​Big Data в маркетинге – пустая трата денег?

Учредитель собственного маркетингового агентства с огромной по российским меркам историей, Михаил Дымшиц, выступая на конференции Russian Tech Week, раскрыл теорию о том, что на самом деле обещанные Big Data маркетинговые преимущества лживы, либо не являются чем-то эксклюзивным для этих технологий.

Мы выделили основные тезисы выступления, а затем попросили автора дополнить их в небольшом интервью.

«Big Data – тема уже не модная»

Интерес к Big Data на сегодняшний день, можно считать, стабилизировался. После этой стабилизации начнется снижение интереса. В каких-то областях Big Data может остаться, но в целом понятно, что Big Data – тема уже не модная, она носит операционный характер.

Big Data обещает нам целый ряд преимуществ:

  • создание наиболее точного портрета целевого потребителя;
  • предсказание реакции потребителя на маркетинговые сообщения;
  • персонализацию рекламных сообщений;
  • оптимизацию производства и стратегий распределения;
  • создание цифрового маркетинга;
  • сохранение большего числа клиентов путем наименьших трат;
  • получение лучшего представления о собственном продукте, компании и так далее.

Часть из этих утверждений являются не исключительно «бигдатовскими», часть – абсолютно лживы.

Например, персонализация рекламных сообщений. Этому механизму ровно столько, сколько существует личное общение, связанное с продажами. Любой рыночный продавец в мастерстве персонализации даст сто очков вперед любому сммщику или маркетологу.

Сохранение большего числа клиентов путем наименьших трат? По отношению к Big Data это просто ложное утверждение. Сами по себе технологии Big Data, анализ Big Data – это очень дорогая процедура, и те действия, которые следуют из нее, они тоже безумно дороги.

Во всем этом кроется несколько базовых очень глубоких ошибочных предположений. Это касается не только Big Data, но и практически всей маркетинговой деятельности, которая направлена на индивидуальное преследование.

Big Data, в отличие от классического, статистического маркетинга, который работает с моделью потребителя, целевой группой, пытается создавать наиболее точный портрет целевого потребителя.

Базовое предположение: зная предыдущее поведение человека, мы можем предсказывать его будущее поведение, – это и есть ключевая ошибка. Мы знаем как ведут себя группы, но чем лучше мы знаем как себя вел человек, тем хуже мы предсказываем его последующее поведение.

Вообще мы сами о себе склонны думать, как о людях с достаточно постоянным поведением. Но если вы будете четко фиксировать свое поведение, то заметите, что у вас есть базовые маршруты, но самое интересное случается, когда вы отклоняетесь от них. И именно в этот момент вы представляете интерес для маркетологов. Все траты, которые человек совершает, они чаще всего совершаются по маршруту, про который система не знает.

При анализе Big Data маркетологи компании вдруг видят, что какой-то маршрут у человека повторяется два раза в год. Решают – будем ловить его на этом маршруте. Они садятся и ждут, но третий раз по этому маршруту человек может не пройти. Потому что практически вся система Big Data и все представления, и все, что дает Big Data, построено на аффинити – на абсолютно малых величинах признаков.

Дело в том, что нам действительно свойственны некоторые типы поведения. Но у людей, которые представляют наибольший коммерческий интерес, поведение разнообразно и не типично. Даже если провести попытку психологической типизации этих людей, то известно, что чем более высокий уровень дохода, тем больше эта группа с точки зрения психиатрии классифицируется как «мозаичные психопаты».

Конкретное поведение всегда конкретно, очевидно и игнорирует всякие происходящие события, но сам по себе набор поведенческих событий очень разнообразен и поведение в разных ситуациях разное. Соответственно, чем больше у человека уровень дохода, тем хуже мы можем предсказывать его поведение индивидуально. Опять же, это не значит, что мы не можем предсказывать поведение группы.

Например, при анализе данных вы получаете информацию, что люди, приходящие с какого-то сайта, совершают необходимое вам действие на вашем. И дальше логичным предположением будет сделать ретаргетинг этих посетителей на других сайтах. Проблема логики в том, что внутри себя логика не содержит проверки истинности.

Ключевым моментом здесь является то, что типичная доля предыдущего сайта, в аудитории посетителей другого сайта, не связанного тематически, минимальна. Дело в том, что сам по себе такой сдвиг мы получаем только на признаках, которые имеют очень малое проникновение. И нужно понимать, что в офлайне носитель считается имеющим маленькую аудиторию в целевой группе, если еженедельная аудитория меньше пяти процентов.

Во всех отчетах по Big Data мы видим, прежде всего, аффинитаж (аффинити-индекс – индекс, который определяет долю целевой аудитории в массе базовых потребителей – Executive.ru). Проникновения, параметры проникновения зачастую вообще скрыты, потому что они очень низкие. В итоге получается, что аффинити для малых, менее одного процента, групп вообще не имеет смысла.

Вообще, дело в том, что аффинити – это цифра очень высокая, там можно получить 400, 500, но если вы построите график рассеивания аффинити, в зависимости от величины, то вы увидите удивительную вещь. Если мы видим, что есть площадки, которые имеют высокий аффинити, то чисто статистически должно быть примерно такое же количество площадок, которые имеют низкое аффинити. То есть, если эта группа что-то предпочитает, то должна и что-то игнорировать.

Но если вы сделаете такой анализ, вы увидите, что количество площадок, у которых высокий аффинити, составляет 85% проанализированных площадок. Почему такой перекос? Дело в том, что это связано с тем, что низкие проникновения мы получаем у людей, у которых выше среднего количество посещенных площадок в принципе. То есть там основой является гиперактивность этих людей, а не их интересы, склонности или еще что-то.

Вообще аффинити-индекс больше 150 должен у вас вызвать подозрение, что он определяется не тем, чем бы вам хотелось. Чаще всего в основе этих высоких аффинити лежит просто более высокая, чем в среднем, активность тех людей, которые порождают вот эти измеряемые данные.

Поведение конкретного человека неустойчиво, но поведение групп, в среднем, устойчиво. Поэтому преследование групп дает более устойчивый результат, чем преследование индивидуальное.

Еще одна типичная маркетинговая ошибка. Видят устойчивость доли и количества покупок какого-то бренда в течение многих лет на уровне 20%. Из этого делается вывод, что вот эти 20% – это всегда одни и те же люди. Но если это товар повседневного спроса, который покупается в среднем раз в месяц, то за полгода этот товар покупает 70%, а то и 80% покупателей товарной группы. Просто на каждом цикле покупки их только 20%, а за 6 циклов покупки проникновение получается больше половины. То есть устойчивость распределения еще не означает, что это распределение создают одни и те же люди в одном и том же статусе.

Еще большая проблема с Big Data это использование данных из соцсетей. Нужно понимать, что большая часть событий у людей не находит никакого отражения в социальных сетях. Например, посещение магазинов и аптек. Недавно мне довелось аудировать исследования, аптечная сеть дала базу – 800 тыс. клиентов оставили свои идентификаторы. Их нашли в социальных сетях, но из них те или иные сообщения, связанные с этой аптекой, оставили менее тысячи.

Что мы будем теперь делать с нашим знанием о том, что мы нашли этих людей? Ничего. Покупка товаров повседневного спроса, посещение кино, вообще все, что угодно – люди репрезентируют себя в социальных сетях только маленькой частью своей жизни. А те, у кого жизнь большая и разнообразная, репрезентируют еще меньшую ее часть. Известно, что 80% сообщений в соцсетях создает 7% пользователей. Остальные просто наблюдают за чужой жизнью.

Что же теперь, не использовать Big Data?

Executive.ru: В своем выступлении вы занимаете позицию «противника» Big Data в маркетинге...

Михаил Дымшиц: Нет, не противника. Это неправильное выражение. Быть противником Big Data и методов на них основанных просто глупо. Но есть некие источники информации, к которым формируется некий уровень ожидания, и большая часть ожиданий не реализуется.

Есть задачи, которые Big Data решает. Тут просто нужно различать, какие задачи корректны. Более того, отдельная проблема связана с тем, что люди эти задачи не правильно формулируют.

Технически вы можете рассчитать и получить некие статистические, формально достоверные результаты. Но эти результаты при этом бесполезны. То есть сама по себе возможность проведения операции еще не говорит о том, что-то что вы обсуждаете является содержательным, имеет некое конкретное содержание.

Executive.ru: То есть, возможно, не хватает средств использование этих Big Data?

М. Д.: Нет, нет, со средствами все хорошо. Это вопрос постановки задачи. Есть задачи, которые вообще ставить бессмысленно.

Executive.ru: Какие например?

М. Д.: Ну, допустим, анализ потребительского поведения, исходя из тем, которые люди обсуждают в социальных сетях. Условно говоря, когда аптечная сеть находит 800 тыс. своих покупателей по ID, выясняется, что реально следы в обсуждениях, посты в социальных сетях, связанные с посещением аптек сети, оставляют мизерные доли. Становится понятно, что в соцсетях анализировать поведение и отношение к аптечной сети бессмысленно. И это, собственно говоря, касается практически всего.

Executive.ru: Но возьмем вот этот пример. Пусть из них лишь тысяча обсуждала свое посещение аптеки, но ведь мы получили данные об этих 800 тыс. и мы можем, допустим, настроить на них таргет какой-нибудь акционный. У нас ведь есть данные, что они в принципе посещали.

М. Д.: В данном случае стоимость подобных мероприятий заоблачная. Вот. Не говоря о том, что отклик на подобные мероприятия – мизер. Этот случай – история как раз о том, что технически мы можем это сделать, а по факту это делать абсолютно нецелесообразно. Такие же деньги, потраченные на обычное рекламирование, дадут гораздо больший эффект.

Понимаете, это из серии, что вы можете переходить дорогу, перебегая перед потоком и в общем достаточно долго этим заниматься, но правильнее дойти до пешеходного перехода и перейти по циклу. Это безопаснее, а значит – разумнее. Все эти компании по ретаргетингу в социальных сетях по осмысленности соответствуют перебеганию Садового кольца в час пик.

Executive.ru: А есть у вас какой-нибудь реальный пример? К вам обратились клиенты какие-нибудь и говорят: «Вот мы воспользовались услугами такой-то компании по таргетингу, на деле потратили...».

М. Д.: Нет, никто не говорит. О ретаргетинге хорошо говорят интернет-магазины. О ретаргетинге хорошо говорят те, кто занимается онлайн-играми. А все остальные о ретаргетинге ни одного хорошего слова не сказали.

Executive.ru: То есть, есть все-таки сферы, где он работает?

М. Д.: Типичная проблема маркетинга в том, что все, что входит в арсенал маркетолога, оно работает, но работает только в очень узком диапазоне условий, товарных групп, целевых групп и прочее. То есть, есть примеры эффективных рекламных кампаний. Вот знаете, допустим, такая элементарная вещь, как реклама на транспорте. Но оправдывающий экономические затраты есть лишь один пример. Когда это было использовано впервые в Нью-Йорке для рекламы открытия большого магазина. Более того, это был один из первых в Нью-Йорке магазинов с открытым доступом. Вот и все. Любой другой анализ рекламы на транспорте показывает, что это безумно дорого и нецелесообразно.

Executive.ru: То есть получается, в принципе, Big Data в маркетинге работает, просто далеко не везде. И нужно правильно понимать где ее использовать?

М. Д.: Не совсем. Хорошо известно где она работает, а во всех остальных случаях она не работает.

Executive.ru: А что же делать тогда? Как ее использовать и кому?

М. Д.: Не использовать. Вы меня поймите: Big Data показала, что поведение людей носит статистически случайный характер. И смысл использования массивов данных исходит из того, что можем ли мы, зная что-то, предсказать или ожидать в значимой части какой-то другой признак.

То есть использование данных подразумевает, что есть данные, которые мы используем в прямую, а есть данные, которые используются для предсказания какого-то поведения, предсказать которое мы не можем. Вот технологии Big Data, с точки зрения предсказательной способности, оказывается не эффективны. Они хорошо предсказывают какие-то очевидные вещи, о том, что, условно говоря, там, большую часть гигиенических прокладок используют женщины. Понятно, что новой и нужной информации в этих данных, по большому счету, ноль. А то, что часть гигиенические прокладки покупают мужчины и используют в качестве стелек, это нам никакие Big Data статистически не покажут. Значит соответственно есть вещи, где мы и так можем предсказать спрос, а значит использование Big Data бессмысленно. Big Data рассказывает очень много интересного, но крайне мало значимого.

Executive.ru: То есть в маркетинге Big Data по вашему вообще не нужны?

М. Д.: Если это не прямой маркетинг, который в онлайн-играх, онлайн-магазинах. Там задачи прямого знания: если вот этот человек был на сайте этой игры и продержался там 15 секунд, не ушел в первые пять, то в принципе применение эффективного ретаргетинга для того, чтобы осуществить преследование этого человека, имеет определенный смысл

А чаще всего мы видим такой ретаргетинг: я купил билеты на самолет, а мне начинают рекламировать другой рейс. Но они же видели, что я уже совершил покупку. У них есть кук (cookie-файл – Executive.ru), что я был на сайте платежной системы. И понятно, что-то, что они сейчас рассказывают, что можно еще один билет купить – это бессмысленная трата времени.

Executive.ru: То есть по сути-то у них есть данные, которые они могли бы использовать с умом, но они их используют неправильно?

М. Д.: Используют они их неправильно, потому что правильное использование очень ограничено и им не хватает денег. Из-за этого они начинают это вклеивать всем, кому не лень, всяким доверчивым чудикам.

Executive.ru: И какой ваш рецепт для предпринимателей, бизнесменов, которым предлагают какие-то маркетинговые Big Data-технологии..?

М. Д.: Безусловно, в основе всего этого бардака – низкий уровень подготовки и предпринимателей и маркетологов, которые пытаются это делать. То есть понятно, что одни предлагают, а уровень подготовки предпринимателя позволяет ему поверить в эту «сказку». Поэтому многие приходят: «Вот я читал, что это можно. Сделайте мне такое счастье». И никто из проповедников Big Data, конечно, не отказывается от денег, хотя часть из них понимает, что потрачены они будут бессмысленно.

Все эти сказки про эффективный маркетинг, основанный на Big Data, в основе своей имеют нежелание владельцев и руководителей компании вникнуть в вопрос. Все глупости и все растраты идут от этого.

Они зависят от агентств, а те понимают, что им спорить с заказчиком. А зачем им спорить? Креатив привлекает клиентов. Они приходят с деньгами, агентству эти деньги надо отработать. То есть бардак идет от безграмотности клиентов маркетинга.

Комментарии
Риск-консультант, Пермь

Статья понравилась профессиональным взглядом специалиста по маркетингу. Но считаю, что если применять эти технологии для сбора статистики, то можно быстрее находить фокус исследований для специалистов по такому маркетингу, который представляет Михаил Дымшиц. А также специалистов по дизайн-мышлению.

А саму технологию Big Data можно совершенствовать под интеграцию с исследователями. Каким вопросом заинтересуются исследователи, под таким углом можно и собирать информацию, разумеется совершенствуя ПО.

Финансовый директор, Ульяновск

Открыл Америку )))

Из того, что молотком хорошо забивать гвозди, не следует, что им хорошо забивать шары на бильярде. Любой инструмент надо применять с умом.

IT-консультант, Украина

BigData - это топор

Им можно рубить дрова, но начальники-самодуры зачастую рубят им головы и руки


Researcher, Беларусь

Являются ли методы "больших данных" развитием статистических методов или это самостоятельная отрасль? - вопрос к теоретикам, а не практикам управления рынком. Без базового понимания процессов, как правильно раз'ясняет автор, это предмет роскоши, а не инструмент. Общий вывод: переход из количественного в качественное - понятие философское, а не прикладное! Укрепляйте и развивайте базис!

Риск-консультант, Пермь
Андрей Горгодзе пишет:
Общий вывод: переход из количественного в качественное - понятие философское, а не прикладное! Укрепляйте и развивайте базис!

Если разделить "зерна от плевел", то базисом является статистика. Проблема возникает тогда, когда аналитика, основанная на ограниченных или предвзятых убеждениях начинает выдавать себя за статистику.

IT-консультант, Москва

Самое забавное, что формальное определение Big Data появилось недавно. Имею в виду ISO/IEC 20546. А ругают (или хвалят) то, не знаю, что, несколько лет. Более того, само определение не говорит ни о чем, т.к. это может быть любой набор данных. Т.е. Big Data это даже не молоток, а материалы, из которых можно сделать и молоток, и кирпич и что угодно. Молотком считаю те дорогущие инструменты, которые продают для работы с большим количеством наборов данных, причем в основном инструментарий кастомизации, включая аналитическую нашлепку, где зарыт copyright вендоров. Поэтому сам подход к теме некорректен, название статьи - тоже. Другими словами, коллеги, если цель поставлена неверно (профессионализм маркетологов, руководителей и т.п.), если аналитика ведется некорректно (профессионализм бизнес-аналитиков), то чего кивать на расходный материал? При чем здесь вообще Big Data? С учетом того, что скорость так называемой цифровизации растет, то без сосредоточенных в одних руках средств обработки разнородных данных и информации, уж простите, скоро будет никуда. Добавим сюда срастание любого вида деятельности и ИТ на уровне знаний, включая аналитику, статью можем повернуть "перпендикулярно": пиар своей компании - да, это нормально, плюс утверждение о том, что не хватает компетенций, а проще - не хочется ничего менять, лучше позвать кого-то, т.е. попасться на тот же маркетинг. С этим полностью согласна. Если бы не одно НО: а кто и где этому учит? Кто продвигает подобную грамотность на уровне, например, государства? В образовании, в обучении? Понимая механизмы, логику ИТ и имея широкие современные управленческие знания, которые теперь без аналитики никому не нужны, легко понять одну простую истину: для обработки уже любимых нами Big Data не нужны заумные инструменты, достаточно пары - тройки профессионалов. Лучше с конвергентными знаниями.

Риск-консультант, Пермь
Татьяна Орлова пишет:
статью можем повернуть "перпендикулярно": пиар своей компании - да, это нормально, плюс утверждение о том, что не хватает компетенций, а проще - не хочется ничего менять, лучше позвать кого-то, т.е. попасться на тот же маркетинг

Полностью согласен. И самое подходящее решение менеджмента "управление знаниями" - это использовать профессиональную точку зрения маркетолога, со всеми подробностями для последующего развития искусственного интеллекта(ИИ). И негатив ситуации можно направить в позитив положения. Чтобы ИИ начал обладать искусством - есть еще чему поучиться.

HR-директор, Нижний Новгород

Очень полезное интервью, разрушающее ореол панацеи для бизнеса и сводящее Big Datу к дорогому инструменту, эффективно применимому для узкого круга задач.

Руководитель, Москва

Все хотят таблетку, одно принятие которой сразу вас сделает молодым и здоровым, причем из любого начального состояния.. И расстраиваются, когда проданная им таблетка с такими свойствами - не работает..

Вроде взрослые люди, а в сказки верят..

Про БигДату - это довольно тяжелый набор методов, которые имеют ряд ограничений. Что бы их применять в каждой конкретной ситуацией нужно все-таки знать что именно в этой ситуации нужно и обладать квалификацией..

Директор по рекламе, Москва

да так же неправильно использовали и данные Геллапа - в чем проблема? - это мне знакомо так как в агентствах постоянно торчали в Геллапе и оттуда выносили модельное поведение групп и научились это делать

похоже весь регулярный маркетинг появился вместе с тотальными измерениями - тот же Геллап, который рос рос рос и вырос в большую панель, данные, которые туда сваливались структурированы опросами и оперировать из них модели поведения групп тоже непросто но можно если постараться - вот там аффинитивность полезный показатель

структура опросов на старте укладывает данные компактно и "полезно", поэтому не смотря на масштаб базы она не биг (коллеги из ТНС Геллап могут поспорить наверное)

биг дата хранит из собранного бессистемно - поэтому она очень биг

т.е. ее нужно структурировать перед тем как делать выборки, о недостатке структурирования в больших данных похоже стон Автора, однако биг дата позволяет ТОЧНО собрать данные если у вас уже есть проверенные модели, например на основе нейромаркетинга - появляются якоря по которым можно структурировать а потом собирать - чем и занималась контора Cambridge Analytica (CA) и кстати поэтому эксперименты над людьми (нейромаркетинг) прямо запрещен много где в Европе (если не повсеместно)

связь биг дата с экспериментами над человеком - вот суровый вопрос реальности, а не беспомощность каких то маркетологов, которые не умели в Геллап и лажали на ровном месте и так же (вероятно они же) не умеют в биг дата

Оставлять комментарии могут только зарегистрированные пользователи
Статью прочитали
Обсуждение статей
Все комментарии
Дискуссии
Mini img 20190725 141844
ERP
Дмитрий Ляшенко
Борис, ту на постановку задач - полминуты. Вася, мне нужно то-то и то-то, поплавок на такую глуб...
Все дискуссии
HR-новости
Эксперты: 4-дневная рабочая неделя приведет к снижению зарплат

Закон не препятствует пропорциональному снижению ФОТ при переходе на четырехдневную рабочую неделю.

75% россиян не верят в пенсии

Три четверти россиян не верят в пенсии, показал опрос Райффайзенбанка. А те кто верят, полагают, что она составит всего 10-20 тыс. руб.

Японцы доказали, что при четырехдневной рабочей неделе производительность растет. В Microsoft сообщили о росте на 40%

Японское подразделение Microsoft подвело положительные итоги месячного эксперимента по переходу на четырехдневную рабочую неделю.

 
Кто счастлив в России?

Самыми счастливыми оказались - медики, госслужащие и HR-ы. Об этом сообщается в исследовании Headhunter.