Nedocs.ru

Онлайн платформа для образования
3 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Big data маркетинг

Big data для маркетинга

Позавчера в новостной ленте 3 поста про Big Data. Вчера, коллега прислал заметку про тоже самое. Сегодня позвонили из «Билайна» и пригласили на бизнес-завтрак по Big Data. Не пошел! Я с готовностью и с открытым разумом «за» современные цифровые технологии. Я против профанации экспертности и несущих ее высокообразованных профанов.

Несколько слов адептам «больших данных», совершенно понятных маркетологам.

Что такое Big Data?

Пару слов тем, кто не совсем знаком с этим термином. Big data – это собственно большой проток плохо структурированных и не связанных друг с другом данных, полученных из несвязанных источников; их анализ и построение моделей прогнозирования события на их основе. Термин этот появился сравнительно недавно. Google Trends показывает начало активного роста употребления словосочетания начиная с 2011 года.

Как бы сказать проще? Big Data – это такие данные:

  • которые невозможно обрабатывать в Excel
  • взаимосвязь между которыми не видит человек
  • к тем, что еще вчера не успели обработать,– это еще и постоянно поступающие новые данные за новый период.

Откуда эти данные?

Ежесекундно гигантские мегатонны контента генерируют события в мире, новостные порталы, бренды, их торговые и информационные посредники. В каждом магазине на входе стоит датчик, который фиксирует появление в торговом зале нового посетителя. Платежные онлайн-системы фиксируют транзакции, банки – движение наличных и безналичных денег, магазины считают чеки и анализируют их суммы. Поисковые системы фиксируют количество и частоту интернет-запросов. Социальные сети видят количество упоминаний тех или иных марок, по сопутствующему окружению, понимают характер и причину упоминания, настроение и отношение.

Ну что, маркетологи, у вас еще не загорелись глаза, руки от предвкушения «знать все» не дрожат? Спокойно! Это не для вас! Чтобы получить, собрать воедино, осмыслить все эти беспорядочные данные, нужно использовать ультрасовременную аналитику с привлечением искусственного интеллекта и чудовищные по объему хранилища этих данных. Если с хранилищами все решаемо, то вот искусственный интеллект нужно еще обучить. Впрочем, о сложности этой задачи ниже, а пока сохраним естественное для маркетолога желание «знать все» о потребителях и пойдем разбираться.

С Big Data есть вполне конкретный подвох.

Мусор на входе – ошибки на выходе

Неполнота данных

Давайте рассмотрим такую, в общем-то тривиальную для маркетинга задачу, как мониторинг (пока еще не прогнозирование) поведения целевой группы. И еще более конкретный предмет наблюдения, как социальное взаимодействие членов этой целевой группы. Зачем это нужно? Одной из целей взаимодействия является уменьшения неопределенностей – получение знаний и снятие сомнения при выборе, в отношении вашего предмета маркетинга. Такое уменьшение неопределенности является следствием совместного участия людей в межиндивидуальных или групповых видах деятельности, например, в ходе общения в соцсетях.

Беда же в том, что сколько бы мы не собирали «большие данные», но это общение не ограничивается только соцсетями. Люди общаются в офлайне: коллеги на работе, случайное общение членов ЦА на отдыхе, совместная выпивка в пабе, случайный разговор в общественном транспорте. Такое взаимодействие будет не подконтрольно наблюдателям за Big Data. По настоящему полнота данных может быть обеспечена только:

  • При тотальном контроле за всеми членами целевой группы. Ибо даже в туалете общественного кинотеатра может произойти такое взаимодействие, не учтенное для последующего анализа!
  • В замкнутой системе. Скажем, подсчитать число пользователей, пользующихся многоразовыми проездными билетами в метро и понять, какая же часть этого множества пользуется еще и наземным общественным транспортном. Но как подсчитать сколько же из не воспользовавшихся использовали такси?

Вторая проблема неполноты данных в том, что процесс такого взаимодействия имеет два аспекта: объективный и субъективный. Объективная сторона – это связи, не зависящие от отдельных личностей или групп, но объективно и содержательно способные быть учтенными в Big Data (например, купля/продажа, передача ии прием единицы информации). Это может быть учтено, подсчитано, обработано и на этом можно построить модель.

Субъективная сторона взаимодействия – это сознательное, нередко эмоционально окрашенное отношение индивидов друг к другу, возникающее в процессе взаимодействия: взаимные ожидания определенного поведения или реакции, личная расположенность к партнеру по взаимодействию, приятность внешнего вида и голоса партнера и тому подобное. Все это влияет, как на само взаимодействие, так и на результат такого взаимодействия. Эти же аспекты очень трудно проследить и проанализировать. Суррогатом, позволяющим хоть как-то проследить субъективный аспект взаимодействия являются лайки, смайлики в соцсетях. По их наличию можно попытаться определить степень вовлеченности, настроение и отношение. Но, черт возьми , как это сделать, если взаимодействующие их не используют? И уж конечно же эмоджи люди не используют на улицах, в магазинах, в транспорте – люди не живут в соцсетх и за их пределами общаются иначе!

Анализировать взаимодействия членов целевой группы только по факту взаимодействия (продажа) или только там, где вы хотите наблюдать такое взаимодействие (магазин), не учитывать субъективное качество взаимодействия – это обрекать себя не непонимания того, продолжится ли такое взаимодействие завтра, будут ли еще покупки в этом магазине – понравилось ли покупать, удовлетворены ли предметом маркетинга или нет.

Обезьяна, граната, а в гранате – Big Data

Зачастую, анализируя что-то маркетинговое с рынка, мы наблюдаем два явления, происходящие совместно, однако никак не связанные между собой: падение числа чеков с нашим товаром и рост цен на товары потребительской корзины. Если такие явления происходят параллельно и довольно длительное время, что в голове маркетингового специалиста может возникнуть мало чем обоснованное предположение о том, что это как-то взаимосвязано. Есть такое понятие «эпифеномен» — это ошибка причинно-следственных связей.

Н. Талеб в «Антихрупкости» говорит: Если птицам читать лекции об теории полета, то они станут летать — вы в это не верите, это же глупо, не так ли? А вот следующий пример: В богатых странах проводится больше научных исследований, поэтому можно предположить, что наука порождает богатство. Это уже более правдоподобно, да? И вполне коррелирует с житейской мудростью — «если ты такой умный, то почему такой бедный?» На самом деле в мире все было наоборот — сначала некоторые страны заполучили богатство, а уж потом стали развивать науки. В бедной стране наука невозможна.
Таргетированная реклама при помощи Big Data — это по прежнему стрельба в темноту, пишет Forbes. Пока нет доказательств, что все эти методики, построенные на анализе cookies, социальных медиа и прочего хитроумного «таргетинга» устойчиво работают. Да и вы сами сто раз с этим сталкивались — когда контекстная реклама бьет мимо, нисколько не отвечая вашим интересам или когда вы уже товару купили, а еще месяц после вам показывают контекстно именно этот товар. Кто-то же в этот момент «палит» на вас деньги!?

Big Data в руках генераторов теорий — это идеальный инструмент для открытия и продвижения эпифеномена, а накопление данных и наблюдение за ними, в отсутствие четких моделей прогнозирования, построенных на анализе реалий, а не гипотез, может породить большое число таких ложных «открытий». Почему не основанные ни на чем гипотезы в науке – благо, а в маркетинге – смерть? Если кто-то из ученых напишет диссертацию и ошибется – не страшно, забыто. Но если эти теории проникнут в маркетинг — из прибыльного получится «monkey business».

Вначале научитесь предсказывать погоду на завтра

Хотите примеры?

Как прогнозировали грипп?

Прогноз победы

Пишите длинные тексты

Ворота МТС

Еще в 2015 году на Форуме «Future of Telecom» руководитель направления Big Data компании «МТС» Виталий Сагинов рассказывал о подходах компании в развитии направления по работе с «большими данными». В своем докладе он отмечал: «в ближайшее время доходы компании от продажи аналитики на данных будут сопоставимы с доходами от меседжинга и SMS». Замечательно, но в мае 2018 года все новостные ленты и ТВ облетела информация о том, что житель Москвы Алексей Надежин клиент этого сотового оператора связи обнаружил, что его ворота, установленные, на въезде в садоводческое товарищество «самостоятельно» подписались на платные SMS-сервисы отвечали на посылаемую им информацию.

В пресс-службе МТС тогда рассказали, что «специалисты провели необходимые работы, чтобы подобный случай не повторился». Означает ли это, что ворота сами что-то набирали в телефоне или подписки были оформлены без согласия абонента, в комментарии компании не уточняется. Вот только на симку, установленную в автоматике ворот приходило множество СМС с коротких номеров, а ворота, оказывается, «сами» им отвечали, отправляя СМС в ответ. Ну и где же результат многолетней работы с «большими данными» для недопущения подобного? Заявлять о умении собирать, анализировать и прогнозировать на Big Data – это еще не означает делать это с адекватным качеством!

А что Procter&Gamble?

Как Сбербанк от искусственного интеллекта пострадал

В феврале 2019 года во время своего выступления на «Уроке цифры» в частной школе в Москве глава Сбербанка Герман Греф, отвечая на вопрос о рисках внедрения технологий, сказал: «Искусственный интеллект, как правило, принимает решение в больших системах. Маленькая ошибка, закравшаяся в алгоритм, может приводить к очень большим последствиям». Отвечая на запрос РБК о сути потерь от внедрения искусственного интеллекта, в пресс-службе Сбербанка уточнили, что «речь идет не о прямых убытках, а скорее о недополученной прибыли». Тем не менее, глава банка высказался о потерях определенно, смысл его заявления в том, что Сбербанк в результате ошибок искусственного интеллекта уже потерял миллиарды рублей.

Big Data в маркетинге — пора расстаться с иллюзиями

Уставшие от хайпа с Big Data

Разумеется, нельзя сказать, что Google Flu Trends совсем не работает, а предсказание на основе Big Data – мошенничество. Просто молоток можно использовать для создания прекрасного, но большинство его используют для починки убогого, а некоторые – и вовсе не во благо. Сейчас, похоже, что сильно увеличившееся давление предсказателей на Big Data, начало маркетологам мешать. Везде! Кроме как, в России – у нас все, даже самые прогрессивные и быстро набирающие обороты тенденции, наблюдаются с запаздыванием лет на пять.

Что до остального мира, то рекламодатели устали от многолетнего хайпа вокруг Big Data. Вообще же, первое, что тогда на Dmexco’2017 бросилось в глаза в первый же день выставки – из выступлений и презентаций практически стал исчезать термин Big Data. Это было заметно, так как последние четыре года этим словосочетанием пользовался каждый второй выступающий. И причина ослабевания «Big Data давления» на бизнес-сообщество и интернет-сообщество понятна:

Что же дальше?

Если до сих пор все мысли IT-специалистов и аналитиков были заняты созданием баз данных, созданием принципов хранения, классификации информации, полученной из разных источников, то теперь, когда подобные хранилища созданы, для многих брендов стала очевидной бессмысленность анализа разных источников, накопления и складирования данных как таковых. Хранение и поверхностный анализ больших объемов информации стоит больших денег и не оправдывает себя, если нет моделей сопоставления данных, если бренд не в состоянии обработать и использовать статистику для повышения эффективности продаж – нет практической ценности.

Результатом переосмысления задачи «получить доступ к данным в маркетинге» стало появление нового термина, который отражает рост спроса на эффективное использование данных. В своих выступлениях на Dmexco’2017, в блогах и на конференциях, докладчики все чаще говорят о технологиях работы с большими данными как части предиктивного или предсказыемого маркетинга (англ. predictive marketing).

Ну это про маркетинг! А что же с предсказанием на Big Data вообще? Однозначно это сработает в естественных науках, там, где есть накопленные данные за многолетний период, где за это же время откатана строгая математическая модель и понимание протекающих естественных процессов. Это реально сработает если анализировать макро-тенденции, происходящие в макромасштабе – тренды общества. Это реально сработатет, если анализировать замкнутые устойчивые системы микромасштаба (деревня, магазин на станции, на которую никогда не приходят поезда со случайными покупателями). Это применимо для оценки поведения в будущем конкретного человека. Но как только появляется взаимное влияние, вновь возникающие тенденции, «черные лебеди» (Насим Талеб) – исследуемая система предстает «черным ящиком».

Читать еще:  Digital маркетинг что это такое

Что такое Big data: собрали всё самое важное о больших данных

Что такое Big data, как это работает и почему все носятся с данными как с писаной торбой: Rusbase объясняет на пальцах для тех, кто немного отстал от жизни.

Что такое Big data

Только ленивый не говорит о Big data, но что это такое и как это работает — понимает вряд ли. Начнём с самого простого — терминология. Говоря по-русски, Big data — это различные инструменты, подходы и методы обработки как структурированных, так и неструктурированных данных для того, чтобы их использовать для конкретных задач и целей.

Неструктурированные данные — это информация, которая не имеет заранее определённой структуры или не организована в определённом порядке.

Термин «большие данные» ввёл редактор журнала Nature Клиффорд Линч ещё в 2008 году в спецвыпуске, посвящённом взрывному росту мировых объёмов информации. Хотя, конечно, сами большие данные существовали и ранее. По словам специалистов, к категории Big data относится большинство потоков данных свыше 100 Гб в день.

Читайте также: Как зарождалась эра Big data

Сегодня под этим простым термином скрывается всего два слова — хранение и обработка данных.

Big data — простыми словами

В современном мире Big data — социально-экономический феномен, который связан с тем, что появились новые технологические возможности для анализа огромного количества данных.

Читайте также: Мир Big data в 8 терминах

Для простоты понимания представьте супермаркет, в котором все товары лежат не в привычном вам порядке. Хлеб рядом с фруктами, томатная паста около замороженной пиццы, жидкость для розжига напротив стеллажа с тампонами, на котором помимо прочих стоит авокадо, тофу или грибы шиитаке. Big data расставляют всё по своим местам и помогают вам найти ореховое молоко, узнать стоимость и срок годности, а еще — кто, кроме вас, покупает такое молоко и чем оно лучше молока коровьего.

Кеннет Кукьер: Большие данные — лучшие данные

Технология Big data

Огромные объёмы данных обрабатываются для того, чтобы человек мог получить конкретные и нужные ему результаты для их дальнейшего эффективного применения.

Читайте также: Big data: анализ и структурирование

Фактически, Big data — это решение проблем и альтернатива традиционным системам управления данными.

Техники и методы анализа, применимые к Big data по McKinsey:

  • Data Mining;
  • Краудсорсинг;
  • Смешение и интеграция данных;
  • Машинное обучение;
  • Искусственные нейронные сети;
  • Распознавание образов;
  • Прогнозная аналитика;
  • Имитационное моделирование;
  • Пространственный анализ;
  • Статистический анализ;
  • Визуализация аналитических данных.

Технологии:

Читайте также: Big data: семантический анализ данных и машинное обучение

Для больших данных выделяют традиционные определяющие характеристики, выработанные Meta Group ещё в 2001 году, которые называются «Три V»:

  1. Volume — величина физического объёма.
  2. Velocity — скорость прироста и необходимости быстрой обработки данных для получения результатов.
  3. Variety — возможность одновременно обрабатывать различные типы данных.

Big data: применение и возможности

Объёмы неоднородной и быстро поступающей цифровой информации обработать традиционными инструментами невозможно. Сам анализ данных позволяет увидеть определённые и незаметные закономерности, которые не может увидеть человек. Это позволяет оптимизировать все сферы нашей жизни — от государственного управления до производства и телекоммуникаций.

Например, некоторые компании ещё несколько лет назад защищали своих клиентов от мошенничества, а забота о деньгах клиента — забота о своих собственных деньгах.

Сюзан Этлиджер: Как быть с большими данными?

Решения на основе Big data: «Сбербанк», «Билайн» и другие компании

У «Билайна» есть огромное количество данных об абонентах, которые они используют не только для работы с ними, но и для создания аналитических продуктов, вроде внешнего консалтинга или IPTV-аналитики. «Билайн» сегментировали базу и защитили клиентов от денежных махинаций и вирусов, использовав для хранения HDFS и Apache Spark, а для обработки данных — Rapidminer и Python.

Читайте также: «Большие данные дают конкурентное преимущество, поэтому не все хотят о них рассказывать»

Или вспомним «Сбербанк» с их старым кейсом под названием АС САФИ. Это система, которая анализирует фотографии для идентификации клиентов банка и предотвращает мошенничество. Система была внедрена ещё в 2014 году, в основе системы — сравнение фотографий из базы, которые попадают туда с веб-камер на стойках благодаря компьютерному зрению. Основа системы — биометрическая платформа. Благодаря этому, случаи мошенничества уменьшились в 10 раз.

Big data в мире

По данным компании IBS, к 2003 году мир накопил 5 эксабайтов данных (1 ЭБ = 1 млрд гигабайтов). К 2008 году этот объем вырос до 0,18 зеттабайта (1 ЗБ = 1024 эксабайта), к 2011 году — до 1,76 зеттабайта, к 2013 году — до 4,4 зеттабайта. В мае 2015 года глобальное количество данных превысило 6,5 зеттабайта (подробнее).

К 2020 году, по прогнозам, человечество сформирует 40-44 зеттабайтов информации. А к 2025 году вырастет в 10 раз, говорится в докладе The Data Age 2025, который был подготовлен аналитиками компании IDC. В докладе отмечается, что большую часть данных генерировать будут сами предприятия, а не обычные потребители.

Аналитики исследования считают, что данные станут жизненно-важным активом, а безопасность — критически важным фундаментом в жизни. Также авторы работы уверены, что технология изменит экономический ландшафт, а обычный пользователь будет коммуницировать с подключёнными устройствами около 4800 раз в день.

Рынок Big data в России

В 2017 году мировой доход на рынке big data должен достигнуть $150,8 млрд, что на 12,4% больше, чем в прошлом году. В мировом масштабе российский рынок услуг и технологий big data ещё очень мал. В 2014 году американская компания IDC оценивала его в $340 млн. В России технологию используют в банковской сфере, энергетике, логистике, государственном секторе, телекоме и промышленности.

Читайте также: Как устроен рынок Big data в России

Что касается рынка данных, он в России только зарождается. Внутри экосистемы RTB поставщиками данных выступают владельцы программатик-платформ управления данными (DMP) и бирж данных (data exchange). Телеком-операторы в пилотном режиме делятся с банками потребительской информацией о потенциальных заёмщиках.

Обычно большие данные поступают из трёх источников:

  • Интернет (соцсети, форумы, блоги, СМИ и другие сайты);
  • Корпоративные архивы документов;
  • Показания датчиков, приборов и других устройств.

Big data в банках

Помимо системы, описанной выше, в стратегии «Сбербанка» на 2014-2018 гг. говорится о важности анализа супермассивов данных для качественного обслуживания клиентов, управления рисками и оптимизации затрат. Сейчас банк использует Big data для управления рисками, борьбы с мошенничеством, сегментации и оценки кредитоспособности клиентов, управления персоналом, прогнозирования очередей в отделениях, расчёта бонусов для сотрудников и других задач.

«ВТБ24» пользуется большими данными для сегментации и управления оттоком клиентов, формирования финансовой отчётности, анализа отзывов в соцсетях и на форумах. Для этого он применяет решения Teradata, SAS Visual Analytics и SAS Marketing Optimizer.

Читайте также: Кто делает Big data в России?

«Альфа-Банк» за большие данные взялся в 2013 году. Банк использует технологии для анализа соцсетей и поведения пользователей сайта, оценки кредитоспособности, прогнозирования оттока клиентов, персонализации контента и вторичных продаж. Для этого он работает с платформами хранения и обработки Oracle Exadata, Oracle Big data Appliance и фреймворком Hadoop.

«Тинькофф-банк» с помощью EMC Greenplum, SAS Visual Analytics и Hadoop управляет рисками, анализирует потребности потенциальных и существующих клиентов. Большие данные задействованы также в скоринге, маркетинге и продажах.

Big data в бизнесе

Для оптимизации расходов внедрил Big data и «Магнитогорский металлургический комбинат», который является крупным мировым производителем стали. В конце прошлого года они внедрили сервис под названием «Снайпер», который оптимизирует расход ферросплавов и других материалов при производстве. Сервис обрабатывает данные и выдаёт рекомендации для того, чтобы сэкономить деньги на производстве стали.

Читайте также: Как заставить большие данные работать на ваш бизнес

Большие данные и будущее — одна из самых острых тем для обсуждения, ведь в основе коммерческой деятельности лежит информация. Идея заключается в том, чтобы «скормить» компьютеру большой объем данных и заставить его отыскивать типовые алгоритмы, которые не способен увидеть человек, или принимать решения на основе процента вероятности в том масштабе, с которым прекрасно справляется человек, но который до сих пор не был доступен для машин, или, возможно, однажды — в таком масштабе, с которым человек не справится никогда.

Читайте также: 6 современных тенденций в финансовом секторе

Чтобы оптимизировать бизнес-процессы,«Сургутнефтегаз» воспользовался платформой данных и приложений «in-memory» под названием SAP HANA, которая помогает в ведении бизнеса в реальном времени. Платформа автоматизирует учёт продукции, расчёт цен, обеспечивает сотрудников информацией и экономит аппаратные ресурсы. Как большие данные перевернули бизнес других предприятий — вы можете прочитать здесь.

Big data в маркетинге

Благодаря Big data маркетологи получили отличный инструмент, который не только помогает в работе, но и прогнозирует результаты. Например, с помощью анализа данных можно вывести рекламу только заинтересованной в продукте аудитории, основываясь на модели RTB-аукциона.

Читайте также: Чем полезны большие данные для рекламного бизнеса?

Big data позволяет маркетологам узнать своих потребителей и привлекать новую целевую аудиторию, оценить удовлетворённость клиентов, применять новые способы увеличения лояльности клиентов и реализовывать проекты, которые будут пользоваться спросом.

Сервис Google.Trends вам в помощь, если нужен прогноз сезонной активности спроса. Всё, что надо — сопоставить сведения с данными сайта и составить план распределения рекламного бюджета.

Читайте также: Большие данные должны приносить практическую пользу бизнесу – или умереть

Биг дата изменит мир?

От технологий нам не спрятаться, не скрыться. Big data уже меняет мир, потихоньку просачиваясь в наши города, дома, квартиры и гаджеты. Как быстро технология захватит планету — сказать сложно. Одно понятно точно — держись моды или умри в отстое, как говорил Боб Келсо в сериале «Клиника».

А что вам интересно было бы узнать о больших данных? Пишите в комментариях 🙂

Как большие данные (Big Data) убивают типичного клиента или почему вам срочно нужен персональный маркетинг

Как меняется маркетинг в эпоху социальных сетей и больших данных (Big Data) и чем это поможет вашему бизнесу: рассматриваем практические примеры персонализации рекламных предложений.

Новый маркетинг: почему вашего типичного клиента больше нет

Описывая портрет своего потенциального клиента, традиционный маркетинг попадает в ловушку обобщения. Например, целевая аудитория продукта: домохозяйки с маленькими детьми, владельцы японских авто с пробегом более 100 тысяч километров или обеспеченные миллинеалы с высшим образованием.

При этом возникает «проблема мертвых душ» — группа есть, а человека нет. В реальном мире отсутствует абстрактный «пользователь продукта», такой как молодой человек 25-35 лет, пользующийся мобильным интернетом по 3 часа каждый день. В жизни есть вполне конкретный Петр Евгеньевич Сидоров, 27 лет, холост, который работает врачом-анестезиологом сутки через двое, 3 раза в неделю ходит в тренажерный зал, предпочитает не тратить время на приготовление пищи, но придерживается здорового питания, в интернете общается с друзьями через соцсети, а также любит читать фантастические рассказы и медицинские статьи.

Задача маркетолога – подобрать специальный продукт, который подходит именно этому клиенту. Например, лимитированный трафик для смартфона и домашнего компьютера, доставку ЗОЖ-блюд домой и на работу или клиентская карта фитнес-клуба с гибким расписанием тренировок и возможностью переноса занятий на случай внеплановых дежурств.

Читать еще:  Комплекс маркетинговых исследований

Персональный маркетинг — индивидуальная работа с каждым клиентом из целевой аудитории

Среди множества рекламных предложений по аналогичным продуктам и услугам потребитель выбирает то, что удобно именно ему. Поэтому нужно знать о своих клиентах, текущих и потенциальных, максимум информации, а не только ключевую характеристику относительно вашего бизнеса.

ФИО, возраст, семейное положение, дружеское окружение, уровень доходов, место проживания, образование, карьера, хобби и предпочтения – эти сведения позволят предугадать потребности клиента, предложить ему подходящий товар или услугу и стимулировать к повторной покупке [1]. Опыт американских компаний подтверждает, что персонализированный подход к клиентам, увеличивает продажи в среднем на 19% [2]. А успешные кейсы сокращения рекламного бюджета при увеличении выручки в отечественном маркетинге мы описывали здесь [1].

Где взять данные о клиенте и как их анализировать

Сегодня, в эпоху соцсетей, даже личная информация перестает быть секретом – люди охотно делятся важными событиями и повседневными мыслями со всем миром, публикуя посты и фотографии на своих страницах. Поэтому, чтобы лучше узнать своего клиента, вам нужна только ссылка на его профиль в социальной сети. Страница соцсети не заменит карточку клиента в корпоративной CRM-системе, но существенно дополнит ее [3].

Постоянно увеличивающиеся объемы и разные форматы сообщений в социальных сетях делают задачу сбора и анализа этой информации прикладной сферой Big Data-технологий.

Социальные сети — уникальный источник данных о клиентах

После автоматизированного сбора сведений о клиентах, эту информацию следует очистить от ошибок, опечаток и нерелевантных значений, чтобы определить факторы, влияющие на целевую (таргетную) переменную.

Затем модель машинного обучения (Machine Learning) проверяет гипотезы об зависимости различных характеристики друг от друга и формирует рекомендации. Например, предложить потребителю семейную карту лояльности с новым тарифом, если страница соцсети вашего клиента стала наполняться постами об отношениях и романтическими фото.

Персональный маркетинг – это не просто обращение к потребителю по имени в рекламном предложении. Поздравьте клиента с днем рождения, защитой диплома или другим важным событием, о котором он недавно сообщил в своих соцсетях, заодно рассказав о своей продукции, подходящей к этому случаю.

Не бойтесь встревожить потребителя излишней осведомленностью: 73% клиентов предпочитают бренды, использующие их личные данные для более формирования наиболее подходящих и выгодных маркетинговых предложений [2].

Кроме того, сбор и анализ подробной информации о потребителях помогут вам более точно сегментировать целевую аудиторию, чтобы предложить каждому пользователю именно то, в чем он нуждается. С помощью технологий Big Data и Machine Learning можно даже выявить, как погодные условия влияют на уровень продаж и повысить эффективность своих маркетинговых кампаний, о чем мы подробно рассказываем в новой статье.

Также инструменты больших данных и машинного обучения позволят найти новые продуктовые направления, определить неосвоенные области рынка, эффективнее спланировать и запустить рекламные кампании, выявить отраслевые тренды и изменения в поведении клиентов [4].

Технологии Big Data для сбора и анализа данных о клиентах из социальных сетей — главный инструмент современного маркетолога

А как именно использовать эти информационные технологии на практике, мы расскажем на наших обучающих курсах для инженеров, администраторов и аналитиков больших данных (Data scientists) и машинного обучения.

На занятиях вы освоите все тонкости работы с программно-аппаратным обеспечением, а также узнаете прикладные методы, средства и аналитические инструменты для решения реальных бизнес-задач. Например, вопросы сегментации целевой аудитории, прогнозирования и снижения оттока клиентов (Churn Rate) мы рассматриваем на курсе машинного обучения на Python.

Как повысить продажи в три раза с помощью Big Data и машинного обучения

Как обеспечить рост повторных покупок и снизить стоимость удержания постоянных клиентов? На этот вопрос в авторской колонке отвечает Алексей Шиховец, эксперт курса Нетологии «Big Data: основы работы с большими массивами данных» и руководитель отдела маркетинга CleverDATA. Источник материала — Rusbase.

Большие данные активно используют маркетологи в онлайн-рекламе и маркетинговых коммуникациях, они позволяют оптимизировать расходы в логистике и производстве. Яркий пример — работа американской компании оптовой и розничной торговли Walmart, огромной сети магазинов.

Они обрабатывают около 2,5 петабайт (2500 терабайт) данных каждый час из 200 внутренних и внешних источников, отслеживая ситуацию в торговых точках, и в соответствии с меняющимся поведением клиентов компания оперативно корректирует цены на товары.

При этом, оснастив датчиками собственный автопарк, компания собирает данные о передвижении машин с товарами в режиме реального времени. Благодаря этой информации ритейлер оптимизирует собственные поставки товаров и логистику в целом.

Методы анализа больших данных построены на технологии машинного обучения. С её помощью формируются алгоритмы, которые способны находить скрытые взаимосвязи, дообучаться, строить прогнозы и тем самым оптимизировать бизнес-процессы и формировать рекомендации. Большие данные как технология позволяют отработать гораздо большее количество гипотез, чем в состоянии сделать человек, тем самым помогая совершенствовать процессы, своевременно реагировать на различные изменения и сокращать потери денег и других ресурсов.

Как это работает

В 2017 году мы получили предложение от британского партнера Beauty Brains оптимизировать маркетинговые коммуникации на основе больших данных для трех британских интернет-магазинов косметики и средств ухода.

Нам нужно было понять интересы аудитории каждого бренда, чтобы персонализировать email-рассылки, обеспечить рост повторных покупок и снизить стоимость удержания постоянных клиентов.

У каждого магазина своя аудитория и свой накопленный объем ценных данных о покупках из CRM-систем. Именно собственные данные о потребительском поведении наиболее ценны для последующей обработки и формирования правильных выводов.

Какие данные мы собирали

Мы начали со сбора всех доступных данных о потребительском поведении существующей клиентской базы из популярных среди интернет-магазинов систем Magento и Shopify. В поле зрения попала информация о покупках, составе корзины, среднем чеке, времени заказов, частоте покупки того или иного товара среди постоянных клиентов и много другое.

Кроме этого мы проанализировали обратную связь клиентов на email-рассылки от интернет-магазинов и предлагаемые ими товарные предложения. Учитывались:

  • данные об открытии писем и переходов по ссылкам из используемых сервисов, типа Mailchimp и Dotmailer;
  • данные о последующей активности на сайте, включая просмотр конкретных карточек товаров и страниц товарных категорий, данные о совершении покупки после рассылки.

Эти данные доступны для большинства компаний, включая самых юных. Наиболее ценные данные о клиентах и аудитории можно найти в CRM, маркетинговых инструментах, а также сервисах интернет-аналитики, платформах по управлению контентом.

Мы также отслеживали активность повторных посещений постоянных клиентов, собирая данные по просмотрам товаров до совершения покупки.

Таким образом, объединяя всю собираемую информацию о каждом потребителе, мы сформировали полноценный образ каждого клиента для соответствующего интернет-магазина с его набором предпочтений, привычек и уникальных особенностей.

Например, привычка просматривать письма по утрам или поздно вечером, время совершения покупок — так, отправка письма утром или вечером может оказаться решающей для совершения покупки.

Кроме этого, профиль клиента формируют:

  • данные о времени нахождения на сайте до совершения покупки;
  • содержание корзины — конкретные товары и категории товаров, которые приобретал клиент;
  • частоту покупок, откликов на SMS-рассылку, откликов на email-рассылку — открывает ли потребитель письмо, игнорирует ли или совершает переход и покупает.

Мы отслеживаем, какие продукты вызывают интерес, какова реакция на скидки, а также данные о новых просмотрах каких-либо категорий товаров на сайте и других триггеров, говорящих о намерении совершить покупку.

Учитывая все эти сведения, мы обеспечиваем максимально персонализированный подход и выбираем наиболее оптимальные каналы для коммуникаций, время, частоту, товар или группу товаров для рекомендации по правильной цене.

Мы своевременно реагируем на появляющиеся сигналы о намерениях клиента.

Зачем все это

Информация о предыдущих покупках, а также отклике на коммуникации позволяет определить:

  • оптимальный размер скидки;
  • время жизни клиента и его общую ценность (LTV);
  • вероятность повторных покупок.

На основе этой информации вы можете автоматически формировать сегменты для запуска кампаний через email и Facebook.

К примеру, есть потребители, которые нуждаются в дополнительной мотивации в виде скидки или бонуса для совершения повторной покупки. А есть те, кто более лоялен к бренду и будет приобретать товар без какой-либо скидки, — для них нужно свое персональное предложение. Аудиторию, которая с высокой вероятностью повторит покупку без дополнительного стимула, можно исключать из кампаний.

Как это работает на практике

Клиент А. Покупает каждый месяц один и тот же шампунь для волос. Понимая частоту этих покупок, нет причин делать дополнительные акции на этот товар для этого клиента. Гораздо эффективнее предложить ему через месяц купить вместе с шампунем кондиционер для волос, а также попробовать маску того же бренда — вероятность увеличить таким образом корзину выше.

Клиент B. Совершил разовую покупку туалетной воды и духов и после этого ничего не покупал, однако, как мы видим из данных о его активности в email и на сайте, он просматривает общие корпоративные рассылки от интернет-магазина и периодически интересуется темой декоративной косметики. Есть вероятность, что клиент В изучает сайт, а совершает покупки в другом месте. Предложение набора теней со скидкой может послужить решающим стимулом совершения покупки для такого типа клиента.

Обучение в онлайн-университете: курс «Аналитик данных»

В действительности у каждого потребителя свои особенности, которые маркетологу не всегда просто определить и выработать соответствующую стратегию взаимодействия. Практическая польза data science в этом случае — в минимизации вовлеченности человека в процесс определения кому, что, когда предложить, чтобы повысить шансы на совершение покупки и увеличить размер корзины — машина сама учится, формирует нужные сегменты аудитории и автоматизирует персонализированные коммуникации с каждым потребителем.

Результат применения Big Data в бизнесе

Технологии машинного обучения и Big Data позволяют формировать правильные выводы: какой аудитории что предлагать, какое рекламное сообщение показывать — и другие параметры для максимально персонализированных коммуникаций. На примере трех интернет-магазинов с ассортиментом более 500 товаров мы обработали данные 100 тысяч потребителей, включая данные об активностях в email-рассылках, на сайте и в онлайн-рекламе.

В результате за неделю мы получили от 40 до 100 полностью автоматизированных рекламных кампаний для каждого бренда.

На основе технологий машинного обучения, в том числе нейронных сетей, построенная рекомендательная система сама формирует целевые сегменты аудитории, тем самым минимизируя влияние человека.

Есть определенные триггеры, которые мы выяснили в ходе сбора данных, по которым можно оценивать некоторые параметры. Например, мы увидели группу людей, которые просматривают почту по утрам, до рабочего дня, а потом возвращаются вечером домой и покупают увиденный товар. Мы понимаем, что имеет смысл продублировать им товарное предложение вечером через дополнительный канал. Однако за счет возможностей машинного обучения выводы формируются автоматически — машина определяет это самостоятельно и подсказывает, что, когда и где предложить пользователю для максимальной вероятности отклика.

Так нам удалось поднять повторные продажи примерно в три раза, при этом open rate писем увеличился в среднем на 70%, а конверсия из получивших письмо выросла на 83%.

Как это работает у других

По данным Forbes, одна из крупнейших американских розничных сетей Macy’s имеет более 800 магазинов и 73 миллиона товарных позиций. Пересмотр цен требовал большого количества времени (более четырех часов в день), а также он был недостаточно качественным и требовал постоянных корректировок. После внедрения SAS Institute (настраиваемые системы Business Intelligence для финансового менеджмента, управления рисками, маркетинга, управления цепочками поставок) компании удалось снизить время, затрачиваемое на пересмотр цен, в 22 раза, то есть теперь пересмотр осуществляется практически в реальном времени. Издержки на оборудование сократились на 70%.

Читать еще:  Маркетинг ico топ подрядчиков

Система оперирует историческими данными о структуре спроса за последние несколько лет и данными об имеющихся товарных запасах как по бизнесу и категориям в целом, так и с детализацией от уровня артикула (SKU) и торговой точки, и приводит их в соответствие. Также учитываются данные о запланированных скидках и промоакциях.

Российская сеть «Рив Гош» также использует обучаемую систему предсказания поведения покупателей на базе Machine Learning. «В первые дни использования точность персональных товарных рекомендаций по конкретным артикулам составила 33%. Ритейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями. Разработанное решение выполняет два ключевых сценария.

  1. Первый — выявление из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие две недели.
  2. В рамках второго сценария система делает прогноз двух топовых покупок по каждому из этих клиентов, определяя из десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU).

Обладая этими данными, ритейлер может существенно повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на их привлечение. При этом размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.

В выявленной группе клиентов повторные обращения за покупками составили около 47%, тогда как в среднем по клиентской базе этот показатель равен 22%. Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей.

Таким образом, методами машинного обучения удалось определить «золотой сегмент» держателей карт лояльности.

За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры этого сегмента меняются динамически, и система учитывает это в режиме реального времени. Компания «Рив Гош» отметила, что применение технологий Big Data и Machine Learning изменило их взаимодействие с клиентами и открыло для них новые перспективы.

Мнение автора и редакции может не совпадать. Хотите написать колонку для «Нетологии»? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.

B Big data

Определение Big data обычно расшифровывают довольно просто – это огромный объем информации, часто бессистемной, которая хранится на каком либо цифровом носителе. Однако массив данных с приставкой «Биг» настолько велик, что привычными средствами структурирования и аналитики «перелопатить» его невозможно. Поэтому под термином «биг дата» понимают ещё и технологии поиска, обработки и применения неструктурированной информации в больших объемах.

Экскурс в историю и статистику

Словосочетание «большие данные» появилось в 2008 году с легкой руки Клиффорда Линча. В спецвыпуске журнала Nature эксперт назвал взрывной рост потоков информации — big data. В него он отнес любые массивы неоднородных данных свыше 150 Гб в сутки.

Из статистических выкладок аналитических агентств в 2005 году мир оперировал 4-5 эксабайтами информации (4-5 миллиардов гигабайтов), через 5 лет объемы big data выросли до 0,19 зеттабайт (1 ЗБ = 1024 ЭБ). В 2012 году показатели возросли до 1,8 ЗБ, а в 2015 – до 7 ЗБ. Эксперты прогнозируют, что к 2020 году системы больших данных будут оперировать 42-45 зеттабайтов информации.

До 2011 года технологии больших данных рассматривались только в качестве научного анализа и практического выхода ни имели. Однако объемы данных росли по экспоненте и проблема огромных массивов неструктурированной и неоднородной информации стала актуальной уже в начале 2012 году. Всплеск интереса к big data хорошо виден в Google Trends.

К развитию нового направления подключились мастодонты цифрового бизнеса – Microsoft, IBM, Oracle, EMC и другие. С 2014 года большие данные изучают в университетах, внедряют в прикладные науки – инженерию, физику, социологию.

Как работает технология big data?

Чтобы массив информации обозначить приставкой «биг» он должен обладать следующими признаками:

  1. Объем (Volume) – данные измеряются по физической величине и занимаемому пространству на цифровом носителе. К «биг» относят массивы свыше 150 Гб в сутки.
  2. Скорость, обновление (Velocity) – информация регулярно обновляется и для обработки в реальном времени необходимы интеллектуальные технологии больших данных.
  3. Разнообразие (Variety) – информация в массивах может иметь неоднородные форматы, быть структурированной частично, полностью и скапливаться бессистемно. Например, социальные сети используют большие данные в виде текстов, видео, аудио, финансовых транзакций, картинок и прочего.

В современных системах рассматриваются два дополнительных фактора:

  • Изменчивость (Variability) – потоки данных могут иметь пики и спады, сезонности, периодичность. Всплески неструктурированной информации сложны в управлении, требует мощных технологий обработки.
  • Значение данных (Value) – информация может иметь разную сложность для восприятия и переработки, что затрудняет работу интеллектуальным системам. Например, массив сообщений из соцсетей – это один уровень данных, а транзакционные операции – другой. Задача машин определить степень важности поступающей информации, чтобы быстро структурировать.

Принцип работы технологии big data основан на максимальном информировании пользователя о каком-либо предмете или явлении. Задача такого ознакомления с данными – помочь взвесить все «за» и «против», чтобы принять верное решение. В интеллектуальных машинах на основе массива информации строится модель будущего, а дальше имитируются различные варианты и отслеживаются результаты.

Современные аналитические агентства запускают миллионы подобных симуляций, когда тестируют идею, предположение или решают проблему. Процесс автоматизирован.

К источникам big data относят:

  • интернет – блоги, соцсети, сайты, СМИ и различные форумы;
  • корпоративную информацию – архивы, транзакции, базы данных;
  • показания считывающих устройств – метеорологические приборы, датчики сотовой связи и другие.

Принципы работы с массивами данных включают три основных фактора:

  1. Расширяемость системы. Под ней понимают обычно горизонтальную масштабируемость носителей информации. То есть выросли объемы входящих данных – увеличились мощность и количество серверов для их хранения.
  2. Устойчивость к отказу. Повышать количество цифровых носителей, интеллектуальных машин соразмерно объемам данных можно до бесконечности. Но это не означает, что часть машин не будет выходить из строя, устаревать. Поэтому одним из факторов стабильной работы с большими данными является отказоустойчивость серверов.
  3. Локализация. Отдельные массивы информации хранятся и обрабатываются в пределах одного выделенного сервера, чтобы экономить время, ресурсы, расходы на передачу данных.

Для чего используют?

Чем больше мы знаем о конкретном предмете или явлении, тем точнее постигаем суть и можем прогнозировать будущее. Снимая и обрабатывая потоки данных с датчиков, интернета, транзакционных операций, компании могут довольно точно предсказать спрос на продукцию, а службы чрезвычайных ситуаций предотвратить техногенные катастрофы. Приведем несколько примеров вне сферы бизнеса и маркетинга, как используются технологии больших данных:

  • Здравоохранение. Больше знаний о болезнях, больше вариантов лечения, больше информации о лекарственных препаратах – всё это позволяет бороться с такими болезнями, которые 40-50 лет назад считались неизлечимыми.
  • Предупреждение природных и техногенных катастроф. Максимально точный прогноз в этой сфере спасает тысячи жизней людей. Задача интеллектуальных машин собрать и обработать множество показаний датчиков и на их основе помочь людям определить дату и место возможного катаклизма.
  • Правоохранительные органы. Большие данные используются для прогнозирования всплеска криминала в разных странах и принятия сдерживающих мер, там, где этого требует ситуация.

Методики анализа и обработки

К основным способам анализа больших массивов информации относят следующие:

  1. Глубинный анализ, классификация данных. Эти методики пришли из технологий работы с обычной структурированной информацией в небольших массивах. Однако в новых условиях используются усовершенствованные математические алгоритмы, основанные на достижениях в цифровой сфере.
  2. Краудсорсинг. В основе этой технологии возможность получать и обрабатывать потоки в миллиарды байт из множества источников. Конечное число «поставщиков» не ограничивается ничем. Разве только мощностью системы.
  3. Сплит-тестирование. Из массива выбираются несколько элементов, которые сравниваются между собой поочередно «до» и «после» изменения. АВ тесты помогают определить, какие факторы оказывают наибольшее влияние на элементы. Например, с помощью сплит-тестирования можно провести огромное количество итераций постепенно приближаясь к достоверному результату.
  4. Прогнозирование. Аналитики стараются заранее задать системе те или иные параметры и в дальнейшей проверять поведение объекта на основе поступления больших массивов информации.
  5. Машинное обучение. Искусственный интеллект в перспективе способен поглощать и обрабатывать большие объемы несистематизированных данных, впоследствии используя их для самостоятельного обучения.
  6. Анализ сетевой активности. Методики big data используются для исследования соцсетей, взаимоотношений между владельцами аккаунтов, групп, сообществами. На основе этого создаются целевые аудитории по интересам, геолокации, возрасту и прочим метрикам.

Большие данные в бизнесе и маркетинге

Стратегии развития бизнеса, маркетинговые мероприятия, реклама основаны на анализе и работе с имеющимися данными. Большие массивы позволяют «перелопатить» гигантские объемы данных и соответственно максимально точно скорректировать направление развития бренда, продукта, услуги.

Например, аукцион RTB в контекстной рекламе работают с big data, что позволяет эффективно рекламировать коммерческие предложения выделенной целевой аудитории, а не всем подряд.

Какие выгоды для бизнеса:

  • Создание проектов, которые с высокой вероятностью станут востребованными у пользователей, покупателей.
  • Изучение и анализ требований клиентов с существующим сервисом компании. На основе выкладки корректируется работа обслуживающего персонала.
  • Выявление лояльности и неудовлетворенности клиентской базы за счет анализа разнообразной информации из блогов, соцсетей и других источников.
  • Привлечение и удержание целевой аудитории благодаря аналитической работе с большими массивами информации.

Технологии используют в прогнозировании популярности продуктов, например, с помощью сервиса Google Trends и Яндекс. Вордстат (для России и СНГ).

Методики big data используют все крупные компании – IBM, Google, Facebook и финансовые корпорации – VISA, Master Card, а также министерства разных стран мира. Например, в Германии сократили выдачу пособий по безработице, высчитав, что часть граждан получают их без оснований. Так удалось вернуть в бюджет около 15 млрд. евро.

Недавний скандал с Facebook из-за утечки данных пользователей говорит о том, что объемы неструктурированной информации растут и даже мастодонты цифровой эры не всегда могут обеспечить их полную конфиденциальность.

Например, Master Card используют большие данные для предотвращения мошеннических операций со счетами клиентов. Так удается ежегодно спасти от кражи более 3 млрд. долларов США.

В игровой сфере big data позволяет проанализировать поведение игроков, выявить предпочтения активной аудитории и на основе этого прогнозировать уровень интереса к игре.

Сегодня бизнес знает о своих клиентах больше, чем мы сами знаем о себе – поэтому рекламные кампании Coca-Cola и других корпораций имеют оглушительный успех.

Перспективы развития

В 2019 году важность понимания и главное работы с массивами информации возросла в 4-5 раз по сравнению с началом десятилетия. С массовостью пришла интеграция big data в сферы малого и среднего бизнеса, стартапы:

  • Облачные хранилища. Технологии хранения и работы с данными в онлайн-пространстве позволяет решить массу проблем малого и среднего бизнеса: дешевле купить облако, чем содержать дата-центр, персонал может работать удаленно, не нужен офис.
  • Глубокое обучение, искусственный интеллект. Аналитические машины имитируют человеческий мозг, то есть используются искусственные нейронные сети. Обучение происходит самостоятельно на основе больших массивов информации.
  • Dark Data – сбор и хранение не оцифрованных данных о компании, которые не имеют значимой роли для развития бизнеса, однако они нужны в техническом и законодательном планах.
  • Блокчейн. Упрощение интернет-транзакций, снижение затрат на проведение этих операций.
  • Системы самообслуживания – с 2016 года внедряются специальные платформы для малого и среднего бизнеса, где можно самостоятельно хранить и систематизировать данные.

Резюме

Мы изучили, что такое big data? Рассмотрели, как работает эта технология, для чего используются массивы информации. Познакомились с принципами и методиками работы с большими данными.

Рекомендуем к прочтению книгу Рика Смолана и Дженнифер Эрвитт «The Human Face of Big Data», а также труд «Introduction to Data Mining» Майкла Стейнбаха, Випин Кумар и Панг-Нинг Тан.

Ссылка на основную публикацию
Adblock
detector
×
×