Золотоискатели и маркетологи: что общего?

 

Датамайнинг – технология, которую объединяет с добычей горной руды то, что современный менеджер, подобно золотоискателю, хочет найти в огромных массивах данных ценную информацию. И такой «клад» способен увеличить прибыль и направить бизнес в нужное русло.

Во времена Джека Лондона «самые отчаянные и рисковые устремлялись на золотые прииски в поисках богатства и приключений, тогда человек оставался один на один с величественной, суровой природой». Так же и сегодня маркетолог остается один на один с горами отчетов, списков и таблиц в надежде найти ответы на вопросы «что?», «почему?» и «как быть?».

В поисках «золота»

Россыпное золото представляет собой маленькие кусочки самородного металла в виде чешуек и зернышек. Они рассеяны в большем или меньшем количестве в рыхлых отложениях – песках, илах, галечниках речных долин.

«Добыча россыпного золота производится следующим образом, – пишет Борис Гринштейн в своей книге «Земля за океаном», – там, где верхний слой пустой породы имеет мощность не более нескольких аршин, он попросту разрыхляется, снимается слой за слоем и отвозится в сторону – в торфяной отвал. Там, где слой глины, содержащий вожделенный металл и покоящийся на гранитном ложе, залегает на глубине до пяти-семи саженей, роются так называемые шурфы. Пески, освобожденные от торфов, выкапывают и тут же перебрасывают на приспособления для промывки водой».

Сродни раскопкам золота, датамайнинг позволяет разглядеть в данных ценное и невидимое для управления бизнесом, процессом, инициативой. Ценными и невидимыми являются закономерности, которые таятся в данных, накопленных компанией за долгие годы, но скрытых от обывательского взгляда.

Датамайнинг вовсе не маркетинговое понятие. Эту технологию применяют в госбезопасности, биологии, медицине, а в последнее время – в розничном и финансовом бизнесе… В общем, везде, где можно «копать». Для этого все данные должны храниться в структурированном электронном виде (например, таблицы Excel, базы данных).

Технология «раскопок»

«Киркой» для поиска ценных закономерностей являются программные продукты, в которых реализованы кибернетические и статистические методы (например, нейронные сети, методы кластеризации, методы поиска ассоциативных связей). Найденные «сокровища» становятся знаниями, то есть конкурентным преимуществом компании.

Пример маркетинговой цели – повышение продаж товара A через стимулирование покупок в определенном сегменте покупателей. Закономерность в данном случае выглядит как описание профиля клиентов, которые с наибольшей вероятностью купят этот товар.

В ходе использования методов датамайнинга для решения данной задачи может быть определено, что наиболее ценными покупателями товара A являются мужчины от 25 до 42 лет, средний чек которых – более 600 рублей, а частота покупок составляет 2-3 раза в месяц. В «покупательской корзине» вместе с товаром A также чаще всего встречаются товары A1, A2, B3, C4. Зная эту закономерность и владея при этом контактными данными покупателей, вы сможете значительно проще спланировать и провести эффективную акцию по стимулированию продаж, нежели используя массовые инициативы. Целевое стимулирование группы с соответствующим профилем обеспечивает с определенной долей вероятности повышение продаж товаров, более высокий уровень отклика с одновременной оптимизацией расходов на кампании. Как показывает практика, такое продвижение значительно более эффективно, чем массовое продвижение.

Процесс поиска закономерностей включает такие этапы, как загрузка и аудит данных, построение модели при помощи соответствующих методов, проверка правильности модели, ее корректировка, использование модели, получение знаний.

Примером, уже почти ставшим классикой в использовании технологии датамайнинг, является решение задачи кредитного скоринга в банке. Цель применения скоринга – определение профилей (набора характеристик) клиента банка, которые вернут и не вернут кредит. Для решения этой банковской задачи применяют классификационную модель, которая на основе ретроспективных данных, накопленных за несколько лет, определяет класс клиента. Класса в данном случае два. Первый – «вернет кредит», второй – «не вернет кредит». В результате применения модели сотрудник банка, на основе анкетных данных клиента и, конечно же, соответствующего метода датаймайнинга определяет вероятность возврата кредита и принимает решение о целесообразности выдаче кредита. Эта модель используется многими банками в Европе, Америке и на постсоветском пространстве многие годы.

Если переложить классификационную задачу в плоскость потребностей розничного оператора, то она может выглядеть следующим образом – «классифицировать клиентов на таких, которые откликнутся на рассылку с предложением купить товар А, и таких, кто не откликнется». Полезность знаний о вероятности отклика сложно переоценить. В результате использования классификационной модели розничный оператор получает и повышение лояльности (ведь предложение рассылается только тем покупателям, которым оно интересно), и повышение отклика (повышение эффективности работы отдела маркетинга), и оптимизацию расходов на инициативы.

Кто ищет, тот всегда найдет

Джек Лондон – один из многих золотоискателей, который вернулся с приисков, так и не найдя золота. В те времена кустарная добыча золота обогатила немногих. Чаще всего это было везением, а не результатом системы и правильности пути.

Найти самородок в данных – дело также совсем не простое, но решаемое. Более чем трехлетний опыт использования интеллектуальных технологий Prospects Intelligence для повышения эффективности бизнеса наших клиентов подтверждает это.

Фото: pixabay.com

Эта публикация была размещена на предыдущей версии сайта и перенесена на нынешнюю версию. После переноса некоторые элементы публикации могут отражаться некорректно. Если вы заметили погрешности верстки, сообщите, пожалуйста, по адресу correct@e-xecutive.ru
Комментарии
Преподаватель, Москва

Ну о-о-о-очень простенькая рекламка :D

Директор по маркетингу, Москва

\\Отредактировано модератором\\ О серьезных инструментах - так по дилетантски. И по форме, и по содержанию. Наглядный пример антирекламы.

Аналитик, Москва

Каша, причем очень не вкусная. :-!
Ирин, без обид, но если бы я не разбирался в вопросе, то вообще ничего не смог бы понять из статьи, а так просто какой-то замес из ''умных'' и ''неумных'' слов и предложений.

Нач. отдела, зам. руководителя, Украина

Уважаемые коллеги, спасибо за комментарии!

to Владимир
Не спорю и не скрываю - немного рекламы есть. А иначе читатели не узнали бы, что это не просто теоретическая статья лично от меня, а переложенный в ''небольшой литературный фрагмент'' определенный опыт нашей компании. И еще, как говорил Олдос Хаксли, ''реклама - самая интересная и самая трудная форма современной литературы''. Поэтому хотелось бы конструктивной критики...

Отдельно спасибо Марине Левен за «серьезные инструменты по дилетантски» . Значит, задача статьи решена, поскольку написана она для менеджеров, которые вообще не знакомы с понятием Датамайнинг, в том числе и для всех наших клиентов - настоящих и будущих, которые постоянно задают мне вопросы о том что же это такое Датамайнинг на простом русском языке.
А ''не по дилетантски'' - надеюсь сможете прочитать в следующей моей статье, если пожелаете...

Оставлять комментарии могут только зарегистрированные пользователи
Статью прочитали
Обсуждение статей
Все комментарии
Дискуссии
Все дискуссии
HR-новости
Количество повысивших зарплату компаний в РФ выросло в два раза

По состоянию на начало января заработная плата персоналу была повышена в течение последнего полугодия уже в 36% предприятий и организаций.

Красота стала реже влиять на трудоустройство и карьеру

Сказывается распространенность удаленной работы.

В «Ленте» будет трудиться робот-уборщик

Планируется, что он будет работать круглосуточно семь дней в неделю с небольшими циклами зарядки.

68% российских компаний используют труд роботов

ИИ применяют в ритейле, банках, промышленности и телекоме для оптимизации работы с клиентами, бизнес-процессов и производства.