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.
Вопросы к размышлению
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.
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
