trumpa zatrudnił firmę Cambridge Analytica, która, w największym uproszczeniu, zajmuje się analizą danych. Michał Kosiński (odpowiedzialny za wdrożenie modelu OCEAN i analizę zachowania internautów), jak sam twierdzi, nie ma nic wspólnego z działaniami tego przedsiębiorstwa. Nie da się jednak ukryć, że firma w dużej mierze oparła swoje działania na wynikach doświadczeń polskiego psychologa.

Przedstawiciele firmy twierdzili, że nie można odnieść sukcesu, planując kampanię wyborczą tylko na podstawie danych demograficznych. Podział społeczeństwa na jednolite grupy i wysyłanie takiego samego przekazu do wszystkich kobiet, tylko dlatego, że mają taką samą płeć, czy do Afroamerykanów, ponieważ łączy ich kolor skóry, jest bezsensowny.

Podczas jednego z wystąpień, założyciel Cambridge Analityca, Alexander Nix, oznajmił, że jego firma opracowała system, który może obliczyć, jaką osobowość ma każdy dorosły obywatel USA. Wykorzystuje się do tego psychologiczną analizę behawioralną na podstawie modelu OCEAN, analizę Big Data i reklamę celową (dopasowującą się do jak najbardziej do charakteru konsumentów).

Ponieważ w USA większość danych osobowych jest na sprzedaż, firma Cambridge Analityca kupiła wszystko, co było możliwe – listy wyborców, wypisy z ksiąg wieczystych, listy członków organizacji, dane medyczne czy subskrypcje czasopism. Dane te porównano z Big Data internautów (np. polubieniami na Facebooku) i obliczono model OCEAN. Wyniki analizy pozwoliły na określenie osobowości wyborców, ich realnych pragnień, potrzeb i obaw.

Dzięki takiej wiedzy komunikaty wyborcze Trumpa mogły trafiać w sedno upodobań różnych grup wyborców. Mówi się, że między innymi tym należy tłumaczyć sprzeczności pojawiające się w wypowiedziach obecnego prezydenta USA.

W trzecim dniu prezydenckiej debaty Trump-Clinton, sztab Trumpa wysłał 175 000 komunikatów (głównie za pośrednictwem Facebooka). Różniły się one minimalnie – tytułami, kolorami, śródtytułami, filmami czy zdjęciami. Wszystko po to, aby jak najbardziej dopasować przekaz do odbiorcy.

Te zaskakujące informacje mogą wydać się nieprawdopodobne i z pewnością nikt nie może w 100% potwierdzić, że firma Cambridge Analityca jest odpowiedzialna za wygraną Donalda Trumpa. Daje to jednak pole do własnej analizy i interpretacji – jak kandydat, którego pozycja w sondażach nie była najwyższa, zdobył poparcie Amerykanów i stał się prezydentem Stanów Zjednoczonych.

Mikrotargetowanie jest zagadnieniem niezwykle interesującym i obszernym. Wyniki wyborów prezydenckich w Stanach Zjednoczonych mogą tylko potwierdzać skuteczność tej metody. W kolejnych wpisach poznasz praktyczne wskazówki na temat mikrotargetowania w mediach społecznościowych, a także sposoby na wdrażanie analizy predykcyjnej w Twojej firmie.

Systemy Big Data i Internet of Things

Internet of Things (Internet rzeczy, IoT) opisuje koncepcję, której twórcą był Kevin Ashton. Oznacza ona ekosystem, gdzie przedmioty komunikują się  z komputerami przez sensory. Rozwój dostępu do sieci sprawił, że idea ta zyskała uznanie wśród firm i jest wskazywana jako jeden z najważniejszych punktów rozwojowych światowej gospodarki. IoT znalazło wiele zastosowań, poczynając od miniaturowych dodatków do ubrań, przez automatykę budynkową, inteligentne miasta czy gospodarkę wodną.

Mówiąc o zastosowaniu podejścia Internet of things należy podkreślić jego wpływ na marketing. Liczba danych wciąż rośnie, a dzięki ekosystemowi możliwe jest ich wygodne zbieranie, przetwarzanie oraz spersonalizowana komunikacja. Dzięki temu podejściu, można w zwiększyć zaangażowanie klientów oraz zagwarantować im wartość dodaną.

Internet of Things

Kolejnym przykładem zastosowania Internet of Things jest wdrożenie rozwiązań klasy PredictiveAsset Management. Są to systemy dzięki którym możliwe jest zbiór i analiza danych opisujących funkcjonowanie maszyn oraz urządzeń. Nie ma znaczenia czy są to funkcjonalności silników samolotów czy turbiny wiatrowej, idea działania jest taka sama. Dane pomiarowe zbierane przez czujniki są wysyłane do systemu centralnego, tam są przechowywane i analizowane. Na ich podstawie opracowywane są modele analityczne, dzięki którym możliwe jest m.in. przewidzenie wystąpień awarii, zbieranie informacji na temat nieprawidłowości działania maszyn lub nieefektywne ich użycie. Dzięki tym danym  możliwe jest opracowanie automatyzacji i budowy inteligentnego systemu. Dzięki temu, Inżynierowie będą mogli natychmiast zareagować w przypadku wystąpienia nieprawidłowości. Dla biznesu oznacza to minimalizację przestojów pracy oraz optymalizację działań zespołów serwisowych. Można zauważyć zalety rozwiązań IoT:

  • Redukcja kosztów,
  • Zwiększenie produktywności,
  • Lepsze wykorzystanie kapitału,
  • Poprawa bezpieczeństwa pracowników,
  • Lepsze relacje z klientami.

Estymacje McKinsey Global Institute pokazują minimalną wartość rynku IoT na świecie, która w 2025 roku osiągnie 4 bln dolarów, przy założeniu dynamicznego scenariusza kwota ta może wzrosnąć do 11 bln. Szacunki Gartnera zakładają, że w 2020 roku ponad 25 mld urządzeń będzie podłączonych do sieci. Jest to bezpieczniejsza wersja estymacji, inne mówią nawet o kilkuset miliardach w ciągu kolejnej dekady.

Big Data

Big data

 Gwałtowny wzrost liczby danych ich zmienność oraz częstotliwość powstawania zostały określone mianem Big Data. Tę nazwę nadaje się także ustrukturyzowanym bądź nie, zbiorom danych, których przetwarzanie za pomocą ogólnie dostępnych rozwiązań informatycznych (np. relacyjnych baz danych) jest niemożliwa. Zwiększenie mocy obliczeniowej i obszarów pamięci jest nieskuteczne. Wynika to z faktu, że te ograniczenia wymagają nowego podejścia do przetwarzania, filtrowania oraz analizy dużych liczb danych.

Analitycy firmy Gartner twierdzą, że Big Data to źródła danych o dużej objętości, zmienności i różnorodności, wymagają one innowacyjnych modeli przetwarzania, dzięki czemu możliwe jest ich zrozumienie i podejmowanie słusznych decyzji.

Big Data nie odnosi się wyłącznie do danych, oznacza również zbiory źródeł i zakłada miary je charakteryzujące, zwane cechami 3V:

  • Volume (ilość danych generowanych w procesach),
  • Variety (różnorodność typów i struktur danych),
  • Velocity (prędkość generowania nowych danch).

Dodatkowo przywoływanymi cechami są veracity, czyli prawdziwość i dopasowania danych, oraz value – wartość generowanych danych w procesach biznesowych, które oznaczane są kolejno jako 4 i 5V.

Kolejnymi charakterystycznymi własnościami Big Data są:

  • zmienność populacji,
  • przetwarzanie danych w źródła,
  • rozproszenie zbiorów danych lub punktów pomiarowych,
  • znaczące zmiany charakteru lub postaci informacji otrzymanych w wyniku analizy masowych danych źródłowych.

Obecnie wyzwaniem jest nie tylko przetwarzanie masowych źródeł danych, ale zmiana sposobu ich zbierania, która pozwoli na gromadzenie i integrację wielu ich typów pochodzących z różnych źródeł. Ich łączenie, których celem jest uzyskanie efektu syngerii i utworzenie nowych informacji jest zadaniem, jakie w przyszłości prawdopodobnie zostanie wykonane.

Big Data i Internet of Things

IoT oraz Big Data są istotnymi partnerami, szczególnie w przedsiębiorstwach. Wiele działań Internet of Things jest niekompletnych, jeśli nie jest wspierane przez Big Data. Wszystkie połączone przyrządy oraz algorytmy potrzebują dużej ilości danych. Organizacje używające IoT muszą wiedzieć o związku z Big Data. Ten rodzaj połączenia sprawia, że nowe rozwiązania mogą dostarczyć przydatnych narzędzi lub usług, a także zbierać dane na ten temat. Zebrane informacje muszą być zgromadzone, przetwarzane oraz analizowane, dzięki czemu można zyskać nowe spostrzeżenia, które pozwolą na poprawę funkcjonowania przedsiębiorstwa.

Internet of Things oraz Big Data są strategicznymi partnerami zwłaszcza w przedsiębiorstwie. Wiele operacji Internet of Things jest niekompletne bez wzmianki o Big Data. Wszystkie podłączone urządzenia, czujniki oraz algorytmy wymagają dużej ilości danych.

Wszystkie organizacje używające IoT muszą brać pod uwagę jego symbiotyczny związek z Big Datą. Dzięki takiemu połączeniu nowe wdrożenia mają duży wpływ, mogą dostarczyć użytecznych narzędzi czy usług, a także gromadzić odpowiednie dane. Podobnie jak w przypadku Big Data, gromadzone dane musza być przetwarzane i analizowane, aby pozyskać nowe informacje i spostrzeżenia, które mogą poprawić działalność przedsiębiorstwa.

Zarządzanie i wyodrębnianie wartości z danych Internet of Things jest dużym wyzwaniem, kreującym wizerunek firmy. Organizacje muszą ustanowić odpowiednią platformę do analizy danych Internetu rzeczy. Dodatkowo należy pamiętać nie wszystkie dane są dla nich tak samo ważne.

Symbiotyczne zależności pomiędzy systemem Big data i Internet of Things możemy zaobserwować w różnych dziedzinach przemysłu, rolnictwie czy systemach społecznych.

Przedsiębiorstwa korzystające z Big Data i Internet of Things

Big Data Internet of Things

UPS

 Jeden z liderów przewoźników na świecie wykorzystuje Big Data, co zapewnia oszczędność pieniędzy, poprawę efektywności oraz zmniejszenie wpływu na środowisko. Firma korzysta z czujników instalowanych na pojazdach dostawczych, dzięki czemu monitorowana jest prędkość, przebieg, liczba przystanków, a nawet sprawność techniczna silnika. Jak podaje UPS, czujniki zbierają ponad 200 danych na temat każdego pojazdu, co skutkuje 80 000 informacji na temat wszystkich pojazdów każdego dnia. Dzięki temu możliwa jest minimalizacja zużycia paliwa bądź emisji szkodliwych substancji.

Big Data jest też wykorzystywana przez UPS w projekcie ORION (On-Road IntegratedOptimization and Navigation). Gromadzenie danych na temat dostaw, efektem jest optymalizacja tras dostarczania oraz podwyższenia wydajności firmy. Przedsiębiorstwo planuje wprowadzić projekt ORION na wszystkich trasach w Ameryce Północnej. Ma się to wydarzyć w 2017 roku.

VirginAtlantic

Firma VirginAtlantic to brytyjskie linie lotnicze, które wykorzystują IoT do połączenia samolotów – Boeing 787 i podłączonych do nich urządzeń ładunkowych. Każdy z nich wyposażony jest w części generujące duże ilości danych. Dyrektor IT – David Bulman, twierdzi że każdy lot może produkować ponad pół terabajta danych. Nie wszystkie ze zbieranych danych są w pełni wykorzystywane,  jednak ich gromadzenie pozwala na przewidywanie i konserwacje samolotów oraz kontrolę zużycia paliwa.

John Deere

Lider w dziedzinie produkcji sprzętu rolniczego stworzył system łączący Big Data z Internet of things, który przy użyciu czujników monitoruje poziom wilgotności, po czym wysyła dane za pośrednictwem połączenia bezprzewodowego. Czujniki środowiskowe pozwalają na pomiar

  • temperatury gleby i powietrza,
  • wilgotności,
  • promieniowania słonecznego,
  • opadów.

Gromadzenie tych danych, pomagają rolnikom ustalić moment osiągnięcia optymalnego poziomu nawilżenia przez rośliny. Dzięki temu optymalizowany jest proces nawilżania.

TempuTech

TempuTech  to kolejny przykład firmy mającej wpływ na rolnictwo dzięki zastosowaniu Big Data i Internet of Things. W ofercie posiada systemy monitorujące optymalne przechowywanie ziarna oraz wykrywanie potencjalnego zagrożenia elewatorów zbożowych. Awarie typu połamanie pasów bądź łożyska są kontrolowane, dzięki monitorowaniu wilgoci i temperatury w pojemnikach z ziarnami. W efekcie możliwe jest odpowiednie ustawienie napowietrzenia oraz wentylacji. Gromadzone w systemie dane są przesyłane do innych rolników, którzy są w stanie przewidzieć zmiany wilgotności i temperatury, dzięki informacjom na temat zmian w pogodzie.

Disney World Magic BandBig data MagicBands

Disney Word Magic wykorzystuje zarówno Big Data jak i Internet of Things. Firma stworzyła Magic Band – opaskę wyposażoną w czujniki, dzięki którym wczasowicze mogą sprawnie poruszać się po całym Disney World. Dzięki nim, możliwe jest zameldowanie w pokojach hotelowych, zakup jedzenia, rezerwacja karnetów oraz korzystanie z atrakcji znajdujących się w parku rozrywki.

Wprowadzenie opasek pozwala firmie na gromadzenie danych na temat przepływu odwiedzających na terenie całego parku. Dzięki temu możliwe jest ugoszczenie większej liczby osób, optymalizacja zarządzania personelem oraz atrakcjami, czy regulacja kolejek w obiektach na terenie parku.

Barcelona, Hiszpania

Barcelona słynie z innowacji technologicznych, każdego roku odbywa się tam Mobile Word Congress. W mieście można znaleźć inteligentne parkometry, które przy użyciu WiFi działają na całym jego terenie. Dzięki temu mieszkańcy mogą uzyskać aktualne informacje na temat wolnych miejsc parkingowych i opłacić je przez telefon.

W Barcelonie można też zobaczyć inteligentne przystanki autobusowe. Informacje na temat czasu odjazdu przedstawiane są na panelach dotykowych. Sieć czujników rozmieszczonych w całym mieście, przedstawia pasażerom informacje na temat temperatury, jakości powietrza, poziomu hałasu oraz ruchu pieszych.

Wszystkie dane, udostępnianie we wcześniej wspomnianych miejscach, pochodzą z systemu Big Data, który gromadzi i analizuje dane z całego miasta. Dzięki temu możliwe jest usprawnienie transportu publicznego, propozycja optymalnych rozwiązań turystycznych, a także wydajny plan wydarzeń kulturowych.

Przemysł 4.0 (Industry 4.0)

Przemysł 4.0. IoT bazuje na Big Data i Internet of Things. Ma on doprowadzić do połączenia maszyn produkcyjnych z siecią  przedsiębiorstwa. Dzięki temu dane zbierane są na bieżąco. W efekcie ma powstać inteligentna fabryka, która pozwoli na produkcję pojedynczych produktów zgodnie z indywidualnymi potrzebami klienta. W tym samym czasie zbierane informacje, pozwalają na przewidywanie i zapobieganie awariom. Skutkiem jest przeciwdziałanie przestojom pracy firmy oraz automatyzacja produkcji i wzrost jej opłacalności.

Internet-of-Things

Lista firm z różnych branż rynku światowego, które korzystają z Big Data i Internet of Things jest bardzo duża. Opisane technologie znalazły zastosowanie w dziedzinach takich jak:

  • rolnictwo,
  • transport,
  • elektronika,
  • medycyna,
  • logistyka.

Big Data i Internet of Things to dwa niezależne zjawiska. Jednak ich powiązanie pozwala na wiele zmian, które pokazują, jak można zoptymalizować działania na wielu płaszczyznach życia ludzkiego.