Большие данные как главный ресурс B2C-компаний при углублённой сегментации целевой аудитории



Ключевые слова: большие данные, анализ данных, сегментация, портрет потребителя, маркетинговая кампания.

Когда компания пытается продать свой продукт всем, его покупают единицы, так как в этом случае теряется важная составляющая современной концепции маркетинга — клиентоориентированность.

Именно поэтому первоочерёдной частью работы маркетолога является сегментация клиентов: разделение их на основные кластеры, выделение наиболее приоритетных для компании и формирование под них условно индивидуальных предложений.

Существует много методов и инструментов для сегментации целевой аудитории. По ходу развития маркетинга как науки, перехода от одной концепции к другой, компании осваивали новые методики, помогающие им с каждым разом собирать больше информации и делать портрет клиента ещё более точным.

Однако все эти методики сводятся к углублённому изучению 4 групп характеристик потребителя: географические, демографические, психографические и поведенческие [1, с. 180]. На рисунке 1 продемонстрированы векторы вопросов, на которые маркетологу необходимо найти ответы, в рамках каждой группы.

Рис. 1. Группы характеристик потребителя

Очевидно, что на схеме представлены лишь основные вопросы, помогающие поверхностно составить портрет потребителя. На самом деле, вопросов по каждой группе характеристик гораздо больше, и все эти вопросы нужно отфильтровать по степени их влияния на процесс принятия человеком решения о покупке продукта компании.

Качественный портрет требует гораздо большего объёма данных и более глубокой аналитики. Однако здесь маркетолог может столкнуться с человеческим фактором, а точнее: с ограниченной способностью сбора, обработки и анализа данных, а также с влиянием субъективного восприятия на протяжении всего процесса.

Субъективность может быть минимизирована (но не устранена) путём привлечения дополнительных экспертов и работы в команде. Однако ограниченность физических и временных ресурсов минимизировать сложно.

Для большего понимания ограниченности возможностей человека при сборе, обработке и анализе данных можно привести в пример речь бывшего министра обороны США Дональда Рамсфелда, который разделил данные на 4 категории [2]:

1. «Известные известные» — данные, о существовании которых мы знаем, и они нам известны;
2. «Известные неизвестные» — данные, о существовании которых мы знаем, но они нам неизвестны;
3. «Неизвестные известные» — данные, которые мы знаем, но не догадываемся об их существовании или влиянии на конечное решение о покупке;
4. «Неизвестные неизвестные» — данные, которые мы не знаем и не догадываемся об их существовании или влиянии на конечное решение о покупки.

Конечно, Дональд Рамсфелд не говорил про эти категории с точки зрения маркетинга, но они могут быть использованы для классификации данных при построении портрета потребителя. Если первые две категории данных ещё могут быть собраны человеком с относительно минимальным задействованием технологий, то остальные требуют существенного технологического вмешательства.

На рисунке 2 представлена матрица данных по уровню их известности в целом и известности их содержания для маркетолога [3]. В образовавшихся квадрантах продемонстрированы инструменты, которые можно использовать для нахождения, идентификации и анализа соответствующей категории данных.

Рис. 2. Матрица инструментов для работы с данными по категориям известности

Как мы можем заметить в матрице, при работе с неизвестными неизвестными данными используется технология Big Data, или Большие данные.

Большие данные — это массивы данных, которые слишком велики или слишком сложны для сбора, обработки, анализа и непосредственно использования традиционными методами [4]. Они отличаются исключительной точностью, но могут выпасть из контекста совершённого потенциальным клиентом действия.

Big Data чаще всего характеризуются комплексом 3Vs:

— Объём (Volume) — количество требующих обработку и анализа сообщений или их размер в МБ, ГБ и т. д.;

— Скорость (Velocity) — быстрота, с которой собираются, обрабатываются и анализируются данные с последующей разработкой или корректировкой модели, для которой они требуются (в нашем случае — портрета потребителя);

— Разнообразие (Variety) — охват каналов получения информации (маркетинговые исследования рынка, CRM-системы, отчёты, электронная почта, социальные сети и иные Интернет-ресурсы) и типов данных (структурированные, полуструктурированные, неструктурированные).

Для лучшего понимания классификации свойств по каждой характеристике данный комплекс визуализирован на рисунке 3.

Рис. 3. Комплекс 3Vs [5]

Однако на сегодня комплекс 3Vs дополняется новыми характеристиками. Среди его модификаций имеет наибольшее распространение комплекс 6Vs [6]:

— Ценность (Value) — влияние обнаруженных данных на процесс принятия клиентом решения о покупки;

— Валентность (Valency) — учёт количества задействованных каналов связи между двумя процессами и количества процессов, которые могут быть одновременно ассоциированы с конкретным каналом связи;

— Достоверность (Veracity) — качество и точность собранных данных, снижение уровня неопределённости.

Для работы с Big Data компании используют специальные CPD-системы (Customer Data Platforms) — инструменты, которые как раз и занимаются сбором, обработкой и анализом данных с различных источников для формирования детального портрета потребителя.

На самом деле, значение Больших данных в квадранте «Неизвестные неизвестные» даже куда больше, ведь применение машинного обучения и искусственного интеллекта невозможно без их задействования.

Кроме того, они появляются и в других квадрантах. Глубинный анализ данных (Data mining) основан на поиске информации в большой базе данных; извлечение знаний из «сырых» (а значит, зачастую неструктурированных) данных (Knowledge Discovery) включает в себя методы Data Mining, а те же BI-системы используются компаниями в том числе для сбора, обработки и анализа неструктурированных данных.

Только за 2017–2018 годы было создано свыше 90 % данных в мире, и, конечно, их большая часть не структурирована. Отсутствие структуры существенно замедляет работу маркетолога и команды в целом, поэтому применение технологических решений для работы с подобными данными вопреки стоимости такого подхода вполне целесообразно в крупном, среднем, а порой и в малом бизнесе.

Пренебрегая использованием неструктурированных данных при построении портрета потребителя, компания несёт альтернативные издержки в силу потери информации, которая может существенно увеличить эффективность рекламных предложений, а следовательно, и её прибыль (в т. ч. за счёт снижение стоимости привлечения 1 покупателя).

Например, структурированные данные за достаточно редким исключением (частичное структурирование внешними специалистами) не содержат в себе данные из аудио- (в т. ч. голосовых сообщений) и видеоматериалов, а это огромный массив, который может сильно изменить итоговый портрет потребителя и абсолютно точно повлияет на глубину сегментации.

Количественно оценить уровень потенциала использования данных можно по формуле: , где СД — объём имеющихся структурированных данных, НсД — объём имеющихся неструктурированных данных, ВМ — вычислительная мощность.

Данная формула наглядно показывает, что увеличение скорости обработки данных (за счёт привлечения дополнительных вычислительных мощностей), задействование неструктурированных данных и в силу большей вычислительной мощности привлечение большего объёма структурированных данных существенно увеличивает потенциал результата проведённого исследования.

Теперь сделаем отдельный акцент на скорость работы с данными. Если географические и демографические характеристики потребителя являются относительно статичными, то поведенческие и психографические находятся в постоянном движении. Колебания могут быть несущественными, но отдельные события могут повлиять на потребителя настолько сильно, что он из одного сегмента перейдёт в другой.

Процесс перехода потребителей в другие сегменты или динамика сегмента в целом в любом случае будут происходить более-менее постепенно, но компании, использующие традиционные способы работы с данными, чаще всего придерживаются изначальной выборки сегментов на основе построенных портретов. В связи с этим новые тенденции могут быть выпущены из вида маркетологов, что в свою очередь приводит к постепенному, но стремительному снижению эффективности маркетинговой кампании.

Задействование технологий для работы с Большими данными позволяет анализировать портрет потребителя и выборки сегментов с учётом изменений в реальном времени (самый высокий уровень актуальности). Реализовать динамическую сегментацию и визуализировать её результаты уже возможно при помощи продукта от Microsoft — Dynamic 365 Marketing. Программа работает путём запроса записей о профилях сегментов, хранящихся в базе данных.

Наконец Big Data открывает новые возможности для концепции маркетинга «один на один», или гипер-персонализации, ранними инициаторами которой являются Дон Пепперс и Марта Роджерс. Концепция заключается в разработке сегментов из одного потребителя (метод сегментации наивысшего уровня), что предполагает максимальную персонализацию опыта взаимодействия клиента с компанией в целом или конкретно с её продуктом. Реализация данной концепции с учётом количества данных и скоростью их увеличения и изменения абсолютно невозможна при задействовании традиционных методов работы с данными.

Перед подведением итогов рассмотрим 2 реальных кейса, в которых использование Big Data оказало существенный влияние на эффективность маркетинговой кампании в силу углублённой детализации портрета потребителя.

В первую очередь рассмотрим кейс американской martech-компании First Data, успешно реализовавшей проект по рекламе детских подгузников [7]. Целевое действие клиента в рамках маркетинговой кампании — досмотр ролика с презентацией новой линейки продукции.

Сегмент был очевиден: мамы маленьких (до 1,5 года) детей, ранее не покупавшие продукцию этого бренда. Однако задача осложнялась тем, что у клиенток расфокусировано внимание в силу количества одновременных дел по уходу за ребёнком, а в перерывах они пытались выспаться.

Маркетолог First Data выдвинул гипотезу о том, что с большей долей вероятности клиентки будут сфокусированы, когда совершают покупки в онлайн-магазинах, а значит и вероятность того, что ролик будет досмотрен до конца, также выше.

Компания проанализировала транзакционные данные целевого сегмента для определения наиболее частых промежутков времени совершения покупок, а после внесла результаты исследования в настройки рекламных кабинетов.

В итоге досматриваемость ролика выросла с 60 % до 85 %, а CTR (отношение числа пользователей, которые нажали на конкретную ссылку, к общему количеству пользователей, которые её увидели) — до 3,7 %.

Ещё один пример — кейс американской компании Target [8]. В феврале 2012 года The New York Times опубликовал статью о том, как Target предсказали беременность девушки подросткового возраста при помощи алгоритма, разработанного за год до этого.

После аналитики Big Data компания выявила поведенческие особенности беременных покупательниц, которые и были использованы для идентификации «новых» представительниц сегмента. Кроме того, для повышения уровня таргетированности купонов, высылаемых на почту клиенткам, Target даже попытался спрогнозировать дату родов.

В статье The New York Times было акцентировано внимание на истории о том, как девушке-подростку начали приходить рекламные купоны на товары для детей. Отец девушки был сильно рассержен, так как оценил этот рекламный ход как агитацию дочери к беременности. Однако позже она призналась ему, что действительно уже беременна.

Таким образом, на основе всего вышесказанного можно выделить основные преимущества использования технологий для работы с Большими данными при сегментации целевой аудитории и построении портрета потребителя перед традиционными методами:

— Сбор, обработка и анализ данных о целевых сегментах и корректировка портрета потребителя в режиме реального времени;

— Возможность настройки наиболее персонализированного или гипер-персонализированного таргетинга (в зависимости от объёма собранных данных);

— Оптимизация бюджета за счёт высокой точности таргетированности рекламных сообщений;

— Рост KPI маркетинговой кампании (в т. ч. снижение стоимости привлечения одного покупателя);

— Рост продаж как следствие предыдущих пунктов;

— Углублённый аудит маркетинговой кампании и архивирование наиболее релевантного опыта для корректировки будущих маркетинговых кампаний.

Дополнительно в заключении стоит отметить, что несмотря на автоматизацию многих процессов, Большие данные не работают отдельно от человека (по крайней мере сегодня). Как говорилось выше, некоторые данные могут быть учтены в отрыве от контекста совершения действия целевым потребителем. Как раз для фиксирования подобных случаев требуется вмешательство маркетолога.

Кроме того, такие качества человека, как оригинальность, креативность и эмпатия, до сих пор в полной мере не реализуются технологическим подходом.

Литература:

1. Котлер, Ф. Маркетинг 5.0. Технологии следующего поколения / Ф. Котлер, С. Айвен, К. Хермаван. — 121305-е изд. — Москва: Эксмо, 2022. — 272 c.
2. Невлин, Б. Unknown Unknowns: Why Learning Anything Can Benefit From Never Having Seen It Before / Б. Невлин. — Текст: электронный // Ted: [сайт]. — URL: https://www.ted.com/talks/dr_ben_newling_unknown_unknowns_why_learning_anything_can_benefit_from_never_having_seen_it_before (дата обращения: 18.10.2022).
3. Тан, Ч. С. Big Data Starts with Small Steps / Ч. С. Тан. — Текст: электронный // Medium: [сайт]. — URL: https://blog.count.ly/big-data-starts-with-small-steps-d07083cd6c03 (дата обращения: 18.10.2022).
4. Big data. — Текст: электронный // Oxford Learners Dictionaries: [сайт]. — URL: https://www.oxfordlearnersdictionaries.com/us/definition/english/big-data (дата обращения: 18.10.2022).
5. Big Data и Data Science: начни погружение с нуля. — Текст: электронный // Stepik: [сайт]. — URL: https://stepik.org/course/101687/promo (дата обращения: 19.10.2022).
6. Six Vs Of Big Data. — Текст: электронный // YouTube: [сайт]. — URL: https://www.youtube.com/watch?v=QbSFgdbBLkY (дата обращения: 21.10.2022).
7. Неспящие и худеющие: как собрать портрет специфической ЦА с помощью больших данных. — Текст: электронный // VC: [сайт]. — URL: https://vc.ru/marketing/506660-nespyashchie-i-hudeyushchie-kak-sobrat-portret-specificheskoy-ca-s-pomoshchyu-bolshih-dannyh (дата обращения: 23.10.2022).
8. Дахигг, Ч. How Companies Learn Your Secrets / Ч. Дахигг. — Текст: электронный // The New York Times: [сайт]. — URL: https://www.nytimes.com/2012/02/19/magazine/shopping-habits.html?_r=1&ref=charlesduhigg (дата обращения: 23.10.2022).