Маркетинг 5.0. Технологии следующего поколения - Филип Котлер
3. Аналитика больших данных имеет настолько большие перспективы автоматизации, что компании полагают, что, единожды наладив, она будет работать на автопилоте. Маркетологи ожидают, что они вольют большие объемы данных в черный ящик под названием «алгоритм» и получат мгновенно ответы на свои вопросы. В реальности маркетологам все еще нужно управлять процессами в основанном на данных маркетинге. И хотя машина может заметить закономерности в данных, которые не может заметить человек, однако всегда требуется маркетолог с опытом и знанием контекста для фильтрации и интерпретации полученных закономерностей. Что важнее, готовые к действию выводы требуют маркетолога, который будет разрабатывать новые предложения и кампании, пусть даже и с помощью компьютеров.
Шаг 1: определить цели управляемого данными маркетинга
Кажется очевидным, что любой проект нужно начинать с четких целей. Но слишком часто проекты по маркетингу, основанному на данных, запускаются с целями на заднем плане. Более того, большинство проектов с данными становятся чересчур амбициозными, потому что маркетологи хотят достигнуть всего и сразу. В результате проекты становятся слишком сложными, доказуемых результатов становится сложнее достичь, а компании в конечном счете сдаются.
Сценариев использования основанного на данных маркетинга действительно предостаточно, и они имеют широкую сферу применения. С большими данными маркетологи могут найти новые идеи продуктов и услуг и оценить спрос на рынке. Компании могут также создавать кастомизированные продукты и услуги и персонифицировать клиентский опыт. Подсчет подходящей цены и настройка моделей динамического ценообразования также требуют подхода на основе данных.
Помимо помощи маркетологам в определении того, что предложить, большие данные также полезны в определении того, как предоставлять товар. В маркетинговых коммуникациях маркетологи используют большие данные для таргетирования аудитории, создания контента и выбора медиа. Это ценно для push-маркетинга, например, при выборе каналов и лидогенерации. Также часто используют данные для послепродажных услуг и удержания покупателей. Большие данные часто используются для прогнозирования оттока клиентов и определения мер по исправлению недочетов обслуживания.
Несмотря на обилие сценариев использования, критично важным является сужение фокуса до одной или двух целей, отправляясь в путь к управляемому данными маркетингу. По своей природе люди с подозрением относятся к тому, что они не понимают, а технические детали управляемого данными маркетинга могут быть пугающим неизвестным для всех в организации на всех уровнях.
Рисунок 8.2. Примеры целей управляемого данными маркетинга
Конкретизированные цели проще объяснить, а значит, и проще мобилизовать людей в организации, особенно тех, кто настроен скептически. Это помогает направить в одну сторону различные бизнес-подразделения, заручиться их поддержкой и обеспечить взятие ответственности за результаты. Сфокусированные цели также заставляют маркетологов думать о наиболее эффективной оптимизации производительности и приоритизировать усилия в соответствии с этим. Когда маркетологи выбирают цель с наибольшим эффектом, компании могут получить значимые быстрые победы, а значит, и вовлеченность всех на раннем этапе.
С четкими целями инициативы основанного на данных маркетинга становятся измеримыми и поддающимися учету (см. рисунок 8.2). Полученные в результате анализа данных выводы также будут легче применяться на практике и вести к конкретным мерам улучшения маркетинга.
Шаг 2: определить требования к данным и их доступность
В цифровую эпоху объем данных растет по экспоненте. Не только идет углубление в детали, но расширяется и разнообразие данных. Однако не все данные ценны и актуальны. После того как компании сузили фокус на целях, они должны начать определять, какие данные подходят для сбора и анализа.
Нет единственного верного способа классифицировать большие данные. Но один из практичных способов состоит в категоризации на основе источника:
1. Данные из социальных сетей, включающие всю информацию, которой делятся пользователи в социальных сетях: местоположение, демографическая информация и интересы.
2. Данные из медиа, которые включают оценку аудитории в традиционных медиа, таких как телевидение, радио, печать и кино.
3. Данные по веб-трафику, которые включают все регистрационные записи, созданные пользователями при навигации в интернете и таких действиях, как показы страниц, поисковые запросы и покупки.
4. Данные с точек продаж и транзакционные, которые включают записи всех транзакций, совершенных покупателями: сумму, информацию о кредитной карте, покупки, время и иногда идентифицирующий покупателя номер.
5. Данные из устройств «интернета вещей», включающие всю информацию, собранную связанными устройствами и сенсорами: местоположение, температуру, влажность, близость других устройств и важнейшие сигналы.
6. Данные по вовлечению, которые включают все прямые точки взаимодействия компании с покупателями: информация из центра обработки звонков, обмен электронными письмами и данные из чата.
Маркетологам необходимо разработать план сбора данных, включающий каждый тип данных, который должен быть получен для достижения заранее определенной цели. Матрица данных – это полезный инструмент для привязки требуемых данных к целям. Просматривая матрицу данных горизонтально, маркетолог может определить, достаточно ли данных для достижения цели. Для получения значимых выводов требуется триангуляция данных: наличие нескольких источников данных, которые дают целостную картинку. Просмотр матрицы данных вертикально также помогает маркетологу понять, какая информация нужна для извлечения из каждого источника данных (см. рисунок 8.3).
Рисунок 8.3. Структура матрицы данных[26]
Некоторые из типов данных, ранее упомянутые в пронумерованном списке, такие как данные по транзакциям и вовлечению, являются внутренними, принадлежат компании и доступны для маркетологов. Однако не все внутренние данные готовы к использованию. В зависимости от того, насколько хорошо организованы и систематизированы записи, может потребоваться очистка данных, которая включает исправление неточных данных, консолидацию дублирующих значений и работу с неполными записями.
Другие наборы данных, такие как данные из социальных сетей или медиа, – это внешние данные, и они должны быть приобретены через сторонние организации. Некоторые данные также могут приходить от партнеров по цепочке поставок, например от поставщиков, логистических компаний, розничных магазинов и аутсорсинг-компаний.
Шаг 3: построить интегрированную экосистему данных
Большинство основанных на данных маркетинговых инициатив начинается как специализированные agile-проекты. Однако в долгосрочной перспективе управляемый данными маркетинг должен стать отлаженным операционным процессом. Чтобы убедиться, что усилия по сбору данных сохраняются и данные постоянно обновляются, компании должны построить экосистему данных, которая интегрирует все внешние и внутренние данные.
Самая большая сложность в интеграции данных – это найти общий знаменатель во всех источниках данных. Самой идеальной будет интеграция данных на уровне конкретного покупателя, позволяющая создать «сегмент из одного». Хорошая практика
