ДЕНИС АФАНАСЬЕВ. БОЛЬШОЙ СЕКРЕТ: КАК СОБРАТЬ BIG DATA ДЛЯ НЕБОЛЬШОЙ КОМПАНИИ

02.02.2018

Генеральный директор компании CleverDATA Денис Афанасьев написал для Firrma о том, как собирать большие данные и работать с ними, когда ваш бизнес еще не стал крупным.

Еще недавно использование больших данных в маркетинге было конкурентным преимуществом большого бизнеса. Но распространение современных цифровых технологий делает big data и маркетинг на их основе доступными в том числе для небольших компаний и выравнивает его положение по сравнению с большими братьями.


Маркетинг, основанный на больших данных – это маркетинг, базирующейся на статистически значимой информации. Она позволяет:

– на порядки более точно прогнозировать потребительское поведение;

–выявлять так называемые инсайты – знания о факторах, на которые реагирует целевая аудитория;

– вырабатывать рекомендации для повышения эффективности рекламных кампаний.

Эффективность маркетинговых предложений при использовании больших данных, по нашему опыту и опыту других зарубежных и российских игроков рынка, достигает 50% и выше. Это очень много.

Без использования big data добиться столь высокого уровня эффективности почти невозможно. И уж точно без них подобный уровень нельзя сохранять долго.

Работу даже на ранних этапах сбора информации лучше всего вести с использованием искусственного интеллекта (AI). AI содержится в DMP (data management platform): это стандартная система управления данными, отвечающая за сбор, обработку, хранение больших маркетинговых данных и работу с ними с помощью искусственного интеллекта. Практики считают, что AI позволяет формулировать более точные бизнес-идеи и лучше понимать клиентов.

DMP, как отечественные, так и зарубежные, широко представлены на российском рынке. Собственная DMP может стоить более $100 тысяч. Стоимость приобретения высокая, но и экономия значительная. Эффект связан с соблюдением действующих в нашей стране весьма высоких требований по работе с персональными данными.

Существуют решения по работе с данными, доступные в облаке в формате ежемесячной подписки. Можно использовать таким образом DMP, имеющиеся в солидных агентствах интернет-рекламы. А также пользоваться их консультационной помощью. При этом желательно, чтобы партнерское агентство имело опыт работы в предметной области, а также понимало методологию работы с большими данными и было в состоянии оценить, достаточно ли собранной информации для того, чтобы двигаться дальше.

Три типа данных

Для формирования корпуса больших данных используются три ключевых типа данных:

  • first party data — собственные данные компании;
  • second party data — данные партнеров и контрагентов компании, в том числе данные с партнерских интернет-ресурсов, взятые с соблюдением пользовательских соглашений соответствующих сайтов;
  • third party data — широкий спектр данных от внешних поставщиков, с которыми компания не имеет прям
ых отношений.

Важно задействовать все три типа, каждый из которых имеет свою ценность для задач маркетинга. Инструменты глубокой аналитики максимально раскрывают свой потенциал при работе со всеми тремя.

Обзор покупателя на 360°

Сбор собственных сведений о покупателях внутри компании — fist party data — похож на HR-метод «360°», когда специалиста оценивают все, кто с ним взаимодействует. Только в фокусе не профессиональные качества, а потребительское поведение, а также все доступные данные, имеющиеся у компании, которые позволяют построить полноценную картину об интересах и намерениях потребителя.

При этом нужно опираться на сведения из CRM-системы или программы лояльности, но дополнять их скрупулезно собранными данными о любых взаимодействиях с клиентом и о каждой точке контакта на пути взаимодействия. Например, переходы по рекламным объявлениям на сайте компании, посещение различных разделов и страниц сайта вашей компании, взаимодействие с сотрудниками компании, просмотры корпоративных email-сообщений.

Эти данные позволяют сделать портрет каждого вашего клиента более четким и детализированным. В результате формируется подробный профиль, фиксирующий как социально-демографические параметры (пол, возраст, образование, достаток, семейное положение), так и насколько потребитель заинтересован в ваших продуктах, насколько он экономен, каковы особенности его поведения, как часто приобретает товары и услуги, в каком объеме, какие у него предпочтения по категориям товаров и возможные намерения приобрести, например, машину или квартиру.

Каковы его интересы: авто, животные, путешествия, спорт, театр. И, конечно, каковы его фундаментальные потребности на данном жизненном этапе: например, воспитание детей или получение дополнительного образования, лечение или личные увлечения.

Пользовательские профили должны состоять из десятков параметров, чтобы была возможность тонкой дифференциации. К сведению: профили, составляемые искусственным интеллектом на основе больших данных, состоят из сотен таких параметров. Образцом можно считать структуру банковских пользовательских профайлов: кредитные организации давно и хорошо умеют формировать пользовательские профили.

Классический пусть сбора собственных данных – создание внутренних процедур и правил работы с маркетинговой информацией, за которые обычно отвечают директор по маркетингу и IT-директор. Прописываются траектории взаимодействия с клиентами и те следы, которые, взаимодействуя с клиентом, оставляют на этой траектории и фиксируются в собственных IT-системах компании. На следующем шаге она организуется сбор данных: от официальных документов до личных записей и устных впечатлений от каждого клиента у всех сотрудников.

Профиль клиента заполнялся как по вертикали – по источникам сведений о нем, так и по горизонтали – его потребительским свойствам. По каждому клиенту делается подборка документов о транзакциях, собирается все следы общения с ним — как по имейлу, в чате или по телефону. Офлайновые документы сканируются, оцифровываются с помощью систем распознавания данных.

Одновременно стремятся составить социально-демографический и профессиональный портрет клиентов — от пола, возраста, семейного положения до потребительских привычек и особенностей, которые были замечены как в результате контент-анализа сообщений из личного общения с ними, а также посещения тех или иных страниц сайта.

В итоге клиентские профили выглядят, как матрицы: по вертикали — источники данных, по горизонтали — оценки потребителей: уровень дохода, семейное положение, те или иные покупательские особенности, уровень платежной дисциплины и т.п. Вся эта информация «загружается» в DMP.

Проблема в том, что в большинстве компаний собственных данных катастрофически не хватает для того, чтобы сформировать четкую картину. Банки, а также телекоммуникационные компании относятся к компаниям с подробными пользовательскими профилями. Но большей части ритейлеров, e-commerce-проектов, b2b-компаний похвастаться особенно нечем.

При этом сбору собственных данных нет альтернативы. Внутренние данные — информационный актив, который хранит специфику бизнеса: важнейший корпоративный актив. Любая компания неповторима. На ее продажи влияет много факторов, значимость которых бывает трудно предположить. Это и специфический ассортимент, и особенности ценовой политики, и расположение офиса, и точки контактов с клиентами, и люди, которые работают в компании. И, конечно, образ компании.

Например, логотип: у одних он вызывает доверие, у других нет. А также образ в рекламных материалах и предложениях: реакция у разных пользователей на тот или иной образ в рекламных баннерах может кардинально отличаться в зависимости от личных предпочтений и интересов.

Как собрать собственные данные, чтобы на это не ушли годы? Поможет та же DMP.

Цифровая альтернатива

Одна из региональных торговых компаний, работающих на рынке джинсовой одежды, стартовала в начале прошлого года — и оказалась вынуждена искать свое место на сужающемся рынке. Стратегию поведения подсказало агентство интернет-рекламы, с которым начала сотрудничать фирма. Оно предложило пойти неклассическим путем сбора собственных маркетинговых данных: провести тестовую рекламную кампанию в своем интернет-магазине — и таким образом сформировать клиентскую базу. Решено было осуществить маркетинговую кампанию под управлением имеющейся в агентстве DMP.

Сбор данных длился полтора месяца. Система собирала максимум информации о пользователях, оформляющих покупку, в том числе данные партнеров и внешних поставщиков данных.

Старались включить пользователя в программу лояльности, чтобы по результатам анкетирования узнать о нем еще больше. Собирались данные об устройстве, которым пользуется посетитель; географии его доступа; интересах к конкретным категориям продуктов — на основе веб-логов посещения страниц интернет-магазина.

Использовались социально-демографические параметры на основе анкетных данных при вступлении в программу лояльности, данные о предыдущих посещениях сайта, переходах по email-рассылке, параллельным рекламных кампаниям. В результате были сформированы подробные пользовательские профили из числа пользователей, которые совершила активное действие на сайте — покупку. На базе этого стало возможным искать пользовательскую аудиторию, аналогичную по социально-демографическим и потребительским характеристикам.

На следующем шаге для поиска новых пользователей настроили рекламные кампании для показа персонализированных предложений. DMP с помощью искусственного интеллекта стремилась таргетировать аудиторию, схожую по параметрам поведения и атрибутам (Look-alike), таким образом обеспечивая рост эффективности рекламных баннеров.

С каждой новой итерацией накапливались новые и новые пользовательские профили, определялись целевые аудитории, уточнялись атрибуты потенциальных покупателей, совершенствовались рекламные каналы и маркетинговая программа в целом. 

Эффективность маркетинговых предложений постепенно росла, и фирма уже сейчас смогла достичь маркетинговой эффективности на уровне 50%.

Важное дополнение

Внешние данные (second party data) — дополнение собственных данных: они используются для обогащения внутренней информации. Это деперсонализированная информация: выводы и знания других игроков рынка о потребительских аудиториях.

С помощью внешних данных можно выявить дополнительные закономерности, а также найти связи в различных параметрах данных, например, единый возраст, пол, уровень дохода, образование, семейное положение. Полученные выводы можно применить для коммуникаций уже с новой аудиторией, характеристики которой максимально приближены к целевой группе, то есть осуществить так называемый Look-alike-анализ — поиск похожих. Выстроив таргетинг на потенциальных клиентах, характеристики которых максимально приближены к целевой группе.

Обмен знаниями о рынках и о потребительском поведении важен для компаний. Например, одна компания говорит другой: у нас с вами явно пересекающаяся аудитория, вполне вероятно, что, если им сделать предложение ваших товаров, они их приобретут. То есть данные по аудитории одной компании обогащаются полезными знаниями от другой компании.

Это могут быть, скажем, компания из сферы недвижимости и автодилер. Данные о клиентах, которые приобрели или интересуются квартирами в Подмосковье, можно использовать для продвижения автодилерами на узкий сегмент тех, для кого действительно актуальна покупка автомобиля.

Кроме того, информационное сотрудничество между компаниями позволяет найти события, на которые реагирует аудитория одной компании и, возможно, будет реагировать аудитория другой.

Верхний уровень

Third party data — третий, верхний уровень сбора больших данных: данные из внешних источников, предоставляемые различными поставщиками данных, в результате которых можно дополнить данные по собственной аудитории недостающими знаниями и сформировать трехмерное, наиболее системное и точное видение пользователя — 3D customer view.

Это могут быть как данные анкетного типа: сведения, которые указывают о себе сами пользователи, например, на порталах о поиске работы, а также данные о поведении: поведение пользователей в сети, посещение различных ресурсов, которые в комплексе дают представление о той или иной характеристики каждого пользователя.

Пользовательские интернет-следы собираются в рамках законодательства с помощью цифровых аналитических инструментов. «Третьи» данные позволяют вывести эффективность на качественно другой уровень.

Мы живем в эпоху диджитализации, каждый пользователь оставляет сотни следов в интернете, и эти данные могут быть собраны с помощью специальных цифровых инструментов. Но при этом важно соблюдать законодательство: нужны специальные пользовательские соглашения между вами и внешними ресурсами, позволяющие собирать интернет-логи ваших клиентов и анализировать взаимосвязи между действиями клиентов в Сети.

Технологии отслеживания и анализа серфинга ваших клиентов по интернет-страницам совершенствуются с каждым годом. Например, колл-трекинг позволяет четко уловить взаимосвязь между, например, переходом по рекламному баннеру в интернете и телефонным звонком клиента. Телефонный номер, на который звонит потребитель, закрепляется за конкретной сессией пользователя. И становится понятно, что, например, пользователь пришел по объявлению в «Яндекс.Директ», вводил запрос «Купить Toyota», живет в Москве, использует iPhone и браузер Safari. Такие сервисы сейчас вполне доступны для установки самостоятельно и с помощью агентств интернет-рекламы.

Автор: Денис Афанасьев
Источник: Firrma, 02.02.2017

Другие статьи по теме