Маркетинг 5.0. Технологии следующего поколения - Филип Котлер
Предиктивная аналитика изучает исторические данные о поведении покупателей для оценки вероятности того, что они будут демонстрировать такое же или схожее поведение в будущем. Она обнаруживает скрытые закономерности в больших данных и рекомендует лучшее направление действий. С ориентацией на будущее она помогает маркетологам быть на шаг впереди, готовить ответные маркетинговые реакции заранее и влиять на результат.
Рисунок 9.1. Применение предиктивного маркетинга
Предиктивная аналитика очень важна для проактивных и превентивных мер, что идеально для целей маркетингового планирования. С предиктивной аналитикой маркетологи обладают в своем распоряжении мощным инструментом для усиления процесса принятия решений (см. рисунок 9.1). Маркетологи могут теперь определить, какой маркетинговый сценарий станет реальностью с большей вероятностью и каким клиентам целесообразно уделить внимание. Они также могут оценить, какие маркетинговые действия и стратегии с высокой долей вероятности принесут успех до их запуска, что существенно уменьшает риски провала.
Предиктивное управление клиентами
Таргетирование и обслуживание клиентов без знаний будущего дохода, который клиент принесет компании, – это страшный сон маркетинговых инвестиций. Маркетологам необходимо решать, направлять ли бюджет на привлечение клиентов и обслуживание клиентов – на рекламу, прямой маркетинг, поддержку клиентов и управление клиентами – для получения и развития покупателя. Предиктивная аналитика может помочь маркетологам принимать лучшие решения, рассчитывая ценность клиента.
Предиктивная модель, используемая для системы управления клиентами, называется моделью клиентского капитала. Она измеряет пожизненную ценность клиента (англ. Customer lifetime value, CLV) – текущую ценность прогнозируемого чистого дохода, полученного от клиента на протяжении всего времени его взаимодействия с компанией. Она предлагает долгосрочный взгляд в будущее отдачи от инвестиций, что критично, так как большинство клиентов могут не приносить прибыль в первый или второй год из-за высокой стоимости привлечения покупателя.
Эта концепция наиболее актуальна для B2B и сервисных компаний, которые выстраивают с клиентами долгосрочные отношения, как, например, банки или телекоммуникационные компании. У обслуживающих корпоративных клиентов компаний громадные траты на привлечение клиента, особенно затраты на участие в торгово-промышленных выставках и на отдел продаж. Схожим образом банки тратят большие бюджеты на рекламу и бонусы для новых клиентов, в то время как телекоммуникационные компании известны своими предложениями рассрочки на мобильные устройства для привлечения покупателей. Для компаний в этих секторах маркетинговые издержки слишком высоки для единичных транзакций и краткосрочных отношений с клиентами.
Роль аналитики в прогнозировании CLV – предсказать реакцию покупателя на предложение о покупке большего объема или о кросс-продаже. Алгоритмы обычно опираются на исторические данные о том, какие продукты были куплены вместе покупателями со схожим профилем. Более того, маркетологи могут предсказать длительность взаимодействия с каждым покупателем. Предиктивная аналитика может обнаружить отток клиентов и, что важнее, найти причины оттока. Таким образом, компании могут развивать эффективные стратегии удержания клиентов для предотвращения оттока клиентов. По этим причинам предиктивная аналитика не только прогнозирует CLV, но и увеличивает ее.
Как только составлен портрет клиентов и подсчитана их пожизненная ценность, маркетологи могут внедрять маркетинг следующего лучшего решения (англ. Next-best-action marketing, NBA-маркетинг). Это клиентоориентированный подход, при котором маркетологи режиссируют четкий пошаговый план действий с каждым покупателем. Другими словами, это маркетинговый план для «сегмента из одного». С мультиканальными взаимодействиями от цифрового маркетинга до отдела продаж маркетологи направляют каждого покупателя от предпродаж до продаж и до послепродажных услуг. На каждом шаге предиктивная аналитика помогает маркетологам определить, какое действие следует предпринять следующим: отправить промоматериалы, продемонстрировать продукт или послать сотрудников связаться с клиентом по телефону.
В более простой форме бизнес также может реализовывать распределение по сегментам клиентов на основании их пожизненной ценности, что, по сути, представляет из себя инструмент для распределения ресурсов. Распределение по уровням диктует, сколько денег компании стоит распределить на привлечение и удержание клиента на отдельном уровне. Маркетологи могут приоритизировать, с какими клиентами строить взаимоотношения и как побуждать их перейти на более высокий уровень со временем.
Также CLV становится основной для разных клиентских интерфейсов, которые компании предоставляет для разных покупателей. Таким образом, покупатели, которые приносят больше прибыли, получат доступ к специальной команде клиентской поддержки, в то время как другие – к автоматизированному цифровому интерфейсу (см. главу 11).
Предиктивное управление продуктом
Маркетологи могут использовать предиктивную аналитику на всех стадиях жизненного цикла продукта. Прогнозирование может начинаться на ранних этапах разработки идеи продукта. На основе анализа о том, какие свойства уже рекламируемых продуктов работают, бизнес может разрабатывать новые продукты с комбинацией подходящих характеристик.
Эта практика предиктивного маркетинга позволяет отделу разработки продуктов избегать постоянного начинания с нуля. Наличие дизайна продукта и прототипа с более высокой вероятностью успеха в маркетинговых тестах и при реальном запуске будет экономить маркетологам существенную часть расходов на разработку продуктов. Более того, внешняя информация о том, что в тренде и что будет откликаться потенциальным покупателям, также обучает алгоритмы. Это позволяет маркетологам быть проактивными и задавать тренды раньше конкурентов.
Рассмотрим пример Netflix. Медиакомпания начала создавать собственный контент для усиления конкурентного преимущества перед зарождающимися конкурентами и снижения затрат на контент в долгосрочной перспективе. Компания использует аналитику для принятия решений о том, какие сериалы и фильмы снимать. Например, сериал «House of Cards» (в российском прокате «Карточный домик». – Прим. пер.) был разработан на основании прогноза, что комбинация Кевина Спейси в главной роли, Дэвида Финчера как продюсера и темы политической драмы, вдохновленной одноименным оригинальным сериалом BBC, принесет успех.
Предиктивная аналитика также принципиально важна для выбора того, какой предложить продукт из существующего набора вариантов. Используемый предиктивный алгоритм называется рекомендательными системами, которые предлагают продукты покупателям, основываясь на истории их покупок и предпочтениях похожих покупателей. Модель предрасположенности к покупке оценивает вероятность того, что покупатели с конкретным профилем купят предложенный им определенный продукт. Она позволяет маркетологам предоставлять покупателям персонализированные ценностные предложения. Чем дольше работает модель и чем больше данных об ответной реакции покупателей она собирает, тем лучше будут рекомендации.
Рекомендательные системы наиболее часто применяются ретейлерами, такими как Amazon или Walmart, и компаниями с цифровыми услугами, например YouTube или Tinder. Но применение технологии добралось также и до других индустрий. Для любой компании с крупной клиентской базой и широким портфолио продуктов или контента система рекомендации продуктов будет ценна. Модель поможет компаниям автоматизировать процесс подстройки продуктов под рынки.
Личные ожидания теперь определяются социальными средами, которые постоянно влияют на нас и мотивируют нас достигать более высоких целей.
Более того, предиктивная рекомендательная модель
