Big Data: аналіз, обробка та застосування

  1. Яку роль відіграє big data в маркетингу
  2. Як і де зберігати великі дані big data
  3. Великі дані і бізнес-аналітика: різниця понять
  4. Не можна сліпо покладатися тільки на думки аналітиків
  5. Які проблеми створює система big data
  6. Поетапне використання big data
  7. 3 принципу роботи з b ig d ata
  8. Як використовувати систему big data
  9. Успішні кейси впровадження big data
  10. Інформація про компанію

Big data, або великі дані, - поняття, яке використовується в інформаційних технологіях і сфері маркетингу. Термін «великі дані» застосовується для визначення аналізу та управління значними масивами. Таким чином, big data - це та інформація, яка за рахунок своїх великих обсягів не може бути оброблена традиційними способами.

Сучасне життя неможливо уявити без цифрових технологій. Світові сховища даних поповнюються безперервно, і тому також безперервно доводиться змінювати як умови зберігання інформації, так і шукати нові способи збільшення обсягу її носіїв. Виходячи з експертної думки, збільшення big data і збільшення швидкості росту - це нинішні реалії. Як вже говорилося, інформація з'являється безупинно. Величезні її обсяги генеруються інформаційними сайтами, різними сервісами обміну файлами і соціальними мережами, однак це лише мала частина від усього виробленого обсягу.

IDC Digital Universe після проведення дослідження заявили, що протягом 5 років обсяг даних в цілому на всій Землі досягне сорока зеттабайт. Це означає, що на кожну людину на планеті доведеться 5200 Гб інформації.

Загальновідомо, що люди не є головним виробником інформації. Основне джерело, який приносить інформаційні дані, - це роботи, які безперервно взаємодіють. В їх число входять операційна система комп'ютерів, планшетів і мобільних телефонів, інтелектуальні системи, засоби для моніторингу, системи спостереження та інше. В сукупності вони задають стрімку швидкість збільшення кількості даних, а значить, потреба в створенні як реальних, так і віртуальних серверів збільшується. У сукупності це веде до розширення і впровадження нових data-центрів.

Найчастіше великі дані визначаються як інформація, яка обсягом перевищує жорсткий диск ПК, а також не може бути оброблена традиційними методами, які використовуються при обробці і аналізі інформації з меншим обсягом.

Якщо узагальнити, то технологія обробки big data зводиться в кінцевому підсумку до 3 основними напрямками, які, в свою чергу, вирішують 3 типи завдань:

  1. Зберігання та управління величезними обсягами даних - їх розміри сягають сотень терабайт і петабайт, - які реляційні бази даних не дозволяють ефективно використовувати.
  2. Організація неструктурованою інформації - тексти, зображення, відео та інші типи даних.
  3. Аналіз big data (big data analytics) - тут розглядаються і способи роботи з неструктурованою інформацією, і створення звітів аналітичних даних, і введення прогностичних моделей.

Ринок проектів big data тісно взаємопов'язаний з ринком ВА - бізнес-аналітики, обсяг якого за 2012 рік склав близько 100 млрд доларів, і включає в себе мережеві технології, програмне забезпечення, технічні послуги та сервери.

Автоматизація діяльності компанії, зокрема рішення класу гарантування доходів (RA), також нерозривно пов'язана з використанням технологій big data. На сьогоднішній день системи в цій сфері містять інструменти, які використовуються для виявлення невідповідностей і для поглибленого аналізу даних, а також дозволяють виявити можливі втрати або неточності в інформації, які можуть привести до зниження результатів сектора.

Російські компанії підтверджують, що попит на технології великих даних big data є, окремо наголошують на тому, що основні чинники, що впливають на розвиток big data в Росії, - це збільшення обсягу даних, швидке прийняття управлінських рішень та підвищення їх якості.

ТОП-5 найбільш затребуваних статей для комерсанта:

Яку роль відіграє big data в маркетингу

Не секрет, що інформація - це одна з головних складових вдалого прогнозування і розробки маркетингової стратегії, якщо вміти нею користуватися.

Аналіз великих даних є незамінним при визначенні цільової аудиторії, її інтересів і активності. Іншими словами, вміле застосування big data дозволяє точно прогнозувати розвиток компанії.

Використовуючи, наприклад, відому модель RTB-аукціону, за допомогою аналізу великих даних легко зробити так, що реклама буде виводитися тільки для тих потенційних покупців, які зацікавлені в придбанні послуги або товару.

Застосування big data в маркетингу:

  1. Дозволяє дізнатися потенційних покупців і залучити відповідну аудиторію в інтернеті.
  2. Сприяє оцінці ступеня задоволеності.
  3. Допомагає співвідносити пропонований сервіс до потреб покупця.
  4. Полегшує пошук і впровадження нових методів збільшення лояльності клієнта.
  5. Спрощує створення проектів, які згодом будуть користуватися попитом.

Приватний приклад - сервіс Google.trends. З його допомогою маркетолог зможе виявити прогноз на сезон щодо того чи іншого продукту, географію кліків і коливання. Таким чином, порівнявши отриману інформацію зі статистикою власного сайту, досить легко скласти рекламний бюджет із зазначенням регіону і місяці.

Як і де зберігати великі дані big data

Файлова система - саме тут big data і організовуються, і зберігаються. Вся інформація знаходиться на великій кількості жорстких дисків на ПК.

«Карта» - map - відстежує, де безпосередньо зберігається кожна частина інформації.

Для того щоб застрахуватися від непередбачених обставин, кожну з частин інформації прийнято зберігати по кілька разів - рекомендується робити це тричі.

Наприклад, після збору індивідуальних транзакцій в роздрібній мережі вся інформація про кожну окрему транзакції буде зберігатися на декількох серверах і жорстких дисках, а «карта» буде індексувати розташування файлу по кожній конкретній угоді.

Для того щоб організувати зберігання даних у великих обсягах, можна використовувати стандартне технічне оснащення і програмне забезпечення, яке перебуває у відкритому доступі (наприклад, Hadoop).

Великі дані і бізнес-аналітика: різниця понять

На сьогоднішній день бізнес-аналіз являє собою описовий процес результатів, які були досягнуті за окремий часовий період. Чинна ж швидкість на обробку big data робить аналіз самий корінь. На його рекомендації можна спиратися в майбутньому. Технології big data дають можливість аналізу більшої кількості типів даних порівняно із засобами та інструментами, використовуваними в бізнес-аналітиці. Це дозволяє не тільки зосередитися на сховищах, де дані структуровані, а використовувати значно ширші ресурси.

Бізнес-аналітика і big data багато в чому схожі, однак є такі відмінності:

  • Big data використовуються для обробки обсягу інформації, значно більшого, у порівнянні з бізнес-аналітикою, що визначає саме поняття big data.
  • За допомогою big data можна обробляти швидко одержувані і мінливі дані, що обумовлює інтерактивність, тобто. Е. В більшості випадків швидкість завантаження веб-сторінки менше, ніж швидкість формування результатів.
  • Big data можуть використовуватися при обробці не мають структури даних, роботу з якими слід починати, тільки забезпечивши їх зберігання і збір. Крім того, необхідно застосовувати алгоритми, здатні виявити основні закономірності в створених масивах.

Процес бізнес-аналітики мало схожий з роботою big data. Як правило, бізнес-аналітиці властиво отримувати результат шляхом складання конкретних значень: як приклад можна назвати річний обсяг з продажу, розрахований як сума всіх оплачених рахунків. У процесі роботи з big data розрахунок відбувається шляхом поетапної побудови моделі:

  • висування гіпотези;
  • побудова статичної, візуальної та семантичної моделі;
  • перевірка вірності гіпотези на підставі зазначених моделей;
  • висування наступної гіпотези.

Для проведення повного циклу дослідження необхідно інтерпретувати візуальні значення (інтерактивні запити на основі знань). Також можна розробити адаптивний алгоритм машинного навчання.

думка експерта

Не можна сліпо покладатися тільки на думки аналітиків

В'ячеслав Назаров,

генеральний директор російського представництва компанії Archos, Москва

Близько року тому, спираючись на думку експертів, ми випустили на ринок абсолютно новий планшет, ігрову консоль. Компактність і достатня технічна потужність знайшли своє визнання в колі шанувальників комп'ютерних ігор. Слід зазначити, що ця група, незважаючи на свою «вузькості», мала досить високу купівельну спроможність. Спочатку новинка зібрала багато позитивних відгуків в ЗМІ і отримала схвальну оцінку від наших партнерів. Проте, незабаром з'ясувалося, що продажі планшета досить низькі. Рішення так і не знайшло свого масової популярності.

Помилка. Наша недоробка полягала в тому, що інтереси цільової аудиторії були вивчені до кінця. Користувачам, які віддають перевагу грати на планшеті, не потрібно суперграфіка, оскільки вони відіграють в основному в прості ігри. Серйозні ж геймери вже звикли до гри на комп'ютері на більш досконалих платформах. Масована реклама нашого продукту була відсутня, маркетингова кампанія також була слабкою, і в кінцевому підсумку, планшет не знайшов свого покупця в жодній із зазначених груп.

Наслідки. Виробництво продукту довелося скоротити майже на 40% в порівнянні з раніше запланованими обсягами. Звичайно, великих збитків не було, так само як і планованого прибутку. Однак це змусило нас відкоригувати деякі стратегічні завдання. Найцінніше, що було нами безповоротно втрачено - це наш час.

Поради. Мислити потрібно перспективно. Продуктові лінійки необхідно прораховувати вперед на два-три кроки. Що це означає? При запуску деякого модельного ряду сьогодні бажано розуміти його долю завтра і мати хоча б приблизну картину того, що буде з ним через рік-півтора. Звичайно, повна деталізація малоймовірна, але базовий план все ж повинен бути складений.

І ще не варто цілком і повністю довірятися аналітикам. Оцінки експертів треба узгоджувати з власними статистичними даними, а також з оперативною обстановкою на ринку. Якщо ваш продукт доопрацьований не до кінця, не слід його випускати на ринок, оскільки для покупця перше враження - найважливіше, і потім переконати його буде завданням нелегким.

Дуже важлива порада на випадок невдачі - швидкість прийняття рішення. Категорично не можна просто спостерігати і вичікувати. Вирішити проблему по гарячих слідах завжди набагато простіше і дешевше, ніж усувати запущену.

Які проблеми створює система big data

Існують три основні групи проблем систем big data, які в іноземній літературі об'єднані в 3V - Volume, Velocity і Variety, тобто:

  1. Обсяг.
  2. Швидкість обробки.
  3. Неструктурованість.

Питання про зберігання великих обсягів інформації пов'язаний з необхідністю організації певних умов, тобто зі створенням простору і можливостей. Що стосується швидкості, то вона пов'язана не стільки з уповільненнями і гальмування при використанні застарілих методів обробки, скільки з інтерактивністю: результат тим продуктивніше, ніж швидше йде процес обробки інформації.

  1. Проблема неструктурованості виходить з роздільності джерел, їх формату і якості. Для успішного об'єднання і обробки big data потрібно і робота по їх підготовці, і аналітичні інструменти або системи.
  2. Великий вплив робить і межа «величини» даних. Визначити величину досить складно, а виходячи з цього - проблематично прорахувати, які будуть потрібні фінансові вкладення і які будуть необхідні технології. Проте, для певних величин, наприклад, терабайт, на сьогоднішній день успішно застосовуються нові методи обробки, які постійно удосконалюються.
  3. Відсутність загальноприйнятих принципів роботи з big data - ще одна проблема, яка ускладнюється вищезгаданої неоднорідністю потоків. Для вирішення цієї проблеми створюються нові методи аналізу big data. Виходячи з тверджень представників університетів Нью-Йорка, Вашингтона і Каліфорнії, не за горами створення окремої дисципліни і навіть науки big data. Це і є головною причиною того, що в компаніях не поспішають вводити проекти, пов'язані з великими даними. Ще один фактор - висока вартість.
  4. Труднощі також викликають підбір даних для аналізу і алгоритм дій. На сьогоднішній день немає жодного розуміння того, які дані несуть цінну інформацію і вимагають аналітики big data, а які можна не брати до уваги. У цій ситуації стає ясно і ще одне - на ринку недостатньо професіоналів галузі, які впораються з глибинним аналізом, зроблять звіт про рішення задачі і, відповідно, тим самим принесуть прибуток.
  5. Є й моральна сторона питання: чи відрізняється збір даних без відома користувача від грубого вторгнення в приватне життя? Варто зазначити, що збір даних покращує якість життя: наприклад, безперервний збір даних в системах Google і Яндекс допомагає компаніям поліпшувати свої сервіси в залежності від потреб споживачів. Системи цих сервісів відзначають кожен клік користувача, його місце розташування і відвідувані сайти, всі повідомлення і покупки - і все це дає можливість демонстрації реклами, виходячи з поведінки користувача. Користувач не давав своєї згоди на збір даних: такий вибір надано не був. З цього випливає наступна проблема: наскільки безпечно зберігається інформація? Наприклад, відомості про потенційних покупців, історія їх покупок і переходів на різні сайти може допомогти вирішити багато бізнес-завдання, але чи є платформа, якою користуються покупці, безпечною - це дуже спірне питання. Багато апелюють до того, що на сьогоднішній день жодне сховище даних - навіть сервера військових служб - не захищене в достатній мірі від атак хакерів.

Поетапне використання big data

Етап 1. Технологічне впровадження компанії в стратегічний проект.

До завдань технічних фахівців входить попереднє опрацювання концепції розвитку: аналіз шляхів розвитку напрямків, яким це найбільше необхідно.

Для визначення складу і завдань проводиться розмова з замовниками, в результаті чого аналізуються необхідні ресурси. Паралельно організація приймає рішення про віддачу всіх завдань повністю на аутсорсинг або про створення гібридної команди, що складається з фахівців цієї і будь-яких інших організацій.

За статистикою велика кількість компаній користуються саме такою схемою: наявність команди експертів всередині, контролюють якість виконання робіт і формування руху, і зовні, що реалізує безпосередню перевірку гіпотез про розвиток будь-якого напрямку.

Етап 2. Пошук інженера-дослідника даних.

Керівник збирає штат робітників колегіально. Він же відповідає за розвиток проекту. Співробітники HR-служби відіграють безпосередню роль у створенні внутрішньої команди.

В першу чергу такий команді необхідний інженер-аналітик даних, він же data scientist, який буде займатися завданням формування гіпотез і аналізу масиву інформації. Окреслені ним кореляції будуть в майбутньому використовуватися для заснування нової продукції і сервісів.

Особливо на початкових етапах важлива задача HR-відділу. Його співробітники вирішують, хто саме буде виконувати роботу, спрямовану на розвиток проекту, де його взяти і яким чином надати мотивації. Інженера-аналітика даних знайти не так просто, тому це «штучний продукт».

У кожної серйозної компанії зобов'язаний перебувати фахівець такого профілю, в іншому випадку втрачається фокус проекту. Інженер-аналітик в сукупності: розробник, аналітик і бізнес-аналітик. Крім цього, він повинен володіти комунікабельністю для показу результатів своєї діяльності і багажем знань і умінь для детального роз'яснення своїх думок.

приклади пошуку

1. У Москві була організована таксі-компанія «Big Data». По ходу маршруту пасажири відповідали на завдання з області професійної аналітики. У тому випадку, коли пасажир відповідав на більшість питань вірно, компанія пропонувала йому місце на роботі. Основним недоліком такої техніки підбору персоналу є небажання більшості брати участь в такого роду проектах. На співбесіду погодилося лише кілька людей.

2. Проведення спеціального конкурсу з бізнес-аналітиці з якимось призом. Таким способом скористався великий російський банк. В результаті в конкурсі Хакатона брало участь більш ніж 1000 людей. Які досягли найвищих успіхів у конкурсі пропонувалося місце на роботі. На жаль, більшість переможців не виявили бажання отримувати посаду, так як їх мотивацією був тільки приз. Але все-таки кілька людей погодилися на роботу в команді.

3. Пошук в середовіщі фахівців Даних, Які знають на аналітіці бізнесу и здатно навести порядок, побудував правильний алгоритм Дій. До необхідних навичок фахівця-аналітика відносять: програмування, знання Python, R, Statistica, Rapidminer і інші не менш важливі для бізнес-аналітика знання.

Етап 3. Створення команди для розвитку.

Необхідна злагоджена команда. При розгляді просунутої аналітики, наприклад, інноваційного розвитку компанії, потрібні менеджер для створення і розвитку бізнес-аналітики.

Інженер-дослідник займається побудовою і перевіркою гіпотез для успішного розвитку взятого вектора.

Керівнику необхідно організовувати розвиток взятого напряму бізнесу, створювати нові продукти і погоджувати їх із замовниками. В його обов'язки, крім цього, входить розрахунок бізнес-кейсів.

Менеджер з розвитку зобов'язаний тісно взаємодіяти з усіма. Інженер-аналітик і менеджер з бізнес-розвитку з'ясовують потреби та можливості аналізу big data за допомогою зустрічей зі співробітниками, що відповідають за різноманітні ділянки проекту. Проаналізувавши ситуацію, менеджер створює кейси, завдяки яким компанія буде приймати рішення про подальший розвиток напрямку, сервісу або продукції.

3 принципу роботи з b ig d ata

Можна виділити основні методи роботи з big data:

  1. Горизонтальна масштабованість. В силу того, що даних має бути сила-силенна, будь-яка система, що обробляє велику кількість інформації, буде розширюється. Наприклад, якщо обсяг даних зріс в кілька разів - відповідно в стільки ж разів збільшився і обсяг «заліза» в кластері.
  2. Відмовостійкість. Виходячи з принципу горизонтальної масштабованості, можна зробити висновок, що в кластері є велика кількість машин. Наприклад, Hadoop-кластер від Yahoo налічує їх більше 42000. Всі методи роботи з big data повинні враховувати можливі несправності і шукати способи впоратися з неполадками без наслідків.
  3. Локальність даних. Дані, що зберігаються в великих системах, розподілені в досить великій кількості машин. Тому в ситуації, коли дані зберігаються на сервері №1, а обробляються на сервері №2, не можна виключати можливість того, що їх передача буде коштувати дорожче, ніж обробка. Саме тому при проектуванні велика увага приділяється тому, щоб дані зберігалися і проходили обробку на одному комп'ютері.

Всі методи роботи з великими даними, так чи інакше, дотримуються цих трьох принципів.

Як використовувати систему big data

Ефективні рішення в області роботи з великими даними для самих різних напрямків діяльності здійснюються завдяки безлічі існуючих на даний момент комбінацій програмного і апаратного забезпечення.

Важливе значення big data - можливість застосовувати нові інструменти з тими, які вже використовуються в цій сфері. Це грає особливо важливу роль в ситуації з крос-дисциплінарними проектами. Як приклад можна привести мультиканального продажу і підтримку споживачів.

Для роботи з big data важлива певна послідовність:

  • спочатку відбувається збір даних;
  • потім інформація структурується. З цією метою використовуються дашборда (Dashboards) - інструменти для структурування;
  • на наступному етапі створюються інсайти і контексти, на підставі яких формуються рекомендації для прийняття рішень. В силу високих витрат на збір даних, основне завдання - це визначити мету використання отриманих відомостей.

Приклад. Рекламні агентства можуть використовувати сукупну у телекомунікаційних компаній інформацію про місцезнаходження. Такий підхід забезпечить таргетовану рекламу. Ця ж інформація може бути застосована і в інших сферах, пов'язаних з наданням та продажем послуг і товарів.

Отримана таким чином інформація може виявитися ключовою в ухваленні рішення про відкриття магазину в конкретній місцевості.

Якщо розглянути випадок використання outdoor-щитів в Лондоні, не варто сумніватися, що на сьогоднішній день такий досвід можливий тільки в разі, якщо біля кожного щита розташувати спеціальний вимірювальні прилад. У той же час мобільні оператори завжди знають основну інформацію про своїх абонентів: їх розташування, сімейний стан і так далі.

Можна припустити, що незабаром реклама на будь-якому щиті буде підлаштовуватися під кожного конкретного людини.

Ще одна потенційна область застосування big data - збір інформації про кількість відвідувачів різних заходів.

Приклад. Організатори футбольних матчів не здатні знати точне число тих, хто прийшов на матч заздалегідь. Тим не менш, вони отримали б такі відомості, скористайся вони інформацією від операторів мобільного зв'язку: де знаходяться потенційні відвідувачі за певний період часу - місяць, тиждень, день - до матчу. Виходить, у організаторів з'явилася б можливість спланувати локацію заходи в залежності від уподобань цільової аудиторії.

Big data дає також незрівнянні переваги для банківського сектора, який може скористатися обробленими даними для того, щоб виявити недобросовісних власників карток.

Приклад. При заяві власника картки про її втраті або крадіжці банк має можливість відстежити місце розташування карти, по якій проводиться розрахунок, і мобільного телефону власника, щоб упевнитися в правдивості інформації. Таким чином, представник банку має можливість побачити, що платіжна карта і мобільний телефон власника знаходяться в одній зоні. А значить - карту використовує власник.

Завдяки перевагам подібного роду використання інформації дає компаніям багато нових можливостей, а ринок big data продовжує розвиватися.

Основні труднощі впровадження big data полягає в складності розрахунку кейса. Ускладнюється цей процес наявністю великої кількості невідомих.

Досить складно робити які-небудь прогнози на майбутнє, в той час як дані про минуле не завжди знаходяться в зоні доступу. У цій ситуації найголовніше - планування своїх початкових дій:

  1. Визначення конкретного питання, у вирішенні якого буде застосована технологія обробки big data, допоможе визначитися з концепцією і задасть вектор подальших дій. Зробивши акцент на зборі інформації саме із зазначеного питання, варто також скористатися всіма доступними інструментами і методами для отримання більш ясної картини. Більш того, такий підхід значно полегшить процес прийняття рішення в майбутньому.
  2. Імовірність того, що проект big data буде реалізований командою без певних навичок і досвіду - вкрай мала. Знання, які необхідно використовувати в такому складному дослідженні, зазвичай купуються довгим працею, тому попередній досвід так важливий в цій сфері. Складно переоцінити вплив культури використання інформації, отриманої шляхом подібних досліджень. Вони надають різні можливості, в тому числі і зловживання отриманими матеріалами. Щоб використовувати інформацію на благо, варто дотримуватися елементарних правил коректної обробки даних.
  3. Інсайти - основна цінність технологій. Ринок все ще відчуває гострий брак сильних фахівців - мають розуміння законів ведення бізнесу, важливість інформації та сфери її застосування. Не можна не враховувати той факт, що аналіз даних - ключовий спосіб досягнення поставлених цілей і розвитку бізнесу, потрібно прагнути до вироблення конкретної моделі поведінки і сприйняття. В такому випадку великі дані принесуть користь і зіграють позитивну роль у вирішенні питань ведення справ.

Успішні кейси впровадження big data

Деякі з перерахованих нижче кейсів були більш вдалими в зборі даних, інші - в аналітиці big data і шляхи застосування даних, отриманих в ході дослідження.

  1. «Тінькофф Кредитні Системи» скористався платформою EMC2 Greenplum для масивно-паралельних обчислень. У зв'язку з безперервним збільшенням потоку користувачів карт в банку виникла необхідність зробити обробку даних швидше. Було прийнято рішення про застосування big data і роботі з неструктурованою інформацією, а також корпоративними відомостями, які були отримані з розрізнених джерел. Від уваги їх фахівців не пішло і те, що на сайті в Російському ФНС впроваджується аналітичний шар федерального сховища даних. Згодом на його основі планується організувати простір, що надає доступ до даних податкової системи для подальшої обробки та отримання статистичних даних.
  2. Окремо варто розглянути російський стартап Synqera, що займається аналізом big data online і розробив платформу Simplate. Суть полягає в тому, що проводиться обробка великого масиву даних, аналізуються дані про споживачів, їх покупках, віці, настрої і душевному стані. Мережа магазинів косметики встановила на касах датчики, здатні розпізнавати емоції покупця. Після визначення настрою, аналізується інформація про покупця, часу покупки. Після цього покупцеві цілеспрямовано надходить інформація про акції та знижки. Це рішення збільшило лояльність споживача і змогла підвищити дохід продавця.
  3. Окремо варто розповісти про кейсі по застосуванню технологій big data в компанії Dunkin`Donuts, які, за аналогією з попереднім прикладом, використовували проведення аналізу online для збільшення прибутку. Отже, в торгових точках дисплеї відображали спецпропозиції, вміст яких змінювалося щохвилини. Підставою замін в тексті служили як час доби, так і товар в наявності. З касових чеків компанія отримала інформацію, які позиції користувалися найбільшим попитом. Такий спосіб дозволив збільшити дохід і обіг складських запасів.

Таким чином, обробка big data позитивно позначається на вирішенні бізнес-завдань. Важливим фактором, звичайно, є вибір стратегії і використання новітніх розробок в області big data.

Інформація про компанію

Archos. Сфера діяльності: виробництво та продаж електронної техніки. Територія: офіси продажів відкриті в дев'яти країнах (Іспанія, Китай, Росія, США, Франція та ін.). Чисельність персоналу філії: 5 (в російському представництві).

Що це означає?
Є й моральна сторона питання: чи відрізняється збір даних без відома користувача від грубого вторгнення в приватне життя?
З цього випливає наступна проблема: наскільки безпечно зберігається інформація?
Новости