«Серийное» использование больших данных в маркетинге дало старт формированию новых, цифровых методов управления маркетингом и другими сферами бизнеса (например, подбором персонала, что тоже сфера маркетинга, только на рынке труда). Data Driven Marketing – маркетинг, основанный на данных, а не на ощущениях и оценках специалистов, – концепция, известная, как минимум, десятилетие. Но лишь благодаря использованию Big Data он перестает быть благим пожеланием менеджмента компаний и становится реальной возможностью. Наступает эпоха всеобщего цифрового, математически точного маркетинга.
Экономия и эффективность
У цифрового управления маркетингом два главных отличия от традиционного: почти полная независимость от экспертизы и практически ежеминутный контроль эффективности.
Маркетологи теперь важны преимущественно при выработке гипотез для маркетинговых кампаний. Дальше гипотезы проверяются, и происходит таргетирование потребителей по отношению к выбору рекламных каналов, восприятия креативных решений (баннеров), видов продуктов и их моделей, вариантов скидок, видов каналов коммуникации (email, sms, телефон), времени суток/года, а также событий, когда коммуникация наиболее эффективны. Все это дает существенную экономию маркетингового бюджета. Ведь одно дело – совершить тысячи звонков, а другое – осуществить несколько точечных контактов.
Таргетирует потребителей и офлайновое управление маркетингом, возразите вы. Но цифровое делает это тонко и точно. За счет обработки больших данных получается статистически более достоверный результат. Кроме того, появляется возможность работать с нестрогими целевыми группами, учитывать разную степень отнесения потребителя к тем или иным группам (нечеткие множества).
Вы в любой момент оценить эффективность принятых решений. Из той выборки, которую система рекомендует, случайно выбирается потенциальный клиент, и его реакции сравниваются с теми, которые должны быть согласно модели потребительского поведения. Система на каждом шаге делает это автоматически – то есть происходит ее постоянная самокоррекция.
Три примера того, как работает цифровое управление маркетингом.
Воронка релевантности
Насколько эффективно цифровое управление в активном маркетинге? Одна из российских обувных компаний решает с помощью цифрового управления маркетингом задачу оптимизации воронки продаж. Воронка, как известно, подразумевает выявление максимума интересующихся брендом и перевод максимума из них в категорию покупателей.
По отношению к продукту люди делятся на четыре категории. Кто-то пока не знает о существовании бренда, кто-то знает и интересуется, кто-то уже что-то просматривал в интернет-магазине, но «положил» обратно, а кто-то уже приобретал там товары.
Первым нужно сообщить о товаре. Вторым – показать модели обуви, которые с высокой вероятностью вызовут позитивный отклик. Третьим – предложить скидки и другие дополнительные стимулы для покупки. А четвертых важно проинформировать о сопутствующих товарах и новых моделях взамен той, что они уже приобретали.
Начиная реализацию цифровой модели управления маркетингом, компания обратилась к одному из агентств интернет-рекламы для выработки гипотез и совместной разработки стратегия привлечения покупателей. Как убедить целевую аудиторию, что бренд ей подходит? – был поставлен вопрос. Параллельно был собран корпус данных для цифрового управления. Были взяты данные из корпоративной CRM и программы лояльности, дополнены открытыми данными из паблика интернета. В результате с помощью экспертизы и информационной системы определены категории потребителей, которых может заинтересовать модель. На основе знаний агентства отобраны каналы продвижения, отобраны сети, которые умеют показывать баннеры именно в этих каналах, а также разработано несколько типов креативных решений.
А вот дальше включилась цифровая система. Данные о просмотрах баннеров стали поступать в так называемую платформу управления данными (Data Management Platform – DMP). Стала формироваться четкая картина того, какие каналы и креативные решения более эффективны, а какие – менее, какие группы потребителей наиболее заинтересованы в бренде, а какие – вообще не заинтересовались. После каждой итерации отброшены группы и каналы, на которые не имеет смысла расходовать бюджет.
Совместными с рекламным агентством усилиями, на основе данных DMP разработана стратегия продаж. И после запуска она точно также стала реализовываться и по мере необходимости корректироваться с помощью цифровой системы управления маркетингом.
Тех, кто заинтересовался товарами, сайт просил оставить информацию о себе. С ее помощью система анализировала тех, кто перешел на сайт. Потенциальный клиент уже предпринял какие-то действия? Скачал брошюру о бренде? Задает вопросы по тем или иным моделям? Следовательно, он уже готов в коммуникации через email, sms, телефонные звонки.
Система разрабатывала для различных категорий клиентов индивидуальные предложения исходя из своих знаний о соответствующем социально-демографическом и потребительском типаже. В зависимости от реакции на эти предложения вырабатывались дополнительные стимулы, скидки. Они определялись на основе статистики о том, какой социально-демографический и потребительский типаж при каком уровне цены чаще всего покупал обувь.
Цифровое управление воронкой продаж в обувной компании функционирует уже больше года. Благодаря ей обувной бренд увеличил объем продаж более чем в два раза.
Смотрите, кто пришел
Цифровое управление не менее эффективно в пассивном маркетинговом режиме – режиме ожидания клиентов. На сайте одного из поставщиков автомобилей до построения системы цифрового управления был только счетчик, который учитывал число посетителей по IP-адресам. Чтобы собрать более содержательную информацию, на сайте была реализована тестовая, без таргетирования потребителей, рекламная кампания. Цель – собрать максимально широкий спектр данных о посетителях, а затем выделить их сегменты.
Кампания проводилась три месяца. За это время была собрана достаточно подробная информация о потребителях: те данные, которыми они сами были готовы делиться, плюс дополненные сведения из социальных сетей и других открытых источников. В результате автомобильная фирма увидела, на какие группы потребителей рекламная кампания действует лучше всего, а какие нуждаются в дополнительных стимулах. Была выполнена нарезка кластеров по типовым потребительским профилям.
На следующем шаге автомобильная компания спроектировала рекламные каналы для того, чтобы найти потенциальных потребителей сходных типажей. Затем было запущено несколько рекламных программ, ориентированных на выделенные целевые аудитории. Замечу, что все мероприятия выполнялись только на основе данных, собранных системой цифрового управления маркетингом: без привлечения сторонних консультантов и без гипотез собственных маркетологов. При реализации кейса обнаружилось, что на сайт этого поставщика автомобилей приходит немало владельцев машин одной из конкурирующих марок, о чем маркетологи не знали.
Система позволила параллельно осуществить и еще один проект пассивного маркетинга – анализ объявлений на различных сайтах, где продаются автомобили. DMP выделяла клиентов, которые продают автомобили данного поставщика, и в этот момент им делалось предложение трейд-ин, предлагался тест-драйв новой модели. Отклик по таким коммуникациям доходил до 50%.
Благодаря этому в период падения потребительского спроса продажи не сократились, тогда как у других участников рынка они снизились примерно на 15%.
Синергия самоанализа
Третий пример касается использования цифрового управления для эффективного кросс-сейлинга. В одном из розничных банков с помощью цифрового управления маркетингом реализована система продажи дополнительных банковских продуктов. Там экспертным и математическим способами выделили критерии лояльного и заинтересованного в новых продуктах клиента, научили систему их искать – и продажи продуктов банка без привлечения новых клиентов выросли на 20%.
Затем система кросс-сейла была использована в тандеме с системой продаж банковских продуктов новым пользователям. Во внешней среде были найдены потребители, аналогичные по своим характеристикам тем, кого заинтересовал кросс-сейл, и по отношению к ним проведены целенаправленные маркетинговые кампании. Банк получил большое число надежных заемщиков и новых вкладчиков.
Все наоборот
Цифровое управление маркетингом в России реализовано прежде всего в брендированных и специализированных торговых сетях с активной интернет-торговлей, автомобильных компаниях, банках и телекоммуникационных фирмах. Опыт показывает, что системное цифровое управления маркетингом должно строиться в последовательности, обратной приведенным мной примерам. Сначала – работа с собственной базой, накопленной в CRM и программах лояльности, для кросс-сейла. Затем – работа с клиентами, пришедшими на сайт и проявившимися с помощью объявлений, результатом которой становится таргетирование аудитории.
И на этой основе – разработка и реализация стратегии привлечения клиентов с помощью цифровых каналов продвижения, партнерских сетей, собственных сайтов и мобильных приложений и стратегии продаж. Такая последовательность делает управление маркетингом наиболее эффективным.
все отлично, только модели поведения мало кто умеет строить
в конечном итоге результативность упирается в способность видеть за факт чекингом - модели, связанные с привычками и нормами
а это глубокий анализ "личности", которая делает массовые покупки
Радостно видеть, как наука берёт всё новые рубежи!
Скоро и хирургические операции на мозге генеральных директоров будут делать без хирургов. Возможно - в два раза быстрее.
Вначале подумал, что хлёсткое название, как это часто бывало раньше - дело рук редакции :) ... потом обратил внимание на высокую частоту упоминания "управление маркетингом" :) - но самого Управления не нашёл в статье. Стоит вспомнить что такое Управление, Реклама и Маркетинг. Если просто на пальцах => систематизация данных не может считаться управлением, даже если присовокупить к этому названию ещё и Платформа - Data Management Platform.
Если человек занялся управлением маркетингом с помощью некой системы и отрицает существование маркетологов, при этом возложив на себя их функции ... сразу вспомнил у Стругацких - "... большая картина, изображающая подвиг лесопроходца Селивана: Селиван с подъятыми руками на глазах у потрясенных товарищей превращался в ПРЫГАЮЩЕЕ ДЕРЕВО". - "Улитка на склоне".
А на кого статья нацелена? Откройте секрет, я так и не понял, для чего заголовок и статья, для банального трафика, или для ценности материала для конкретной аудитории, такое ощущение, что вы работает на автомате - без отдела маркетинга!
это новая генерация измерителей, которые за счет метода постоянного измерения как бы отслеживают (утверждают что обнаруживают) определенную модель поведения покупателя, без анализа его внутренне детерминированных мотивов
как бы вот работающая связь "как есть" и она наглядно работает, это полезно тем, кто находится в активной фазе продаж, рынок растет, продажи растут, транзакций очень много и можно учитывать состояние движения без глубокого анализа
если рынок падает, продажи стоп, то учитывать биг дата просто будет нечего, транзакции на нуле
Статья просветительская, поскольку все эти методы и технологии давно опробованы и успешно работает в развитых странах.
Основная трудность которая существует в настоящее время перед подобными проектами - это наличие всей необходимой информации. Под этим термином я понимаю не только анализ неких массивов данных:
1. исчерпывающий набор характеристик объектов анализа: покупателя, продукта, моделей и других, скрывающихся под формулировкой мастер данные. Как говорится, данных мало не бывает, особенно тех, что характеризуют и описывают ключевые объекты;
2. сбор этих данных. Процессы (ручные или ИТ) должны оперативно собирать и накапливать все эти данные. big data не работает на короткой по времени и не полной выборке данных.
ну и сам анализ результатов - сам по себе массив данных, пусть даже и очень большой (что и есть big data) не дает вам ничего. Нужны мощности, механизмы и инструменты способные "переварить" все это, а это уже называется data science и data mining, это науки, ищущие и изучающие любые зависимости и в колебании массивов данных. Прелесть в том, что в результате вы получите только факт зависимости, например, в одном из магазинов происходит увеличение продаж ниток на 12,5% в каждую 2ю среду месяца. на основании этой информации маркетологи и должны выяснить - что является драйвером подобных зависимостей.
Сейчас технологии движутся в сторону автоматизации принятия решений, т.е. убрать людей совсем и снизить риски в принятии типовых, не гениальных решений. Для этого есть теория игр, психологические науки и нейросети
это описание достаточно точно подходит для положительной обратной связи, когда система крайне неустойчива и речь больше о "генерации ошибок", чем об управлении. Например, обычная логистика с обеспечением такой задачи может не справиться, и без глубокого анализа будет тормозить ...
значит купив биг дата все равно придется искать реальную модель поведения?
ее можно найти и без пинка биг датой в спину
еще дирекции не всегда способны даже обсуждать модели поведения людей с их свойствами, так как не понимают механизмов мотивации, механизмов потребности и норм и традиций, обсуждают эти проблемы "кухонным языком" и не придут к успеху в осознании реальной модели
все же биг дата это на большой выборке выделение устойчивых связей "как есть" если потоки большие то в этих потоках нужно как то ориентироваться - что прикрутить а чему дать ход - в большом количестве транзакций все хорошо - мониторинг с долей интеллекта
как транзакции встают - всё заканчивается
анализ поведения людей - в этом большая проблема, мало кого встречал в бизнесе, кто отчетливо представляет модели поведения человеческих групп
ее необходимо будет понять и пояснить, система сама скажет что происходит, но вот почему - не сможет объяснить до того момента, пока выявленные модели не будут описаны и заложены в механизм, а это уже ведет к прообразу нейросети, которая сама делает выводы, запоминает их и принимает решения.
ведь модель поведения - определенное поведение людей, имеющее в результате некие действия и поступки, которые можно характеризовать, описать и анализировать.
Дмитрий Федоров пишет:
еще дирекции не всегда способны даже обсуждать модели поведения людей с их свойствами, так как не понимают механизмов мотивации, механизмов потребности и норм и традиций, обсуждают эти проблемы "кухонным языком" и не придут к успеху в осознании реальной модели
в большинстве своем - это правда, но практика показывает следующее, что компании решившиеся на подобные проекты, готовы меняться и принимать подобные нововведения. Это единичные проекты на российском рынке, но успех подобных проектов на рынках Америки, Азии и Европы нам в этом помогает.
Дмитрий Федоров пишет:
как транзакции встают - всё заканчивается
не обязательно - можно начать прогнозировать. так работают инструменты прогнозирования - они смотрят на историю транзакций и просчитывают будущие результаты с учетом зависимостей, тенденций и предпосылок, выявленных в исходном массиве. Прозвучит невероятно, но точность подобных подходов бывает феноменальной 94-98%. такой результат не по силам классическому ручному планированию.