Использование больших данных для выявления рыночных пробелов для новых возможностей продукта
Введение: преимущества, обусловленные данными, в инновациях продуктов
В эпоху, когда ожидания потребителей меняются с беспрецедентной скоростью, компании сталкиваются с растущим давлением, чтобы запустить продукты, которые глубоко резонируют с целевой аудиторией. Традиционные методы исследования рынка - опросы, фокус-группы и ручной анализ тенденций - в то же время ценные, часто не дотягивают до захвата гранулированных сигналов в реальном времени, которые определяют новые возможности. Именно здесь большие данные становятся преобразующей силой. Систематически анализируя обширные, разнообразные наборы данных, организации могут идентифицировать рыночные пробелы с уровнем точности и скорости, который ранее был недостижим.
Рыночные пробелы представляют собой области, где потребности клиентов либо неудовлетворены, либо плохо обслуживаются существующими решениями. Эти пробелы не всегда очевидны; они могут скрываться в неэффективных категориях продуктов, в жалобах клиентов, разбросанных по социальным сетям, или в моделях закупок, которые отклоняются от нормы. Аналитика больших данных позволяет предприятиям раскрыть эти скрытые возможности, превращая сырую информацию в действенные стратегии продуктов. Компании, которые осваивают эту способность, могут запускать продукты, которые заполняют подлинные пустоты, захватывают преимущество первого перехода и создают прочные конкурентные рвы.
Согласно исследованиям McKinsey & Company, организации, управляемые данными, в 23 раза чаще приобретают клиентов и в 19 раз чаще становятся прибыльными. Тем не менее, многие компании по-прежнему полагаются на интуицию и запаздывающие индикаторы для принятия решений о продуктах. В этой статье рассматривается, как большие данные могут систематически использоваться для выявления рыночных пробелов, аналитических методов, которые обеспечивают богатейшие идеи, и практических соображений, которые определяют успех или неудачу.
Что такое большие данные? - Фонд для понимания
Прежде чем погрузиться в приложение, важно установить, что на самом деле означают большие данные в современном деловом контексте. Большие данные - это не просто большой объем информации; он характеризуется четырьмя V: объемом, скоростью, разнообразием и достоверностью. Объем относится к огромному масштабу генерируемых данных - от миллионов онлайн-транзакций до терабайтов вывода датчиков. Скорость захватывает скорость, с которой данные передаются, часто в режиме реального времени. Разнообразие охватывает различные форматы: структурированные данные, такие как записи о продажах, полуструктурированные данные, такие как электронные письма, и неструктурированные данные, такие как сообщения в социальных сетях, изображения и видео. Veracity обращается к качеству и достоверности данных.
Для групп продуктов большие данные включают такие источники, как:
- История транзакций клиентов , которые раскрывают схемы покупок, состав корзины и поведение повторных покупок.
- Деятельность в социальных сетях , включая посты, комментарии, акции и сигналы о настроениях на таких платформах, как X, Reddit и TikTok.
- Веб-аналитика и аналитика приложений , которые отслеживают поездки пользователей, потоки кликов, использование функций и точки выпадения.
- Журналы поддержки клиентов , содержащие жалобы, запросы на функции и результаты разрешения.
- Данные датчика IoT от подключенных устройств, которые сообщают о шаблонах использования, показателях производительности и режимах отказа.
- Интеллект конкурентов , агрегированный из ценовых лент, агрегаторов обзоров и патентных заявок.
Сила больших данных заключается не в их сборе, а в их анализе. Когда эти разнообразные источники объединяются и подвергаются сомнению с помощью сложных алгоритмов, появляются закономерности, которые почти наверняка пропустят аналитики-люди, работающие с электронными таблицами.
Эволюция анализа разрыва рынка
Анализ разрыва рынка — не новая концепция. На протяжении десятилетий менеджеры по продуктам использовали такие фреймворки, как анализ пяти сил Портера, SWOT и матрица Ансоффа, чтобы оценить, где могут существовать возможности. Однако эти традиционные подходы в значительной степени зависят от качественных суждений, исторических данных и относительно небольших размеров выборки. Они по своей сути являются отсталыми и медленными для адаптации.
Революция больших данных коренным образом изменила этот ландшафт. Там, где бренд-менеджер мог когда-то заказать опрос на 1000 человек и ждать шести недель результатов, сегодняшние команды продуктов могут анализировать миллионы сообщений в социальных сетях, комментариев к обзорам и поисковых запросов в режиме реального времени. Этот сдвиг позволяет непрерывному, основанному на гипотезах подходу , а не периодическому, основанному на интуиции.
Рассмотрим разницу в гранулярности. Традиционное исследование рынка может определить «млллениалов, заинтересованных в устойчивой упаковке» как широкую тенденцию. Большие данные могут точно определить, что «городские профессионалы в возрасте 28-34 лет на юго-востоке, которые следуют за лицами, влияющими на нулевые отходы в Instagram, и покупают наборы для еды, специально запрашивают компостируемые пакеты для продуктов». Этот уровень специфичности превращает неопределенную возможность в конкретную спецификацию продукта.
Более того, большие данные позволяют компаниям выявлять пробелы, которые сами потребители не могут сформулировать. Поведенческие данные — то, что люди на самом деле делают, в отличие от того, что они говорят, что они делают — выявляют расхождения, которые богаты возможностями продукта. Например, высокий уровень заброшенных корзин для покупок для конкретной категории продукта может указывать не только на проблемы с ценообразованием, но и на разрыв в информации о продукте, доступности размера или вариантах доставки, которые может решить новый продукт.
Как большие данные помогают выявить пробелы на рынке
Большие данные служат объективом, который фокусирует рыночные пробелы в нескольких измерениях. Следующие основные механизмы, с помощью которых анализ данных выявляет неудовлетворенные потребности и недостаточно обслуживаемые сегменты.
Обнаружение неудовлетворенных и недостаточно обслуживаемых потребностей
Наиболее непосредственное применение больших данных в анализе разрыва - это определение того, где существует спрос клиентов, но предложение неадекватно. Это может проявляться как высокий объем поиска продукта, который предлагают немногие компании, частые упоминания о конкретной болевой точке на онлайн-форумах или всплеск прибыли для конкретной функции продукта, которая постоянно разочаровывает. Анализ настроений, применяемый к обзорам продуктов на платформах электронной коммерции, может отмечать функции, которые последовательно получают отрицательную обратную связь, сигнализируя о возможности для лучшего решения. Аналогично, кластерный анализ билетов поддержки может выявить повторяющиеся проблемы, которые не решает текущий продукт адекватно.
Отслеживание новых тенденций, прежде чем они станут основными
Преимущество первого перехода часто зависит от распознавания тенденции в зачаточном состоянии. Большие данные позволяют раннее обнаружение путем мониторинга ведущих показателей, таких как рост объема ключевых слов, скорость разговора в социальных сетях и сдвиги в поведении в поиске. Например, внезапное увеличение поиска «кожаных альтернатив на основе растений» в сочетании с всплеском связанных плат Pinterest и хэштегов Instagram может сигнализировать о разрыве на развивающихся рынках в устойчивых модных аксессуарах. К тому времени, когда традиционные исследования рынка подтверждают тенденцию, ранние движущие силы уже захватили долю и распределение ума.
Понимание фактического поведения клиента
Люди часто говорят, что они хотят, чтобы функции, которые они никогда не используют или утверждают, что цена является их основной проблемой при покупке премиальных опций. Большие данные урезают этот шум, анализируя фактическое поведение. Данные Clickstream показывают, какие страницы продуктов пользователи посещают, как долго они задерживаются на конкретных функциях и где они попадают в воронку покупки. Этот поведенческий интеллект может выделить пробелы в пользовательском опыте, которые при обращении открывают новые возможности продукта. Например, если аналитика показывает, что пользователи неоднократно ищут функцию, которая не существует на вашей платформе, это прямой сигнал неудовлетворенной потребности.
Оценка насыщенности рынка и конкурентной плотности
Не все пробелы связаны с неудовлетворенными потребностями; некоторые из них касаются рынков, которые переполнены или плохо обслуживаются. Большие данные могут количественно оценить плотность конкуренции, проанализировав количество продуктов, средние цены, оценки удовлетворенности клиентов и объем обзора в рамках данной категории. Сегмент рынка с высоким спросом, но низкой конкуренцией и посредственными средними рейтингами - это отличная возможность. И наоборот, сегмент с десятками хорошо рассмотренных продуктов и снижением объема поиска может быть ловушкой. Этот анализ может быть автоматизирован и обновлен в режиме реального времени, что позволяет командам продуктов расставлять приоритеты возможностей с наивысшей стратегической подгонкой.
Ключевые источники данных для идентификации разрыва рынка
Качество и актуальность анализа пробелов в значительной степени зависят от используемых источников данных. Вот наиболее эффективные источники и типы выводов, которые они дают.
Социальные сети и онлайн-сообщества
Платформы, такие как Reddit, Quora, X и нишевые форумы сообщества, являются золотыми рудниками для нефильтрованных потребительских настроений. Люди используют эти пространства, чтобы просить рекомендации, жаловаться на существующие продукты и описывать их идеальные решения. Обработка естественного языка (NLP) может извлекать повторяющиеся темы, оценки настроений и даже конкретные запросы на функции продукта из миллионов сообщений. Такие инструменты, как Brandwatch и Sprout Social, объединяют эти данные в масштабе, позволяя командам продуктов отображать ландшафт разговоров вокруг категории.
Платформы электронной коммерции и обзора
Отзывы Amazon, Yelp, обзоры Google Business и рейтинги магазинов приложений предоставляют структурированные и неструктурированные данные о том, что клиенты любят и ненавидят в существующих продуктах. Анализ текста обзора в масштабе может выявить наиболее распространенные точки похвалы и болевые точки, часто с прямым языком, который команды продуктов могут использовать в спецификациях. Например, шаблон обзоров, упоминающих «трудно чистить» в нескольких кухонных приборах, может указывать на разрыв между категориями для простых чистых функций дизайна.
Веб-аналитика и App Analytics
Аналитика от сторонних производителей из ваших собственных цифровых свойств является одним из самых надежных источников данных. Google Analytics, Mixpanel, Amplitude и другие платформы фиксируют подробное поведение пользователей, включая просмотры страниц, продолжительность сеанса, скорость принятия функций, конверсию воронки и поисковые запросы. Когда пользователи ищут на вашем сайте продукты или информацию, которую вы не предлагаете, это прямое выражение неудовлетворенного спроса. Аналогичным образом, высокие показатели отказов на страницах категорий могут указывать на то, что ассортимент вашего продукта не соответствует тому, что ищут пользователи.
Поддержка клиентов и данные CRM
Билеты поддержки, стенограммы чата и журналы вызовов содержат сырые, неструктурированные отзывы о том, что расстраивает клиентов и что они хотят, чтобы существовали. Эти данные особенно ценны, потому что они приходят от мотивированных пользователей, которые нашли время, чтобы сформулировать свои проблемы. Текстовый майнинг взаимодействий поддержки может вскрыть общие запросы, такие как «У вас есть версия, которая работает в автономном режиме?» или «Я хочу, чтобы это было интегрировано с X». Эти запросы по существу являются спецификациями продукта, переданными вам вашим рынком.
Кормление конкурентов и рыночная разведка
Мониторинг запусков продуктов конкурентов, изменений цен, обновлений функций и отзывов клиентов обеспечивает непрерывную картину конкурентного ландшафта. Такие сервисы, как Similarweb, Crunchbase и Capterra, объединяют эту информацию, в то время как специализированные инструменты отслеживают заявки на патенты и нормативные документы, которые могут сигнализировать о предстоящих перемещениях продуктов. Анализ того, где конкуренты инвестируют и где они оставляют пробелы, может выявить возможности белого пространства.
Аналитические методы извлечения Gap Insights
Сбор данных - это только первый шаг. Методы, используемые для анализа, определяют, являются ли идеи действенными или просто интересными. Следующие методы являются одними из наиболее эффективных для выявления разрыва на рынке.
Предиктивная аналитика и машинное обучение
Предсказательные модели используют исторические данные для прогнозирования будущих моделей спроса, поведения клиентов и рыночных сдвигов. Для анализа разрыва эти модели могут идентифицировать категории продуктов, готовые к росту, сегменты клиентов, которые, вероятно, примут новые решения и функции, которые коррелируют с удержанием клиентов. Алгоритмы машинного обучения также могут обнаруживать неочевидные корреляции - например, что клиенты, которые покупают органическое детское питание, с высокой вероятностью будут покупать экологически чистые чистящие средства, что предполагает межкатегориальный разрыв для устойчивых бытовых товаров.
Обработка естественного языка и анализ настроений
НЛП преобразует неструктурированный текст из обзоров, социальных сетей и билетов поддержки в структурированные данные, которые можно количественно оценить и отследить. Анализ настроений присваивает тексту положительные, отрицательные или нейтральные оценки, позволяя командам отслеживать, как чувства клиентов меняются с течением времени. Тематическое моделирование, связанная с ним техника, автоматически обнаруживает основные темы в большом текстовом корпусе. Применительно к обзорам продуктов моделирование тем может выявить, что «жизнь батареи», «прочность» и «легкость настройки» являются наиболее часто обсуждаемыми атрибутами в категории, с оценками настроений, помечающими, какие из них являются болевые точки.
Кластерный анализ и сегментация
Кластерный анализ группирует клиентов или продукты на основе общих характеристик, выявляя сегменты, которые могут быть недостаточно обслуживаемы. Например, анализ данных о закупках может идентифицировать группу клиентов, которые покупают ингредиенты для гурманов, но также в значительной степени покупают готовые к употреблению блюда - сегмент, который ценит как качество, так и удобство. Если ни один продукт на рынке явно не нацелен на эту комбинацию, разрыв существует. Сегментация становится еще более мощной в сочетании с демографическими и поведенческими данными, что позволяет командам оценить возможность.
Ассоциация Правила Горного дела и Анализ корзины рынка
Этот метод определяет продукты, которые часто покупаются вместе, выявляя взаимодополняющие отношения и возможности перекрестных продаж. Что более важно для анализа разрыва, он может выявить пары или группы продуктов, которые должны быть приобретены вместе, но не доступны в качестве единого решения. Например, если высокий процент клиентов, которые покупают печи для кемпинга, также покупают портативные фильтры для воды, но не существует единой системы приготовления пищи и очистки на открытом воздухе, это разрыв.
Визуализация данных и поисковый анализ
Перед применением сложных моделей, анализ данных с помощью инструментов визуализации может выявить закономерности, которые направляют более глубокое исследование. Тепловые карты, показывающие плотность покупок по географии и времени, пузырьковые диаграммы, сравнивающие размер рынка с темпами роста, и сетевые графики, отображающие отношения между клиентами и продуктами, могут выявить пробелы с первого взгляда. Платформы, такие как Tableau, Power BI и Observable, делают эти исследования доступными для нетехнических заинтересованных сторон.
Реальные приложения: большие данные в действии
Теория анализа разрывов, основанного на больших данных, убедительна, но ее реальная ценность проявляется на практике. Следующие примеры иллюстрируют, как компании использовали эти методы для выявления и извлечения выгоды из рыночных возможностей.
Потребительская электроника: выявление недостающего набора функций
Производитель электроники среднего уровня использовал мониторинг и анализ обзоров в социальных сетях, чтобы определить, что клиенты в категории умного дома постоянно жаловались на сложность настройки для систем с несколькими устройствами. Анализ настроений в обзорах Reddit и Amazon показал, что «требуются часы для подключения» и «нуждается в сетевой степени» были повторяющимися фразами. Компания определила разрыв для продукта, который отдавал приоритет вне коробки простоте и совместимости. Они запустили оптимизированный концентратор с предварительно настроенным сопряжением и настройкой приложения, захватив сегмент клиентов, которые были недостаточно обслуживаемы более техническими конкурентами. Продукт достиг 40% более высокого уровня удовлетворенности клиентов, чем в среднем по категории и значительно снизил коэффициент возврата.
Еда и напитки: обнаружение разрыва в образе жизни
Крупный производитель продуктов питания использовал кластерный анализ данных о покупках продуктов в сочетании с настроениями в социальных сетях для выявления растущего сегмента потребителей, которые были как заботятся о своем здоровье, так и бедны во времени. Традиционная сегментация свела этих потребителей либо в категории «здоровых», либо «удобных», пропуская пересечение. Данные показали, что этот сегмент искал «с высоким содержанием белка растительные блюда, готовые менее чем за 5 минут» с быстро растущей скоростью. Компания запустила линию стабильных, высокобелковых растительных блюд, ориентированных именно на эту потребность, захватив преимущество первого пополнения в категории, которую конкуренты вошли 18 месяцев спустя.
SaaS и B2B программное обеспечение: обнаружение пробелов в рабочем процессе
Компания, занимающаяся разработкой программного обеспечения для управления проектами, проанализировала свои собственные данные об использовании и билеты на поддержку и обнаружила, что значительный процент корпоративных пользователей вручную экспортирует данные в электронную таблицу для выполнения расчетов распределения ресурсов, которые программное обеспечение не поддерживает. Повторяющийся ручной обход был четким сигналом о разрыве в функциях. Разработав встроенный модуль планирования ресурсов, компания не только увеличила удержание клиентов, но и открыла новый поток доходов от существующих клиентов, желающих заплатить за обновление. Этот разрыв скрывался на виду в собственной аналитике компании.
Мода и одежда: прогнозирование микротрендов
Ретейлер быстрой моды использовал прогнозную аналитику на данных изображений социальных сетей в реальном времени, поисковых тенденциях и влиятельных постах для выявления новых предпочтений стиля за несколько недель до того, как они появились в традиционных отчетах о взлетно-посадочной полосе. Система обнаружила рост интереса к «полезным жилетам» в сочетании с «земными тонами» среди определенного демографического кластера. Быстро прототипируя и запуская продукты в этой микронише, розничный торговец достиг продажных ставок на 30% выше их среднего и уменьшил отметку на эти предметы наполовину. Разрыв был не большой категорией, а точным подтрендом, который конкуренты еще не признали.
Проблемы и соображения
Обещание больших данных для выявления разрыва на рынке является существенным, но это не без существенных проблем. Продуктовые команды должны преодолевать эти препятствия, чтобы избежать дорогостоящих ошибок.
Конфиденциальность данных и соблюдение нормативных требований
С расширением сбора данных приходит усиленный контроль со стороны регулирующих органов. GDPR в Европе, CCPA в Калифорнии и аналогичные правила во всем мире налагают строгие требования к тому, как данные о потребителях могут быть собраны, сохранены и использованы. Использование данных для анализа рынка должно быть сделано в этих рамках, часто требуя анонимизации, управления согласием и минимизации данных. Компании, которые не соблюдают штрафы за риск и репутационный ущерб. Вдумчивый подход к конфиденциальности не является факультативным; это конкурентная необходимость.
Качество данных и интеграция
Большие данные ценны только в том случае, если они точны, полны и своевременны. Фрагментированные наборы данных, непоследовательное форматирование и недостающие значения могут повредить анализ и привести к ложным сигналам. Проблемы качества данных особенно остро возникают при интеграции нескольких источников - лента в социальных сетях может иметь разные временные метки, чем данные транзакций, а идентификаторы клиентов могут не совпадать в системах. Надежное управление данными, чистящие трубопроводы и платформы интеграции (такие как ] Directus , который обеспечивает унифицированное управление данными) являются необходимой инфраструктурой для надежного анализа.
Анализ сложности и пробелов в навыках
Передовые аналитические методы требуют специальных навыков в области статистики, машинного обучения и инженерии данных. Многие организации изо всех сил пытаются найти и удержать таланты с этими возможностями. Даже когда опыт существует, преодоление разрыва между учеными данных и менеджерами продуктов может быть затруднено. Представления, которые статистически значимы, могут быть не коммерчески эффективными, и командам продуктов может не хватать контекста для правильной интерпретации результатов моделей. Инвестирование в кросс-функциональное обучение и совместные рабочие процессы смягчают этот риск.
Стоимость инфраструктуры и толинга
Создание и поддержание инфраструктуры данных, необходимой для крупномасштабного анализа, является дорогостоящим. Облачное хранение, вычислительные ресурсы, хранилища данных, аналитические платформы и инструменты визуализации представляют собой значительные текущие расходы. Для небольших компаний эти затраты могут быть непомерными. Однако рост управляемых услуг и инструментов с открытым исходным кодом снизил барьер. Платформы, такие как Directus , позволяют организациям создавать рабочие процессы, основанные на данных, без пользовательской инфраструктуры, демократизируя доступ к расширенным аналитическим возможностям. Согласно Gartner , организации, которые инвестируют в унифицированные платформы данных, видят в 3 раза более высокую отдачу от инвестиций в аналитику.
Избегать ловушки «Shiny Object»
Большие данные могут генерировать подавляющий объем сигналов, и не каждый сигнал представляет собой подлинный разрыв на рынке. Легко ошибочно принять корреляцию за причинно-следственную связь, переосмыслить шум или преследовать тенденцию, которая слишком мала, чтобы поддерживать жизнеспособный продукт. Успешные организации используют дисциплинированную структуру проверки гипотез: каждый потенциальный разрыв имеет размер, проверяется на основе нескольких источников данных и проверяется давлением с помощью качественных исследований до того, как будут проведены значительные ресурсы. Большие данные информируют, но не заменяют здравое суждение.
Будущие тенденции: следующий рубеж инноваций в продуктах, основанных на данных
Возможности использования больших данных для выявления пробелов на рынке быстро развиваются. Несколько новых тенденций обещают еще больше обострить фокус продуктовых команд.
Непрерывный интеллект в реальном времени
Вместо периодического анализа ведущие компании переходят к конвейерам данных в реальном времени, которые непрерывно подают приборные панели и системы оповещения. Когда появляется сигнал о разрыве — всплеск негативных отзывов о продукте конкурента, всплеск поиска новой функции — команды продуктов немедленно уведомляются и могут реагировать в дни, а не месяцы. Эта возможность в реальном времени превращает идентификацию разрыва из ретроспективного упражнения в функцию живого интеллекта.
Генерирующий ИИ для Pattern Discovery
Большие языковые модели и генеративный ИИ начинают применяться для анализа разрыва на рынке. Эти системы могут принимать огромное количество неструктурированных данных - обзоры продуктов, стенограммы поддержки, обсуждения на форуме - и генерировать синтетические резюме неудовлетворенных потребностей, предлагать концепции продуктов и даже писать первоначальные спецификации. Хотя эта способность все еще зарождается, она может значительно ускорить этап синтеза анализа разрыва, позволяя менеджерам по продуктам сосредоточиться на стратегической оценке, а не на анализе данных.
Унифицированные платформы данных с встроенной аналитикой
Фрагментация данных на десятках инструментов и платформ была постоянным барьером. Тенденция к унифицированным платформам данных — где данные централизованы, управляются и становятся доступными через один интерфейс — ускоряется. Directus иллюстрирует этот подход, предоставляя безголовую CMS и уровень управления данными, который подключается к любой базе данных и раскрывает данные через API и студию без кода. Это позволяет командам продуктов создавать пользовательские панели инструментов и аналитические рабочие процессы без инженерных узких мест. Как отметил Harvard Business Review, организации, которые уменьшают трение в доступе к данным, значительно чаще действуют на идеи, прежде чем это сделают конкуренты.
Этический ИИ и ответственное использование данных
По мере того, как потребители становятся более осведомленными о том, как используются их данные, прозрачность и этическая практика становятся конкурентными дифференциаторами. Компании, которые могут продемонстрировать ответственное управление данными - четкий выбор, значимый обмен ценностями и подлинную защиту конфиденциальности - найдут клиентов, более готовых делиться данными, которые подпитывают анализ разрывов. Будущее больших данных в инновациях продуктов будет построено на доверии, а не только на технологиях.
Вывод: от данных к решению
Большие данные коренным образом изменили то, как компании выявляют рыночные пробелы и создают новые возможности для продуктов. Выходя за рамки интуиции и отстающих показателей, организации теперь могут обнаруживать неудовлетворенные потребности, отслеживать возникающие тенденции и понимать поведение клиентов с такой степенью точности, которую когда-то было невозможно себе представить. Методы — от анализа настроений и прогнозного моделирования до кластерного анализа и интеллектуального анализа ассоциаций — обеспечивают надежный инструментарий для выявления скрытых возможностей.
Однако одной технологии недостаточно. Успех требует дисциплинированного подхода к качеству данных, конфиденциальности и интерпретации. Для эффективной интеграции и управления различными источниками данных требуется правильная инфраструктура. И для этого нужна культура, которая ценит доказательства над мнением, сохраняя при этом креативность, чтобы действовать на неполных сигналах.
Для продуктовых команд, которые могут освоить эту комбинацию, выигрыш существенен: продукты, которые действительно отвечают потребностям клиентов, запущенные перед конкуренцией, с уверенностью, основанной на данных. По мере того, как аналитические инструменты становятся более мощными и доступными, способность выявлять и действовать на рыночных пробелах будет все больше отделять лидеров от отстающих. Вопрос заключается уже не в том, могут ли большие данные выявлять пробелы на рынке, а в том, оснащена ли ваша организация, чтобы видеть их - и достаточно смело действовать.