Merjenje uspešnosti prodajnih aktivnosti na osnovi ... · Smetanova ulica 17 2000 Maribor,...

Smetanova ulica 17

2000 Maribor, Slovenija

Bojan Kraut

Merjenje uspešnosti prodajnih aktivnosti na osnovi profiliranja in sledenja uporabnikov

preko storitev v oblaku

Magistrsko delo

Maribor, februar 2016

ii

Merjenje uspešnosti prodajnih aktivnosti na osnovi profiliranja in sledenja uporabnikov preko storitev v oblaku

Magistrsko delo

Študent: Bojan Kraut

Študijski program: Informatika

Mentor: doc. dr. Boštjan Brumen Lektorica: Ljiljana Mićović - Strugar, prof

iii

Merjenje uspešnosti prodajnih aktivnosti na osnovi profiliranja in sledenja uporabnikov preko storitev v oblaku Ključne besede: marketing, televizijsko oglaševanje, personalizacija uporabnika, profiliranje

uporabnika, veliki podatki, storitve v oblaku, spletna analitika, korelacije med podatki, prodaja

UDK: 004.777:791.641(043.2)

Povzetek V magistrski nalogi na kratko opišemo tehnologijo oblaka, ter velikih podatkov, ki so osnova za tehnološko platformo, s katero je bila naloga izvedena. Dotaknemo se razvoja mobilne tehnologije, ki nas dandanes spremlja že na vsakem koraku, in kako jo oglaševalci uporabljajo sebi v prid, ter tudi prihajajočih tehnologij, kot je obogatena resničnost ter nosljive tehnologije. Usmerimo se v televizijsko oglaševanje, profiliranje uporabnikov ter spremljavo gledanosti, ki jo je mogoče preko digitalne televizije spremljati, hkrati pa opišemo sistem za masovno zajemanje spletnega prometa ter poiščem korelacije med podatki gledanosti digitalne televizije in spletnim obiskom oglaševalcev. Zaključimo s predstavitvijo rezultatov merjenja in statistično analizo pridobljenih podatkov. Z vrednotenjem potrdimo, da je preko televizije mogoče spremljati gledalca ter mu celo ponuditi personalizirane reklame.

iv

Measuring the effectiveness of sales activities on the basis of profiling and tracking trough of users trough the cloud services Key words: marketing, TV advertising, user personalization, user profiling, big data, cloud

services, web analytics, data correlations, sales

UDK: 004.777:791.641(043.2)

Abstract In this master thesis the cloud technology and big data are shortly described, both ground for the technical platform, which was used. We describe development of the mobile technology, which follows us today on every step and how it is used by advertisers. We also mention emerging technologies as augmented reality and wearables. Later We focus on television advertising, user profiling and ratings, which are collected automaticaly on digital television and describe the system for mass internet traffic collection where data is analysed for correlations between television advertisements and web traffic. We conclude with the results of measurements and statistical analysis of collected data. With evaluation of the data, we confirm, that it is possible to monitor an individual user and even offer personalized commercials.

v

KAZALO

1 UVOD .............................................................................................................. 1

2 PODROČJE RAZISKAV IN CILJI ................................................................... 3

2.1 Prodaja .................................................................................................................................. 5 2.1.1 Poslovni procesi prodaje ................................................................................................. 6 2.1.2 Prodajni lijak ..................................................................................................................... 6 2.1.3 Marketing ........................................................................................................................... 7

2.1.3.1 Digitalni marketing ................................................................................................... 9 2.1.3.2 Tehnike pospeševanja prodaje ............................................................................. 10 2.1.3.3 Storitve v oblaku za podporo marketingu............................................................ 11 2.1.3.4 Trendi ....................................................................................................................... 14

2.1.4 Prodaja ............................................................................................................................ 16 2.1.4.1 Analiza kupca .......................................................................................................... 16 2.1.4.2 Oblačne storitve za podporo prodaji in upravljanje odnosov s kupci .............. 19

2.1.5 Trendi ............................................................................................................................... 20

2.2 Storitve v oblaku in virtualizacija, veliki podatki ............................................................. 20 2.2.1 Oblak ................................................................................................................................ 21

2.2.1.1 Razvoj rešitev v oblaku .......................................................................................... 24 2.2.1.2 Varnostne rešitve ................................................................................................... 28 2.2.1.3 Performančnost ...................................................................................................... 31

2.2.2 Virtualizacija .................................................................................................................... 32 2.2.3 Veliki podatki in podatkovno rudarjenje ...................................................................... 34

2.3 Nosljive tehnologije, IoT .................................................................................................... 39 2.3.1 IoT .................................................................................................................................... 39 2.3.2 Nosljive tehnologije........................................................................................................ 40

2.3.2.1 Mobilne naprave ..................................................................................................... 40 2.3.2.2 Senzorji .................................................................................................................... 41 2.3.2.3 Obogatena resničnost............................................................................................ 42

2.4 Personalizacija in sledenje uporabniku ........................................................................... 43 2.4.1 Personalizacija in prediktivna analitika........................................................................ 44 2.4.2 Spoštovanje zasebnosti ................................................................................................ 46 2.4.3 Identifikacija uporabnika ............................................................................................... 46 2.4.4 Profiliranje uporabnika .................................................................................................. 47

vi

2.4.5 Socialna omrežja ............................................................................................................ 50 2.4.6 Formulacije strategij in modelne tehnike .................................................................... 52

2.5 Komparativne študije ......................................................................................................... 54

2.6 Trendi ................................................................................................................................... 55

3 TEHNIČNI EKSPERIMENTALNI EKOSISTEM ............................................. 59

3.1 Meritve oglaševalskih kanalov .......................................................................................... 59

3.2 Tehnologija ......................................................................................................................... 60 3.2.1 Televizijsko oglaševanje in merjenje gledanosti ........................................................ 60

3.2.1.1 Orodja ...................................................................................................................... 60 3.2.1.2 Meritve ..................................................................................................................... 61 3.2.1.3 Zajemanje podatkov gledanosti ............................................................................ 62

3.2.2 Merjenje obiska spletnih strani ..................................................................................... 68 3.2.2.1 Orodja ...................................................................................................................... 68 3.2.2.2 Meritve ..................................................................................................................... 70

3.2.3 Podatkovni sistem .......................................................................................................... 71

4 VREDNOTENJE IN ANALIZA STATISTIČNIH PODATKOV ........................ 74

4.1 Kriteriji vrednotenja merjenja spletnega prometa .......................................................... 74

4.2 Analiza statističnih podatkov ............................................................................................ 76 4.2.1 Ford .................................................................................................................................. 77 4.2.2 Volkswagen ..................................................................................................................... 80 4.2.3 Renault ............................................................................................................................ 82 4.2.4 Peugeot ........................................................................................................................... 83 4.2.5 Simobil ............................................................................................................................. 84 4.2.6 Sumarno .......................................................................................................................... 86

4.3 Profiliranje uporabnika na podlagi gledanosti ................................................................ 87

5 REZULTATI IN NJIHOVA UPORABA .......................................................... 90

6 ZAKLJUČEK ................................................................................................. 92

7 LITERATURA ................................................................................................ 93

vii

KAZALO SLIK

SLIKA 2.1: PRODAJNI LIJAK, VPLIVI IN FAZE, V KATERIH SE KUPEC NAHAJA MED SAMO NAKUPNO POTJO [10].

.................................................................................................................................................... 6 SLIKA 2.2: RAZLIKA MED INBOUND TER OUTBOUND MARKETINGOM [11]. ................................................... 8 SLIKA 2.3: DIGITALNI MARKETING SESTAVLJAJO RAZLIČNA PODROČJA IN TRŽNI KANALI [3] ......................... 9 SLIKA 2.4: IZBOLJŠEVANJE POSLOVANJA Z UPORABO E-MARKETINGA [57] .............................................. 15 SLIKA 2.5: GRAF UPORABE POSAMEZNIH SEGMENTOV MOBILNE TEHNOLOGIJE ZA RAZLIČNE TIPE

UPORABNIKOV. [4] ....................................................................................................................... 17 SLIKA 2.6: NIVOJI OBLAČNIH STORITEV [25] .......................................................................................... 23 SLIKA 2.7: DARPA ROBOTSKI IZZIV [7] .................................................................................................. 26 SLIKA 2.8: KLASIČNA SLIKA DOBAVITELJEV IT STORITEV E-PRODAJE[21] ................................................ 27 SLIKA 2.9: PRENOS DOBAVITELJEV IT STORITEV NA PONUDNIKA OBLAKA[21] .......................................... 27 SLIKA 2.10: RAZLIKA MED KLASIČNIM IN VIRTUALIZIRANIM SISTEMOM [23]. ............................................. 33 SLIKA 2.11: PRIKAZ VIRTUALIZACIJE [23] .............................................................................................. 33 SLIKA 2.12: SHEMA PROCESA PODATKOVNEGA RUDARJENJA[35] .......................................................... 35 SLIKA 2.13.: ŠTEVILNE MOŽNOSTI ORODJA GOOGLE ANALITICS ............................................................. 37 SLIKA 2.14: FACEBOOK INSIGHTS ........................................................................................................ 38 SLIKA 2.15: INTERNET STVARI, KJER SO V OMREŽJE PRIKLJUČENE NAJBOLJ RAZNOLIKE NAPRAVE Z

NAJRAZLIČNEJŠIMI FUNKCIJAMI [20]. ............................................................................................ 40 SLIKA 2.16: RAZLIČNE NOSLJIVE TEHNOLOGIJE, KI POKRIVAJO NAJŠIRŠI SPEKTER UPORABE [13] ............ 41 SLIKA 2.17: PROJEKT ARAVET - DELOVANJE ELEKTRONSKIH VRAT PREDSTAVLJENO S POMOČJO AR

APLIKACIJE [52] .......................................................................................................................... 43 SLIKA 2.18: PROFIL, SESTAVLJEN IZ SEMANTIČNIH OMREŽIJ .................................................................. 49 SLIKA 2.19: SPODNJI PRIMER PRIKAZUJE DIMENZIJE PERSONALIZACIJE ZA IZBIRO RESTAVRACIJE [47] ..... 53 SLIKA 2.20: S PLS ANALIZO DOBLJEN GRAF, KI PONAZARJA ODNOS KUPCA DO OGLASNIH VSEBIN NA

PODLAGI KLJUČNIH FAKTORJEV, NA PODLAGI KATERIH KUPEC OCENJUJE RELEVANTNOST VSEBINE. .. 54 SLIKA 2.21: DIGITALNO POTROŠNIŠTVO[69] ......................................................................................... 56 SLIKA 2.22: TRG VELIKIH PODATKOV[69] .............................................................................................. 56 SLIKA 2.23: PORAST SOCILANIH MEDIJEV[69] ....................................................................................... 57 SLIKA 2.24: RAZVOJ SOCIALNIH OMREŽIJ[69] ....................................................................................... 57 SLIKA 2.25: TRG VKLJUČENIH NAPRAV[69] ........................................................................................... 58 SLIKA 2.26: TRG APLIKACIJ OBOGATENE RESNIČNOSTI[69] .................................................................... 58 SLIKA 3.1: PODATKI GLEDANOSTI TELEVIZIJSKEGA SPREJEMNIKA ........................................................... 61 SLIKA 3.2: SEZNAM ŽANROV IN OPISI V SLOVENSKEM IN HRVAŠKEM JEZIKU ............................................. 64 SLIKA 3.3 PODATKI GLEDANOSTI PO POSAMEZNIH NAPRAVAH ................................................................ 65 SLIKA 4.4.1: SPARKASSE VZORČENJE OBISKA ...................................................................................... 74

viii

SLIKA 4.4.2: SIMOBIL VZORČENJE OBISKA ............................................................................................ 75 SLIKA 4.4.3: ŠKODA - VZORČENJE OBISKA ............................................................................................ 75 SLIKA 4.4: GIBANJE OBISKOV ZA REKLAMO FORDA V 500 SEKUNDNIH INTERVALIH. ................................. 78 SLIKA 4.5: GRAF OBISKOV REKLAME FORD ........................................................................................... 79 SLIKA 4.6: GIBANJE OBISKOV ZA REKLAMO VW V 250 SEKUNDNIH INTERVALIH. ...................................... 80 SLIKA 4.7: GIBANJE OBISKOV ZA REKLAMO VOLKSWAGEN V 500 SEKUNDNIH INTERVALIH ....................... 80 SLIKA 4.8: GRAF OBISKOV REKLAME VOLKSWAGEN .............................................................................. 81 SLIKA 4.9: GIBANJE OBISKOV ZA REKLAMO RENAULT V 500 SEKUNDNIH INTERVALIH ............................... 82 SLIKA 4.10: GRAF OBISKOV REKLAME RENAULT ................................................................................... 82 SLIKA 4.11: GIBANJE OBISKOV ZA REKLAMO PEUGEOT V 500 SEKUNDNIH INTERVALIH ............................ 83 SLIKA 4.12: GRAF OBISKOV REKLAME PEUGEOT ................................................................................... 84 SLIKA 4.13: GIBANJE OBISKOV ZA REKLAMO SIMOBIL V 500 SEKUNDNIH INTERVALIH ............................... 84 SLIKA 4.14: GRAF OBISKOV REKLAME SIMOBIL ..................................................................................... 85 SLIKA 4.15: GIBANJE OBISKOV ZA SUMARNI OBISK V 500 SEKUNDNIH INTERVALIH ................................... 86 SLIKA 4.16: GRAF OBISKOV ZA SUMARNI OBISK .................................................................................... 87

KAZALO TABEL TABELA 2.1: DISTRIBUCIJSKI TIPI UPORABNIKI PRIKAZUJEJO ŠTIRI RAZLIČNE TIPE. [4] .............................. 18 TABELA 3.1 ČASI SPREMLJANJA POSAMEZNEGA ŽANRA PO SPREJEMNIKU .............................................. 65 TABELA 3.2 SUMARNI ČASI SPREMLJANJA ŽANROV ČEZ CELOTNI OPAZOVALNI SISTEM ............................. 66 TABELA 4.1: POSAMEZNI OGLEDI OPREMLJENI S ČASOVNIM ODMIKOM OD ZADNJE REKLAME. ................... 77 TABELA 4.2: TABELA SPLETNIH OBISKOV V ČASOVNIH INTERVALIH PO FORD REKLAMI .............................. 78 TABELA 4.3: TABELA SPLETNIH OBISKOV V ČASOVNIH INTERVALIH PO VOLKSWAGEN REKLAMI ................ 81 TABELA 4.4: TABELA SPLETNIH OBISKOV V ČASOVNIH INTERVALIH PO RENAULT REKLAMI ........................ 82 TABELA 4.5: TABELA SPLETNIH OBISKOV V ČASOVNIH INTERVALIH PO PEUGEOT REKLAMI ........................ 83 TABELA 4.6: TABELA SPLETNIH OBISKOV V ČASOVNIH INTERVALIH PO SIMOBIL REKLAMI .......................... 85 TABELA 4.7: TABELA SPLETNIH OBISKOV V ČASOVNIH INTERVALIH ZA SUMARNI OBISK ............................. 86 TABELA 4.8 DISTRIBUCIJA VREDNOSTI PO GRUČAH ............................................................................... 89

ix

SEZNAM UPORABLJENIH SIMBOLOV - Chi square - Hi kvadrat - test statistične hipoteze, pri katerem primerjamo opazovane

podatke s pričakovanimi in med obojimi merimo vsoto kvadratov merske napake.

SEZNAM UPORABLJENIH KRATIC ang. - angleško

4P - (ang. Pricing, Promotion, Placing and Product); Cenitev, promocija, umestitev in

produkt

4G, 5G - (ang. 4th Generation, 5th Generation); 4. generacija, 5. generacija

ACDM - (ang. Adaptive Cloud Development Model); Prilagodljiv oblačni razvojni model

API - (ang. Application Programming Interface); Aplikacijski programski vmesnik

B2B - (ang. Business to business); Podjetje - podjetje

B2C - (ang. Business to customer); Podjetje - končni kupec

BPaaS - (ang. Business Process as a Service); Poslovni proces kot storitev

CDAA - (ang. Cloud Data Availability Agent); Agent razpoložljivosti oblačnih podatkov

CDS - (ang. Cloud Data Systems); Sistemi podatkov v oblaku

CSPA - (ang. Cloud Service Provider Agent); Agent ponudnika oblačnih storitev

CDConA - (ang. Cloud Data Confidentiality Agent); Agent zaupnosti oblačnih podatkov

CDCorA - (ang. Cloud Data Correctness Agent); Agent pravilnosti oblačnih podatkov

CDIA - (ang. Cloud Data Integrity Agent); Agenti integritete oblačnih podatkov

CPU - (ang. Central Processing Unit); Centralna procesna enota

CRM - (ang. Customer Relationship Management); Upravljanje odnosov s strankami

EPG - (ang. Electronic Program Guide); Elektronski programski vodič

ERP - (ang. Enterprise Resource Planning); Načrtovanje virov podjetja

GPS - (ang. Global Positioning System); Globalni pozicijski sistem

HTML - (ang. HyperText Markup Language); Označevalni jezik

IaaS - (ang. Infrastructure as a Services); Infrastruktura kot storitev

IoT - (ang. Internet of Things); Internet stvari

I/O - (ang. Input/Output); Vhod/Izhod

IP - (ang. Internet Protocol); Spletni protokol IT - (ang. Information Technology); Informacijska tehnologija

LQM - (ang. Learning Vector Quantization); Kvantizacija učečega vektorja

MAC - (ang. Media Access Control address); Naslov za kontrolo dostopa do medija

MAS - (ang. Multi Agent System); Večagentni sistem

x

SRTF - (ang. Shortest Remaining Time First); Najkrajši preostali čas najprej

PaaS - (ang. Platform as a Service); Platforma kot storitev

PLS - (ang. Partial Least Squares); Delni najmanjši kvadrati

QoS - (ang. Quality of Service); Kvaliteta storitev

RFID - (ang. Radio-frequency identification); Radijsko-frekvenčna identifikacija

SaaS - (ang. Software as as Service); Programska oprema kot storitev

SQL - (ang. Structured Query Language); Strukturiran poizvedovalni jezik

SOM - (ang. Self Organizing Maps); Samoorganizirajoče mape

SSO - (ang. Single Sign On); Enkratna prijava

WIF - (ang. Web impact factor); Faktor spletnega vpliva

XML - (ang. Extensible Markup Language); Razširljivi označevalni jezik

1

1 UVOD Sodobno poslovanje na dinamičnem, zahtevnem in venomer spreminjajočem se tržišču zahteva

zelo visoko stopnjo avtomatizacije in informacijske podpore samim procesom v podjetju. Tudi

prodaja ni izjema. Zato je nujno potrebno, da svoje kupce poznamo, kolikor je to mogoče, in tako

ustrežemo njihovim pričakovanjem in željam. Zavedati pa se moramo, da z zbiranjem podatkov

lahko resno posežemo v zasebnost posameznika, zato je potrebno spoštovati regulativo, ki

poskuša uporabnika zaščititi. Ker je digitalni svet postal del našega vsakdana, so se razvile tehnike, s katerimi uporabnikom

lahko sledimo tako preko spleta kot tudi mobilnih tehnologij, prav verjetno pa bo podobno tudi v

rastočem svetu Interneta stvari (angl. “IoT”), merjenje uporabniških aktivnosti pa želimo razširiti tudi

na nepersonalizirane medije, kot sta televizija in radio. Uporabniki se velikokrat niti ne zavedajo

količine in narave informacij, ki se o njih stekajo v podatkovne centre, kjer se zbirajo, in kakšnim

namenom bodo ti podatki služili. Z medsebojnim povezovanjem in informacijsko analizo lahko tisti,

ki z njimi razpolaga, posameznika zelo dobro profilira. Zbiranje podatkov o uporabnikih generira enormne količine podatkov, kar narekuje uporabo visoko

performančnih podatkovnih centrov in zmogljivih analitičnih orodij. Veliko govorimo o dobi velikih

podatkov (angl. “Big data”), ki zahteva optimizacijo strojne in programske opreme ter odpravo

morebitnih pomanjkljivosti, kot so slaba skalabilnost, težave z instalacijami in vzdrževanjem,

odpornostjo na napake in slaba performančnost klasičnih informacijskih rešitev. Uporaba storitev v oblaku je za sodobno delo z velikimi podatki pravzaprav neobhodna.

Tehnologije povezane z velikimi podatki tako promovirajo široko uporabo oblačnih storitev in

tehnologij Interneta stvari.[2] Prodaja, kot eden izmed elementarnih procesov v podjetju takšno zbiranje podatkov seveda s

pridom izkorišča, saj je boljša slika o uporabnikih več kot dobrodošla za oglaševalce in prodajalce.

Zato spletno spremljanje uporabnikov ni več novost in se je poslužuje praktično vsako podjetje, ki z

analitičnimi rešitvami v oblaku spremlja dogajanje na spletu. Kljub vsemu pa vsem medijem ni mogoče slediti na enak način. To še posebej velja za televizijo, ki

še vedno dosega najširši krog gledalcev, a zaradi svoje narave ne nudi možnosti za identifikacijo

uporabnika, zaradi česar je kot informacijski medij nepersonalizirana. Podjetja še vedno vlagajo

znatne vsote sredstev v oglaševanje preko televizije, kljub temu da je vpliv oglaševanja na obisk in

konverzijo težko merljiv.

2

Namen te raziskave je izmeriti učinek oglaševanja preko televizije in preveriti ali ima ogledana

reklama vpliv na gledalca, da ta obišče oglaševalčevo spletno stran. Za potrebe te raziskave smo

povezali internetni promet s podatki gledanosti in oglaševanja na televiziji in ugotavljali korelacije

med dogodki.

3

2 PODROČJE RAZISKAV IN CILJI

Dandanes je sledenje kupcu prisotno skoraj na vseh nivojih, pa naj bo to v digitalni ali

klasični obliki. Veliko klasičnih mehanizmov identifikacije, kot na primer piškotki in

uporabniške seje, se dnevno uporablja za sledenje uporabniku praktično na vseh spletnih

straneh. Ni več dovolj, da iz uporabnika izvabimo njegove osebne podatke, temveč želimo

ugotoviti, kako se le ta obnaša in kaj želi, to pa zahteva sledenje in podrobno analizo

njegovih aktivnosti.

Razmah najprej spletne, nato pa še mobilne tehnologije, je povzročil premik v tehnologiji

trženja, saj so oglaševalci ugotovili, da tehnologijo lahko uporabijo za podrobnejše

spremljanje uporabnika in njegovih spletnih aktivnosti že veliko prej, preden ta vstopi v

nakupni proces. Prav tako je zaradi vedno večje dinamike tržišča potrebno spremljanje

dogajanja ter odkrivanje trendov, kar pa je mogoče narediti le s precizno uglašeno

analitiko vseh možnih podatkovnih virov.

Proces pridobivanja uporabnih informacij zahteva različna tehnična in analitična znanja,

saj podatkov ni dovolj samo zajemati, mnogokrat celo preko večih kanalov, pač pa jih je

potrebno obdelati in razumeti. Mnogokrat se analize vršijo celo v realnem času, saj jih

uporabljajo podporni sistemi, ki usmerjajo obiskovalca na njegovi nakupni poti.

Naš cilj je zato ugotoviti, ali lahko z uporabo oblačnih storitev in uporabniške

personalizacije izboljšamo proces prodaje in personaliziramo uporabniško izkušnjo tudi na

mediju, kot je televizija.

V sklopu naloge bo tako potrebno raziskati naslednja področja:

• tehnologijo identifikacije uporabnika,

• tehnologijo personalizacije uporabnika,

• sisteme klasifikacije in profiliranja uporabnika,

• podporo sodobne senzorike pri pridobivanju informacij o uporabniku, kot je na

primer geolociranje,

• sisteme v oblaku,

• tehnologijo velikih podatkov in realno-časovni dostop do podatkov,

• tehnološko podporo storitvam v oblaku za podporo procesom.

4

Za predlagana področja bomo analizirali tehnične rešitve in oblikovali mnenje.

Naslovili bomo naslednja vprašanja:

1. Ali je mogoče zagotoviti anonimnost pri sodobni digitalni televiziji? Kakšne so tehnične zmožnosti identifikacije in personalizacije uporabnika? V tem kontekstu bomo raziskali metode sledenja uporabnika ter profiliranje na

podlagi njegovih aktivnosti pri spremljanju televizijskih kanalov. Ugotovili bomo, ali

je mogoče unikatno identificirati posameznika, če ta lahko obdrži željen nivo

zasebnosti kljub tehnologiji sledenja njegovih aktivnosti in interesov.

2. Dotaknili se bomo tudi kategorizacije in profiliranj njegovih aktivnosti. Ali lahko profiliramo televizijskega gledalca?

Raziskali bomo ali lahko s podatki gledanosti digitalne televizije uspešno

profiliramo uporabnika.

3. Ali lahko z vzorcem uspešno potrdimo vpliv informacijskih kanalov na odločitev posameznika? Ali lahko na podlagi vzorca izdelamo napoved uporabniškega obnašanja? Naslovili bomo sledenje aktivnostim uporabnikov, njihovo identifikacijo preko

različnih naprav in na podlagi statističnih podatkov izvedli analizo obnašanja

uporabnikov (sledenje oglasnim sporočilom preko televizije, njihov vpliv na

povečanje obiska in posledično konverzije na spletu).

Na podlagi zgornjih vprašanj smo si zastavili naslednji hipotezi:

Hipoteza 1: Oglaševanje preko klasičnih prodajnih kanalov, kjer ne moremo uporabnika

enoznačno identificirati (kot je na primer televizija), vpliva na promet in povečanje obiska

spletnih medijev.

Hipoteza 2: Televizijskega gledalca lahko uspešno profiliramo.

5

2.1 Prodaja

Prodaja je eden izmed temeljnih procesov vsakega uspešnega podjetja. Odvisna je od

tržišča, asortimana izdelkov in njihovih lastnosti, kot so cena in kvaliteta, ter seveda

kupcev.

Prodajni proces lahko razdelimo na dva različna, vendar funkcionalno povezana dela -

marketing in prodajo [1], znotraj katerih pridobivamo zaupanje potencialnega kupca z

vzpostavitvijo in negovanjem odnosov s kupcem tekom različnih faz prodajnega procesa.

Tako marketing kot prodaja uporabljata svoje mehanizme spremljanja in negovanja

potencialnih in obstoječih kupcev, kar pa ob vedno večji diverziteti prodajnih kanalov

nikakor ni enostavna naloga. Zato je informacijska podpora tem procesom nujna.

Pojav rešitev v oblaku ugodno vpliva na prodajne ekipe, ki lahko asimilirajo napredna

prodajna orodja, kot je na primer Salesforce.com, v relativno kratkem času, vendar

nemalokdaj to predstavlja vsebinski in implementacijski zalogaj za podjetje, naslavlja pa

tudi varnostne vidike hranjenja in obdelave podatkov, saj je možnost, da se bo do

podatkov dokopal nekdo drug, večja.

To lahko za podjetje pomeni celo nepopravljivo poslovno škodo, zato morajo biti podatki v

informacijskem oblaku primerno zaščiteni in dostop do njih nepooblaščenim osebam

otežen.

Za podjetja so rešitve v oblaku večinoma cenovno ugodnejše - predvsem zaradi delitve

strojnih in programskih virov z drugimi uporabniki. Uporabniki načeloma tudi hitreje

usvojijo procese, ki so v takšnih orodjih že na voljo, saj se za veliko teh orodij oblikujejo

spletne skupnosti, ki so prave zakladnice znanja; s samo vključenostjo podjetja pa

zaposleni dobijo dostop do le tega, na ta način pa se dvigne tudi informacijska raven

samega podjetja.

6

2.1.1 Poslovni procesi prodaje

Prodajni proces se večinoma razlikuje od podjetja do podjetja, vendar splošno zajema tri

faze:

• generiranje potencialnih strank: kako podjetje pridobiva nove potencialne

kontakte,

• kvalifikacija potencialnih strank in prodajnih priložnosti: razvrstitev

potencialnih strank glede na prodajne priložnosti,

• upravljanje cikla prodaje: spremljanje prodajnih priložnosti skozi prodajni lijak,

negovanje in usmerjanje strank skozi prodajni proces, ki rezultira v nakup. Ker gre

za itererativni proces, je le-ta sestavljen iz predprodajnih, prodajnih in poprodajnih

aktivnosti.

2.1.2 Prodajni lijak

Prodajni lijak je iluzoren način, preko katerega spremljamo pot potencialnih kupcev skozi

proces prodaje - vse od vstopa v prodajni lijak, ocenjevanja prodaje in priložnosti, do

poglabljanja komunikacije in ogrevanja ter končne konverzije v kupce - torej same

prodaje.

Slika 2.1: Prodajni lijak, vplivi in faze, v katerih se kupec nahaja med samo nakupno potjo [10].

7

Uporabljamo ga za spremljanje in napoved prodaje na podlagi seznama prodajnih

priložnosti, ki se generirajo med marketinškimi in prodajnimi akcijami. Prikazuje, kje se v

danem trenutku potencialni kupci znotraj nakupne poti nahajajo.

Predstavlja grafično ponazoritev predvidenega denarnega toka na podlagi predvidene

prodaje in realizacije prodajnih priložnosti, ki so ocenjene s stopnjo verjetnosti.

2.1.3 Marketing

Marketing je tisti del prodajnega procesa, ki je namenjen pridobivanju novih prodajnih

priložnosti znotraj segmenta obstoječih ter potencialnih novih kupcev. Oglasna sporočila

oglasnih akcij ali marketinških kampanj lahko razpošiljamo preko enega ali več različnih

prodajnih kanalov, kjer pogosto deluje vsak drugače.

V splošnem delimo marketing na inbound in outbound marketing:

• outbound marketing: zajema akcije, kjer je podjetje tisto, ki začenja konverzacijo

in pošlje marketinško sporočilo publiki, večinoma v obliki prospektov, elektronske

pošte ali hladnih klicev. Večinoma je to enosmerna komunikacija.

• inbound marketing: je nasprotje outbound marketinga in pomeni, da kupec začne

konverzacijo, večinoma na podlagi kakšnih plačljivih oglasov ali naravnega

spletnega iskanja. Gre za dvosmerno komunikacijo.

8

Slika 2.2: Razlika med inbound ter outbound marketingom [11].

Outbound marketing je v osnovi veliko težje spremljati in je tudi manj profitabilen, saj

naslavljamo množico ljudi, ki nima nujno interesa po produktih ali storitvah podjetja.

Dostavo sporočil strankam lahko v grobem razdelimo na tri kategorije:

• planirani viri - so klasične oblike komunikacije, kot je oglaševanje;

• neplanirani viri - so bolj učinkoviti in niso namerno pripravljeni s strani podjetja -

na primer klepetalnice, blogi, komentarji in obnašanje zaposlenih/strank;

• pogosto neupoštevani viri - distribucijski kanali, storitve oblikovanja in tehnične

podpore[24].

9

2.1.3.1 Digitalni marketing

Z informatizacijo se je tudi marketinški proces posodobil. Večina podjetij se je prilagodila

novim tehnologijam in spoznala vrednost trženja preko sodobnih digitalnih medijev, kot so

internet in še vedno tudi televizija.

Slika 2.3: Digitalni marketing sestavljajo različna področja in tržni kanali [3]

Vsak izmed prodajnih kanalov je po svoje zanimiv, saj le z diverzifikacijo prodajnih

kanalov dosežemo najširši krog kupcev, prav tako pa je zaradi širine oglasne kampanje

večja intenziteta nagovora kupca. Med kanali nedvomno obstajajo korelacije, ki pa niso

vedno enostavno merljive. Na splošno velja, da čim manjša je možnost za ugotavljanje

identitete uporabnika, težje je kategorizirati in identificirati tudi kupčeve želje.

Oglaševalske akcije večinoma vključujejo različne reklamne kanale. Dandanes so to

socialna omrežja ter spletne strani, kjer lahko enostavno pridobimo ustrezne podatke

obiskovalcev, te pa kasneje uporabimo za modifikacije in prilagoditve prodajnih strategij.

Uspešnost reklamnih kampanj, ki se odvijajo preko televizije, je zaradi nezmožnosti

identifikacije končnega uporabnika težko personalizirati. Kljub vsemu, da nam digitalna

televizija omogoča določeno stopnjo pridobivanja informacij, pa je merjenje njihovega

direktnega vpliva na uporabnika pogosto popolnoma neznano.

10

2.1.3.2 Tehnike pospeševanja prodaje

Ob veliki konkurenci na tržišču je za marsikatero podjetje težava vzdrževanje

konstantnega nivoja prodaje. Le-ta pogosto zahteva obilico trdega dela in premišljenih

marketinških aktivnosti, ki jih definiramo v marketinškem planu in pokrivajo različne

prodajne kanale - od klasičnih oblik oglaševanja do elektronske pošte in socialnih medijev.

Za pripravo kvalitetnih vsebin, pridobivanje rezultatov oglaševanja ter obdelavo podatkov

za analize oglasnih kampanj pa je seveda treba imeti čas. Zato je še kako pomembno, da

se vire, ki so na voljo, pametno izrabi. Pospeševanje prodaje zajema različne marketinške

pristope, preko katerih povečujemo hitrost prodajnega procesa, dvigujemo

performančnost prodaje ter avtomatiziramo prodajni proces. Velik del podjetij je to rešil z

uvedbo sistemov za upravljanje odnosov s strankami ali CRM okolji - med temi mnoga

vsebujejo tudi marketinške rešitve, s čimer organizirajo celotni prodajni proces.

Raziskava, ki jo je izvedel Forbes[38], je pokazala, da podjetja z uvedbo CRM okolja

dvignejo prodajo povprečno za 17%, čas zaključevanja posameznega posla pa iz 144 dni

pade na 69. Večja organiziranost pozitivno vpliva tudi na komunikacijo s strankami in

posledično dviguje njihovo zadovoljstvo.

Dejavniki, ki vplivajo na prodajo, so največkrat povezani s takšno ali drugačno obliko

komunikacije, v katero spadajo:

• od ust do ust: Je eden izmed najboljših načinov prodaje, saj kupci sami prodajajo

blago naprej. Za ta način mora organizacija veliko vlagati v kvaliteto in pripravo

optimalne izkušnje uporabnika.

• klasični marketing preko pisnih medijev in letakov: To je še vedno precej

uporabljan način oglaševanja, kjer naslovniki dobivajo oglasni material v poštni

predal.

• 'branding': Prepoznavnost blagovnih znamk, pod katerimi so združene družine

artiklov, kar velikokrat prinese dodatne stroške na krajši rok, vendar prinaša na

daljši rok podjetju konkurenčno prednost.

• nagradne igre: Nagradne igre uporabnike pritegnejo zaradi obljubljene nagrade,

za podjetja pa predstavljajo ključen način za pridobivanje potencialnih strank, saj

morajo uporabniki ob sodelovanju v nagradni igri privoliti v splošna pravila

11

nagradne igre, s čimer dovolijo uporabo svojih kontaktnih podatkov za namene

trženja.

• razpošiljanje elektronske pošte: Je precej pogost način za distribucijo

informacije do potencialnih kupcev, saj za organizacijo predstavlja minimalni

strošek. Rešitve v oblaku, kot je na primer MailChimp, nudijo dostavo elektronske

pošte praktično hipno.

• točke ugodnosti in lojalnostni programi: V splošnem velja, da znaten del

prodaje prinesejo obstoječe stranke, zato podjetja vlagajo veliko sredstev v

gradnjo lojalnostnih programov, ki končnemu uporabniku prinesejo dodatne

ugodnosti, seveda ob nekih frekventnih nakupih.

• 'outlet': Še posebej v domenah, kjer se letno pojavljajo nove generacije artiklov, je

značilno, da se prejšnja generacija ponudi v znižanju, kar privablja kupce, ki želijo

imeti priznano blagovno znamko, vendar so aktualne generacije večinoma

predrage. Ta model je precej priljubljen v oblačilni industriji.

• kuponi in akcije: Akcije omogočajo obiskovalcem, da do izbranega artikla pridejo

ceneje, je pa to tudi priložnost za prodajalce, da se znebijo odvečne zaloge.

• darila: Spletna prodaja večinoma tudi omogoča, da kupec nakup opravi za

drugega prejemnika, ki prejme kupljen artikel kot darilo. Brezplačna darila so tudi

dodatni motivator v veliko trgovinah, kjer se pojavijo v košarici ob zaključku

nakupa, zato se kupci na takšna spletna mesta radi vračajo.

2.1.3.3 Storitve v oblaku za podporo marketingu

Povečana uporaba mobilne tehnologije in vedno hitrejša podatkovna omrežja (4G, 5G),

vzpodbujajo razvoj prilagojenih, kontekstno zavedajočih se storitev. Pametne naprave, ki

jih dandanes široko uporablja prav vsak, predstavljajo unikaten medij, ki ga lahko

okarakteriziramo s konceptom “24 ur znotraj 30 cm”[4]. Prav zato so kot naročene za

spremljanje in nagovarjanje potencialnega kupca, spremljanja in analiziranja njegovega

obnašanja ter posledično razumevanja njegovih navad in gibanja.

Kot eden izmed gonilnih sektorjev se telekomunikacijski sektor vedno bolj poslužuje

storitev v oblaku, da lahko dohaja vedno večje količine podatkov, ki se dnevno generirajo

v širokem spektru povezanih sistemov[4].

Storitve v oblaku so večinoma že temelj sodobnemu mobilnemu ekosistemu, kjer lahko

kdorkoli, kadarkoli in kjerkoli izrabi IT vire na zahtevo. To pomeni veliko prednost na

12

dinamičnem tržišču, saj to zahteva, da oglaševalska podjetja v detajle razumejo kupca in

reagirajo na spremembe v njegovem obnašanju, trendih in preferencah[4].

Razen obdelave podatkov, storitve v oblaku omogočajo tudi sodelovanje med različnimi

akterji na tržišču. Zanimiv je indijski primer, kjer so omogočili s pomočjo storitve v oblaku

dostop kmetov do agrikulturnih novitet ter analiz trga. Sistem aktivno služi uravnavanju

tržišča, presežke pa kmetje lahko pošiljajo tudi na druga tržišča in s tem zmanjšujejo

odpad. Medsebojno lahko tudi korelirajo cene artiklov, s čimer poenoteno nastopajo

napram posrednikom in blagovnim verigam. Ključne prednosti so tudi pravočasna dostava

izdelkov do kupca, podrobne analize produktov in potreb trga, prav tako pa igra veliko

vlogo prehajanje najsodobnejšega znanja iz kmetovanja na kmete, da o centralizaciji

podatkov ter konstantnem izboljševanju procesa sploh ne govorimo[14].

Tehnologija oblaka dodatne prednosti prinaša tudi e-oglaševanju, saj lahko opazujemo

konvergenco digitalne televizije, mobilne tehnologije in oblačnih računalniških sistemov.

Informacijsko komunikacijska tehnologija vodi v prožnejša, v tržišče orientirana podjetja,

kjer je uspeh odvisen od hitrih odzivov na spreminjajoče se potrebe strank ter dostave

ustreznih produktov do ciljnih segmentov trga.

Zamenjava analogne televizije z digitalno, ki ponuja interaktivnost, omogoča vpogled v

naravo samih gledalcev ter možnost podrobne analize njihovih osebnih preferenc.

Na podlagi zbranih podatkov lahko s pomočjo tehnologije podatkovnega rudarjenja in

prediktivne vizualne analize z veliko verjetnostjo napovedujemo vzorce obnašanja

uporabnikov v prihodnosti - z namenom vzpostavitve in vzdrževanja personaliziranih

odnosov s posameznim individualnim kupcem. To dosežemo s pomočjo marketinških

storitev, ki so individualizirane, interaktivne ter imajo dodano vrednost. Oseben odnos, ki

ga na ta način poskušamo vzpostaviti, dokazano vodi v povečano pridobivanje strank,

njihovo zadovoljstvo in lojalnost, prinaša pa tudi boljše rezultate marketinških vlaganj ter

boljšo efektivnost.

Na podlagi izboljšanih v oblaku postavljenih storitev, podjetja enostavno pridobijo

zmožnost, da so s svojimi strankami konstantno povezana, s čimer izboljšujejo svoje

storitve in razširjajo področje poslovanja. Najbolj znani podporni servisi za izboljšane

storitve v oblaku so:

• orodja za dvig produktivnosti in sodelovanja,

13

• instantno sporočanje in elektronska pošta,

• video konferenčni sistemi,

• izobraževanje na daljavo,

• upravljanje odnosov s strankami,

• orodja za izdelavo aplikacij. [24]

Prav interakcija je tisto, kar bo v prihodnje pritegnilo kupce, to pa je mogoče le s pomočjo

interaktivnih medijev, ki premaknejo gledalce iz pasivnih v aktivne udeležence in jih tako

pritegnejo v ogled ponujene multimedijske vsebine, saj ta omogoča predstavitev vsebine

na bolj vizualno zadovoljiv in zabaven način.

Povezovanje marketinških kanalov, tudi digitalne televizije, omogoča tehnologijam

podatkovnega rudarjenja ekstrakcijo statističnih vzorcev, kot so performančnost prodaje

glede na posamezne geografske lokacije, kategorije in gruče produktov, nakupne

karakteristike in promocijske strategije. Možno je pridobiti tudi demografske vzorce,

vzorce življenjskega stila, nakupne aktivnosti posameznika, kar vpliva na planiranje

prodaje in potrebnih marketinških akcij.

S pomočjo metrik obnašanja, ki so podlaga za izkoriščanje modelov, osnovanih na

prediktivni analitiki, se lahko realistično reproducira posamezne prodajne scenarije in z

natančnostjo napove prodajne uspehe bodočih produktov in storitev. S tem podjetje ščiti

svoje interese, približa pa se tudi končni stranki in jo naredi bolj lojalno, ne da bi se le-ta

tega zavedala. Tako se vez med stranko in podjetjem poglobi.

Uporaba pametnih telefonov, tablic in prenosnih računalnikov dandanes odpira

pridobivanje praktično neomejenih podatkovnih možnosti, vendar hkrati odpira vrsto

vprašanj, ki se dotikajo zasebnosti[24]. Tako pridobljeni podatki omogočajo pripravo

izboljšane uporabniške izkušnje in s pomočjo uporabniške interakcije lahko to le še

nadgradimo.

Regulacija, ki jo je sprejela Evropska unija o spoštovanju zasebnosti, je otežila zbiranje in

uporabo podatkov o strankah, pridobljenih tekom brskanja po spletu za uspešnejšo

dostavo oglasov. Merjenja so pokazala, da je vpeljava direktive povezana s 65% upadom

vpliva oglasnih pasic na namero o nakupu[53].

14

2.1.3.4 Trendi

Storitve v oblaku Podjetja na storitve v oblaku prehajajo zaradi izboljšanja skalabilnosti lastnih sistemov in

storitev ter upravljanja kratkotrajnih povečanih potreb po računalniških virih. Infrastruktura

oblaka je zaradi svoje robustnosti vedno dostopna. Oblak prav tako predstavlja enotno

točko dostopa za vse računske potrebe strank ne glede na njihovo lokacijo. [15]

Prihodnost bo za storitve v oblaku verjetno prinesla standardizacijo, ki bo omogočila

vzpostavitev globalnega trga storitev v oblaku, kjer bodo končni uporabniki lahko zakupili

računalniške vire na zahtevo, glede na trenutno stanje trga. Takšni sistemi so v pilotnih

fazah, prinesli pa bodo še bolj dinamičen trg ponudnikov storitev v oblaku. [15]

Marketing Zaradi vse večjega prehajanja na digitalne vsebine, vlaganja v marketing na globalni ravni

naraščajo. Del tega je tudi e-oglaševanje, ki predstavlja koncentriran napor konstantnega

prilagajanja in razvoja marketinških strategij v virtualnem okolju - splet, elektronska pošta,

socialni mediji. [57]

Povečevanje in sprejetje spletne prodaje s strani uporabnikov povzroča, da morajo lastniki

spletnih trgovin narediti vse, da olajšajo kupcu nakup in na podlagi analize predhodno

zbranih podatkov iz njegove nakupne poti ter predhodnih odločitev relevantne informacije

dostavijo v realnem času.

Spletna prodaja več ni nikakršna novost, a spreminja nekaj ključnih lastnosti klasične

prodaje:

• prodaja podjetja teče ves čas (24/7),

• zmanjšuje stroške - zalog, logističnega osebja, fizičnega skladišča,

• omogoča boljšo študijo kupcev,

• odpravlja geografske omejitve,

• omogoča nastajanje in rast blagovnih znamk in pripadnosti, [57]

• dosega kupca preko različnih tržnih medijev (spletu se pridružujejo tudi mobilne

tehnologije, aplikacije ter tehnologije, kot so obogatena in navidezna resničnost).

15

Da se lahko kupcu približamo, moramo inkrementalno poglabljati znanje o njem, to pa

pomeni vpeljavo iterativnega procesa izboljševanja uporabniške izkušnje. Posameznik

med uporabo spleta pušča digitalni odtis, ki sestavlja osnovo za uporabniško profiliranje

ter kategoriziranje uporabnika, na podlagi tega pa se le-temu s pomočjo personalizacije

dostavi vsebina, ki je dinamično sestavljena glede na njegove potrebe, želje in zahteve.

Slika 2.4: Izboljševanje poslovanja z uporabo e-marketinga [57]

Trendi kažejo, da spletni uporabniki iščejo:

• kompleksne lastnosti, ki jim zmanjšujejo čas dostopa do izdelka in evalvacijo le

tega,

• povečano mobilnost,

• konsolidacijo tržišča - razširitev poslovanja izven meja klasičnega dosega,

• igrifikacijo znotraj spletne prodaje,

• čustva in pripadnost,

• dostavo znotraj istega dne,

• personalizacijo izgleda in vsebine [57].

Število uporabnikov interneta se iz leta v leto povečuje, vendar je opaziti, da uporabniki

niso pozitivni do oglaševalcev, ti pa morajo zato biti za dosego ciljev vedno bolj agresivni.

Zato je uporaba orodij za blokiranje oglasov vedno pogostejša.

Ta problem naslavlja e-oglaševanje, ki poskuša težavo rešiti skozi bolj efektivne oglase. Z

uporabo socialnih omrežij, ki so dober vir podatkov o posamezniku, se poskuša izvleči

uporabnikovo obnašanje ter pridobiti njegove karakteristike, ki so osnova za

personalizirano oglaševanje. Raziskava je pokazala, da večina uporabnikov preferira

16

adaptivno oglaševanje, kjer se prilagaja model uporabnika, z namenom pretvorbe

njegovega spletnega obnašanja in karakteristik v vzorce, ki služijo dostavi personaliziranih

oglasnih vsebin. [51]

Sodobni marketinški sistemi prav tako integrirajo socialna omrežja in omogočajo

samodejno objavljanje multimedijskih vsebin po predvidenem urniku ter analizo odzivov

uporabnikov na objavljene vsebine. Prihajajoče tehnologije, kot je obogatena in virtualna

resničnost, dodatno omogočajo uporabniku zlivanje digitalnega in realnega sveta, s čimer

omogočimo integriranost informacij najrazličnejših tipov v vsakodnevno življenje.

2.1.4 Prodaja

Prodaja po pomembnosti ne zaostaja za marketingom. Je logično nadaljevanje procesa

marketinga, kjer prodajalec neguje in poglablja odnos s potencialnim kupcem, katerega

končni rezultat je nakup. Pogosto je označena kot proces, sestavljen iz 4P (Pricing,

Promotion, Placing and Product) [50]

• Produkcija (Production): vključuje proizvodnjo produkta. Stroški, povezani s

proizvodnjo, morajo biti čim nižji, vendar mora biti kvaliteta kljub temu zadostna.

• Cena (Pricing): je določitev cene produkta in izdelava primerne prodajne

strategije. Prodaja produkta bo prinesla dobiček samo v primeru, ko bo postavljena

cena pokrila stroške proizvodnje.

• Umestitev (Placing): zadeva lokacijsko umestitev produkta na tržišče ali krajše -

kje se bo prodajal.

• Promocija (Promotion): vključuje taktiko prodaje.

2.1.4.1 Analiza kupca

Ob vedno zahtevnejšem kupcu je potrebno vedno bolj poznati njegove potrebe, da mu

lahko prodaja ugodi. V digitalnem svetu to pomeni, da je treba zbiranje informacij in

gradnjo odnosa s kupcem začeti že dolgo pred samo prodajo. Ocenjevanje kupca skozi

oči prodajalca je zamenjala digitalna obdelava podatkov, kjer se preko statističnih vzorcev

izluščijo podatki, potrebni za realizacijo prodaje. Sploh na spletu je normalno, da do stika

prodajalca in kupca sploh ne pride, saj usmerjanje kupca izvaja popolnoma avtomatiziran

proces v sofisticiranih prodajnih orodjih.

17

Samo usmerjanje in profiliranje ter priprava personaliziranih vsebin se izvaja na podlagi

zbranih podatkov, ki prihajajo iz najrazličnejših prodajnih kanalov. Spremljanje vedno

novih dejavnikov pogosto zahteva razvoj novih metodologij, ki so osnovane na že

obstoječih preizkušenih metodologijah. Tak primer je na primer Q-R metodologija, ki

združuje Q metodologijo, ki ubira kvalitativni pristop, ter R metodologijo, ki uporablja

kvantitativni pristop.

Metodologija temelji na dveh korakih in sicer:

1. S Q metodologijo se obdelujejo socialne karakteristike posameznika - njegova

subjektivnost. Na subjektivnost posameznika vplivajo prepričanja, vrednote,

odnos, ocene in preference. Q metodologija izlušči tipične tipe uporabnikov na

podlagi posameznikovega življenjskega sloga, vzorcev uporabe, preferiranih

oglasov in aplikacij ter demografskih lastnosti.

2. V drugem koraku z R metodologijo - poskušamo dobljene podatke generalizirati in

verificirati. R metodologija prikazuje tipične distribucijske množice in korelacije

med pridobljenimi tipi.

Slika 2.5: Graf uporabe posameznih segmentov mobilne tehnologije za različne tipe uporabnikov.

[4]

18

Segmentacija strank Preferirani oglasi Ne-preferirani oglasi

I. Poslovni partner Navzkrižni medijski oglasi

Mobilni spletni oglasi

Oglasi socialnih omrežij

II Izurjen entuziast Oglasi v aplikacijah

QR in AR oglasi

LBS ali oglasi map


Streaming medijski oglasi

Oglasi v eKnjigah

Kuponski oglasi

III. Iskalec novih izkušenj Splošni oglasi

Streaming medijski oglasi

Oglasi v eKnjigah


LBS ali oglasi map

Oglasi v aplikacijah

IV. Tesen prijatelj Oglasi socialnih omrežij

Kuponski oglasi

LBS ali oglasi map

Navzkrižni medijski oglasi

QR in AR oglasi

Tabela 2.1: Distribucijski tipi uporabniki prikazujejo štiri različne tipe. [4]

Drug tak primer je usmerjanje na podlagi obnašanja. To je podprto s strani velikih

oglaševalcev in založnikov, ki si prizadevajo dvigniti efektivnost oglaševanja. Zbiranje

informacij na podlagi predhodno obiskanih strani vpliva na prikazane oglase.

Tehnologija zajema podatke o obiskani strani, času in trajanju obiska, obiskanih povezav

ter iskalnih nizov. Vse te informacije se povežejo z brskalnikom, največkrat kar preko

piškotka. Tako oblikovani profili se tvorijo na strežniku, kjer služijo oglaševalskim

namenom. Tako zbrane informacije obdelajo podatkovni centri in uporabniku dostavljajo

informacije, ki so si jih ogledali uporabniki s podobnimi profili.

Na podlagi zbranih informacij tako predstavljeni oglasi dvigujejo interes obiskovalca, saj

so dostavljeni v kontekstu uporabniškega profila in je zato verjetnost vpliva na obiskovalca

večja kot pri naključno prikazanih oglasih. Usmerjanje na podlagi obnašanja lahko deluje

samostojno ali v kontekstu dodatnih filtrov - na primer geografsko.

S pomočjo analize spletnega obiska identificiramo posamične kanale, kjer vsakega

posebej podrobneje analiziramo. Ti so lahko osnovani okrog tako imenovanih ‘Person’, ki

dajo spletnim operaterjem izhodišče za ponujanje vsebine.[37]

19

Takšni tipi oglaševanja so večinoma prisotni na večjih spletnih straneh in lahko pridobijo

precej dobro sliko o demografski množici, regionalnih potrebah in posamezniku, ki ga

spremljajo preko vseh povezanih kanalov.

Samodejno povezovanje uporabnikov podobnih karakteristik brez predhodne analize

spletne poti se imenuje kolaborativno filtriranje [36] in je v uporabi v mnogih komercialnih

sistemih.

2.1.4.2 Oblačne storitve za podporo prodaji in upravljanje odnosov s kupci

Storitve v oblaku so mnogim podjetjem omogočile globalno delovanje, ob čemer so se leta

morala reorganizirati in prilagoditi bolj dinamičnemu delu.

Orodja, kot je SalesForce.com, omogočajo podporo prodaji ter boljši kontakt in izboljšano

komunikacijo s stranko 24 ur na dan. Dinamični sistem omogoča, da se programska

oprema prilagaja potrebam posameznega podjetja, tako da lahko to prilagodi aplikacijo

svojemu specifičnemu delovanju in podatkovnemu modelu[19].

Force.com, kot se platforma SlaesForce.com imenuje, ponuja dodatne rešitve, razvite s

strani različnih ponudnikov, ki jih podjetja lahko enostavno dodajo v svoj sistem in s tem

razširijo svojo informacijsko infrastrukturo.

SalesForce.com je eden najpomembnejših poslovnih akterjev v oblaku, ni pa edini;

storitvam v oblaku se pridružujejo tudi drugi: na primer SAP, Oracle, Microsoft, Zoho ter

drugi, v oblaku pa najdemo vse od poslovnih rešitev do projektnega vodenja in pisarniških

aplikacij.

Tudi ponudba ERP sistemov v oblaku je vedno pogostejša, večinoma ponuja

modularnost, s čimer lahko uporabniki prilagodijo najete storitve svojim željam, a še vedno

med uporabniki vlada precejšnje nezaupanje do takšnih storitev. Prav tako imajo do teh

sistemov različne poglede kupci in dobavitelji [34].

20

2.1.5 Trendi

Podobno kot pri procesih trženja, se tudi pri prodaji vedno več procesov umika v oblak, saj

se zaradi vedno večje interakcije komunikacija z dobavitelji, kupci in zaposlenimi

povečuje. Veliko sistemov svojo funkcionalnost izpostavlja v obliki API knjižnic, s pomočjo

katerih se oddaljeni sistemi povezujejo z njimi in tvorijo različne B2B in B2C rešitve.

Prehajanje v oblak vzpodbuja večjo integracijo in avtomatizacijo procesov - tako

avtomatizacijo prodaje, delovne tokove, kot izmenjavo podatkov med različnimi sistemi

(spletne trgovine kataloge produktov dobaviteljev prevzemajo v XML obliki in dnevno

sinhronizirajo zalogo in cenike).

Na tipičnega spletnega uporabnika je močno vplival tudi razvoj mobilnih naprav, saj več

kot polovica vseh obiskovalcev spletnih strani prihaja že z mobilnih naprav, ki imajo

vgrajeno dodatno senzoriko, ki ponuja tudi lokacijske podatke. Sodobna prodaja in

marketing tako vztrajno preraščata okvire spletne prodaje in se preko novih tehnologij, kot

je obogatena resničnost, zlivata z realnim svetom, kjer posameznik dobiva popolnoma

personalizirane informacije glede na svojo lokacijo in preference.[52]

Področje, kjer je spletna prodaja povzročila precej sprememb, je prodaja knjig. Prehod na

splet je povzročil razvoj uporabniških skupnosti, komentiranja, ocenjevanja. Tehnologije

virtualne predstavitve izdelkov so tako v polnem razmahu, saj omogočajo dostavo bogatih

informacijskih vsebin uporabniku, kar je s klasično ali spletno prodajo nemogoče[68].

Klasična prodaja se zato zmanjšuje in vedno več je nakupov tudi virtualnih izdelkov preko

spleta.

2.2 Storitve v oblaku in virtualizacija, veliki podatki

Storitve v oblaku in virtualizacija, veliki podatki ter vedno zahtevnejše informacijske

potrebe so narekovale razvoj virtualiziranih okolij, ki omogočajo prožnejšo arhitekturo in

pokrivanje najrazličnejših informacijskih potreb. Razvoj oblaka je prinesel prerazporeditev

bremena enega samega računalnika na virtualizirano računalniško okolje. Veliki sistemi

se poslužujejo tudi geo-gruč, kjer je sistem distribuiran ter medsebojno sinhroniziran.

Seveda takšni sodobni pristopi povzročajo kar nekaj sprememb v načrtovanju omrežij,

strojnih rešitev in ne nazadnje tudi aplikacij. Vendar predstavlja prilagoditev rešitev na

21

oblak za podjetje dodano vrednost, saj se odpove vzdrževanju svoje lastne strežniške

infrastrukture, prav tako pa zniža stroške delovanja, saj plača le toliko, kot zares

potrebuje. Prav tako z delovanjem v oblaku pridobi možnost skaliranja sistema praktično v

realnem času.

Zbiranje najrazličnejših podatkov dandanes zahteva informacijsko prožnost, saj se v

podatkovne shrambe stekajo ogromne količine podatkov, ki služijo nadaljnjim analizam s

pomočjo podatkovnega rudarjenja. Le od tehnoloških omejitev je odvisno, koliko podrobno

lahko posameznika analiziramo, samodejna obdelava s pomočjo zahtevnih statističnih

modelov pa ponuja ekstrakcijo novih podatkovnih povezav in vzorcev. Klasične

podatkovne shrambe niso primerne za obdelavo takšnih količin podatkov, saj je podatkov

preprosto preveč in identifikacija korelacij zaradi prevelike količine podatkov sploh ni

možna[32].

2.2.1 Oblak

Informacijski oblak ponuja iluzijo o neomejenih računskih zmogljivostih, ki so na voljo na

zahtevo, kar eliminira potrebo po planiranju virov daleč vnaprej. Po drugi strani zmanjšuje

zavezanost uporabnikov na določeno rešitev, kar omogoča, da tudi majhna podjetja lahko

začnejo z majhnim sistemom in rastejo po potrebi ter izkoristijo implementirane procese,

katerih implementacija bi bila izključno za njihove potrebe predraga. Tak način je ugoden

za majhna podjetja, saj jim je omogočeno plačevanje računskih virov in storitev glede na

trenutne potrebe, s čimer zmanjšajo svoje začetne in obratovalne stroške. [12]

Rešitve v oblaku bolj kot tehnološki korak predstavljajo način obračunavanja računskih

storitev po modelu - proizvedi, razvij, prodaj, kupi in obračunaj[18].

Podjetja se poslužujejo različnih oblik oblakov - bolj tipična uporaba javnih oblakov je na

začetku verige vrednosti, medtem ko sta hibridni in privatni oblak bolj relevantna na koncu

verige vrednosti, ko tudi odnos s kupcem postane bolj oseben[18].

Nujno uporaba oblaka ne zmanjšuje tipičnih tipov stroškov, a ima kljub vsemu velik

potencial za zmanjševanje stroškov, saj zahteva re-inženiring produkcijske arhitekture, ki

vodi v vzpostavitev enotnega bazena virov, deljenih in modularnih storitev, skupne

upravljavske platforme, ki povečuje uporabo virov in povečuje efektivnost ponujanja novih

storitev strankam. [18]

22

Sodobne rešitve v oblaku so lahko modularne in omogočajo vtičnike, preko katerih lahko

podjetje dodatno optimizira vire in na ta način izboljša delovanje tako PaaS in IaaS nivojev

delovanja oblaka. Take rešitve delujejo kot nadzornik v oblaku in skrbijo, da se delo

enakomerno porazdeli med VM v oblaku. [29]

Ugodnejša ekonomija storitev v oblaku močno vpliva na razvrščanje, porabo energije in

virov v oblačnih infrastrukturah. Zato so ključnega pomena optimizacijski algoritmi, ki

skrbijo za delovanje infrastrukture in iščejo proste vire znotraj oblaka in na ta način

optimizirajo delovanje. Ena izmed takšnih rešitev je tudi predlagan EcoScheduler, ki

optimira delovanje oblaka z dinamičnim dvigovanjem in spuščanjem frekvence napetosti

ter zmanjševanjem uporabe virov, glede na razrede uporabnikov ter prioritetnega

dodeljevanja različnih območij virov[32].

Elastičnost rešitev v oblaku močno vpliva na čas izvajanja opravil, saj se procesi paketne

obdelave podatkov izvajajo v času manjše obremenjenosti oblaka. Na ta način se opravila

v oblaku postavljajo v čakalne vrste, kjer se razvrščajo po prioriteti.

Nivoje oblaka delimo na:

• IaaS: Infrastruktura kot storitev: Ponuja procesiranje, shranjevanje, omrežje in

druge osnovne računske vire uporabnikov v obliki storitve. Uporabniki uporabljajo

infrastrukturo za prosto nameščanje svojih programskih rešitev, operacijskih

sistemov, le-ta pa ima možnost dinamičnega skaliranja, glede na potrebe

posameznega uporabnika. [33]

• PaaS: Platforma kot storitev: Tak način ponuja visoko nivojsko okolje, katerega

uporabniki uporabljajo za izgradnjo, testiranje in nameščanje aplikacij, večinoma

za ceno programske opreme, ki mora podpirati možnost skaliranja. Najbolj

poznane PaaS platforme so Google App Engine, Force.com, Windows Azure, …

[33]

• SaaS: Programska oprema kot storitev: To je programski model, kjer aplikacije

v oblaku dosegamo preko enostavnega vmesnika, kot je na primer spletni

brskalnik. Uporabniki se ne zavedajo, da uporabljajo programske rešitve,

postavljene v oblak. Na ta način so tudi eliminirane potrebe po kakršnihkoli

lokalnih instalacijah. Ena izmed najbolj znanih rešitev, postavljenih v oblak, je

SalesForce.com, ki ponuja vrhunski sistem za upravljanje odnosov s strankami

preko storitev v oblaku. [33]

23

Slika 2.6: Nivoji oblačnih storitev [25]

Kljub svoji robustnosti, pa se tudi storitve v oblaku srečujejo s težavami. Med

najpogostejšimi so:

• dostopnost storitve: Storitve niso nujno vedno dostopne in kontrole nad tem pri

rešitvah v oblaku nimamo v svojih rokah.

• vezanost podatkov: Uporaba specifične rešitve v oblaku pomeni vezanost na

njen podatkovni model, kar otežuje migracijo in prilagajanje.

• zaupnost podatkov in kontrola: Oblačni sistemi so bolj ranljivi za napade, saj so

odprtega tipa. Veliko je odvisno od same rešitve, na kak način zagotavlja

varovanje podatkov in kdaj se enkripcija občutljivih podatkov dogaja.

• preozki podatkovni prenosi: Aplikacije so vedno bolj podatkovno intenzivne in

kmalu stroški prenosov podatkov lahko znatno narastejo, saj mnogi ponudniki

rešitev obračunavajo podatkovni promet.

• nepredvidljiva performančnost: Deljenje virov se ne konča le pri deljenju

procesorjev in spomina, pač pa tudi periferije in I/O kanalov, kjer lahko pride do

nepredvidljivih zastojev.

• skalabilna shramba podatkov: Nove oblike podatkovnih shramb bodo morale

ponuditi elastičnost obeh tipov shranjevanja podatkov - nestrukturirani blobi, kot

tudi tabelno strukturirane sheme.

• hrošči v distribuiranih sistemih velikih formatov: Veliko hroščev v programski

opremi velikih sistemov je takšnih, da se jih ne da reproducirat v okolju manjših

sistemov, zato mora biti razhroščevanje integrirano v oblačni sistem.

24

• hitra skalabilnost: Odvisno glede na provizijski sistem se mora znati sistem

prilagajati povečanim potrebam po računski moči in jo nato tudi ustrezno

zmanjšati, ko je obremenitev konec.

• delitev ugleda: Slaba izkušnja posameznega uporabnika lahko zmanjša ugled

celotnega oblaka.

• licenciranje programske opreme: Velik del današnjih programskih rešitev

omejuje število računalnikov, na katerih lahko teče določena programska

rešitev.[12]

2.2.1.1 Razvoj rešitev v oblaku

Deljenje virov v oblaku ima pozitiven naravovarstven in ekonomski aspekt, saj zmanjšuje

strošek energije, omrežnih povezav, operacij ter strojne in programske opreme.

Oblaki tako nudijo prednosti predvsem v:

• zniževanju operativnih stroškov strežniških sistemov,

• skalabilnosti in elastičnosti sistemov,

• razvoju okolju prijazne tehnologije, ki znižuje porabo energije,

• zmanjševanju odvisnosti od človeških faktorjev (administratorji, programerji, …).

Vendar je treba pri razvoju rešitev v oblaku imeti v mislih prilagoditev klasičnih aplikacij na

posebnosti rešitev v informacijskem oblaku. V hitro se spreminjajočem računalniškem

okolju oblačnih rešitev razvoj programskih rešitev pokriva tako heterogene platforme,

distribuirane spletne storitve, podjetja, ki so geografsko razpršena po vsem svetu.

Takšni problemi seveda zahtevajo tesno sodelovanje razvijalcev s ponudniki oblakov, saj

je spreminjanje zahtev največji faktor za povečevanje kompleksnosti programske rešitve,

povečanega finančnega plana in njegovega prebijanja[5].

Čim kasneje je napaka najdena, tem večji so stroški njene sanacije. Tudi kasnejše

dodajanje programerjev bistveno ne pripomore k hitrejšemu reševanju težav, saj je

povečana kompleksnost komunikacije in učenje novih virov dodatna obremenitev za

projekt.

25

Pogosto se za razvoj rešitev v oblaku uporabljajo agilne metodologije, saj prinašajo višjo

kvaliteto rešitev ob krajših iteracijskih ciklih. Ena izmed novejših predlaganih metodologij

za razvoj rešitev v oblaku je Adaptivni Oblačni Razvojni Sistem ali ACDM (Adaptive Cloud

Development Model)[5].

Rešitve v oblaku so večinoma razvite multi-uporabniško. Kot take zahtevajo ogromne

procesne zmogljivosti in podatkovne shrambe. Mnoge rešitve se poslužujejo dinamičnih

procesov, ki jih naslavljamo kar BPaaS in omogočajo razvoj in postavitev sistemov za

upravljanje s procesi v oblak. Tak princip omogoča delitev znanja o procesih med

uporabniki, s čimer se dvigne kvaliteta storitev[27].

Rešitve, ki izrabljajo funkcionalnost oblaka, so najrazličnejših tipov; med temi najdemo

tudi rešitve za ‘croudsourcing’, ki enostavno integrirajo socialne medije, preko katerih

uporabniki spremljajo napredek kampanje[62].

Globalne rešitve večinoma presegajo kapacitete enega strežnika in konvencionalnih

podatkovnih sistemov za odlaganje slik, videov, map, realno-časovnega omrežja,

finančnih transakcij in širokega spektra omrežnih senzorjev[7]. Pogosta je na primer

uporaba oblaka za shranjevanje GPS signalov mobilnih naprav, ki oddajajo signal v rednih

časovnih presledkih in kjer se zraven lokacije shranjuje tudi čas, podatki pa se kasneje

lahko uporabijo za izračun trajektorije[26].

Oblak je zelo primeren za vse vrste rešitev, ki zahtevajo veliko procesorsko moč ter

obdelavo velikih podatkovnih setov. Vse pogostejša je tudi uporaba inteligentnih

algoritmov, ki v raziskovalnih projektih iz slik izdelujejo 3d modele, razvijajo robotski vid,

umetno inteligenco, robotiko in senzoriko[7].

26

Slika 2.7: Darpa robotski izziv [7]

Razen poenostavljenega in spremenjenega procesa poslovanja, kjer so rešitve v oblaku

na voljo kot “plačaj-za-storitev”, končnim uporabnikom oblak prinese prihranke pri stroških

programskih nadgradenj, stroški, potrebni za nadgradnjo naprav, prav tako pa premik v

oblak, prinesejo višjo odzivnost in posledično višji obisk spletnih strani[21].

Tudi spletna prodaja izkorišča prednosti oblaka in jo delimo na dva dela - prvi je tehnična

arhitektura, ki jo sestavljata strojna in programska oprema, drugi nivo pa so poslovne

transakcije, ki slonijo na tehnični arhitekturi. Vplivom informacijskega oblaka na spletno

prodajo lahko sledimo preko tehnične arhitekture sistema skozi samo izgradnjo,

implementacijo ter vzdrževanje tehničnega nivoja[21].

S tehnologijo oblaka podjetjem ni treba že v začetku investirati v strojno in programsko

opremo, saj jo preprosto najamejo. Klasično je bilo treba najprej kupiti strojno in

programsko opremo, kar je povzročilo visoke začetne stroške, kar je predvsem v srednjih

in majhnih podjetjih predstavljalo problem. Celotna veriga dobaviteljev se s storitvami v

oblaku premakne na ponudnika oblaka. [21]

27

Slika 2.8: Klasična slika dobaviteljev IT storitev e-prodaje[21]

Slika 2.9: Prenos dobaviteljev IT storitev na ponudnika oblaka[21]

Tehnologija oblaka je vsaj do neke mere rešila efektivno izrabo virov. Raziskava je

pokazala, da povprečna izraba IT virov ne presega 10% [21].

S premikom infrastrukture v oblak so uporabniki neobhodno zaskrbljeni zaradi varovanja

podatkov in stabilnosti platforme. Če pride do vdora v sistem, lahko pride do pomembne

izgube poslovnih transakcij, kot tudi zaupanja končnih kupcev. Zato je pomembno, da

28

podjetja vložijo precej energije v izbiro ponudnika rešitev v oblaku, saj to lahko ključno

vpliva na njihovo dolgoročno poslovanje.

Seveda so izbire ponudnikov težavne, zato podjetja velikokrat naredijo kompleksne

analize, skozi katere poskušajo ugotoviti primernost ponudnika. Raziskava, ki so jo izvedli

na Taiwanu, je pokazala, da so faktorji za sprejetje CRM sistema v oblaku za turistični

sektor razdeljeni v štiri skupine[22]:

• finančne prednosti,

• marketinške prednosti,

• upravljavski faktorji,

• okoljski faktorji[22]

Storitve v oblaku postajajo zanimive tudi za vladne institucije, ki ravno s prehodom v oblak

virtualizirajo svoje podatkovne centre, kar jim omogoča neprimerno višji nivo procesiranja

informacij[62]. Tudi Slovenija je s projektom vzpostavitve računalniškega oblaka za javno

upravo naredila korak v tej smeri.

Še en primer uspešnih rešitev v oblaku je bibliometrika, ki meri vključenost posameznih

znanstvenih del. Razvoj spleta je pripeljal do ideje, da bi lahko, tako kot raziskovalne

dokumente, tudi na spletu preverjali znanstveno vsebino na enak način kot znanstvene

objave. Primerjave povezav med spletnimi stranmi so bile primerjane s citati člankov, s

čimer se je izmeril vpliv članka na spletu (Web impact factor (WIF)) [58].

2.2.1.2 Varnostne rešitve

Kot že omenjeno, imajo podatki za podjetje in posameznika veliko vrednost, zato selitev v

oblak predstavlja varnostno tveganje. Zasebnost in varnost podatkov je vroča tema

mnogih raziskav in eksperimentov. Preprečevanje uhajanja podatkov in zaščite

zasebnosti je ključna za mnoge organizacije, ki selijo svoje storitve v oblak.

Mnoge rešitve v oblaku so bile v preteklosti tarče napadov ali izpadov (Amazon Simple

Storage - 2009, Google Docs - 2009, VMWare - 2009, Micosoft Azure), bili so tudi primeri,

kjer je zaradi uhajanja podatkov podjetje propadlo (LinkUp) [39].

29

Ker je oblak načrtovan za mnogo-uporabniški način, je potrebno varnostne rešitve

prilagoditi takšnemu delovanju. Rešitve v oblaku uporabljajo večinoma tudi uporabniki z

večih držav, kjer so varnostni standardi različni in zato je implementacija uniformne

varnostne rešitve težka.

Podatke večinoma klasificiramo v različne varnostne razrede, za katere veljajo različne

varnostne zahteve. Varovanje podatkov se lahko zagotavlja s spoštovanjem varnostnega

nivoja ali na zahtevo[45].

Podatki se lahko nahajajo v različnih oblikah - številke, teksti, slike, strukturirane oblike,

nestrukturirane oblike, ...

Kot taki imajo različne lastnosti, kot so:

• točnost: Predstavlja pravilnost podatkov definirano s strani originalnega vira.

Podatki morajo biti zajeti le enkrat, v času aktivnosti.

• veljavnost: Podatki naj bi bili veljavni določeno periodo.

• relevantnost: Zajeti podatki naj bi bili uporabljeni v skladu z relevantnimi

zahtevami.

• popolnost: Podatki morajo biti kompletni za namen obdelave.

• dostopnost: Definira dostop do podatkov glede na čas in stroške.

• konsistentnost: Ukvarja se z uniformnostjo vsebine glede na spremembe in

transakcije, ki podatke uporabljajo [45].

Varnostna vprašanja v glavnem naslavljajo:

• zaupnost: Ukvarja se z avtentičnim in avtoriziranim dostopom do občutljivih

podatkov.

• integriteto: Zajema podatkovno vsebino, ki mora biti točna in konsistentna, da je

integriteta zagotovljena.

• dostopnost: Naslavlja celovito shranjevanje, tip shrambe, mere za ponovno

vzpostavitev in obnovo po nesreči. [45]

Klasifikacija podatkov je proces, skozi katerega definiramo različne podatkovne nivoje in

se odločamo glede občutljivosti podatkov. Predstavlja esencialno stopnjo pri kreiranju,

spreminjanju, shranjevanju in prenosu podatkov. Klasifikacija definira, do katere mere

30

morajo biti podatki zaščiteni in kateri varnostni ukrepi morajo biti spoštovani. S tem se

določi tudi vrednost podatkov, ki jo le-ti imajo za organizacijo. Klasifikacija je mnogokrat

povezana s stopnjo tveganja razkritja posameznih podatkov. Tako imamo v osnovi

naslednje stopnje - javno, interno, zaupno, omejeno, regulatorno in strogo zaupno. [45]

Zaupnost podatkov in varnostna tveganja so vedno pomemben vidik pri podatkih v oblaku.

Kljub strogim merilom so poskusi vdora in uhajanje podatkov iz oblačnih ekosistemov

pogosti[45]. Študije so pokazale, da so pri uporabi oblačnih storitev varnostni problemi bolj

kompleksni in da so le-ti odvisni od omrežne topologije, varnostnega formata podatkov in

izmenjevalnega protokola.

Prav tako se pojavlja vprašanje, kako ponudniki lahko varno identificirajo končnega

uporabnika, da vmes ne pride do prestrezanja osebnih podatkov. Uvedemo lahko DRM -

Digital Rights Management, kot je to potrebno pri nakupu spletnih knjig z mobilnih naprav.

Ker podatki, ki izkazujejo identiteto, med prenosom ne smejo biti kakorkoli spremenjeni,

so le-ti opremljeni z izračunanimi vsotami. Tudi avtentifikacija poteka v večih korakih,

uporabljajo pa se tudi varnostni žetoni, ki so časovno omejeni [41].

Pri CDS sistemih - sistemih za shranjevanje podatkov v oblaku, pomanjkanje

standardizacije narekuje, da podjetja prilagajo svoje rešitve, s čimer želijo zadostiti

varnostnim zahtevam svojih naročnikov. Študija, ki so jo izvedli na univerzi Putra v

Maleziji, predlaga uvedbo MAS - Multi agentnega sistema, kjer različni programski agenti

naslavljajo različne nivoje zaščite. Predlagani agenti so:

• Cloud Service Provider Agent (CSPA),

• Cloud Data Confidentiality Agent (CDConA),

• Cloud Data Correctness Agent (CDCorA),

• Cloud Data Availability Agent (CDAA),

• Cloud Data Integrity Agent (CDIA)[42].

Tudi za telekomunikacijska podjetja varnost predstavlja veliko vprašanje - saj so

mnogokrat tarča prevar, kjer uporabniki zlorabijo ranljivost sistema in pridobijo na primer

brezplačen klic. Zato so uporabljane metode, ki tekom izvajanja storitve v realnem času

analizirajo podatke in na podlagi delnih podatkov poskušajo ugotoviti, ali gre za prevaro.

Takšne metode so na primer: SOM (Self-Organizing Map - nevronske mreže za analizo in

vizualizacijo več-dimenzijskih podatkov), metode temelječe na verjetnosti, LQM -

Kvantizacija učečega vektorja [54].

31

Tudi podjetja počasi spreminjajo svoje poslovanje, in sicer iz silos načina v kolaborativen

način. Kljub dobrim željam pa ostaja kopica preprek, med njimi uporabniško profiliranje,

ravnovesje med odprtimi in zaprtimi konverzacijami ter seveda vzpostavitev zaupanja. S

pomočjo storitev v oblaku nastajajo sistemi, ki že v jedru omogočajo dokumentiran

kolaboracijski tok s točno določenimi vlogami. Na ta način lahko uporabniki platforme

podajajo svoje ideje, ki so na ta način dokumentirane, kasneje pa lahko vodijo v patente in

razvoj poslovnih priložnosti[70].

2.2.1.3 Performančnost

Prednosti informacijskega oblaka so predvsem v njegovi elastičnosti, saj je sistemu

mogoče vire dodeljevati glede na trenutne potrebe. Prav zaradi tega je ideja privlačna za

veliko podjetij, ki občasno potrebujejo višje procesne zmogljivosti. Tehnologija oblaka je

zrela in več kot polovica vseh Microsoftovih programerjev dela na produktih za oblak.

Razen tehnološke razlike pa oblak pomeni tudi spremembo miselnosti in dojemanja

podatkov ter procesiranja. Tako oblak postaja naslednja generacija informacijske

platforme[33].

Oblak združuje tehnologije paralelnega, distribuiranega in omrežnega procesiranja. Zato

morajo biti vključeni računalniki medsebojno povezani z povezavami visokih hitrosti.

Performančnost oblaka in kvaliteta storitev je zelo odvisna tudi od razumne delitve

sistemskih virov in porazdeljevanja bremena[16].

Delitveni proces bremena se splošno deli v tri faze:

1. Dostava virov in filtriranje: Posrednik podatkovnega centra odkriva vire, ki so

prisotni v omrežnem sistemu in zbira njihove statuse.

2. Izbira virov: Izbiranje ciljnih virov na podlagi posameznih parametrov opravila in

vira.

3. Dodeljevanje opravil: Dodeljevanje opravila posameznemu viru. [33]

Pravzaprav je strategija delitve virov ključna tehnologija oblaka, saj se le-ti združujejo in

gradijo virtualiziran super računalnik. Veliko raziskav se ukvarja z optimizacijo oblaka

tako, da naslavljajo delitev dela in problem dodeljevanja virov na po podlagi

optimizacijskih algoritmov, med katerimi so najpogostejši: algoritem kolonije mravelj,

32

genetski algoritmi in nevronske mreže. Učinkovitost oblaka se pogosto izraža v QoS

(Quality of Service) parametrih: [16]

• Širina omrežne povezave

• Čas izvajanja storitev

• Zanesljivost sistema

• Stroški[16]

Raziskava, ki je primerjala tri algoritme za dodeljevanje virov - Round Robin, Pre-Emptive

Priority in Najkrajši preostali čas najprej SRTF (Shortest Remaining Time First) je

pokazala, da se algoritem NPČN najbolje izkaže za dodeljevanje virov. V grobem lahko

algoritme za dodeljevanje in razvrščanje virov razdelimo v dve skupini - paketno

hevristični in realno-časovni algoritmi za razvrščanje. Pri paketnih algoritmih se opravila

zbirajo v sistemski vrsti, ki jo vsakega toliko časa optimizira algoritem za razvrščanje. Pri

realno-časovnih hevristično razvrščevalnih algoritmih pa se opravila razvrstijo tedaj, ko le-

ta prispejo v sistem. Realno-časovni algoritmi so veliko primernejši za okolje

informacijskega oblaka, saj se hitrosti posameznih procesorjev zelo hitro spreminjajo. Na

podlagi eksperimentalnih analiz se je pokazalo, da uporaba celotnega omrežnega

vozlišča za potrebe preračuna posameznega opravila pripelje do velikih izgub energije.

Zato je potrebna vpeljava samodejnega procesa, ki poišče primerno CPU frekvenco ter tip

pomnilnika ali diska. Ključnega pomena je, da se spremljajo performančni parametri

virtualnega stroja v realnem času, saj se tako lahko enostavno poišče tiste parametre, ki

presegajo prag. Posledično lahko hitro poiščemo naslednje čakajoče vozlišče po

algoritmu kolonije mravelj in predamo opravilo temu. S tem realiziramo adaptivno

dinamično dodeljevanje virov v oblaku in dosežemo optimalno porazdelitev bremena. [17]

2.2.2 Virtualizacija

Virtualizacija ima svoje začetke v letu 1960, ko je možnosti za delitev virov preiskoval IBM

in razvil M44/44X, prvi virtualnemu stroju podoben sistem, ki je dokazal, da virtualen

sistem ni nujno manj efektiven kot katerikoli drug pristop. [32]

Virtualizacija je bila priložnost za podjetja in posameznike, da so optimizirali porabo svojih

infrastrukturnih virov, hkrati pa poenostavili vodenje lastnega podatkovnega centra.

33

Slika 2.10: Razlika med klasičnim in virtualiziranim sistemom [23].

Danes je virtualizacija prisotna skoraj v vseh podjetjih, še posebej pa v podatkovnih

centrih, ki abstrahirajo fizično strojno opremo in jo svojim uporabnikom ponujajo v obliki

virtualnih instanc, katerih delovanje je med seboj popolnoma ločeno. Virtualizacija se je

globoko uveljavila predvsem zaradi številnih prednosti, ki so podjetjem na voljo - to se vidi

predvsem v zmožnosti dinamičnega prilagajanja svojih informacijskih potreb, kar pomeni,

da je mogoče infrastrukturo enostavneje vzdrževati brez izpadov delovanja.

Slika 2.11: Prikaz virtualizacije [23]

34

Sistemska virtualizacija omogoča tudi zajem celotne slike sistema, s čimer se lahko po

potrebi vrnemo na določeno točko in se izognemo prekinitvam zaradi neuspešne

nadgradnje oziroma sprememb v sistemu.

Globalno virtualizacijo lahko razdelimo na dva tipa:

• Sistemski virtualni stroji - To so celotne kopije operacijskega sistema, ki lahko

emulirajo delovanje obstoječe arhitekture - sem spadajo virtualne rešitve kot so

VMWare, XEN, VirtualBox, ...

• Procesni virtualni stroji - To so manj kompleksna in od platforme neodvisna

okolja, ki omogočajo izvajanje normalnih aplikacij znotraj gostiteljevega

operacijskega sistema. Sem spadata Java in .NET.

Zaradi svojih prednosti je virtualizacija sestavni del rešitev v oblaku, saj lahko vire

dinamično odklapljamo in priklapljamo, virtualizacijska oprema pa skrbi, da je stanje

sistema vedno usklajeno.

2.2.3 Veliki podatki in podatkovno rudarjenje

Vse večje količine podatkov narekujejo nove pristope k obvladovanju podatkov, saj zaradi

vedno večjih količin podatkov le-te presegajo dimenzije enega samega strežnika. Za

takšne tipe sistemov je najboljša uporaba informacijskega oblaka.

V današnji družbi je vprašanje zasebnosti postalo temeljni aspekt, ki ga moramo

upoštevati, ko želimo uporabiti, objaviti ali analizirati osebne podatke.

Na žalost pa je transformacija podatkov na način, ki bi obvarovala občutljive osebne

podatke, izjemno težka. S pomočjo analiz velikih podatkov se niti ne zavedamo globine

podatkovnih dimenzij, ki jih analize lahko razkrijejo, če osebni podatki niso ustrezno

anonimizirani.

Zgolj z de-identifikacijo je nemogoče doseči zaščito zasebnosti posameznika. Zato je

treba že v samem začetku razmišljati o zagotavljanju varnosti, kar lahko v veliki meri

dosežemo s “privacy-by-design” paradigmo, obenem pa ne izgubimo možnosti

poglobljene analitike nad podatki. [43]

35

Osebni podatki, pridobljeni skozi mobilne naprave, brezžična omrežja, generirajo sledi

našega gibanja, kar se steka v sisteme velikih podatkov, ki tako analizirajo človeške

aktivnosti. S pomočjo podatkovnega rudarjenja razkrivamo socialne fenomene in

dimenzije družbe. Analiza naših digitalnih sledi lahko kreira nove priložnosti za

razumevanje kompleksnih aspektov, kot je mobilno obnašanje, ekonomija in finančne

krize ter širitev epidemij. [43]

Slika 2.12: Shema procesa podatkovnega rudarjenja[35]

Zato se upravičeno pojavlja strah, da veliki podatki vsebujejo osebne podatke, kjer

priložnosti za odkritje skritega znanja povečuje tveganje za kršitev zasebnosti. Zbrani

podatki lahko razkrijejo veliko o posamezniku, a še večje tveganje predstavlja, če različne

podatke med seboj povežemo.

Kljub poskusom formalizacije metode, ki bi zadostno preprečevala upravljanje generičnih

osebnih podatkov, metoda, ki bi hkrati omogočala generične analitične rezultate, ne

obstaja.

To poskuša rešiti “privacy-by-design”, ki je bil sprejet v Evropi in Združenih državah

Amerike in je močno znižal zmožnost vladnega nadzora preko uporabe geo-lokacijskih

podatkov, pridobljenih preko mobilnih telefonov in GPS naprav.

Tehnike zagotavljanja zasebnosti so tesno povezane z naravo podatkov, ki jih želimo

zaščititi.

36

Proces anonimizacije ponavadi vodi v dve skrajnosti - v prvi zagotovimo visoko stopnjo

zasebnosti, a se zato podatki ne morejo uporabiti v analitične namene, ali pa zagotovimo

dobro kvaliteto podatkov, a obenem ogrozimo razkritje osebnih podatkov. Pri analizi

velikih podatkov in socialnega rudarjenja smo ponavadi osredotočeni na ekstrakcijo

skupinskega znanja, to pa ne sme vsebovati informacij, s katerimi lahko dosežemo

osebno identifikacijo.

Splošen postopek de-identifikacije je zamenjava identifikatorjev s kvazi-identifikatorji.

Rudarjenje podatkov, še posebej spletnih, se dandanes široko uporablja. Razdelimo ga

na tri dele:

• Rudarjenje spletne uporabe: pridobljeno iz logov spletnega strežnika -

analiziramo, kako je uporabnik prišel do neke vsebine;

• Rudarjenje spletne vsebine: pridobivanje vsebine s spleta - teksti, grafi, slike,

postopek se zgodi po razdelitvi spletnih strani v gruče;

• Rudarjenje spletne strukture: z uporabo teorije grafov analiziramo strukturo

strani in medsebojno povezanost strani[73].

Podatki, pridobljeni preko zgornjih analiz, pomagajo podjetjem reorganizirati vsebino na

način, da sisteme kar najbolje prilagodijo obiskovalcem.

Med najmočneje zastopanimi orodji za merjenje obiska strani je brezplačno orodje Google

Analytics, ki preko v spletno mesto integrirane asinhrone javascript kode pošilja na

Googlove strežnike informacije o obiskovalcih posamezne spletne strani.

Povezava z zalednimi informacijami v oblaku omogoča takšnim orodjem kreiranje popolne

uporabniške slike, vpogled v ključne besede, iskalne nize, jezikovne preference,

demografske in lokacijske podatke. S tem dobimo precej dobro sliko o strukturi

uporabnikov, kar lahko uporabimo v kasnejših marketinških akcijah.

Ker je Google Analytics najbolj uporabljana platforma za spletno analitiko, spremlja

posameznika na vseh straneh, kjer se le-ta giblje in na podlagi tega izredno dobro profilira

posameznika.

37

Slika 2.13.: Številne možnosti orodja Google Analitics

Tudi socialna omrežja kot Facebook, Tweeter in LinkedIn prodajajo oglasni prostor, preko

katerega glede na zbrane osebne podatke članov omrežja segmentirano ponujajo oglase,

pri čemer imajo večkrat višjo konverzijo kot Google, prav zaradi globine osebnih podatkov

na podlagi katerih oglaševalcem omogočajo dostop do zelo segmentiranega trga.

Prav tako kot Google Analytics tudi socialna omrežja ponujajo oglaševalcem sofisticirana

orodja, preko katerih lahko dosežejo točno centrirano ciljno skupino.

Frekventna uporaba socialnih omrežij je zelo zanimiva za oglaševalce, sploh ker

uporabniki puščajo v svoji digitalni sledi ogromno osebnih podatkov, kar lahko oglaševalci

uporabijo za boljše segmentiranje. Razen njihovih preferenc pa dobimo preko uporabe

socialnih medijev tudi vpogled v povezanosti uporabnikov. Velja, da si to, kogar poznaš.

Pametni algoritmi omogočajo izračun podobnosti preko atributov uporabnika. Raziskava,

ki so jo izvedli na univerzi Saarbrücken v Nemčiji, in je merila medsebojni vpliv

uporabnikov socialnih omrežij, je pokazala, da v kolikor obstaja med dvema

38

uporabnikoma vsaj 20% enakih atributov, je mogoče z 80% natančnostjo ugotoviti

preostale. [74]

Slika 2.14: Facebook Insights

39

2.3 Nosljive tehnologije, IoT

Vedno večja uporaba tehnologije v vsakodnevnem življenju je povzročila, da posamezniki

delijo velike količine osebnih informacij preko spleta. Vedno večja popularizacija pametnih

telefonov, padec stroškov senzorjev in storitev v oblaku so glavni temelji, ki bodo

narekovali širitev tehnologije na globalni ravni v prihodnjih letih. Populacija bo tako znaten

del časa in naporov namenila generiranju vedno večih osebnih podatkov.[66]

Ne samo v glavah uporabnikov, razcvet mobilne tehnologije je povzročil spremembo tudi v

miselnosti razvijalcev, ki naenkrat niso bili več omejeni zgolj na spletno zbiranje podatkov.

Precej suvereno je dandanes trditi, da mobilne naprave precej dobro prikazujejo lokacijo

posameznika. Obilica funkcionalnosti, kot so kamere, mikrofoni, GPS podatki pa

omogočajo, da ljudje lahko instantno delijo kakršnekoli informacije, kadarkoli in kjerkoli.

Mobilne naprave so večinoma opremljene z naprednimi vmesniki (kot je na primer

bluetooth), na katere lahko priklopimo dodatne naprave s senzorji, ki realno-časovno

sporočajo podatke v oddaljene sisteme (medicina, šport, ...). Tako obseg zbiranja

informacij zajema tudi pametne naprave, s pojavom interneta stvari (IoT) pa bo

omogočeno zbiranje informacij tudi iz pametnih naprav, zgradb, avtomobilov. Zbrani

podatki pa se bodo stekali v masivne računalniške oblake, kjer se jih bo obdelovalo za

različne potrebe.

2.3.1 IoT

Enostavno povedano je IoT paradigma, ki izkorišča senzorska omrežja in razširjenost

brezžičnega omrežja, s pomočjo katerega priklaplja v razširjeni internet najrazličnejše

naprave.

IoT omrežje sestavljajo objekti z RFID, infrardečimi senzorji, laserskimi čitalci, označbami,

mobilni telefoni in senzorji.

Uporabo take tehnologije so spoznali za primerno in uporabno za podporo procesom tudi

v logistiki[31], kjer posamezne palete opremijo z RFID in na podlagi kode naredijo

prevzem, usmerjanje in sledenje. Palete opremljene z GPS signalom preko RFID

40

sporočajo svojo lokacijo, podatki pa tečejo v CRM okolje, zato je kupec vedno na

tekočem, kje se nahaja njegovo blago[31].

Slika 2.15: Internet stvari, kjer so v omrežje priključene najbolj raznolike naprave z najrazličnejšimi

funkcijami [20].

Veliko obetajo tudi pametna mesta, ki bodo z uporabo IoT tehnologije omogočala

uporabnikom višjo kakovost bivanja. Ravno interakcija med uporabniki in IoT napravami

bo omogočala visoko vključenost digitalnih storitev v vsakdan uporabnika - kot na primer

obveščanje o ravni onesnaženosti zraka, meritve hrupa, prometne informacije, … Prav to

pa bo omogočalo višjo stopnjo zavedanja posameznika o okolici.

Naslavljanje teh izzivov vsiljuje standardizacijo in harmonizacijo mehanizmov, računskega

procesiranja in infrastrukture za shranjevanje podatkov ter mehanizmov za tehtanje

kontekstne relevantnosti podatkov za uporabnike[71].

2.3.2 Nosljive tehnologije

2.3.2.1 Mobilne naprave

Pametnim telefonom in tablicam so se v zadnjih letih pridružile tudi druge naprave, ki

omogočajo boljšo interakcijo človeka z digitalnim svetom. Razen velikih podjetij, kot so

41

Apple, Samsung in Google, nosljive tehnologije razvija tudi vojaška industrija, ki želi

sodobnega vojaka na bojišču opremiti z najnovejšo tehnologijo deljenja informacij.

Pojav pametnih ur, ki se ponašajo z bio-senzorji, predstavlja prednost v športnih panogah,

medicini, varnosti. Z najrazličnejšimi senzorji te naprave postajajo naša dodatna čutila in

spreminjajo dojemanje informacij.

K nosljivim tehnologijam spadajo tudi očala za obogateno in virtualno resničnost, pametne

leče, namen teh naprav pa je direktno prejemanje vizualne informacije v kontekst

fizičnega okolja.

Slika 2.16: Različne nosljive tehnologije, ki pokrivajo najširši spekter uporabe [13]

2.3.2.2 Senzorji

Informacije, ki jih dobivamo iz realnega okolja, zajemajo različne vrste senzorjev. Razvoj

senzorike je omogočil, da senzorji postajajo del najrazličnejših rešitev, veliko izmed teh

sposobnih realno-časovnega sporočanja podatkov.

42

Pametna integracija in prisotnost senzorjev lahko znatno spremeni naše življenje, saj se

podatki senzorjev, ki so vgrajeni v mobilne naprave, kot je na primer GPS, sporočajo v

oddaljene podatkovne centre. Prav tako so cenejši senzorji omogočili, da lahko dandanes

vsakdo s telefonom posname sliko ali video ter ga v realnem času deli s prijatelji.

Ker mobilne naprave omogočajo povezovanje nosljive tehnologije v splet, so v razvoju

tehnologije, ki bodo omogočile dodatna čutila ljudem, s čimer bodo njihovo zaznavanje

okolja pripeljala na novo raven. Multi-senzorična izkušnja vzpodbuja generiranje trajnejših

zaznav, s čimer se v možganih posameznika, izkustvena zaznava ohranja dalj časa.

2.3.2.3 Obogatena resničnost

Obogatena resničnost je z informacijami obogaten ali spremenjen pogled na realno

okolje, ki s pomočjo računalniško obdelane senzorike, kot je zvok, video, grafika ali GPS,

uporabniku ponuja stapljanje digitalne informacije z resničnostjo.

Uporabnik se tekom uporabe obogatene resničnosti v celoti zaveda okolja, virtualni objekti

pa so vkomponirani v realni svet. Na ta način tehnologija izboljša pogled na realnost. S

pomočjo obogatene resničnosti, ki ponuja računalniški vid ali razpoznavanje objektov,

okolica uporabnika postane interaktivna in digitalno manipulirana.

Obogateno resničnost pogosto povezujemo z mobilno tehnologijo, vendar je konceptualno

veliko širša.

43

Slika 2.17: Projekt ARAVET - delovanje elektronskih vrat predstavljeno s pomočjo AR aplikacije

[52]

Kot tehnologija obogatena resničnost kaže izreden vzpon in verjetno bo njen razvoj

omogočal celoten spekter rešitev, ki bodo integrirane v vsakdanje življenje.

2.4 Personalizacija in sledenje uporabniku

Personalizacija uporabnika pomeni, da vsebino, izgled, prilagodimo individualnim

lastnostim posameznika. Je precej zahtevnejša kot ciljno oglaševanje, kjer segmentiramo

oglaševanje po različnih skupinah strank. Cilj personalizacije je povečanje efektivnosti

oglaševanja, z namenom, da prava oseba dobi pravo sporočilo pravi čas v pravem

kontekstu [51].

Seveda pa je za dosego teh ciljev potrebno uporabnika dobro poznati, da mu na podlagi

zbranih podatkov lahko postrežemo s personalizirano, zanj prikrojeno vsebino. To

ponavadi pomeni, da je treba obnašanje uporabnika spremljati skozi njegovo navigacijsko

pot - ter poskušati z njim vzpostaviti interakcijo, s čimer postane aktiven in sklon k temu,

da deli informacije, ki omogočajo detajlno obdelavo njegovega profila. Žal so uporabniki

velikokrat nepripravljeni sodelovati, zato se spletni mediji poslužujejo veliko trikov, kjer

uporabnika prepričajo, da za majhno dodano vrednost deli svoje osebne informacije.

44

Spletno sledenje poteka med različnimi platformami in predstavlja nevidno, neavtorizirano

ekstrakcijo podatkov, njihovo shranjevanje ter kasnejšo analizo, prodajo, nakup in avkcijo.

Socialni veliki podatki in spletno sledenje so medsebojno povezani in brez velikanskih

podatkovnih shramb ne bi bili zanimivi. S prihodom IoT bodo te zahteve po velikosti

podatkovnih shramb še narasle - daleč v velikosti exabytov. Z IoT bo veliko naprav

pridobilo svoj IP naslov, s čimer se bo količina podatkov, ki se zbirajo, drastično povečala,

hkrati pa se bo povečala tudi izpostavljenost posameznika.

Vse bolj kompleksni algoritmi za ekstrakcijo osebnih podatkov, črpajo masovno te podatke

iz blogov, slik, tekstov, tweetov, elektronske pošte ter video vsebin. Zbrani podatki so v

nestrukturirani in strukturirani obliki, vsebujejo pa lahko tudi velike posameznikove

podrobnosti - kot so njegova občutja.

Socialni podatki so v veliki meri razdeljeni na dve korporaciji - Google in Facebook, zato ni

čudno, da se le-te zanimajo za razvoj tehnologije velikih podatkov.

Tako zbrani podatki se lahko obdelujejo za najrazličnejše namene - med njimi so tudi

podjetja, ki na podlagi uporabnikovih nakupnih navad in osebnih finančnih podatkov za

banke izdelujejo kreditno oceno posameznika. Ta podjetja so izjemno profitabilna, saj so

precizne informacije o posameznikovi vrednosti izjemnega pomena za zmanjševanje

tveganja [40].

2.4.1 Personalizacija in prediktivna analitika

Leta 2013 je IBM objavil, da je bilo v dveh preteklih letih zbranih več podatkov, kot prej v

celotni človeški zgodovini. Rast količine in različnosti podatkov je privedla do podatkovnih

setov, ki so večji, kot jih lahko upravljamo s klasičnimi podatkovnimi orodji.

Da bi lahko upravljali s temi podatki, za katere mnogokrat niti ne znamo oceniti njihove

vrednosti, saj ne poznamo vseh relacij med podatki, so se razvile nove metode

podatkovne znanosti in nove uporabe načinov v prediktivni analitiki. [44]

V splošnem velja, da so podatki gonilnik boljšega odločanja in povečane profitabilnosti.

Tako so odločitve v mnogih podjetjih v zgornji tretjini svojega sektorja večinoma osnovane

na podatkih, podjetja pa so tudi bolj produktivna in profitabilna. [44]

45

Prediktivna analitika je podmnožica podatkovne znanosti. Nujno mora biti povezana z

domenskim znanjem, saj se le tako lahko izognemo lažnim pozitivom, ki se pojavijo, ko

odkrijemo relacije med spremenljivkami, ko le-te sploh ne obstajajo.

Z uporabo prediktivne analitike, ki spremlja spremenljivke, lahko na podlagi obstoječih

vzorcev določimo možne rešitve. To je še posebej uporabno za personalizacijo in seveda

personalizacijo prodaje, kjer moramo ugotoviti, kaj kupca zanima in na kak način

razmišlja.

Prav tako so metode personalizacije pomembne pri dostavi informacij v iskalnikih, kjer s

pomočjo zgodovine uporabnikove interakcije poskušamo le-temu dostaviti primerno

vsebino. Tak primer je uteževanje rezultatov z UIH - Hierarhijo uporabniškega interesa, ki

znatno izboljša dostavo relevantne vsebine na podlagi shranjenih spletnih strani. [63]

Podobno lahko dosežemo z uporabo ontologije ključnih besed, kjer identificiramo

uporabnikove iskalne preference, prav tako pa lahko identificiramo negativne preference.

Personalizirani iskalniki enostavno povedano merijo uporabnikovo pozornost glede na

predlagano vsebino[55]. Raziskava, izvedena v InFortis Laboratoriju, Škotska, je

pokazala, da se je število klikov v personaliziranem iskalniku, kjer so uporabniki hitreje

prišli do personaliziranih informacij, zmanjšalo za 16,1 % [77].

Glede na porast naprav, preko katerih posameznik dnevno komunicira in vstopa v

interakcijo z globalnim spletom, se število opazovanih spremenljivk venomer povečuje.

Zato je nujna sistemska obdelava podatkov, s pomočjo katere lahko uporabniku

enoznačno sledimo preko celotne njegove izkušnje s ciljem, da mu dostavimo

personalizirano vsebino in obliko. Vendar zbiranje podatkov ni namenjeno le opazovanju

posameznika, temveč tudi ekstrakciji populacijskih vzorcev, socialnih skupin in

povezanosti.

46

2.4.2 Spoštovanje zasebnosti

Sodobni spletni uporabnik se še kako zaveda, da mu mora biti zagotovljena zasebnost.

Eden izmed zakonov, ki bi naj dvigoval zavest uporabnika, da spletni mediji zbirajo

določene informacije, je tako imenovan Zakon o piškotkih, ki je bil sprejet na nivoju

Evropske unije, in po katerem morajo imeti vsa spletna mesta jasno prikazano opozorilo o

uporabljenih piškotkih. Na zahtevo pa mora uporabnik imeti tudi možnost podrobnega

vpogleda v zbrane informacije, ki se odvijajo na posameznem spletnem mestu.

Z zbiranjem informacij so imela veliko težav tudi velika spletna podjetja, kot je na primer

Google in Facebook, saj je sprememba zakonodaje omogočila, da uporabnik zaprosi pri

posameznem podjetju za vpogled v zbrane informacije, prav tako pa lahko zahteva tudi

svoj popoln izbris.

Zbiranje osebnih podatkov je precej občutljiva zadeva, saj lahko hitro posežemo v osebno

sfero posameznika. Pri obdelavi velikih količin podatkov je potrebno te podatke

anonimizirati, s čimer se prepreči kakršnakoli identifikacija posameznika, kljub vsemu pa

zbrani podatki še vedno omogočajo podatkovno rudarjenje, profiliranje in takšne ali

drugačne modele.

2.4.3 Identifikacija uporabnika

Uporabnik se v veliki meri niti ne zaveda, katere njegove informacije so na voljo

spletnemu strežniku, ko uporabnik odpre posamezno spletno stran. S pomočjo pravilne

identifikacije uporabnika le-temu lahko ponudimo personalizirane informacije, kot so

nedokončane spletne košarice (uporabnika ob ponovnem obisku spletnega mesta že

čakajo v košarici artikli, ki si jih je ogledoval ob prejšnjem obisku), lahko pa se naloži tudi

njegov profil z zgodovino brskanja in interakcij. Že bežna analiza pokaže, da sodobna

spletna mesta na uporabnikovem računalniku pustijo veliko digitalnih sledi, na podlagi

katerih lahko uporabnika spletni sistem identificira.

Največkrat so to piškotki - drobne tekstovne datoteke, v katere zapisujemo informacije, ki

služijo identifikaciji. V njih večinoma ne najdemo osebnih podatkov, saj se le-te vodi na

strežniku, piškotek pa vsebuje le identifikator, na podlagi katerega lahko te podatke

47

naložimo. Sledenje s pomočjo piškotkov pa postaja preteklost, saj predvsem na mobilnih

napravah, spletni brskalniki in aplikacije ne delijo piškotkov.

Sodobne oblike identifikacije uporabnika, ob klasični prijavi uporabnika, zajemajo

predvsem SSO - Single Sign On tehnolgije, ki jih uporabljajo socialna omrežja, Google in

Apple [49]

Pojav tako imenovanih “superpiškotkov”, “zombiepiškotkov”, “überpiškotkov” ali

“everpiškotkov” pojem sledenja uporabnikov pelje še veliko dalje. Zaobiti takšne piškotke

je praktično nemogoče, glede na to, da večina spletnih vsebin vključuje video, flash ali

Silverlight tehnologije. Takšni piškotki uporabljajo različne mehanizme shranjevanja

podatkov in kreirajo unikatne medmrežne identitete. Podatke shranjujejo v imenike, ki niso

pod nadzorom spletnih iskalnikov, so neodvisni od programske opreme in ne morejo biti

izbrisani.[40]

Sodobni brskalniki ponujajo možnost anonimnega brskanja, kljub vsemu pa obstajajo

tehnike, s pomočjo katerih lahko izvajamo identifikacijo ne glede na privoljenje

uporabnika. Ena izmed takih tehnik je “Canvas fingerprinting”, ki izrablja HTML5

tehnologijo in kreira majhen canvas element, v katerem izriše unikatni odtis, ki ga

konvertira v varnostni žeton, le-tega pa lahko sledi preko različnih portalov. [46]

2.4.4 Profiliranje uporabnika

Količina informacij, ki so na voljo na spletu, se povečuje eksponentno. Prav tako količina

informacij, ki so namenjene posamezniku, zlahka le-tega preobremeni. Mnoga podjetja

zato raziskujejo uporabo personaliziranih aplikacij, katerih namen je prilagajanje vsebine

za končnega uporabnika. Velika spletna mesta se poslužujejo tehnik profiliranja, na

podlagi katerih uporabnike razdelijo na posamezne tipe uporabnikov, podatkovnih instanc

modela uporabnika, katerega aplicirajo v adaptivnem interaktivnem sistemu.

Isti uporabniki imajo velikokrat različne profile - na primer v službi večinoma dostopamo

do drugačnih informacij, kot to počnemo doma, zato lahko ima posameznik tudi več

profilov[59].

48

Posamezne tipe povezujejo skupne lastnosti, kot so na primer demografske informacije, ki

dvigujejo verjetnost, da posameznik s temi lastnostmi potrebuje podobne stvari kot drugi

takšni uporabniki.

Do podatkov, potrebnih za izgradnjo uporabniškega profila, se lahko dokopljemo:

• eksplicitno: uporabnik sam poda svoje želje, ta način dodatno obremeni

uporabnika, zato se uporabnik lahko odloči, da ne bo sodeloval;

• implicitno: skozi programske agente, ki spremljajo uporabniško aktivnost[48].

Tipično profili vsebujejo interesne teme, vendar lahko vsebujejo tudi druge tipe informacij.

So lahko statični ali dinamični, ki se s časom spreminjajo in prilagajajo uporabnikovim

preferencam. Profili lahko preference tudi utežijo, saj so lahko določene teme, shranjene v

profilu, bolj pomembne od drugih, ki ob neuporabi izginejo iz profila[48].

Tehnika, ki služi profiliranju, se imenuje “collaboration filtering”, kjer sistem skozi

obnašanje uporabnika ocenjuje, v katero skupino uporabnik spada. Analiza je pokazala,

da spletna mesta že po treh klikih lahko z visoko verjetnostjo profilirajo uporabnika, s

čimer mu lahko ponudijo vsebino, ki je značilna za posamezni profil[75].

Zelo pogoste so aplikacije v obliki različnih razširitev za brskalnike, ki so namenjene

opazovanju uporabnikovega obnašanja. V mnogih primerih je to invazivna programska

oprema, ki zahteva namestitev na končni računalnik.

Prav tako pa se lahko poslužimo zgodovine brskalnika. Vsak izmed brskalnikov shranjuje

zgodovino v svoj lasten format. Internet Explorer na primer shranjuje zgodovino unikatnih

url naslovov v posebno index.dat datoteko, medtem ko Firefox in Chrome uporabljata

SQLite, od koder je mogoče podatke parsati in jih uporabiti za analizo spletnega

obnašanja. Ti podatki so sestavljeni iz zgodovine brskanja, priljubljenih strani, piškotkov in

avtosugestije[76].

Drugi način, ki se ga poslužujejo velika podjetja kot sta Google in Facebook, oblikuje

dinamični profil glede na iskalne pojme posameznika.

Poglejmo še nekaj tehnik za profiliranje uporabnika:

49

• Profili iz uteženih ključnih besed: Takšen uporabniški profil je zbirka ključnih

besed, ki so ustrezno utežene. Vsaka ključna beseda lahko predstavlja interesno

temo. Glede na vsebino profila, se le-ta primerja z utežmi dokumenta in

uporabniku so dostavljeni le dokumenti, katerih uteži dosegajo vrednosti profila.

Ključne besede sistem lahko izvleče iz vsebine spravljenih strani (bookmarks),

• Profili, sestavljeni iz semantičnih omrežij: Takšni profili so sestavljeni iz večih

vozlišč, kjer vsako uteženo vozlišče predstavlja koncept, sestavljen iz parov

atributov in vrednosti. Vozlišča so lahko povezana ali pa tudi ne.

Slika 2.18: Profil, sestavljen iz semantičnih omrežij

• Konceptni profili: Ti so podobni profilom, sestavljenim iz ključnih besed, s to

razliko, da namesto ključnih besed vozlišča predstavljajo abstraktne teme, ki so

predstavljene kot uteženi vektorji. Vozlišča so med seboj lahko povezana tudi v

hierarhične strukture, kjer se vrednoti posamezna veja[48].

Tehniko izgradnje profila večinoma sestavljajo trije nivoji. V prvem nivoju se lotevamo

posameznih tem, ki jih razvrstimo v hierarhično strukturo, s čimer dosežemo, da

prehajamo od specifičnih tem k vedno bolj splošnim. V drugem konceptualnem nivoju, ki

tvori naslednji nivo ontologije, sestavljamo koncepte, ki so lahko povezani z večimi

50

temami. Koncepti so v domeni povezani v di-grafih. Povezani so, če med dvema

konceptoma obstaja rob. Zadnji nivo je nivo ključnih besed, kjer so koncepti povezani s

posameznimi ključnimi besedami preko tako-imenovanega indeksa specifičnosti.

Asociacije ključnih besed s koncepti imajo prednosti - različne ključne besede imajo enak

pomen, a so povezane v skupni koncept, s čimer odstranimo sinonimske nejasnosti

ključnih besed [61].

2.4.5 Socialna omrežja

Pojava socialnih omrežij je močno vplivala na spletno dejavnost ljudi. Socialni mediji v

veliki meri zbirajo osebne informacije, saj uporabnik na njih gradi svoj kontekst, ki zajema

njegovo socialno sfero, preference, želje, dejavnosti in po novem tudi čustva. To pa so

izjemno pomembni kriteriji, na podlagi katerih lahko pridobimo detajlni vpogled v

posameznika, kar pa se lahko uporabi v različne namene. Zato je še kako pomembno, da

se ljudje zavedamo, da se s svojo dejavnostjo na spletu odpovedujemo delu svoje

zasebnosti.

Razmah socialnih omrežij pa je dal povod za razvoj zanimivih spletnih tehnik, kjer se na

podlagi javascript tehnologije socialna omrežja integrirajo v same spletne strani. Razvoj

specializiranih vtičnikov omogoča, da spletne strani prikazujejo informacije s socialnih

omrežij - kot na primer, komu drugemu še je specifična stran všeč, zadnji posti,

komentarji, socialna omrežja pa ponujajo tudi prijavo z računom spletnega mesta, kar

omogoča uporabniku lažji dostop do nejavnih vsebin.

Seveda pa socialna omrežja to tudi spremljajo in izkoriščajo za sledenje aktivnostim

uporabnika na spletu. Zelo značilen vzorec je, da si ob prijavi v socialno omrežje, le-to

zapomni uporabnika, kar pomeni, da na uporabnikovem računalniku kreira piškotek, na

podlagi katerega vrši identifikacijo.

Z na spletna mesta integriranimi vtičniki pa informacije v piškotkih uporabljajo za

identifikacijo uporabnika in gradnjo njegovega osebnega konteksta, v katerega spada

zanimanje za vsebino na zunanjem spletnem mestu.

Informacije, zbrane na ta način, pa imajo dejansko veliko vrednost za oglaševalce, policijo

in ne nazadnje za bodoče zaposlovalce.

51

Tega se socialna podjetja pošteno zavedajo, zato tako zbrane informacije služijo kot

osnova za oglaševalske kampanje, kjer ciljne uporabnike oglaševalec izbere na podlagi

željenih uporabniških kriterijev.

S tem oglaševalci lahko dosežejo zelo ozke ciljne skupine, kar povečuje stopnjo prodaje

oziroma konverzije obiskovalcev v kupce.

Uporabniški modeli zaradi diverzitete informacij v socialnih omrežjih dosegajo veliko

kompleksnost, kjer so klasične oblike shranjevanja podatkov v relacijskih bazah manj

primerne. Tako se je zaradi obilice povezav pojavil nov tip podatkovnih baz, ki so v osnovi

multi-dimenzionalni grafi z uteženimi povezavami med posameznimi točkami.

Socialna omrežja služijo kot izvrsten vir podatkov, saj uporabniki po naravi vnesejo veliko

osebnih informacij. Tako omrežje je na primer LinkedIn, ki je v 2014 razpolagal z 300

milijoni poslovnih uporabniških profilov. Raziskava španske Univerze Vigo je pokazala, da

so lahko z enostavnim spletnim pajkom pridobili skoraj 5 milijonov profilov, med katerimi

so lahko z analizo posameznih atributov, kot je na primer izobrazba, uspešno klasificirali

uporabnike v različne skupine[67].

Prav zaradi zlorabe socialnih omrežij za podatkovno rudarjenje o uporabnikih so se

pojavila distribuirana socialna omrežja, kjer so uporabniške informacije izvzete iz sistema

in shranjene v ločen, kodiran repozitorij, do katerega lahko povezani uporabniki dostopajo

le na podlagi pravil, ki definirajo odnos med uporabniki [72].

52

2.4.6 Formulacije strategij in modelne tehnike

Preko različnih sistemov zbrani podatki so za podjetje izredno zanimivi, saj mu lahko

pomagajo bolje razumeti kupca in njegove navade. Zaradi velike količine podatkov, se

poslužujejo oblačnih sistemov, kamor se stekajo velike količine podatkov, zbranih preko

najrazličnejših virov.

Seveda obdelava pomeni mukotrpno delo, saj je potrebno iz zbranih podatkov izvleči

neznane relacije ter modele. Za take namene je bil predlagan sistem, ki služi

samodejnemu analiziranju zbranih podatkov strank in asociativnemu podatkovnemu

rudarjenju s pomočjo nevronskih mrež. Na ta način je mogoče raziskati obnašanje strank

in pripraviti natančnejšo napoved povpraševanja [6]. Rezultati lahko služijo tudi

načrtovanju marketinških strategij, študijam nakupnih navad in kupne moči vsakega

posameznega kupca.

Strategije se lahko oblikujejo na podlagi štirih ključnih atributov - cene, kraja, promocije in

produkta. Na podlagi posameznih kazalcev pa podjetja lahko pripravijo napovedi za vsak

posamezen produkt, povpraševaje strank in predvideno zalogo podjetja, s čimer se za

podjetje močno zmanjša tveganje [6].

Takšni koncepti so vse pogostejši v vseh vejah industrije, močneje pa so zastopani v bolj

dinamičnih področjih. Tak je na primer telekomunikacijski sektor, kjer se z razvojem

brezžičnega omrežja in mobilne tehnologije ter mobilnega oglaševanja dnevno kreirajo

nove prodajne priložnosti tako za mobilne naprave kot s tem povezane storitve[47]. Ker je

mobilno oglaševanje že leta 2009 generiralo več kot 3 milijarde prometa[47], je bilo

označeno s strani večih raziskovalnih podjetij kot področje z enim največjih deležev v

mobilni prodaji. Predvidoma pa bo mobilno oglaševanje vedno zanimivejše, predvsem

zaradi svojega lokacijsko občutljivega ciljanja in časovno kritičnih možnosti uporabe

mobilne prodaje.

Seveda pa mobilno oglaševanje lahko hitro povzroči, da je uporabnik prenasičen z

oglasnimi sporočili. Zato je modeliranje uporabnika izredno pomembno, saj je le tako

mogoče uporabniku dostaviti relevantne in količinsko omejene informacije. Zato pa je

potrebno celovito profiliranje uporabnika, kar lahko dosežemo z uporabo Bayesovih mrež,

ki predstavljajo verjetnostne predstavitve negotovih relacij in so uspešno uporabljene v

realnih primerih diagnostike bolezni, diagnostike težav s tiskalnikom in tele-marketingu.

53

[47] Uporabniški model je eksplicitna predstavitev lastnosti posameznega uporabnika, ki

omogoča aplikaciji, da prilagodi različne aspekte svojega delovanja za potrebe

posameznika. Ker se Bayesova mreža iteracijsko uči iz obstoječih primerov, je statistično

gledano vedno natančnejša.

Vse marketinške tehnike slonijo na znanju o kupcu - njegovem profilu (spol, starost,

dohodek, nivo izobrazbe, ...), zgodovini, potrebah, še dodatno pa pomagajo kontekstne

informacije, kot so povratne informacije kupca, njegova lokacija in situacije, v katerih se

kupec trenutno nahaja. Dodatno lahko oglasne aktivnosti temeljijo na času in vključujejo

tudi časovno odvisne dogodke - kot so lokalni dogodki.

Temelj personaliziranih storitev je tako zavedanje konteksta ( primer konteksta - Slika )

[47]

Slika 2.19: Spodnji primer prikazuje dimenzije personalizacije za izbiro restavracije [47]

Zbrane uporabniške podatke pa je potrebno tudi osmisliti - kjer se ena izmed možnosti za

analizo lahko uporabi metoda PLS (Partial Least Squares - metoda najmanjših kvadratov),

s čimer se lahko kontekst poveže z opaznejšimi faktorji (zabavnost, kredibilnost, draženje

in informativnost), ki vplivajo na odnos kupca do vsebine.

54

Analiza z PLS je prikazana na spodnjem grafu, vključno z utežmi posamezne veje..

Slika 2.20: S PLS analizo dobljen graf, ki ponazarja odnos kupca do oglasnih vsebin na podlagi

ključnih faktorjev, na podlagi katerih kupec ocenjuje relevantnost vsebine.

Avtomatizirane storitve, preko katerih se vrši personalizacija kupca in na podlagi tega

vršena dostava informacij, tako predstavljajo vedno pomembnejši del oglaševanja, pa naj

bo to mobilno oglaševanje, spletno ali klasično. Boljše analize pomenijo tudi večjo dodano

vrednost na vložena sredstva, k čemur temelji praktično vsaka organizacija.

2.5 Komparativne študije

Komparativne študije med tradicionalnim marketingom in spletnim marketingom,

osnovanem na oblačni tehnologiji, so pokazale, da je tradicionalni marketing v začetku

igral pomembno vlogo v razvoju e-poslovanja, a da zaradi konstantnega izboljševanja

življenjskega standarda, tradicionalne oblike marketinga več ne dohajajo zahtev trga. [9]

55

Na to so med drugim vplivali:

• razvoj informacijske tehnologije,

• sprememba kupčevih vrednot,

• rast kompetenčnosti trga.

Ker je samo leta 2011 na Kitajskem uporaba oblačnih storitev narasla za 804% [9], se

predvideva, da bo v prihodnjih letih večina podjetij popolnoma asimilirala storitve v oblaku,

kar bo povzročilo razvoj velikega števila novih aplikacij in storitev.

Prednosti uporabe oblaka na področju marketinga so za podjetje predvsem v nižjih

obratovalnih stroških, saj lahko z uporabo oblačnih sistemov prihranijo na oglaševanju,

promociji, marketinških stroških za podjetje, človeških virih, ki so povezani z marketingom,

saj so takšne rešitve popolnoma avtomatizirane in ko se jih enkrat uporabnik navadi,

relativno enostavne za uporabo.

Z uporabo principov distribuiranega procesiranja lahko podjetja ponujajo precizne

personalizirane storitve za vsakega posameznega kupca, kar pozitivno vpliva na njihove

nakupne navade ter pokrivanje njihovih zahtev.[9]

2.6 Trendi

Čeprav je kar nekaj iniciativ, ki si prizadevajo za ohranitev zasebnosti, se le-ta vedno bolj

zgublja. Že zaradi velikega števila naprav - od računalnikov, do mobilnih in nosljivih

naprav je praktično nemogoče imeti pregled nad vsemi informacijami. Nakupi preko spleta

se povečujejo, tudi virtualnih dobrin, za nekaj ugodnosti pa se je večina uporabnikov tudi

pripravljena odpovedati zasebnosti.

56

Slika 2.21: Digitalno potrošništvo[69]

Razvoj strojne opreme pa vedno bolj potiska digitalni svet izven klasičnih zaslonov

računalnikov in z razvojem nosljive tehnologije nas bo verjetno digitalni svet spremljal

skozi tehnologije navidezne in obogatene resničnosti, informacij na mobilnih in nosljivih

napravah. S pojavom IoT, digitalni svet vstopa v vse segmente posameznikovega življenja

in ogromni sistemi storitev v oblaku bodo še v večji meri imeli vpogled v posameznikove

potrebe.

Trendi, ki bodo oblikovali prihodnost so:

Veliki podatki

Slika 2.22: Trg velikih podatkov[69]

57

Socialni mediji

Slika 2.23: Porast socilanih medijev[69]

Mobilno:

Slika 2.24: Razvoj socialnih omrežij[69]

58

Vključene naprave:

Slika 2.25: Trg vključenih naprav[69]

Obogatena resničnost:

Slika 2.26: Trg aplikacij obogatene resničnosti[69]

59

3 TEHNIČNI EKSPERIMENTALNI EKOSISTEM

Eksperimentalni tehnični sistem povezuje informacije z najrazličnejših virov za potrebe

analize vpliva televizijskega oglaševanja na gledalca. Cilj vzpostavitve sistema je povezati

informacije o gledanosti z dejanskimi akcijami posameznika na spletu.

Velike količine podatkov, ki ob tem nastajajo in se shranjujejo v oblak, so osnova za

statistično obdelavo, preko katere luščimo vzorce, ki nam potrjujejo hipotezo, da

televizijski oglasi vplivajo na povečan obisk in konverzijo preko spletnih medijev.

3.1 Meritve oglaševalskih kanalov

Vlaganja v oglaševanje predstavljajo velik strošek in večina podjetij želi pridobiti tudi

podrobno analizo vloženih sredstev, večinoma za vsak oglaševalski kanal posebej.

Medtem ko je spletna analitika precej dobro razvita in lahko o končnem uporabniku

izvemo praktično vse, je to popolnoma nemogoče pri televiziji, saj identitete posameznika

ne moremo enoznačno ugotoviti.

Kljub vsemu pa je mogoče pridobiti fragmente informacij, ki nam z združevanjem

podatkov različnih kanalov omogočajo izdelavo merilnih metrik, na podlagi katerih lahko

uporabimo statistične metode, da izluščimo modele, preko katerih lahko profiliramo

končnega uporabnika in s pomočjo katerih lahko potrdimo hipotezo, da je uporabniku

mogoče slediti tudi preko medijev, kot je televizija.

V nekaj letih bo tudi televizija kot medij, ki ga je precej težko personalizirati, doživela

velike spremembe. Predlaganje TV vsebine je zahtevno opravilo, saj mora sistem

upoštevati individualne preference posameznika brez prevelike specifike. Nove generacije

televizijskih naprav bodo to reševale z integriranimi spletnimi vmesniki in omogočale

uporabniško označevanje vsebine z zaznamki, s čimer bo mogoče upoštevati uporabniške

preference. To bo omogočilo semantično rangiranje programov, ki bodo ustrezali

specifičnim upornikovim željam. Drugi način bo zajemal kolaborativne aspekte in bo na ta

način raje promoviral priporočila skupnosti kot vsakega posameznika[65].

60

3.2 Tehnologija

Narava sistema je zahtevala elastičnost samega sistema, zato smo rešitev postavili v

informacijski oblak. Vanj so se stekale informacije iz različnih podatkovnih virov med

katere štejemo:

• podatki iz omrežnih usmernikov,

• zaledni sistemi podjetja

o EPG - Elektronski programski vodič,

o baza gledanosti televizijskih programov,

o baza dinamičnih ip naslovov v posameznem terminu,

o baza z natančnimi podatki o časovnih terminih oddaj in reklam.

Za osnovo je bila izbrana Ubuntu linux platforma, v katere okolje so se postavile

informacijske rešitve; v te so se stekale informacije, ki smo jih za potrebe naloge med

seboj povezali in analizirali.

3.2.1 Televizijsko oglaševanje in merjenje gledanosti

Televizija je kot medij nepersonalizirana, čeprav so opazni premiki tudi v tej smeri. Pojav

digitalne televizije je telekomunikacijskim ponudnikom omogočil samodejno spremljanje

gledanosti televizijskih oddaj, saj se vzorčenje izvaja v rednih časovnih presledkih.

Zato podjetja želijo vedeti, v kateri časovni rezini je bila predvajana njihova reklama.

Stremenje oglaševalcev po dostavi personaliziranih oglasnih sporočil pa narekuje razvoj

analitičnih orodij za analizo gledalcev in njihovo profiliranje, kar pa je zelo težko doseči,

saj gledalci pri tem niso v aktivni vlogi.

3.2.1.1 Orodja

Prehod na digitalno televizijo je omogočil, da ob vzpostavitvi seje ponudnikov strežnik

pridobiva informacije o aktivnih kanalih povezanih sprejemnikov v rednih časovnih

intervalih. Podatki se shranjujejo v loge, ki so analizirani s strani telemetrijskih orodij,

podatki pa so obdelani in shranjeni v podatkovno bazo za nadaljnje analize.

61

3.2.1.2 Meritve

Za povezovanje podatkov nujno potrebujemo skupni imenovalec - kar je v našem primeru

gospodinjstvo, ki ima televizijski priključek. Za vsak povezan sprejemnik imamo na voljo

MAC naslov, preko katerega lahko pridobimo id gospodinjstva.

Z analizo podatkov gledanosti lahko ugotovimo, ali je v določenem času gospodinjstvo

imelo vključen televizijski sprejemnik ter ali je televizijski sprejemnik bil nastavljen na

specifičen televizijski kanal.

Slika 3.1: Podatki gledanosti televizijskega sprejemnika

Ker elektronski digitalni vodič vsebuje tudi žanr, lahko iz časa gledanja posameznih oddaj

in žanra oddaj ugotovimo, kateri žanr prevladuje v posameznem gospodinjstvu. To pa

lahko služi za izdelavo personaliziranega profila.

62

Podatki reklam nam služijo kot osnova za potrditev korelacije s spletnim obiskom. Ker

imamo podatke o gospodinjstvu - ter podatke o gledanosti, lahko poizvemo, ali je

uporabnik v času reklame imel televizijski sprejemnik nastavljen na kanal, na katerem se

je reklama odvrtela.

V času, ko so mobilne naprave praktično na vsakem koraku, predvidevamo, da uporabniki

ob ogledu reklame posežejo za tablico ali pametnim telefonom, ki je preko Wi-Fi povezave

povezan v splet. Ker na omrežnem usmerjevalniku zgornjo akcijo lahko prestrežemo,

lahko ugotovimo, ali je uporabnik obiskal spletno stran, ki je povezana z reklamo na

televiziji. Prav tako nas zanima čas, v kolikem to naredi. Predvidevamo seveda, da stran

obišče v kratkem času po ogledu reklame, možnost za ogled strani pa pada s kvadratom

pretečenega časa.

3.2.1.3 Zajemanje podatkov gledanosti

S prehodom na digitalno televizijo, so ponudniki pridobili možnost realno-časovne

spremljave gledanosti, kot smo prikazali zgoraj. Vzorčenje se dogaja v 15-sekundnih

intervalih, kar zadostuje, da ugotovimo, kateri program je bil aktiven v katerem času in ali

je gledalec videl predvajane reklame. Ker lahko posamezni televizijski sprejemnik

povežemo enoznačno preko MAC naslova s posameznim naročnikom, nam to lahko služi

kot osnova za vez med spletnim prometom in gledanostjo reklam.

Primer XML, s programsko vsebino:

<ExtendedTVAMain xml:lang="EN" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:mpeg7="urn:eventis:tstv:2007">

<ProgramDescription xmlns="urn:tva:metadata:2005">

<ProgramInformationTable>

<ProgramInformation programId="crid:// EPG/1/SPORTKLUB/4750288@2012-04-03T06:00:00Z">

<BasicDescription>

<Title xml:lang="sl" type="main">Primera Division: Valencia - Levante</Title>

<Title xml:lang="hr" type="main">Primera Division: Valencia - Levante</Title>

<Synopsis xml:lang="sl" length="long"></Synopsis>

<Synopsis xml:lang="hr" length="long"></Synopsis>

<Keyword xml:lang="sl" type="secondary">Nogomet</Keyword>

<Keyword xml:lang="hr" type="secondary">Nogomet</Keyword>

</BasicDescription>

<ProductionDate>

<TimePoint></TimePoint>

</ProductionDate>

<AVattributes>

<AudioAttributes />

<VideoAttributes />

63

</AVattributes>

</ProgramInformation>

<ProgramInformation programId="crid:// EPG/1/SPORTKLUB/4750289@2012-04-03T07:50:00Z">

<BasicDescription>

<Title xml:lang="sl" type="main">Španska liga: Barcelona - Valencia</Title>

<Title xml:lang="hr" type="main">Španska liga: Barcelona - Valencia</Title>

<Synopsis xml:lang="sl" length="long"></Synopsis>

<Synopsis xml:lang="hr" length="long"></Synopsis>

<Keyword xml:lang="sl" type="secondary">Košarka</Keyword>

<Keyword xml:lang="hr" type="secondary">Košarka</Keyword>

</BasicDescription>

<ProductionDate>

<TimePoint></TimePoint>

</ProductionDate>

<AVattributes>

<AudioAttributes />

<VideoAttributes />

</AVattributes>

</ProgramInformation>

...

</ProgramInformationTable>

<ProgramLocationTable>

<ScheduleEvent>

<Program crid="crid:// EPG/1/SPORTKLUB/4750310@2012-04-04T04:45:00Z" />

<ProgramURL>dvb:/1/SPORTKLUB/4750310@2012-04-04T04:45:00Z</ProgramURL>

<PublishedStartTime>2012-04-04T04:45:00Z</PublishedStartTime>


</ScheduleEvent>

<ScheduleEvent>

<Program crid="crid:// EPG/1/SPORTKLUB/4749524@2012-04-04T05:00:00Z" />

<ProgramURL>dvb:/1/SPORTKLUB/4749524@2012-04-04T05:00:00Z</ProgramURL>



</ScheduleEvent>

</Schedule>

</ProgramLocationTable>

</ProgramDescription>

</ExtendedTVAMain>

Za profiliranje potrebujemo tudi seznam žanrov:

64

Slika 3.2: Seznam žanrov in opisi v slovenskem in hrvaškem jeziku

Seveda je potrebno podatke za obdelavo anonimizirati, s čimer zmanjšamo možnost

posega v zasebnost posameznika.

65

Slika 3.3 Podatki gledanosti po posameznih napravah

Po izbiri posameznega sprejemnika lahko pridobimo informacije o tem, koliko časa je

gledalec spremljal posamezni žaner.

Žaner Trajanje [ms] \N 234480

Dokumentarni program 22200

Film 137220

Glasbeni program 46140

Informativni program 162120

Izobraževalni program 32640

Kulturno-umetniški program 3660

Otroški in mladinski program 55500

Propagandni program 53880

Razvedrilni program 310740

Razverdilni program 540

Serija 106140

Šport 51300

Verski pogram 4500

Tabela 3.1 Časi spremljanja posameznega žanra po sprejemniku

66

Na podlagi tega lahko izvedemo tudi globalno analizo spremljanja posameznega žanra:

Žaner Trajanje [ms] \N 23029320

Dokumentarni program 8461920

Dokumentarni prorgam 261060

Erotični program 21120

Film 17953800

Glasbeni program 5400660

Informativni program 20326860

Izobraževalni program 2717640

Kulturno-umetniški program 550440

Otroški in mladinski program 10474020

Propagandni program 12940800

Razvedrilni program 18269580

Razverdilni program 48000

Serija 23254140

Šport 9929220

Verski pogram 282240

Verski program 20760

Tabela 3.2 Sumarni časi spremljanja žanrov čez celotni opazovalni sistem

67

Spodnja slika prikazuje aplikacijo, ki analizira gledanost posameznih oddaj in izračunava

parametre gledanosti.

EPG - Electronic Programme Guide

Slika 3.3: TV Mining - najbolj gledane oddaje

68

Slika 3.4: TV Mining - pregled dnevnega sporeda in gledanosti oddaj

3.2.2 Merjenje obiska spletnih strani

Spletne strani že dolgo niso le suhoparne predstavitve. Boj za oglaševalce, s katerih se

napajajo socialna omrežja in spletni portali, so narekovali razvoj interaktivnosti spletnih

mest, preko katerih obiskovalce napeljujejo, da podjetju zaupajo vsaj del svojih osebnih

podatkov. Ti podatki se večinoma preko podpornih CRM orodij obdelujejo in komunikacija

med obiskovalcem in organizacijo se preko različnih oglasnih kampanj poglobi. Zato je

zelo pomembno, da vemo, koliko obiskovalcev je na spletno stran sploh prišlo ter kaj so

tam počeli. To večina organizacij spremlja z orodji kot so Google Analytics.

3.2.2.1 Orodja

V našem primeru se žal do podatkov Google Analytics posameznega podjetja nismo

mogli dokopati, prav tako pa nam ti podatki ne bi pomagali, saj so nepersonalizirani in

tako ne bi mogli izvesti povezave med posameznim gospodinjstvom in televizijsko

gledanostjo.

Zato smo se odločili, da bomo podatke prestregli preko omrežnega usmerjevalnika. Za

zajemanje podatkov z omrežnih usmernikov je bilo potrebno nastaviti SPAN vrata, ki

69

omogočajo zrcaljenje prometa. To sicer nekoliko obremeni omrežni usmernik, saj moramo

omrežne pakete oviti z dodatno ovojnico z naslovom analitičnega strežnika.

Tako usmerjene podatke beremo na prometu omrežne kartice. Za takšne namene je bilo

razvitih več orodij - od tcpdump do dumpcap, ki je sestavni del Wireshark orodja, enega

izmed vodilnih omrežnih analitičnih orodij. Zajem podatkov preko dumpcap orodja je

promet preusmerjal v loge, ki smo jih preko konzolnega orodja tshark obdelali in rezultate

preusmerili na python skripto, ki je podatke pošiljala v podatkovno bazo.

Dumptcp Dumptcp je orodje za zajem omrežnega prometa in je v našem primeru bralo pakete, ki so

prispeli na omrežno karto. Je zelo podobno tcpdump orodju, vendar je tesno povezano z

orodjem Wireshark, ki je odigral ključno vlogo pri analizi paketov. Dumptcp prejete pakete

zajame in jih odlaga v log datoteke. Zaradi optimizacije smo orodje dumptcp omejili na 10

minutne zajeme, saj se je pokazalo, da orodje za analizo paketov tshark ni zmožno

obdelave v realnem času.

wireshark/tshark Wireshark je brezplačno orodje za analizo omrežnega prometa. Namenjen je

razhroščevanju in iskanju omrežnih težav, analizam, razvoju programske opreme in

podpori protokolov[28].

Wireshark lahko izvaja analizo omrežnih paketov v realnem času, lahko pa tudi analizira

ustvarjene log datoteke (v katerih so shranjeni omrežni paketi), ki jih naredi orodje

dumptcp. Podatke obdela in jih vizualizira, omogoča pa tudi, da podatke segmentiramo na

podlagi podanih filtrov.

70

Slika 3.5: Wireshark orodje za analizo omrežnih paketov.

Ker je omrežnih paketov preveč in nas tudi vsi ne zanimajo, pridobimo le tiste pakete, ki

jih želimo spremljati -v našem primeru opazujemo le promet na vratih 80 (http) in 443

(https).

Ker smo analitiko popolnoma avtomatizirali, smo izbrali orodje tshark, kje je konzolna

verzija Wireshark orodja in nam omogoča obdelavo paketov direktno v Linux konzoli.

3.2.2.2 Meritve

Prvotni načrt zajema podatkov je vseboval merjenje obiska preko Google Analytics,

vendar se je pokazal za neizvedljivega, saj bi na ta način lahko primerjali le lastno

podjetje, za katerega imamo dostop do spletnih metrik, pa še za to bi dobili le sumarne

podatke.

71

Podatki, prestreženi na omrežnem usmerniku, prav tako omogočajo analizo prometa

posamezne spletne strani, omogočaj pa še veliko več, saj imamo dostop tudi do podatkov

o obisku konkurenčnih strani, s čimer lahko ugotovimo morebitno prelivanje - ko stranka

na podlagi oglasa posameznega oglaševalca obišče tudi konkurenčno stran.

Zbrani podatki vključujejo le testno območje, ki je služilo za potrditev hipoteze. Vanj je bilo

vključenih 385 gospodinjstev.

V obdobju 14 dni se je v bazo steklo 170 mio zapisov tcpip prometa. Tipičen dokument je

imel obliko:

{ "_id" : ObjectId("56d4673b1d41c80cb0c9f13c"), "http_user_agent" : "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36", "http_response_code" : "", "http_referer" : "http://www.najdi.si/", "http_location" : "", "tcp_srcport" : "60483", "ip_dst" : "89.143.247.40", "http_request_uri" : "/ozadja/roze_v_snegu_560734.jpg", "http_request_method" : "GET", "http_host" : "vendor-cdn.sdn.si", "http_content_length" : "", "frame_time_epoch" : "1456760634.826940000", "eth_src" : "00:18:74:15:f1:40", "http_request_version" : "HTTP/1.1", "http_content_type" : "", "frame_number" : "6449996", "ip_src" : "88.88.88.88", "tcp_dstport" : "80" }

Zapis vsebuje dovolj informacij, da lahko preko izvornega IP naslova izvedemo povezavo

z gospodinjstvom, seveda pa je podatke potrebno anonimizirati, da se zaščiti identiteta

posameznika.

3.2.3 Podatkovni sistem

Za osnovo je bila izbrana baza MongoDB, ki shranjuje podatke v bson obliki (binarni json).

Podatkovni nivo sestavlja več podatkovnih baz:

72

MongoDB MongoDB je dokumentno orientirana odprto kodna podatkovna baza, ki je klasificirana kot

NoSQL baza[30]. MongoDB ne uporablja klasičnih tabel relacijskih baz, temveč

dokumente shranjuje v obliki BSON formata. Njegova velika prednost je, da je pripravljen

za delo v oblaku in lahko brez težav teče na večih računalnikih skupaj.

Slika 3.6: RoboMongo uporabniški vmesnik z zbranimi omrežnimi podatki iz prestreženih paketov.

MongoDB je prevzel vlogo stičišča vseh podatkov, ki so bili uporabljeni v analizi.

MySql Mysql je ena najširše uporabljanih brezplačnih relacijskih podatkovnih baz. Od leta 2010

spada pod okrilje Oracla.

Uporabljena je za shranjevanje podatkov gledanosti televizije ter shranjevanje podatkov o

dinamičnih IP naslovih v posameznem časovnem obdobju.

Baza je široko uporabljana v produkciji podjetja Amis.

73

Predvidene izboljšave Sistem bi bilo mogoče izboljšati z uvedbo enotne log platforme, kot je na primer fluentd,

ki omogoča sporočanje podatkov preko spletnega servisa s strani večih aplikacij istočasno

in usmerja promet v log datoteke, oziroma ob drugačni konfiguraciji direktno v povezano

podatkovno bazo.

74

4 VREDNOTENJE IN ANALIZA STATISTIČNIH PODATKOV

4.1 Kriteriji vrednotenja merjenja spletnega prometa

Dobljene podatke spletnega prometa in gledanosti smo povezali s podatki o

gospodinjstvu. Pričakujemo, da uporabnik ob ogledu komercialne vsebine na televiziji

obišče spletni medij v roku nekaj minut.

Najprej si poglejmo nekaj vzorcev ogledov:

Slika 4.4.1: Sparkasse vzorčenje obiska

75

Slika 4.4.2: Simobil vzorčenje obiska

Slika 4.4.3: Škoda - vzorčenje obiska

Postavili smo predpostavko, da verjetnost obiska pada z eksponentno funkcijo.

Kriteriji vrednotenja zajemajo:

• razliko časov: to je razlika med začetkom reklame in začetkom ogleda spletne

vsebine;

• število obiskov: število obiskovalcev spletne strani.

76

4.2 Analiza statističnih podatkov

Analizo smo vršili na podlagi oddaljenosti obiska od reklame. V analizi tako čas reklame ni

igral nobene vloge pač pa zgolj relativna razdalja med merjenima časoma.

Analizo smo ponovili skozi različne vzorce, ki so pokazali, da vsi izdelki ne vzpodbudijo

enake želje pri uporabnikih. Tako ti večinoma iščejo avtomobile, zavarovanja, mobilne

storitve, manj ali pa celo nič pa je to opazno pri prehrambenih izdelkih in izdelkih za

osebno nego.

Meritev smo opravili na naslednji način:

- čas reklame

- čas reklame

Datum Obiski Oddaljenost 3.3.2016 11:20 1 1457000734.875 5.3.2016 16:20 1 271.0728290081 7.3.2016 17:20 1 739.09395289421

13.3.2016 18:00 1 134.35368299484 15.3.2016 14:20 1 58.461986064911 16.3.2016 19:20 1 320.24544906616 17.3.2016 21:00 1 70543.709363937 17.3.2016 21:20 1 71530.127216101 19.3.2016 16:40 1 226618.84749699 20.3.2016 16:20 1 312529.28849506 21.3.2016 19:20 1 409807.06832004 22.3.2016 17:20 1 489266.40071511

5.3.2016 9:40 1 3309.3850018978 5.3.2016 10:40 1 1876.0383028984 5.3.2016 11:00 1 3176.8023750782 5.3.2016 16:40 1 394.30070996284 5.3.2016 18:00 1 1251.3643250465

8.3.2016 5:20 1 10950.725523949 8.3.2016 6:40 1 16021.894579887

8.3.2016 11:20 1 1693.3325788975 8.3.2016 20:00 1 1653.4180269241 8.3.2016 22:00 1 3330.6089119911

77

9.3.2016 10:00 1 7841.8341510296 9.3.2016 17:40 1 50.422945976257 9.3.2016 20:00 1 575.89978790283 11.3.2016 8:40 1 3759.3507490158 12.3.2016 9:00 1 565.81793403625 13.3.2016 7:00 1 21752.024367094

13.3.2016 10:20 1 1232.7690548897 13.3.2016 15:40 1 254.7401471138 14.3.2016 10:00 1 26957.464251995 15.3.2016 10:00 1 3418.4192450047 15.3.2016 19:40 1 1272.2537200451

17.3.2016 7:20 1 24200.015633106 17.3.2016 9:40 1 32214.594078064

17.3.2016 18:20 1 64069.050870895 18.3.2016 15:20 1 139888.37255692 18.3.2016 15:40 1 140011.29678798 18.3.2016 17:00 1 145028.17663193

19.3.2016 9:40 1 204971.77041793

Tabela 4.1: Posamezni ogledi opremljeni s časovnim odmikom od zadnje reklame.

Na nivoju posamezne reklame relevanten čas po reklami ocenimo na 3500 sekund. Ta

čas mora zadoščati tudi za opazovanje obiska, ki ni več povezan z reklamo. Za korak

določimo 500 sekund in opazujemo obiske v specificiranih korakih.

4.2.1 Ford

Slika 4.4: Gibanje obiskov za reklamo Forda v 250 sekundnih intervalih.

78

Slika 4.4: Gibanje obiskov za reklamo Forda v 500 sekundnih intervalih.

t[s] v(O) v(E) v(∆) 500 5 5,167534 -0,167534

1000 6 4,542123 1,457877 1500 3 3,992403 -0,992403 2000 1 3,509215 -2,509215 2500 3 3,084505 -0,084505 3500 3 2,383069 0,616931

Tabela 4.2: Tabela spletnih obiskov v časovnih intervalih po Ford reklami

79

Slika 4.5: Graf obiskov reklame Ford

Če za to izračunamo optimalno krivuljo, dobimo naslednjo enačbo:

in izračunana vrednost :

,

s čimer ne moremo potrditi statistične relevantnosti.

80

4.2.2 Volkswagen

Slika 4.6: Gibanje obiskov za reklamo VW v 250 sekundnih intervalih.

Slika 4.7: Gibanje obiskov za reklamo VolksWagen v 500 sekundnih intervalih

t[s] v(O) v(E) v(∆) 500 14 13,813870 0,186130

1000 11 10,498151 0,501849 1500 9 7,978298 1,021702 2000 4 6,063281 -2,063281 2500 3 4,607922 -1,607922 3000 3 3,501891 -0,501891

81

3500 4 2,661338 1,338662

Tabela 4.3: Tabela spletnih obiskov v časovnih intervalih po VolksWagen reklami

Slika 4.8: Graf obiskov reklame Volkswagen

Pripadajoča enačba:


,


82

4.2.3 Renault

Slika 4.9: Gibanje obiskov za reklamo Renault v 500 sekundnih intervalih

t[s] v(O) v(E) v(∆) 500 9 8,999579 0,000421

1000 6 6,279894 -0,279894 1500 4 4,382102 -0,382102 2000 4 3,057825 0,942175 3000 1 1,488925 -0,488925 3500 1 1,038970 -0,038970

Tabela 4.4: Tabela spletnih obiskov v časovnih intervalih po Renault reklami

Slika 4.10: Graf obiskov reklame Renault

83



,


4.2.4 Peugeot

Slika 4.11: Gibanje obiskov za reklamo Peugeot v 500 sekundnih intervalih

t[s] v(O) v(E) v(∆) 500 3 2,971865 0,028135

1500 2 1,819977 0,180023 2000 1 1,424243 -0,424243 3000 1 0,872210 0,127790

Tabela 4.5: Tabela spletnih obiskov v časovnih intervalih po Peugeot reklami

84

Slika 4.12: Graf obiskov reklame Peugeot



,


4.2.5 Simobil

Slika 4.13: Gibanje obiskov za reklamo Simobil v 500 sekundnih intervalih

85

t[s] v(O) v(E) v(∆) 500 6 7,179538 -1,179538

1000 8 5,570937 2,429063 1500 3 4,322749 -1,322749 2000 1 3,354222 -2,354222 3500 2 1,567065 0,432935

Tabela 4.6: Tabela spletnih obiskov v časovnih intervalih po Simobil reklami

Slika 4.14: Graf obiskov reklame Simobil



,


86

4.2.6 Sumarno

Ker enake zakonitosti veljajo za vse reklame, predvidevamo, da tudi sumarni pregled

pokaže podoben rezultat.

Slika 4.15: Gibanje obiskov za sumarni obisk v 500 sekundnih intervalih

t[s] v(O) v(E) v(∆) 500 44 42,288416 1,711584

1000 35 32,013626 2,986374 1500 24 24,235295 -0,235295 2000 14 18,346861 -4,346861 2500 6 13,889136 -7,889136 3000 5 10,514501 -5,514501 3500 14 7,959799 6,040201

Tabela 4.7: Tabela spletnih obiskov v časovnih intervalih za sumarni obisk

87

Slika 4.16: Graf obiskov za sumarni obisk



,

s čimer lahko potrdimo statistično relevantnost.

4.3 Profiliranje uporabnika na podlagi gledanosti Podatke gledanosti posameznega žanra lahko uporabimo za izdelavo gruč uporabnikov.

Tako za posameznega uporabnika lahko na podlagi gledanosti žanrov določimo, v katero

gručo spada.

Izbrali smo k-mean statistično metodo, v katero smo kot podatke multidimenzionalnega

vektorja poslali časovne vrednosti posameznega žanra.

Za k smo si izbrali vrednost 5, kar pomeni, da smo pridobljene podatke razdelili na 5 gruč.

Dimenzije: 17 Iteracija: 1 Gruca 0 [480,0,0,0,14160,720,5100,60,2220,32160,0,5040,0,13260,0,0,0]: 196 tock Gruca 1 [272460,0,0,0,2700,0,0,0,0,65040,272400,0,0,2040,0,0,0]: 0 tock Gruca 2 [10680,79920,2100,0,38760,3000,3480,24660,0,360,2940,57600,0,79800,23340,60,0]: 0 tock

88

Gruca 3 [71700,82380,3480,0,182880,204780,338940,43380,9660,60060,40860,315420,0,332340,193440,6720,0]: 0 tock Gruca 4 [57780,19380,0,0,141300,14460,142260,24780,5700,26340,38100,127380,0,170520,57420,5700,0]: 0 tock Iteracija: 2 Gruca 0 [19801,8373,140,72,21872,6058,32480,5523,1233,22837,8623,24180,114,24742,14887,565,110]: 50 tock Gruca 1 [499213,28267,1575,78,86102,18816,82202,12198,1888,175466,382612,81357,386,85860,33206,973,153]: 23 tock Gruca 2 [40561,81238,1670,50,62160,13560,49203,12536,1050,16707,16532,67164,127,81555,42320,604,86]: 39 tock Gruca 3 [156195,65313,1747,3,232938,92317,347883,33135,10777,54401,57911,268256,498,408727,116913,5418,228]: 16 tock Gruca 4 [95240,46761,1833,201,128361,39103,137163,16791,3410,55506,31444,121732,300,151792,72059,1784,68]: 68 tock Iteracija: 3 Gruca 0 [18307,9205,198,98,23902,5893,37357,5586,1395,20858,7937,26180,105,27646,15864,568,100]: 55 tock Gruca 1 [549549,23226,808,94,86624,19942,79762,12811,1752,182068,427809,84300,328,89864,33341,991,186]: 19 tock Gruca 2 [48649,79457,1497,48,63813,13549,57071,12440,1220,17685,21367,70634,130,87488,45664,679,81]: 41 tock Gruca 3 [141824,60372,1474,3,215340,82449,343272,30956,9915,85026,50535,247670,473,397828,105710,4822,192]: 19 tock Gruca 4 [111155,50153,2344,191,133636,41541,127332,17237,3257,56885,40961,123002,348,143231,73265,1817,75]: 62 tock Iteracija: 4 Gruca 0 [22252,13283,353,90,24442,5440,35772,5959,1294,20563,11876,26481,103,27575,18230,532,92]: 60 tock Gruca 1 [581438,25620,900,105,90952,22044,84924,13923,1620,189211,450681,92520,367,98777,33885,931,208]: 17 tock Gruca 2 [52356,76976,1310,50,67538,14693,62550,12436,1456,22503,22816,75423,129,94058,43836,927,86]: 39 tock Gruca 3 [141824,60372,1474,3,215340,82449,343272,30956,9915,85026,50535,247670,473,397828,105710,4822,192]: 19 tock Gruca 4 [115953,50495,2384,194,134682,41965,127461,17216,3279,57877,44534,122305,353,142514,74446,1748,76]: 61 tock Iteracija: 5 Gruca 0 [22252,13283,353,90,24442,5440,35772,5959,1294,20563,11876,26481,103,27575,18230,532,92]: 60 tock Gruca 1 [593362,26220,836,112,96450,23407,89531,14790,1721,201030,466833,98152,390,104205,35298,990,221]: 16 tock Gruca 2 [61855,77785,1508,145,66858,16949,67227,12385,1366,21418,26464,74914,150,94491,43441,886,94]: 43 tock Gruca 3 [141824,60372,1474,3,215340,82449,343272,30956,9915,85026,50535,247670,473,397828,105710,4822,192]: 19 tock Gruca 4 [118033,47475,2303,131,137546,41454,126466,17288,3415,60125,45875,123848,346,143284,75761,1806,68]: 58 tock

Po nekajkratni iteraciji lahko vidimo, da gledalce lahko uspešno razdelimo v podano

število gruč s pomočjo omenjenega algoritma, pridobljene podatke pa uporabimo za

pripravo personaliziranih oglasnih sporočil, ki so vsebinsko prilagojena za vsako gručo.

89

Če si pogledamo distribucijo vrednosti po gručah, dobimo slednjo porazdelitev:

Tabela 4.8 Distribucija vrednosti po gručah

90

5 REZULTATI IN NJIHOVA UPORABA Z beleženjem gledanosti posameznega žanra in s statističnimi metodami lahko

uporabnike razdelimo v skupine - profile, na podlagi katerih lahko ponudimo

posameznemu profilu prilagojeno vsebino. S temi podatki se lahko približamo

uporabnikovim preferencam, kar zagotovo vzbuja pri njem večje zanimanje.

S povezavo podatkov gledanosti in spletnega prometa pa smo ugotovili, da uporabniku

lahko sledimo preko časovnega sosledja njegovih aktivnosti. Tehnično so tako na voljo

vsa sredstva, da uporabnikovo spletno aktivnost zabeležimo po tem, ko si je ogledal

televizijsko reklamo.

Rezultati so pokazali povišano stopnjo obiska v času reklam. Kljub temu da so grafično

podatki nakazovali potrditev, s statističnimi metodami tega za posamezne meritve nismo

mogli potrditi zaradi majhnosti vzorca in zaradi zrnavosti podatkov - premajhne množice

vključenih gospodinjstev, saj je bilo v podatkih preveč lukenj. Ob opazovanju posamezne

reklamne kampanje je bila velikost tolikšna, da rezultati niso bili statistično uporabni.

Kljub temu da statistične korelacije za posamezno kampanjo nismo mogli dokazati, pa se

je ob združitvi pokazal trend, da s povečevanjem vzorca pada in je v našem primeru

dosegel prag statistične verjetnosti za sumarni obisk.

Z vključitvijo večje množice gospodinjstev bi zmanjšali šum, do katerega prihaja na

podlagi naravnega obiska, s tem pa bi se tudi zmanjšale napake opazovanja zaradi

sporadičnih obiskov, ki ob premajhni množici vplivajo na merjen vzorec.

Na podlagi njegovih predhodnih aktivnosti in časa gledanja posameznih televizijskih

kanalov lahko preko žanrskih označb pravtako identificiramo najbolj gledane kategorije

televizijskih vsebin, ne samo po posameznem gospodinjstvu, temveč celo po

posameznem televizijskem sprejemniku, kar nam omogoča profiliranje.

Ker se proces zbiranja informacij gledanosti dogaja izven dosega gledalca, ta ne more

vplivati na sam proces. Posledično se njegove aktivnosti lahko identificirajo brez njegove

privolitve in na podlagi analiz gledanosti ponudi tudi prirejena vsebina.

91

Kljub razvoju nelinearne televizije ljudje še vedno spremljajo reklame, s čimer te vplivajo

in oblikujejo njihove nakupne navade. Opisana možnost personaliziranja preko merjenja

časa gledanosti posameznega žanra bi lahko služila za identifikacijo zanimanja

uporabnika in personalizacijo reklam. S tem pa bi prikazana oglasna sporočila uporabnika

tudi bolj pritegnila.

Rezultate bi lahko uporabili v nadaljnjem povezovanju uporabnika v spletne sisteme, s

čimer bi se mu ponudilo prilagojeno ponudbo, vezano na oglas. Z deljeno

personalizacijsko shemo pa bi uporabnika na spletu čakala personalizirana vsebina, ki bi

bila posledica njegovega televizijskega profila.

92

6 ZAKLJUČEK Pomembnosti velikih podatkov se vedno bolj zavedamo in s pomočjo sodobnih analitičnih

orodij odkrivamo in potrjujemo zanimive vzorce obnašanja.

Z uporabo eksponentne regresije

smo poskušali pridobiti najbolje ujemajočo se krivuljo in s tem dokazati hipotezo, da do

povečanega ogleda spleta prihaja zaradi reklamnih sporočil na televiziji.

Čeprav je bila testna množica omejena, je potrdila hipotezo, saj so meritve, ki smo jih

opravili nad pridobljenimi podatki pokazale, da televizijske reklame še kako vplivajo na

ogled, z oglasnimi sporočili, povezanih spletnih vsebin.

Prav tako se je pokazalo, da relativno enostavno lahko profiliramo uporabnika glede na

zgodovino žanrov televizijskih oddaj, ki jih je uporabnik spremljal. S temi podatki bi lahko

relativno enostavno dostavili personalizirano vsebino uporabniku.

Razvoj digitalne televizije ter tudi vse bolj sofisticirani modeli sledenja posamezniku bodo

slej ko prej pripeljale do personaliziranih vsebin tudi na televiziji. Z možnostjo

interaktivnega označevanja vsebin in ogledom vsebin na zahtevo pa si bodo uporabniki

lahko zgradili svoj individualni personaliziran kanal, ki bo prikazoval filtrirane vsebine

glede na preference posameznika.

Priprava personaliziranih kanalov bo zahtevala veliko procesno moč, ki jo bo mogoče

zagotoviti le z elastičnostjo informacijskih oblakov, ki bodo personalizacijo in televizijski

program ponujali kot storitev na zahtevo.

93

7 LITERATURA Pomembnejša literatura:

1. http://www.maximizer.si/domov/novice/articleid/42/cbmoduleid/418.aspx

[03.12.2015]

2. Wenhong Tian, Yong Zhao, Big Data Technologies and Cloud Computing,

Morgan Kaufman 2015

3. http://vibewebsolutions.com/why-digital-marketing-strategy-digital-marketing-

strategy-for-small-scale-and-medium-businesses/ [15.03.2016]

4. Ki Youn Kim a, Bong Gyou Lee, Marketing insights for mobile advertising and

consumer segmentation in the cloud era: A Q–R hybrid methodology and

practices, Technological Forecasting & Social Change 91 (2015) 78–92

5. Sukhpal Singh, Inderveer Chana, Introducing Agility in Cloud Based Software

Development through ASD, International Journal of u- and e- Service, Science

and Technology, Vol.6, No.5 (2013), pp.191-202

6. H. Y. Lam, G. T. S. Ho, C.H. Wu and K.L. Choy, Customer relationship mining

system for effective strategies formulation, Industrial Management @ Data

Systems, Vol. 114 No. 5, 2014, �Emerald Group Publishing L

7. Ben Kehoe, Pieter Abbeel, A Survey of Research on Cloud Robotics and

Automation, IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND

ENGINEERING

8. Dr Frank Alleweldt, Dr Senda Kara, Anna Fielder, Ian Brown, Verena Weber,

Nicholas McSpedden-Brown, Cloud computing - Study, European Parliament,

ISBN 978-92-823-3743-1

9. Min Yin, Sheng Liu, Comparative Study of Traditional Network Marketing and E-

Commerce Marketing Based on Cloud Computing, American Journal of Industrial

and Business Management, 2014, 4, 94-99, Published Online February 2014

10. http://www.perthperth.com/salescoach.htm [15.02.2016]

11. http://www.wordstream.com/blog/ws/2013/05/29/what-is-inbound-marketing

[15.02.2016]

12. Michael Armbrust, Armando Fox, Rean Griffith, Anthony D. Joseph, Randy H.

Katz, Andrew Konwinski, Gunho Lee, David A. Patterson, Ariel Rabkin, Ion

Stoica, Matei Zaharia, Above the Clouds: A Berkeley View of Cloud Computing,

Electrical Engineering and Computer Sciences, University of California at

Berkeley, Technical Report No. UCB/EECS-2009-28, February 10, 2009

94

13. http://www.troyangrignon.com/2014/01/11/review-of-the-wearable-technologies-

conference-july-2223-2013/ [22.03.2016]

14. Satheesh, D. Christy Sujatha, T.K.S. Lakshmipriya, and D. Kumar, Cloud Based

Virtual Agriculture Marketing and Information System (C-VAMIS), © Springer

International Publishing Switzerland 2015, S.C. Satapathy et al. (eds.), Emerging

ICT for Bridging the Future – Volume 1, Advances in Intelligent Systems and

Computing 337, DOI: 10.1007/978-3-319-13728-5_62

15. Rajkumar Buyya1, Chee Shin Yeo, and Srikumar Venugopal, Market-Oriented

Cloud Computing: Vision, Hype, and Reality for Delivering IT Services as

Computing Utilities, Grid Computing and Distributed Systems (GRIDS)

Laboratory, HPCC2008 Keynote

16. Linan Zhu, Qingshui Li， and Lingna He, Study on Cloud Computing Resource

Scheduling Strategy Based on the Ant Colony Optimization Algorithm, IJCSI

International Journal of Computer Science Issues, Vol. 9, Issue 5, No 2,

September 2012, ISSN (Online): 1694-0814

17. Vignesh V, Sendhil Kumar KS, Jaisankar N, Resource Management and

Scheduling in Cloud Environment, International Journal of Scientific and Research

Publications, Volume 3, Issue 6, June 2013, ISSN 2250-3153

18. Jaakko Jäätmaa, Financial Aspects of Cloud Computing Business Models,

Master's thesis, 2010

19. Rakesh Kumar, Yougeshwary Sharma, Sonu Agarwal, Pragya, Bhanu Bhushan

Parashar, Extremely effective CRM Solution Using Salesforce, Volume 1 Issue 5

JETIR (ISSN-2349-5162)

20. http://www.opinno.com/en/content/internet-things-0 [20.03.2016]

21. Danping Wang, Influences of Cloud Computing on E-Commerce Businesses and

Industry, Journal of Software Engineering and Applications, 2013, 6, 313-318,

http://dx.doi.org/10.4236/jsea.2013.66039 Published Online June 2013

(http://www.scirp.org/journal/jsea)

22. Yueh-Hua Lee, A Decision Framework for Cloud Service Selection for SMEs:

AHP Analysis, SOP TRANSACTIONS ON MARKETING RESEARCH, Volume 1,

Number 1, MAY 2014

23. http://cryptumlimited.com/services/service_specific/virtualization [12.02.2016]

24. George Mastorakis, Nikolaos Trihas, Constandinos X. Mavromoustakis,

Emmanouil Perakakis, and Ioannis Kopanakis, A Cloud Computing Model for

Efficient Marketing Planning in Tourism

95

25. IaaS: the past, present and the future, Spletna referenca:

http://www.slideshare.net/frankzhang90813/iaas-the-past-present-and-the-future,

Slide 4, Published Jun 30, 2015 [20.02.2016]

26. Satoshi Tsuchiya, Yoshinori Sakamoto, Youichi Tsuchimoto, Vivian Lee, Big Data

Processing in Cloud Environments, FUJITSU Sd. Tech, J. Vol. 48, No. 2. (April

2012)

27. Evert Duipmans, Business Process Management in the cloud: Business Process

as a Service (BPaaS), Literature Study, University of Twente

28. https://en.wikipedia.org/wiki/Wireshark [16.02.2016]

29. Daren Fang, Xiaodong Liu, Lin Liu and Hongji Yang, OCSO: Off-the-cloud service

optimization for

30. https://en.wikipedia.org/wiki/MongoDB [16.02.2016]

31. Shang-Liang Chen, Yun-Yao Chen, and Chiang Hsu, A New Approach to

Integrate Internet-of-Things and Software-as-a-Service Model for Logistic

Systems: A Case Study, Sensors 2014, 14, 6144-6164; doi:10.3390/s140406144,

ISSN 1424-8220, www.mdpi.com/journal/sensors, 28 March 2014

32. Rodrigo Tavares Fernandes, Green-Cloud: Economics-inspired Scheduling,

Energy and Resource Management in Cloud Infrastructures

33. Dr Ajay jangra, Tushar Saini, Scheduling Optimization in Cloud Computing,

International Journal of Advanced Research in Computer Science and Software

Engineering, Volume 3, Issue 4, April 2013, ISSN: 2277 128X

34. Ahmad Rabay’a, Mohammad Dweib, Yousef Abuzir, Implementing Cloud

Computing in ERP, Journal of Emerging Trends in Computing and Information

Sciences, Vol. 4, No. 10 October 2013, ISSN 2079-8407

35. https://docs.oracle.com/cd/B28359_01/datamine.111/b28129/img/dm_process.gif,

[03.03.2016]

36. https://en.m.wikipedia.org/wiki/Persona [03.03.2016]

37. Efraim Turban, Judy Strauss, Linda Lai, Social Commerce: Marketing,

Technology and Management, Springer, 2016

38. https://en.m.wikipedia.org/wiki/Behavioral_targeting [23.02.2016]

39. Deyan Chen, Hong Zhao, Data Security and Privacy Protection Issues in Cloud

Computing, 2012 International Conference on Computer Science and Electronics

Engineering

40. Sylvia E Peacock, How web tracking changes user agency in the age of Big Data:

The used user, Big Data & Society July–December 2014: 1–11jon

96

41. Chin-Ling Chen, Woei-Jiunn Tsaur, Yu-Yi Chen and Yao-Chung Chang, A Secure

Mobile DRM System Based on Cloud Architecture, Computer Science and

Information Systems 11(3):925–941

42. Amir Mohamed Talib, Rodziah Atan, Rusli Abdullah, Masrah Azrifah Azmi Murad,

Towards a Comprehensive Security Framework of Cloud Data Storage Based on

Multi-Agent System Architecture, Journal of Information Security, 2012, 3, 295-

306

43. Anna Monreale, Salvatore Rinzivillo, Francesca Pratesi, Fosca Giannotti and Dino

Pedreschi, Privacy-by-design in big data analytics and social mining, Monreale et

al. EPJ Data Science 2014, 2014:10

44. Matthew A. Waller and Stanley E. Fawcett, Data Science, Predictive Analytics,

and Big Data: A Revolution That Will Transform Supply Chain Design and

Management, Journal of Business Logistics, 2013, 34(2): 77–84

45. Rizwana Shaikha, Dr. M. Sasikumarb, Data Classification for achieving Security in

cloud computing, Procedia Computer Science 45 ( 2015 ) 493 – 498

46. http://www.forbes.com/sites/kenkrogue/2014/02/27/what-is-sales-acceleration-

new-research-highlights-sales-acceleration-tools-technologies-market-size-and-

top-sales-acceleration-companies/#2728b3926f0b [17.02.2016]

47. David Jingjun Xu, Stephen Shaoyi Liao, Qiudan Li, Combining empirical

experimentation and modeling techniques: A design research approach for

personalized mobile advertising applications, Decision Support Systems 44

(2008) 710–724

48. Susan Gauch, Mirco Speretta, Aravind Chandramouli and Alessandro Micarelli,

User Profiles for Personalized Information Access

49. http://news.yahoo.com/creepiest-internet-tracking-tool-yet-virtually-impossible-

block-170017224.html [12.02.2016]

50. http://venturebeat.com/2014/10/06/the-cookie-is-dead-heres-how-facebook-

google-and-apple-are-tracking-you-now/ [12.02.2016]

51. Alaa A. Qaffas , Alexandra I. Cristea , Lei Shi, Is Adaptation of E-Advertising the

Way Forward?, 2013 IEEE Conference on e-Learning, e-Management and e-

Services, December 2 - 4, 2013, Sarawak, Malaysia

52. Bojan Kraut in Jelena Jeknić, Improving education experience with Augmented

Reality (AR), Mipro 2015

53. Catherine Tucker, The Economics of Advertising and Privacy, MIT Sloan School

of Management, MIT, Cambridge, MA; 617 252-1499 and NBER

97

54. Jaakko Hollm´en, User profiling and classification for fraud detection in mobile

communications networks, Dissertation for the degree of Doctor of Science in

Technology, Helsinki University of Technology, ISBN 951-22-5239-2

55. Prabaharan, S. and 2R.S.D. Wahidabanu, Ontological Approach for Effective

Generation of Concept Based User Profiles to Personalize Search Results,

Journal of Computer Science 8 (2): 205-215, 2012, ISSN 1549-3636

56. Dario De Nart, Carlo Tasso, Dante Degl'Innocenti, Users as crawlers: exploiting

metadata embedded in Web pages for user proling, Articial Intelligence Lab,

Department of Mathematics and Computer Science, University of Udine, Italy

57. Jon Kepa Gerrikagoitiaa, Iñigo Castandera, Fidel Rebóna, Aurkene Alzua-

Sorzabala, New trends of Intelligent E-Marketing based on Web Mining for

eshops,International Conference on Strategic Innovative Marketing, IC-SIM 2014,

September 1-4, 2014, Madrid, Spain

58. Éric Archambault and Étienne Vignola Gagné, The Use of Bibliometrics in the

Social Sciences and Humanities, Science Metrix, Final Report, August 2004

59. Nagender Aneja, Sapna Gambhir, Geo-Social Profile Matching Algorithm for

Dynamic Interests in Ad-Hoc Social Network, Social Networking, 2014, 3, 240-247

Published Online October 2014 in SciRes. http://www.scirp.org/journal/sn

http://dx.doi.org/10.4236/sn.2014.35029

60. Leyla Zhuhadar and Olfa Nasraoui, Robert Wyatt, Dual Representation of the

Semantic User Profile for Personalized Web Search in an Evolving Domain,

Knowledge Discovery and Web Mining Lab, Department of Computer Engineering

and Computer Science, University of Louisville, USA and Department of Distance

Learning, Western Kentucky University, USA

61. PLABAN KUMAR BHOWMICK, SUDESHNA SARKAR, ANUPAM BASU,

ONTOLOGY BASED USER MODELING FOR PERSONALIZED INFORMATION

ACCESS, International Journal of Computer Science and Applications,

Technomathematics Research Foundation, Vol. 7 No. 1, pp. 1 - 22, 2010

62. Hardayal Singh Shekhawat and D.P. Sharma, Hybrid Cloud Computing in E-

Governance: Related Security Risks and Solutions, Research Journal of

Information Technology 4(1): 1-6, 2012, ISSN: 2041-3114

63. Hyoung-rae Kim and Philip K. Chan, Personalized Ranking of Search Results with

Learned User Interest Hierarchies from Bookmarks, Department of Computer

Information Systems, Livingstone College, Salisbury, NC. 28144, USA and

Department of Computer Sciences, Florida Institute of Technology, Melbourne,

FL. 32901, USA

98

64. H.Y.Lam, G.T.S. Ho, C.H. Wu and K.L.Choy, Customer relationship mining

system for effective strategies formulation, EmeraldInsight

http://www.emeraldinsight.com/0263-5577.htm

65. Andreas Thalhammer, Günther Hölbling, Dieter Fensel, Employing User-

Generated Tags to Provide Personalized as well as Collaborative TV

Recommendations, Semantic Technology Institute, University of Innsbruck

66. Tiago Gama Rocha, Paulo Frias, Pedro R. Almeida, Wearable Technology and

Journalism – a new approach to audience measurement, Faculty of Engineering,

CoLab for Emergence Technologies, University of Porto, Portugal and Faculty of

Arts, Department of Journalism and Communication, University of Porto, Portugal

and Faculty of Law, School of Criminology, University of Porto, Portugal

67. Kais Dai, Celia Gónzalez Nespereira, Ana Fernández Vilas, Rebeca P. Díaz

Redondo, Scraping and clustering techniques for the characterization of LinkedIn

profiles, Information & Computing Laboratory, AtlantTIC Research Center for

Information and Communication Technologies - University of Vigo, 36310, Spain

68. Philipp Spreer, Katrin Kallweit, Augmented Reality in Retail: Assessing the

Acceptance and Potential for Multimedia Product Presentation at the PoS, SOP

TRANSACTIONS ON MARKETING RESEARCH Volume 1, Number 1, MAY 2014

69. Pradeep Udhas, Som Mittal, N Chandrasekaran, Six converging technology

trends, Driving a tectonic Business-Consumer shift in the ecosystem,

kpmg.com/in

70. Zahid Iqbal, Josef Noll and Sarfraz Alam, Role of User Profile in Cloud-based

Collaboration Services for Innovation, International Journal on Advances in

Security, vol 4 no 1 & 2, year 2011, http://www.iariajournals.org/security/

71. Zaheer Khan, Saad Liaquat Kiani and Kamran Soomro, A framework for cloud-

based context-aware information services for citizens in smart cities, Khan et al.

Journal of Cloud Computing: Advances, Systems and Applications 2014, 3:14,

http://www.journalofcloudcomputing.com/content/3/1/14

72. Davide Alberto Albertini, Barbara Carminati, Relationship-based Information

Sharing in Cloud-based Decentralized Social Networks, DISTA, Università degli

Studi dell’Insubria Via Mazzini 5, Varese, Italy

73. Karthika.S, Ambika.K, IMPROVING WEB SEARCH RESULTS IN WEB

PERSONALIZATION, IJRET: International Journal of Research in Engineering

and Technology eISSN: 2319-1163 | pISSN: 2321-7308

74. Alan Mislove, Bimal Viswanath, Krishna P. Gummadi, Peter Druschel, You Are

Who You Know: Inferring User Profiles in Online Social Networks

99

75. Huasha Zhao, Vivian Zhang, Ye Chen, John Canny, Tak Yan, Query

Augmentation based Intent Matching in Retail Vertical Ads, WWW’14 Companion,

April 7–11, 2014, Seoul, Korea. ACM 978-1-4503-2745-9/14/04.

http://dx.doi.org/10.1145/2567948.2577317.

76. Nithin K. Anil, Sharath Basil Kurian, Aby Abahai T., Multidimensional User Data

Model for Web Personalization, International Journal of Computer Applications

(0975 – 8887), Volume 69– No.12, May 2013

77. Oleksandr Holovan, Sergei Lyepikhov, PERSONALIZED SEARCH: HUMAN

MENTAL MODELLING APPROACH

BIOGRAFIJA

1. KRAUT, Bojan. Prognosis: Cloudy with SAAS. MIPRO 2012, 1456-1458

2. KRAUT, Bojan, JEKNIĆ, Jelena, Improving education experience with augmented reality (AR). MIPRO 2015, 755-760

3. JEKNIĆ, Jelena, KRAUT, Bojan, Cloud services and marketing, MIPRO 2015, 1492-1498

Merjenje uspešnosti prodajnih aktivnosti na osnovi ... · Smetanova ulica 17 2000 Maribor,...

Documents

Transcript of Merjenje uspešnosti prodajnih aktivnosti na osnovi ... · Smetanova ulica 17 2000 Maribor,...