Big Data в маркетинге

Методы обработки больших массивов данных

Технологии Big Data решают три глобальные задачи: 

• как хранить всю поступающую на сервер информацию, особенно когда объёмы превышают гигабайты и терабайты;

• как структурировать контент разных типов: видео, аудио, изображения, анимации, тексты;

• какими способами анализировать неструктурированную информацию и находить релевантные закономерности.

Методы обработки информации любого объёма объединяет Data Science — наука о данных. Материалы в небольших количествах иногда до сих пор разбирают вручную: например, в маркетинге так работают с результатами глубинных интервью. Но масштабные пласты цифровых данных невозможно полноценно проанализировать силами даже очень многочисленного коллектива, поэтому все методы в Big Data — машинные. Вот наиболее распространённые:

1. Data Mining (ещё его называют добычей данных или глубинным анализом). Превращение сырых данных в полезную информацию через поиск новых практически полезных и доступных интерпретации знаний.

2. Машинное обучение (Machine Learning) — способ обучать компьютеры через шаблоны и логические выводы, без программирования или чётких инструкций.

3. Нейронная сеть. Тип машинного обучения, строится на создании адаптивной системы, с помощью которой компьютер учится на своих ошибках и постепенно совершенствует алгоритмы. При этом используют взаимосвязанные узлы или нейроны в слоистой структуре, чтобы воссоздать механизмы, похожие на работу человеческого мозга.

4. Предиктивная аналитика. Построение предположений о будущих показателях на основе проанализированных данных. 

5. Статистический анализ.  Данные обрабатываются с помощью формул, которые позволяют выявить закономерности и тенденции — например, сезонность.

6. Имитационное моделирование. Эксперимент в цифровом пространстве, вводные показатели для него устанавливают исходя из обработанных данных прошлых периодов.

Какие задачи решает Big Data в маркетинге

Большие данные смело можно считать очередной ступенью эволюции в маркетинге. Большую часть истории торговли продавцы не утруждались поисками рынка сбыта или особого подхода к потребителю по одной простой причине: спрос во многих сферах значительно превышал предложение. Потребность в подстройке под покупателя возникла вместе с промышленной революцией: товаров стали производить больше, чем удавалось продать, бизнес терял в доходах. Но даже на этом этапе продавцы всё ещё ориентировались на собственный эмпирический опыт или интуитивные предположения относительно мотивации покупателя, возможного спроса и других важных для принятия решений факторов. 

В первой половине двадцатого века стали стремительно развиваться технологии продаж, появились рекламные инструменты и профильные специалисты. Следующим значимым этапом стало развитие интернета: мировая сеть в короткие (в масштабах человеческой истории) сроки — буквально за несколько лет — на порядки расширило объёмы доступной бизнесу информации. Игроки рынка получили возможность узнавать о действиях конкурентов, статистиках продаж, новых рекламных технологиях. Сейчас мы наблюдаем очередную ступень развитие технологий — начало эпохи Big Data. Это изменение можно считать качественным хотя бы потому, что машинные технологии позволяют добывать и обрабатывать сведения о действиях миллионов людей в максимально короткие сроки. А ещё современные алгоритмы умеют сравнивать данные между собой, выявлять закономерности и строить обоснованные предположения.

В чём помогает Big Data в маркетинге

Сегментировать целевую аудиторию

Понимание своей ЦА, её потребностей и болей важно на всех этапах маркетинга, от идеи продукта и до размещения на полке магазина или сайте ритейлера. При этом круг возможных покупателей, как правило, неоднородный, особенно если у компании широкая линейка товаров. У каждой группы клиентов своя мотивация, привычки, финансовые возможности. Точное сегментирование помогает найти клиентов среди холодной аудитории, сделать своё предложение более привлекательным для покупателей и эффективно настроить рекламу.

Инструменты продвижения настраиваются на каждую группу, это позволяет делать email-рассылки более эффективными, персонализировать интерфейс и приложения онлайн-магазинов, точнее определять цели таргетированной рекламы. Благодаря сегментированию компания не тратит бюджет на форматы, тематики и каналы привлечения трафика, которые не принесут результата.

Повысить лояльность покупателей

Для большинства ниш сохранение постоянных клиентов — более эффективный способ увеличить продажи (или хотя бы удержать их на допустимом уровне в кризисные моменты). Если речь не идёт о продуктах, которые покупают крайне редко или вообще один раз в жизни (как недвижимость, например), то удержание постоянных покупателей в среднем обходится дешевле, чем работа с холодной аудиторией. Лояльные клиенты более предсказуемы, на отношения с ними в меньшей степени влияют кризисы и рыночные колебания. Кроме того, потребитель склонен тратить более внушительные суммы, если доверяет продавцу, соответственно средний чек лояльных клиентов обычно выше.

Удержание клиентов и повышение их лояльности уже выделилось в отдельное направление продвижения — retention-маркетинг. Инструменты Big Data в нём используют, чтобы определить соотношение новых и постоянных покупателей, вычислить процент ушедших клиентов, разделить эти группы на сегменты. Также анализ больших данных показывает, какие методы удержания работают более эффективно: машинные алгоритмы отслеживают реакцию на таргетированную рекламу, рассылки, акции, инструменты персонализации. 

Снизить отток клиентов тоже помогает Big Data — в частности, предиктивный анализ. Машинный алгоритм обрабатывает информацию о поведении покупателей на разных стадиях отношений с продавцом — от первого касания до окончательного ухода — и выявляет закономерности. По ним можно вычислить, как склонны вести себя потребители, когда они теряют интерес к предложениям продавца, и выявить маркеры: например, отсутствие активности в личном кабинете. Персонализированная работа с такими клиентами позволяет значительно снизить процент потерянных клиентов.

Разрабатывать или улучшать продукты

Разные инструменты обработки больших данных объединяют в комплексные инструменты для решения сложных задач. Пример такого объединения в маркетинге — модель прогнозирования спроса. Это система, объединяющая машинное обучение, предиктивный и статистический анализ. Машинный алгоритм анализирует сведения о разных аспектах поведения потребителей: транзакции, активность в интернете, геолокации, онлайн-заказы. Модель выявляет закономерности и строит предположение о динамике спроса в будущем. Это позволяет заранее подстроить ассортимент и отдельные продукты под ожидания покупателя, что благотворно сказывается на продажах и уменьшает расходы на хранение неликвидных остатков.

Персонализировать e-commerce

Онлайн-торговля даёт самые широкие возможности для апселлинга — то есть, предложения покупателю дополнительных товаров, апгрейдов, аксессуаров или продуктов более высокого класса. Ещё один инструмент повышения прибыли — это перекрёстные продажи: предложение релевантных товаров. Например, покупателю, выбирающему чайник, страница магазина может предложить подходящий сервиз, тостер из той же коллекции или чайный набор. 

Инструменты Big Data помогают проанализировать историю покупок пользователя, а также закономерности в поведении сегмента потребителей, к которому относится клиент. Это позволяет предугадать предпочтения клиента, подготовить персонализированные рекомендации и установить комфортные цены, которые повысят вероятность покупки.

Оптимизировать рекламные кампании

Ещё один пример объединения разных методик работы с большими данными — рекламный программатик. Это платформа, построенная на машинном обучении, предикативном и статистическом анализе. Математическая модель сегментирует клиентскую базу по полу, возрасту, локации, интересам, уровню доходов и другим релевантным параметрам. Алгоритм отсекает ненужные сегменты: например, пешеходов при размещении рекламы аксессуаров для автомобилей. По итогам анализа программатик определяет наиболее подходящие площадки для продвижения и автоматически размещает промо-материалы на выбранных ресурсах.

Такой программатик предлагает, например, маркетплейс инструментов Big Data — Platforma. Его особенность — это доступ к объективной обезличенной информации о поведении миллионов потребителей. Platforma получает эти сведения от своих партнёров — крупнейших банков и коммуникационных компаний. Потребители при этом остаются полностью анонимными, поэтому данные об их транзакциях, поисковых запросах и другой онлайн-активности можно законно использовать для маркетинговых целей. Благодаря обоснованному выбору каналов продвижения, пользователям программатика не приходится тратить бюджет или размещение неэффективных креативов.