Филип Котлер – Маркетинг 5.0. Технологии следующего поколения (страница 26)

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.

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.

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 создания записей гарантирует, что каждый зафиксированный набор данных о покупателе всегда привязан к уникальному идентификационному номеру клиента.

Хотя это несложно для внутренних источников данных, использование идентификационного номера клиента для внешних источников данных – это сложная, пусть и выполнимая задача. Например, данные из социальных сетей могут быть интегрированы с клиентским идентификационным номером и данными о покупках, если покупатель заходит на сайты торговой площадки через аккаунты в социальных сетях. Другой пример интеграции данных – это использование приложений программ лояльности для соединения с умными радио и сенсорными устройствами. Когда бы ни был покупатель с мобильным телефоном вблизи сенсора, например, около полки в розничном магазине, сенсор записывает движение. Это полезно для отслеживания пути клиента в физических торговых объектах.

Однако иногда невозможно все привязать к индивидуальным идентификационным номерам клиента, в основном из-за опасений в области безопасности. Компромиссное решение – использовать отдельные переменные демографической сегментации как общий знаменатель. Например, название сегмента «покупатель – мужчина от 18 до 34 лет» может быть уникальным обозначением для консолидации каждой точки информации из источника данных о соответствующей демографической группе.

Каждый динамический набор данных должен храниться на единой платформе управления данными, которая позволяет маркетологам собирать, хранить, управлять и анализировать данные в полном объеме. Любые новые проекты основанного на данных маркетинга с новыми целями должны использовать ту же платформу, способствуя обогащению экосистемы данных, что будет полезно, если компания решит использовать машинное обучение для автоматизации анализа.

Резюме: создание экосистемы данных для улучшения таргетирования

Рост использования больших данных изменил облик рыночной сегментации и таргетирования. Ширина и глубина клиентских данных растет по экспоненте. Данные из медиа, социальных сетей, веб-сайтов, точек продаж, устройств «интернета вещей» и данных по вовлечению – все они могут создать богатый профиль индивидуального покупателя, позволяя маркетологам реализовывать маркетинг «сегмента из одного».

В цифровую эпоху проблема больше не в недостатке данных, а скорее в определении тех данных, которые имеют значение. Именно поэтому управляемый данными маркетинг должен всегда начинаться с постановки конкретных, узконаправленных целей. Опираясь на цели, маркетологи получают актуальные наборы данных и интегрируют их в платформу управления данными, которая соединена с движками аналитики и машинного обучения. Полученные выводы могут приводить к более отточенным маркетинговым предложениям и кампаниям.

Однако никогда не стоит относиться к управляемому данными маркетингу как к ИТ-инициативе. Сильная команда маркетологов-лидеров должна возглавить проект и состыковать ресурсы компании, включая поддержку IT-отдела. Вовлечение каждого маркетолога в организации – необходимое условие, так как управляемый данными маркетинг – это не волшебная палочка и никогда не будет работать на автопилоте.

Подумайте о том, как улучшение системы управления данными может усилить маркетинговые практики в вашей организации. Что может стать легкой победой?

Как вы сегментируете рынок для ваших продуктов и услуг? Создайте дорожную карту для внедрения маркетинга «сегмента из одного» на данных вашей организации.

Глава 9

Предиктивный маркетинг

Предвосхищая рыночный спрос проактивными действиями

По прошествии сезона Главной лиги бейсбола – 2001 бейсбольный клуб «Окленд Атлетикс» потерял трех ключевых игроков из-за их статуса свободных агентов. Под давлением заменить свободных агентов в условиях ограниченного бюджета тогдашний генеральный менеджер Билли Бин обратился к аналитике для сбора сильной команды для следующего сезона. Вместо использования традиционных агентов-скаутов и инсайдерской информации «Атлетикс» использовали саберметрику – аналитику игровой статистики.