Последнее время в Сети активизировалось брожение вокруг космических изысканий. И это понятно, то там новые солнечные батареи изобрели, с удивительным КПД, то здесь микроспутники стандартизировали и Arduino в космос запустили, то то, то это. А когда Curiosity удачно примарсился и стал передавать изображения, тут уж сам Бог велел общественности взорваться в обсуждениях.
И это закономерно, назрело уже, так сказать. Больно уж много времени прошло с полета первого спутника, первого человека и высадки на луну. А воз, как говорится, и ныне там. Кардинально нового в космической отрасли ничего не произошло, никаких громких прорывов, только улучшения и улучшения… Отсюда и повышенный интерес к теме, люди чувствуют, что пришло время для новых свершений.

Далее прошу под кат, будет много эмоций и фотографий.

Постановка задачи

В предыдущих статьях «Основы подхода к построению универсального интеллекта», часть 1 ( http://habrahabr.ru/post/145309/ ) и часть 2 ( http://habrahabr.ru/post/145467/ ), мы в общих чертах описали разные существующие подходы и сформулировали некоторые методологические принципы, которые целесообразно выполнять при разработке универсального ИИ. В статье «Идеальный ученик, или о чем умалчивается в машинном обучении» ( http://habrahabr.ru/post/148002/ ) необходимость соблюдения этих принципов (и, в особенности, сохранение универсальности) было обсуждено на примере проблемы машинного обучения. Здесь мы разберем одну распространенную модель универсального интеллекта в целом. Хотя эта модель крайне далека от реального универсального ИИ, она позволяет понять критические недостатки других подходов.

За свою жизнь я сталкивался с десятками публикаций и книг, посвященных преодолению стрессов и эмоциональной реактивности. Обычно в таких материалах большое внимание уделяется избавлению от нервного напряжения, в то время как вред, наносимый организму во время стрессов, практически не описывается.

Даже Карнеги в свое время пытался с медицинской точки зрения описать вред, получаемый организмом от излишних переживаний, однако он не продвинулся дальше его краткой характеристики. В книге «Как перестать нервничать и начать жить» автор ссылается на результаты исследований, которые показали, что нервные люди чаще других умирают от инсультов, инфарктов и страдают от язвы желудка. Довольно убедительно, но информации все равно недостаточно.

В среде инфобизнесменов, а также интернет-гуру есть продавцы воздуха. Которые продают «до х… я знания» типа: как вести бизнес в интернете, причем у самого бизнеса ни в инете, ни в офлайне — нет. А потом еще вебинар «Как продать свои знания», а потом «Как продать знания о знании» и т.д.

Приятным исключением был вебинар Федора Вирина «13 ошибок интернет-маркетинга». Все по делу, ни одного слова лишнего. Человек не жмется делится своими знаниями. Очень многие вещи что я и так знал, значительно углубились, а также процентов 40% было для меня и вовсе новой инфы.

Прослушал вебинар потому что был бесплатный и был свободный вечер, теперь обязательно хочу послушать докладчика в офлайне. 1,5 часа спресованого мини-курса интернет-маркетингу, который стоит нескольких книг. Очень будет полезным как новичкам так и профи. Вебинар в ютубе:

В последнее время я наблюдал несколько десятков презентаций, которые начинались вот так:

— Мы делаем систему управления электронным обучением…

— Мы провели исследование поведения посетителей на нашем сайте…

— Наша компания была основана более ста лет назад…

Это просто удивительно как люди любят так поступать. Они с первых секунд садятся на уши аудитории рассказом про себя:

— Мы предлагаем SAAS-решение…

— Наши технологии…

И мое любимое:

— Начну рассказ с того, кто мы такие…

Почему все так уверены, что именно это в первую очередь интересует слушателей? Единственное что выступающий гарантированно получит в таком выступлении — это претензии к себе лично и своей компании.

Я видел как один из директоров Microsoft схлопотал громкое улюлюканье, а представитель Ростелекома — едкий троллинг из зала только потому, что выступили по этому шаблону.

Почему каждый раз это происходит?

Менеджер по цифровому маркетину Forbes.com Денис Пинский опубликовал тему на форуме Google Webmaster Help. Он цитирует письмо от Google, где сообщается о нарушении стандартов качества Google, которые запрещают участвовать в схемах обмена ссылками. В связи с этим, сообщается в письме, сайт понижен в выдаче Google. Стандартное уведомление содержит инструкцию, как нужно исправить нарушение и где подать заявку, чтобы штраф сняли.

Самый актуальный подход в поведенческом таргетинге это уделять всё или почти всё внимание тому, что именно люди ищут и просматривают в онлайне. Хотя это и является важным первым шагом, по-настоящему кастомизированный высокоточный таргетинг требует погрузиться глубже, исследуя новые способы ставить вопрос и находить ответ на то почему и как определённые потребительские сегменты различаются в своём поисковом поведении, как об этом ниже рассказывает руководитель WhitePages.com, Сьюзи Кенг (Susie Kang).

Behavioral Insider: Что отличает именно ваш подход к использованию поведенческих данных?

Сьюзи Кенг: Самое большое недопонимание сути, которое я сейчас наблюдаю в области работы с поведением, заключаются в том, что народ считает, что если у вас есть люди, которые ищут автомобили, то всё, что вам нужно о них знать это то, что им нужна машина. Одно только это уже о многом говорит. Куда более важный вопрос возникает только потом – почему они ищут машины. Поскольку, если вы будете больше знать об отдельных сегментах внутри огромного мира людей, которые гуглят автомобили, вы будете гораздо больше знать о том, как их затаргетировать, каким именно типом машин они интересуются, как часто их поставлять и, конечно же, куда их можно поставлять ещё. Для этого необходимо рассматривать их поиски автомобиля в более широком контексте.

BI: И как вы это делаете?

Кенг: Ну, народ, как правило, совершенно пренебрегает и не ценит тот факт, что в случае с онлайн-таргетингом вообще и с поведенческим в частности, кроме данных о пользовательской активности непосредственно на сайте, существует ещё масса потребительских данных из сторонних исследований, которые можно накладывать на ваши собственные данные о поведении пользователей в онлайн и таким образом выйти на совершенно новый уровень понимания.
Одним из ценных ресурсов, в этом смысле, является NielsenNetRatings. То, что сделал Нильсен, является исследованием того, как люди на разных демографических «стадиях жизни», так называемых, на самом деле, представляют совершенно особенные группы в смысле паттернов онлайн-поведения, в зависимости от того, где они находятся на своём жизненном пути.

BI: Расскажите немного подробнее о том, что включает в себя это исследование стадий жизни и как применяются его результаты? Каким образом демографическая типология связанна с конкретным поведением?

Кенг: У нас больше 15 миллионов категорий для бизнес-поиска, в общем, у нас мощный механизм вертикальных поисковых данных. Мы занимаемся тем, что применяем эти данные согласно профилям Нильсена и группируем их по разным категориям. И там, на самом деле, существуют мощные корреляции. Ну, скажем, интересный момент представляет собой то, что люди, относящиеся к одному из сегментов стадий жизни, под названием «Новые Семьи» (New Families) – те, у кого уже есть первый ребёнок – гораздо более склонны гуглить автомобили, чем люди из других групп.

BI: Весьма интригующая взаимосвязь, но чем конкретно это может помочь рекламщику, который хочет расширить возможности своего таргетинга?

Кенг: Как только вы обнаружили устойчивую корреляцию между определёнными паттернами поисковой активности и сегментами жизнецикла, вы получаете возможность более точного таргетинга. Возьмём пример «Новой Семьи», которую я только что упомянула. Как только вы узнали, что пользователи принадлежащие к «Новым Семьям» составляют весомую часть среди автомобильных покупателей, а именно той части рынка, которая относится к семейным автомобилям и минивэнам, такие ключевые слова, как «Детская коляска» или «Магазин игрушек» или «Детские книжки», принимают совершенно новый смысл для авто-маркетолога. Подобный ход мысли можно развивать и дальше. Зная, что кто-то не просто ищет машины, но демонстрирует своим поисковым паттерном принадлежность к «Новым Семьям», страховые компании могут им рекламировать не только автострахование, но также и жизнестрахование. Или финансовая компания, которая, кроме того, что может просто рекламировать кредит на покупку автомобиля, также может таргетировать юзеров из «Новых Семей», как кандидатов на кредитование для покупки дома.

BI: Можно ли, на ваш взгляд, применить подобный подход за пределами именно этой сферы?

Кенг: Мы сопоставляем наши данные с некоторыми из Нильсеновских основных категорий жизнецикла. Для таких групп, как «Пустогнёзды» (Empty Nesters), люди у которых дети повзрослели и пошли учиться в колледж, или «Взрослые Семьи» (Mature Families), те, у которых несколько детей, характерны свои особенные паттерны онлайн-поиска, которые рекламщики могут использовать для идентификации и таргетирования. Как только вы идентифицировали устойчивый поведенческий паттерн и его сегмент, у рекламщика появляется возможность дотянуться до потребителя из таргет-группы пока он находится в релевантной поисковой категории или ретаргетировать его в другую поисковую категорию на основе строгой корреляции с потребностями его текущего жизнецикла.

BI: Считаете ли вы, что растущее применение сегментации расширит границы рынка для поведенческого таргетинга среди тех рекламщиков или прочих, которые избегают ПТ?

Кенг: Одна из главных задач поведенческого таргетинга состоит сегодня в том, чтобы кривая его применения пошла вверх. Поскольку поведенческая реклама стоит дороже, чем обычная, среди многих рекламщиков бытует мнение, что применение поведенческого таргетинга означает больший риск. Но дело в том, что чем точнее сегментация отдельных поведенческих паттернов в рамках демографии, тем большего эффекта можно добиться в отношении узкоспециальных покупок. Чтобы понять всю глубину задач таргетинга, необходимо сперва понять, что поведенческий таргетинг это не значит, что вам придётся ходить попятам за каждым, кто просматривает вашу товарную категорию.

BI: Какие вы могли бы назвать ещё другие новые разработки, которые будут особенно важны для вас в последующие несколько месяцев?

Кенг: Мы рассматриваем то, чем сейчас занимаемся с сегментацией по жизнециклам, как отправную точку. Заглядывая в будущее, мы считаем, что есть масса способов совершенствовать применение собираемых данных о сегментации поведения. К примеру, мы работаем над идеей идентификации и сегментации конкретных географических сегментов на основе характерных поведенческих паттернов. Подобным образом можно забуриться в поведенческие особенности разных сегментов пользователей, проявляющих поисковую активность, в разное время суток. В общем, можно сказать, что нет предела совершенству и можно сколько угодно импровизировать с сегментацией поведения.

Перевод с английского для:
blog.worldwebstudio.com

… или почему я никогда не занимался веерной рассылкой резюме, а долго присматривался, затем посылал одно, и меня там брали.

Пришедшая на почту рассылка новостей принесла мне очередную статью с «ХедХантера», призванную, якобы, помочь соискателям правильнее составить резюме.
Одна из многих подобных. Несть им числа.
Там, конечно же, рассказывалось о том, что хорошо, а что плохо писать в разных разделах резюме, какими словами о себе рассказывать можно, а какими нет, в общем — как представить из себя идеально собранную машинку по исполнению скромной, но очень важной для компании роли.

Этой статьёй хочу выразить протест против устоявшейся практики преподнесения себя соискателями и предложить этому «раболепию по гайдлайнам» какую-то разумную альтернативу.

Статья для соискателей.

Всем привет!

Мы выпустили нашу первую открытую версию системы автоматизации рекламы в социальных сетях. Предлагаем желающим испытать её в деле.

Зачем вообще нужна эта система:

С помощью системы вы сможете точно определять какие объявления приводят к вам заказы.
Когда речь идёт об одном объявлении, статистику не трудно посмотреть вручную через Google Analytics. Но одно объявление, это же очень мало! Я хочу рассказать, как можно удобно работать с сотнями объявлений. И что более важно получать от этого хороший CPA.

В современном мире часто приходится сталкиваться с проблемой рекомендации товаров или услуг пользователям какой-либо информационной системы. В старые времена для формирования рекомендаций обходились сводкой наиболее популярных продуктов: это можно наблюдать и сейчас, открыв тот же Google Play. Но со временем такие рекомендации стали вытесняться таргетированными (целевыми) предложениями: пользователям рекомендуются не просто популярные продукты, а те продукты, которые наверняка понравятся именно им. Не так давно компания Netflix проводила конкурс с призовым фондом в 1 миллион долларов, задачей которого стояло улучшение алгоритма рекомендации фильмов (подробнее). Как же работают подобные алгоритмы?

В данной статье рассматривается алгоритм коллаборативной фильтрации по схожести пользователей, определяемой с использованием косинусной меры, а также его реализация на python.

Так получилось, что за последние полгода мне удалось познакомиться с несколькими простыми (в смысле правил) и в чем-то схожими настольными играми. Первым в этом ряду был «Сет», потом «Барабашка», а уже летом мы играли в «Доббль». Сразу скажу, что все перечисленные игры весьма увлекательные, однако, речь в этом посте пойдет, конечно же, не об этом. Дело в том, что спустя некоторое время (другими словами, наигравшись) меня заинтересовали идеи, лежащие в основе этих игр, и которые оказались тесно связанными именно с комбинаторикой. В данном посте речь пойдет о самой простой (на мой взгляд) игре — «Барабашке», которая, кстати, в оригинальном варианте имеет более благозвучное название «Geistesblitz» (нем. — озарение).

Недавно я в очередной раз задумался над сложностью бытия, в частности о том, куда так быстро улетучиваются заработанные деньги. Вроде как зарабатываю вполне неплохо, но, деньги куда то уходят. Так, по мелочам. Захотелось посмотреть, сколько и на что уходит.

Для начала стал искать уже готовые решения. Самое простое, на первый взгляд решение – таблица в Excel. Получилось быстро, но вот что-то не то. Промучившись пару месяцев, я решил подыскать хороший сервис, но ничего не приглянулось — невзрачный интерфейс, либо наоборот слишком сложно. Поэтому, решил сам взяться за дело. Подгоняло еще и то, что как показал опрос многочисленных знакомых, не я один такой желающий наладить финансовые отношения с самим собой.

Кому интересно — сразу скажу, что написано это все на Python/Django.

Так получилось не случайно, для этого есть предпосылки, термин «CRM» в России понимают превратно и применяют для обозначения двух важнейших процессов, структурирующих продажи. Эти процессы – отделены друг от друга, каждый из них имеет свое назначение, свою методологию, свой инструментарий и, следовательно, свой термин для обозначения:

Lead-management — термин, который определяет цикл продажи;

СRM – система отношений с текущими клиентами, а точнее – с покупателями (customer).

«СRM» по-русски — это перепутанные, срощенные между собой 2 процесса: процесс управления лидами (контактами) и процесс работы с текущими клиентами.

История вопроса

В данном посте я хочу рассказать о том, чем система личной эффективности Agile Results отличается от GTD и как способна улучшить последнюю. Пост будет полезен как GTD-шникам со стажем, так и тем, у кого отношения с GTD не сложились.

Множество достаточно опытных разработчиков и менеджеров пробовало Agile, и им не понравилось. Многие директора, руководители и специалисты даже не пробовали, ибо считают Agile религией, которая помогает, если в неё верить, либо, вообще, только создают впечатление эффективности у «верующих».



Понять последних можно, ведь большинство статей и agile-евангелистов говорят, примерно следующее: «Делайте так, как говорит методология, и ваш проект попадёт в рай. Если нарушите хотя бы одну из практик, то Agile покарает вас»

В прошлый раз (почти год назад) мы определяли части речи в русском тексте, производили морфологический анализ слов. В этой статье мы пойдем на уровень выше, к синтаксическому анализу целых предложений.

Наша цель заключается в создании парсера русского языка, т.е. программы, которая на вход бы принимала произвольный текст, а на выходе выдавала бы его синтаксическую структуру. Например, так:

"Мама мыла раму":

(предложение
    (именная гр. (сущ мама))
    (глаг. гр. (глаг мыла)
        (именная гр. (сущ раму)))
    (. .)))

Это называется синтаксическим деревом предложения. В графическом виде его можно представить следующим образом (в упрощенном виде):

Если вы знаете, что один из ваших клиентов завтра проснётся с мыслью о покупке нового планшета — можно уже сегодня прислать ему письмо с кодом на скидку. Если вы понимаете, что по всем признакам клиент собирается перейти к другому провайдеру, можно повысить ему скорость, снизить цену или предложить что-то ещё. Это клиентская аналитика.

Если вы не знаете, какой тарифный план из трёх предложенных стоит запустить по всей стране, надо воспользоваться клиентской аналитикой, которая возьмёт каждого отдельного человека из базы, оценит эмоциональные и практические мотивы перехода – и позволит понять, сколько людей будут пользоваться этим тарифом.

Именно так выглядит Data Mining в клиентской аналитике. И именно так это уже работает на практике в сотнях крупных компаний по всему миру и в нашей стране.

Однажды в магазин Target зашел мужчина и потребовал вызвать менеджера. В своих руках он сжимал огромную кипу купонов магазина, полученных его дочерью.

«Моя дочь получила это по почте! – прокричал он. – Она еще в школу ходит, а вы посылаете ей купоны на детскую одежду и памперсы? Да как вы смеете! Вы хотите таким способом побудить школьниц рожать?»

Менеджер посмотрел на пачку купонов на материнскую одежду, детскую мебель – действительно, они были адресованы дочери рассерженного мужчины. Менеджер принес свои извинения.

Через несколько дней он позвонил мужчине, чтобы еще раз извиниться. По телефону голос отца звучал растерянно. «Знаете, я серьезно поговорил с дочерью, и выяснилось, что в моем доме происходило то, о чем я совершенно не догадывался. Она рожает в августе. Примите мои извинения».

Как Target узнал, что дочь беременна до того, как об этом стало известно ее отцу? Ответ прост – благодаря системе прогнозирования беременности (pregnancy prediction system), разработанной аналитиком компании Эндрю Полом. Под катом – обо всем по порядку.

Эта заметка в поддержку поста «Заработать на контенте», в котором я упомянул, что одним из вариантов выбора ниши для создания сайта может быть клуб о готовящейся к выходу модели машины.

Так получилось, что летом решили купить машину жене. Поездили, посмотрели, сравнили.

Выбор пал на Sandero Stepway. Производство машины стартовало в январе этого года. Модель новая, было интересно покопать информацию в сети. В итоге было собрано много материалов и я решил, что они могут быть полезны другим людям.

Так появился блог о Renault Stepway.

Работа по созданию сайта заняла 4 дня. Хочу поделиться с вами описанием процесса работы и результатами по его посещаемости.