В настоящее время потребители все время подключены к сети интернет через свои смартфоны, планшеты, компьютеры, игровые консоли — также, как и все приложения, онлайн-каналы сбыта товаров и услуг, доступ к которым осуществляется через устройства потребителей. По мере того, как потребители перемещаются между устройствами и каналами, они создают множество клиентских точек касания, с продуктом и продавцом, на разных носителях — онлайн, оффлайн, через проприетарные и сторонние приложения, через корпоративные и локальные сети, социальные сети, и мобильные устройства. Для маркетологов совокупность этой информации предоставляет прекрасную возможность лучше ориентировать и побуждать своих потребителей к совершению покупки. Ретейлеры, к примеру, внедряют расширенную аналитику и адаптируют ее под исследование совершаемых потребителями операций, чтобы иметь возможность предоставлять им персональные рекомендации в сети интернет. Поставщики телекоммуникационных услуг используют методы анализа больших данных для снижения оттока клиентов. Розничные банки используют большую аналитику данных для предотвращения мошенничества [1].
Западные компании, начиная с начала 21 века, осознали необходимость анализа имеющихся данных для повышения прибыли и приступили к внедрению и использованию средств анализа больших данных, в том числе, в целях анализа потребительского поведения. Однако, для российского рынка практика исследования больших данных для анализа потребительского поведения для дальнейшего принятия управленческих решений нехарактерна и распространяется невысокими темпами из-за нехватки квалифицированных специалистов, высокой стоимости использующихся для анализа данных средств и отсутствия понимания необходимости внедрения такой практики у руководства.
В значительной степени большие данные относятся к постоянно растущему потоку данных с точки зрения объема, разнообразия, скорости и сложности, возникающему в современной цифровой экосистеме. Как показано на рисунке 1, большие данные собираются вокруг клиентов на основе их онлайн-покупок, веб-кликов, действий в социальных сетях, подключенных устройств, геолокации и так далее [2]. Клиенты создают новые данные на каждом шаге, будь то структурированные данные при посещении веб-сайтов или неструктурированные данных при размещении комментариев в Facebook. Используя технологии работы с большими данными и методы их аналитики, маркетологи могут обрабатывать, комбинировать, обогащать и анализировать данные обоих типов в приближенном к реальному времени. Это может помочь им обнаружить скрытые шаблоны в поведении пользователей: например, как взаимодействуют разные группы клиентов и как это приводит к принятию решений о покупке. Оснащенные этими знаниями, компании могут затем разрабатывать целевые маркетинговые кампании, которые удовлетворяют индивидуальные предпочтения каждого отдельно взятого клиента.
Рис. 1. Профиль клиента следующего поколения.
Стремительное развитие таких технологий, как вычисления в оперативной памяти и рост количества платформ для параллельных вычислений с открытым исходным кодом, еще больше расширяет возможности использования и анализа больших массивов данных в маркетинге. Подобные платформы обеспечивают быструю загрузку данных, не прибегая к большим затратам, и позволяют анализировать данные в режиме реального времени. Основной постулат использования таких платформ гласит: «Большие данные = большие возможности».
Неудивительно, что использование потенциала больших данных входит в повестку дня главных должностных лиц по маркетингу почти в каждой крупной компании. Когда и как следует использовать большие наборы данных и что они должны делать с ним? Каков наилучший подход к реализации преимуществ, получаемых при анализе больших данных? Каковы возможности и проблемы? В частности, руководители по маркетингу хотят знать, как монетизировать большие данные.
Современные решения, предназначенные для анализа больших данных, предоставляют новые подходы к решению некоторых ключевых маркетинговых императивов и показывают впечатляющие результаты. Эти решения могут трансформировать традиционные роли в службе маркетинга и улучшить способы реализации основных маркетинговых функций. Маркетологи собирают данные, полученные из различных точек контакта с клиентом, чтобы составить полную картину поведения каждого клиента. Анализ такого большого количества данных в режиме реального времени позволяет маркетологам точно настраивать модели сегментации клиентов и вырабатывать идеи по разработке стратегий взаимодействия с клиентами и повышения ценности такого взаимодействия [3].
По мере увеличения количества каналов взаимодействия с клиентом маркетологам необходимо обеспечить предоставление одинаково отменного опыта взаимодействия потребителя с продуктом по всем каналам. Все эти усилия помогают обеспечить персонализированное предложение и максимизировать отдачу от маркетинговых инвестиций. В долгосрочной перспективе маркетологи могут использовать данные, получаемые в реальном времени, в разработке маркетинговой стратегии организации, оказывая влияние на разработку продукта и его ценообразование.
Множество приложений, предназначенных для работы с большими данными, демонстрируют огромный потенциал для стимулирования маркетингового воздействия в целях управления клиентами. Следующие примеры иллюстрируют различные подходы такого воздействия.
1. Лучшее действие для клиента. Маркетинг, называющийся Next best action (NBA), — ориентированный на клиента подход к маркетингу, который рассматривает в реальном времени все потенциальные предложения для каждого отдельного клиента, а затем определяет самый оптимальный. Подход NBA определяется интересами и потребностями клиента, а также бизнес-целями, политикой и правилами организации. Это резко контрастирует с традиционными подходами к маркетингу — сначала создать продукт или услугу, а затем пытаться найти заинтересованных потребителей [4].
Подход NBA обеспечивает возможность принимать решения в режиме реального времени, основываясь на данных из колл-центра, данных о транзакциях, информации о схожих клиентах и наборе бизнес-правил для определения одного или многих предложений, которые доступны клиенту в конкретный момент взаимодействия с ним. Данный подход ориентирован на предоставление клиенту лучшего предложения. Какое из предложений представить клиенту определяется алгоритмом, который объединяет расширенную аналитику (которая вычисляет склонность клиента к принятию предложения) и сложные бизнес-правила (которые определяют логику обработки). Кроме того, источники больших данных, такие как социальные сети и поток кликов, могут использоваться для значительного повышения предсказуемости аналитических моделей.
Как показано на рисунке 2, что делает большую аналитику данных еще более мощной, так это то, что во многих случаях она позволяет компаниям отслеживать события в режиме реального времени и внедрять идеи в процессе принятия решений в режиме реального времени. Это позволяет использовать контекстные, персонализированные и динамические решения для клиентов по различным каналам.
Рис. 2. Концептуальная техническая архитектура аналитики следующего поколения.
2. Персонализация онлайн-покупок. Два десятилетия назад индустрия розничной торговли радикально изменилась с появлением интернет-магазинов, которые использовали Интернет, чтобы расширить свой рынок и в то же время сократить запасы, персонал и операционные расходы. Сегодня интернет-торговля продвигает товары, обеспечивая персонализированный опыт для каждого пользователя за счет сбора и обработки огромного количества данных, характеризующихся большим объемом, разнообразием, скоростью и сложностью. Интернет-магазины используют мощные системы для работы с данными для сбора информации о пользовательских предпочтениях, пользовательском браузинге и покупательском поведении, атрибутах продукта, географическом местоположении покупок, уровнях инвентаризации, активных рекламных акциях и кампаниях и любом другом, что может быть записано в цифровой форме. Эти источники данных, которые ежедневно увеличиваются на несколько терабайт, преобразуются в информацию и инсайты с помощью интеллектуальных алгоритмов машинного обучения, которые определяют интересы клиентов и сходство продуктов, отслеживают географические особенности и определяют сезонные эффекты среди других и, таким образом, прогнозируют текущие и будущие потребности клиентов. Эта информация затем используется для предоставления персонализированного предложения для клиентов, иллюстрируя интересующие предметы, рекомендуя наиболее вероятные предложения и помогая клиентам находить то, что они хотят, и когда они хотят этого по наилучшей возможной цене. Персонализированные сайты экономят время для клиентов и повышают их удовлетворенность. Использование больших данных изменило правила игры в интернет-торговле [5].
3. Монетизация больших данных для целевой динамической рекламы. Монетизация данных создает большие возможности для организаций, владеющих значительными объемами данных — такие организации могут использовать неиспользованную или недоработанную информацию и, таким образом, создавать новые источники дохода. Как показано на рисунке 3, ряд сил сходится, чтобы создать условия для монетизации данных. Объем и ценность данных, которые доступны мобильным провайдерам, поражает — будь то в виде транзакций, запросов, текстовых сообщений или твитов, местоположений GPS или живых видеопотоков, — все это представляют собой настоящую золотую жилу [6].
Рис. 3. Монетизация данных.
Операторы мобильной сети, которые владеют большим объемом данных о клиентах, имеют уникальную возможность монетизировать данные, которые они собирают о своих клиентах. Учитывая их прямые отношения с клиентами, они, вероятно, обладают самой точной и полной информацией о клиенте. Они могут генерировать аналитическую информацию, основанную на действиях своих клиентов в сети, на основе информации о мобильном взаимодействии, местоположении и демографии, создавая 360-градусный взгляд на потребителя. Например, для наружных рекламодателей такие возможности могут измерять эффективность блоков наружной рекламы, подтверждая влияние и охват конкретных рекламных кампаний. Компании, занимающиеся наружной рекламой, могут получить доступ к информации о привычках аудитории, которую они хотят охватить, и о местах, в которых они могут лучше всего их достичь. Данные помогают рекламодателям превращать каждый рекламный щит в целевую сущность, которая в нужное время достигает нужной аудитории в нужном месте, в конечном итоге вдохнув новую жизнь в то, что ранее считалось «мертвыми досками».
4. Анализатор Machine-to-Machine (M2M) для улучшения управления жизненным циклом продукта. В настоящее время стремительно развиваются технологии, обеспечивающие обмен данными между разными устройствами — машинами, мобильными устройствами, бытовыми приборами, корпоративными сетями и т. д. Это привело к получению данных от машины к машине (M2M) с беспрецедентной скоростью и в реальном времени. Компании могут использовать данные, передаваемые датчиками из самых разных приложений, для анализа и повышения эффективности производственных процессов, прогнозирования сбоев устройств и определения своевременного времени для доставки новых продуктов клиентам. Такие данные также могут предоставить информацию для разработчиков продуктов, службы поддержки клиентов и продаж, которые используют эту информацию, например, для улучшения характеристик продукта, увеличения доходов и снижения затрат [7].
Компании используют сложные методы статистического моделирования для анализа данных с датчиков и обеспечивают представление в реальном времени информации о корреляциях различных событий, анализе основных причин, прогнозировании потенциальных рисков и визуализации возможных сценариев. Это может быть применено крупными торговыми сетями для анализа данных, поступающих с различных сетевых устройств и датчиков в режиме реального времени, для прогнозирования того, какие сетевые устройства имеют более высокую склонность к сбою и заранее определять потенциальные сбои сети, и, следовательно, инициировать активные действия по восстановлению для повышения эффективности уровня обслуживания клиентов и обеспечивая удовлетворенность потребителей. Это может быть очень эффективным в построении отношений с клиентом.
Для внедрения практики анализа больших данных в маркетинговых целях руководству необходимо:
− Организовать работы по проведению аудита имеющихся источников информации на предмет анализа состава данных в них хранящихся, их структуры, качества, полноты и актуальности;
− Сформировать команду специалистов для анализа данных в маркетинговых целях из числа имеющихся сотрудников или прибегая к привлечению персонала из вне;
− Провести опрос руководителей маркетинговых подразделений на предмет их потребности в той или иной информации, например, внедрения тригеров на продажу клиентам сопутствующих товаров и услуг на основе исторических данных с применением средств машинного обучения;
− Внедрить инструменты для анализа данных, настроить загрузку и анализ поступающих данных в режиме реального времени;
− Обеспечить доступ бизнес-пользователей к результатам анализа информации в режиме реального времени с возможность принимать управленческие решения.
По мнению автора, анализ больших данных — это средство, помогающее организациям решать ключевые бизнес-задачи, преобразовывая данные в идеи, чтобы влиять на бизнес-действия и стимулировать достижение важных бизнес-результатов. Компании, которые осуществляют работу с большими данными, анализируют их, не должны сталкиваться с различными проблемами, которые могли бы их поджидать в случае отсутствия работы по анализу имеющихся у них массивов данных.
Автор уверен, что возможности работы с большими данными обширны и во многом будут зависеть от видения компании и руководства. Старшие руководители должны обеспечивать культуру экспериментов и обучения, управляя важными пилотами по изучению точек контактов с клиентом, используя методы анализа больших данных. Основываясь на небольших успехах, компании смогут проложить себе путь к тиражированию и широкомасштабным внедрениям подходов по анализу больших данных в маркетинге, что сделает его более инновационным и ценным для клиента.
Литература:
- Customer Intelligence in the Era of Data-driven Marketing, SAS, 2017 — https://www.sas.com/
- How leading media companies increase customer value, IBM, 2014 — http://www.ibmbigdatahub.com/blog/how-leading-media-companies-increase-customer-value
- Marker research and the ethics of big data, ResearchGate, 2013 — https://www.researchgate.net/
4. 5 Things To Know About Making the Next Best Action with Your Customer, IBM, 2016
- Personalization is the future of online shopping, Ecommerce News, 2015
- From internal analytics to external Big Data monetization, Redwing Consulting, 2013
- Machine to Machine Analysis as future in understanding your products and customers, EY, 2016
