Филип Котлер – Маркетинг 5.0. Технологии следующего поколения (страница 27)

С аналитикой в «Атлетикс» обнаружили, что недооцененные показатели, такие как процент попаданий на базу и процент сильных ударов, могли бы предсказывать успех лучше, чем общепринятая статистика нападения. Так как ни одна из других команд не набирает игроков с этими качествами, полученные в результате анализа выводы позволили клубу «Атлетикс» нанять недооцененных игроков за сравнительно небольшие деньги. Эта удивительная история была задокументирована в книге Майкла Льюиса и фильме Беннета Миллера «Moneyball» (в российском прокате фильм «Человек, который изменил все». – Прим. пер.).

Это привлекло внимание других спортивных клубов и спортивных инвесторов по всему миру. Джон Генри, владелец бейсбольной команды «Бостон Ред Сокс» и футбольного клуба «Ливерпуль», был один из них. Математические методы были использованы для восстановления футбольного клуба «Ливерпуль». Несмотря на фантастическую историю, футбольный клуб не преуспевал в соревнованиях Английской Премьер-лиги. Опираясь на статистику, клуб назначил менеджером Юргена Клоппа и нанял некоторых игроков в команды, которые добились Кубка Лиги чемпионов УЕФА 2018–2019 и Кубка английской Премьер-лиги 2019–2020.

Эти истории воплощают в себе суть предиктивной аналитики. Она позволяет компаниям предвосхитить движение рынка до того, как они появляются. Традиционно маркетологи опирались на описательную статистику, которая объясняет прошлое поведение, и использовали свою интуицию для формирования предположений о том, что будет дальше. В предиктивной аналитике большая часть анализа выполняется искусственным интеллектом. Исторические данные загружаются в алгоритм машинного обучения для обнаружения конкретных закономерностей, что называется предиктивной моделью. Вводя новые данные в модель, маркетологи могут предсказывать будущие результаты: кто с большей вероятностью может совершить покупку, какой продукт будет продаваться и какая кампания сработает. Так как предиктивный маркетинг сильно опирается на данные, компании обычно обеспечивают для него основу на базе экосистемы данных, которую они создали ранее (см. главу 8).

С прогнозами компании могут быть более проактивны с долгосрочными инвестициями. Например, компании могут предсказывать, перейдут ли новые клиенты с небольшими суммами транзакций в группу крупнейших покупателей. Таким образом, решение инвестировать ресурсы для развития отдельных клиентов может быть оптимальным. До выделения большого количества ресурсов на разработку новых продуктов компании могут использовать предиктивную аналитику, чтобы помочь с фильтрацией идей. Подводя итог, предиктивная аналитика ведет к лучшей отдаче от маркетинговых инвестиций.

Предиктивное моделирование – это не новая тема. На протяжении многих лет маркетологи, работающие на основании данных, строили регрессионные модели для нахождения причинно-следственной связи между действиями и результатами. Но с машинным обучением компьютерам больше не требуется заранее заданный алгоритм от аналитиков, чтобы начать обнаруживать закономерности и строить модели самостоятельно. Получившиеся предиктивные модели, выходящие из «черного ящика» машинного обучения, часто находятся за пределами человеческого понимания и мышления. И это хорошо. Маркетологи больше не ограничиваются ранее влияющими когнитивными искажениями, допущениями и ограниченными представлениями о мире при прогнозировании будущего.

Применение предиктивного маркетинга

Предиктивная аналитика использует и анализирует исторические данные. Но это больше, чем описательная статистика, которая полезна для ретроспективной отчетности об уже достигнутых результатах компании и объяснения стоящих за ними причин. Компании с ви́дением будущего хотят знать больше, чем то, что произошло в прошлом. Также предиктивная аналитика находится за пределами аналитики в реальном времени, которая используется для предоставления быстрого ответа в контекстном маркетинге (см. главу 10) и тестирования маркетинговых действий в agile-маркетинге (см. главу 12).

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.

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).

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.