Merjenje uspešnosti prodajnih aktivnosti na osnovi ... · Smetanova ulica 17 2000 Maribor,...
Transcript of 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
i
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
Mobilni spletni oglasi
Streaming medijski oglasi
Oglasi v eKnjigah
Kuponski oglasi
III. Iskalec novih izkušenj Splošni oglasi
Streaming medijski oglasi
Oglasi v eKnjigah
Mobilni spletni oglasi
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>
<PublishedStartTime>2012-04-04T05:00:00Z</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>
<PublishedStartTime>2012-04-04T05:00:00Z</PublishedStartTime>
<PublishedStartTime>2012-04-04T06:50:00Z</PublishedStartTime>
</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:
in izračunana vrednost :
,
s čimer ne moremo potrditi statistične relevantnosti.
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
Pripadajoča enačba:
in izračunana vrednost :
,
s čimer ne moremo potrditi statistične relevantnosti.
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
Pripadajoča enačba:
in izračunana vrednost :
,
s čimer ne moremo potrditi statistične relevantnosti.
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
Pripadajoča enačba:
in izračunana vrednost :
,
s čimer ne moremo potrditi statistične relevantnosti.
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
Pripadajoča enačba:
in izračunana vrednost :
,
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