ПЕРСОНАЛИЗАЦИЯ ПРЕДЛОЖЕНИЙ В REAL-TIME: КАК BIG DATA ИСПОЛЬЗУЕТСЯ В КЛИЕНТСКОМ МАРКЕТИНГЕ?

В конце ноября мир в очередной раз встряхнула новость о том, что Google собирает данные о пользователях Android даже с телефонами без SIM-карт и с отключенной геолокацией. Невероятно, но факт: в 2017 году потребители почти полностью утратили возможность стать «невидимками» для Большого брата в виде гигантских IT-корпораций, отслеживающих каждый их шаг. Но пользователи и сами с легкостью делятся личной информацией, не задумываясь: по аккаунтам в социальных сетях можно узнать практически все об их интересах и важных социальных связях, по истории транзакций — о текущих предпочтениях и событиях из жизни (от покупок в свадебном салоне до регулярных походов в детский отдел супермаркета). И это хорошо: еще совсем недавно никак не связанные между собой сферы офлайна и онлайна теперь превращаются в единое целое благодаря использованию Big Data, что открывает бескрайнее поле возможностей для повышения качества коммуникации с конечным потребителем с помощью маркетинга.

Рынок Big Data растет едва ли не в геометрической прогрессии — по самым скромным оценкам, к 2026 году его объем достигнет $92 млрд. Неудивительно, что сейчас о нем говорят почти все — в том числе и маркетологи, которые начинают видеть в инструментах анализа «Больших данных» ключ к управлению потребительским поведением. Результаты исследования Forbes показали, что 48% маркетологов, использующих анализ Big Data, делают это именно ради глубокой аналитики потребительского поведения. Исследования Forrester подтверждают эти данные: для 36% специалистов дата-майнинг стал основным инструментом в разработке стратегий клиентского маркетинга благодаря возможности получить новые инсайты о поведении потребителей.


Источник: Statista


«Большие данные» называются большими не просто так: количество каналов, из которых могут агрегироваться данные об аудитории, и их масштабы на сегодня просто огромны. Настолько, что многим пока не совсем понятно, как реализовать хотя бы половину их маркетингового потенциала. Сюда входят и статичные данные — персональная информация с демографией, и real-time данные — передвижения по геолокации, и история транзакций, и бехивеоральные данные — действия на сторонних сайтах и в социальных сетях. Благодаря им определение аудитории и контекстуальность сообщений вышли на новый уровень. Например, уже сегодня возможности таргетинга Яндекс.Аудитории позволяют сузить сегмент аудитории вплоть до конкретного жильцов конкретного дома — и скоро и это не будет пределом. 

Конечно, анализ настолько огромных массивов данных требует невероятных для большинства компаний ресурсов. Но инвестиции в такую инфраструктуру полностью оправдывают себя меньше, чем за пару лет — и примером тому стал кейс Walmart, крупнейшего в мире ритейлера с более чем 20 000 магазинов в 28 странах, анонсировавшего в 2015 году открытие собственного дата-центра Data Café в Арканзасе. Ставший самым большим в мире частным «облаком», этот дата-центр обрабатывает около 2,5 петабайт (2500 терабайт) данных каждый час из 200 внутренних и внешних источников, а также хранит 20 петабайт последних транзакций всех покупателей сети. Число транзакций достигает около 245 млн в неделю, информация о которых собирается в виде 200-260 млрд строк данных (и это только за 7-10 дней) и затем анализируется и сегментируется аналитиками Walmart. Помимо всех возможных данных о потребителе, в них включается информация из разных внешних источников, которая может повлиять на потребительское поведение: метеорологические и экономические данные, а также исследования Nielsen, телеком, социальные медиа, локальные события и т. д.


В результате сеть Walmart сегодня стала бенчмарком в области сбора и анализа «Больших данных»: для 94% поступающих запросов скорость анализа сократилась до 2 секунд. Еще больше впечатляет то, что время анализа важнейших для бизнеса данных — например, о продажах во всех точках за месяц — сократилось с 2-х недель до 30 минут. Это дает совершенно новые возможности для ритейлера в мониторинге поведения своих потребителей и позволяет буквально на ходу подстраиваться под изменения в их предпочтениях, открывая ранее недосягаемые горизонты для клиентского маркетинга.
 

Размер не имеет значение: почему «Умные данные» побеждают «Большие»

«Большие данные» — это, прежде всего, «сырой» материал для маркетолога, который при правильной постановке вопросов может превратиться в «Умные данные», то есть те, которые позволят выявить новые тенденции в поведении потребителя и сформировать для него более точное предложение. Многие компании собирают огромные потоки данных об аудитории — и статичные, и демографические. и транзакционные — но получают ли они из них новые знания о различных сегментах ЦА?

Источник: DataFloq

Бенчмарком в этом направлении можно считать крупнешего представителя испанского телекома, оператора Telefónica Spain. С 2016 года с помощью мощного DMP-интегратора Cloudera они решили агрегировать все существующие источники данных о клиентах, чтобы по итогам их анализа генерировать персонализированные предложения рекомендации в реальном времени. В результате было собрано около 3 200 терабайт актуальных данных о всей аудитории оператора, которые включали в себя мобайл, использование кабельного ТВ, instore-активность, тренды рынка и другие диджитал-ресурсы. Был автоматизирован процесс анализа изменений в увлечениях пользователей: по каждому абоненту была составлена своеобразная «карта» предпочтений на основе всей истории взаимоотношений с брендом, проведены параллели со всеми «отказами» от услуг у разных сегментов аудитории.


Что получилось по итогам первого года работы с платформой для превращения просто «Больших» данных в «Умные»? Генерируемые в real-time инсайты о поведении телезрителей и создание рекомендаций для просмотра более интересных и релевантных программ помогло повысить телесмотрение Telefónica Spain на 20%, сократив при этом итоговый churn rate, или отток клиентов. Более глубокое понимание потребителя в целом помогло максимально точно определить, что нужно конкретному абоненту здесь и сейчас, в результате чего после серии действий клиента ему сразу приходило уведомление с рекомендацией нового сервиса, который был ему полезен. По заявлению представителей компании, раньше на формирование рекомендаций пользователям уходило до 20 дней, а с использованием «Умных данных» они стали отправляться автоматически и сразу же.

Наконец, продажи: помимо роста на 17% за год, рекомендации относительно мобильных устройств для клиентов помогли сократить «застревание» товара в точках продаж на 39%. Все это возможно именно благодаря релевантному предложению и персонализации: для лидеров рынка работающий клиентский маркетинг сегодня становится немыслим без перехода от хаотичных и неструктурированных «Больших данных» к по-настоящему умным, знакомящих с аудиторией заново.
 

Новые возможности персонализированного клиентского маркетинга

То, какие возможности Big Data открывает для персонализации предложения для клиентов, не зря так вдохновляет маркетологов по всему миру. Пример успещной персонализации сервиса рекомендаций с Telefónica Spain не был первым в своем роде. Среди крупных ритейлеров одной из первых молча наблюдать за развитием этих инструментов отказалась торговая сеть Macy’s, которая поставила себе цель персонализировать коммуникацию с каждым клиентом во всех 840 магазинах в 45 штатах США. С помощью «Больших данных» маркетологи сети решили выстраивать совершенно новую, «умную» омниканальную стратегию взаимодействия с покупателем по всем используемым им каналам. 

Так, как только потребитель с мобильным приложением сети переступает порог магазина Macy’s, ему приходит пуш-уведомление с персональной скидкой и оффером, сформированным за доли секунды на основе всей истории его покупок и просмотренных в онлайн-каталоги магазина товаров. Более того, в каждом магазине расположены десятки маячков — Bluetooth iВeacon — которые определяет местоположение клиента в магазине с точностью до нескольких сантиметров. Далее они подают сигнал в CRM-платформу сети, с которой посетителю сразу отправляется сообщение на смартфон, содержащее предложение со скидкой на товар, находящийся в непосредственной близости к клиенту сейчас.


В добавление к этому, с помощью глубокой аналитики огромных потоков данных в Macy’s удалось полностью оптимизировать и существующую email-стратегию, сделав ее максимально персонализированной. Сбор «Больших данных» позволил гипертаргетировать целевую аудиторию магазина и отправлять персональные рассылки практически для каждого клиента. По заявлению представителей сети, количество уникальных вариантов одного письма достигает 500 000! По итогам первого года тщательной работы с Big Data и использованию омниканальной коммуникации с клиентом Macy’s удалось повысить продажи уже на 10% — и дальше, по мере внедрения технологий во всех точках сети, эти показатели будут только расти.
 

Подытожим

Анализ больших массивов данных может вывести применение маркетинговых инструментов на совершенно новый уровень — это факт, который стал очевиден благодаря успешным кейсам зарубежной практики. Крупнейшие игноки рынка успешно комбинировали инновационные инструменты глубокой аналитики данных с  классической, ставшей традиционной теоретической моделью 4P — Product, Place, Price & Promotion. Так, Big Data оказывается полезной на каждой из этих ступенек:

Product: инструменты обработки «Больших данных» помогут в анализе потребления конкретных линеек собственного продукта, а также предложения конкурентов; анализировать предпочтения целевой аудитории и формировать максимально релевантные рекомендации на основе истории их выбора — как, например, успешно поступает Telefónica Spain.

Place: анализ огромных массивов отчетов по продажам за длительный период — источник инсайтов относительно выбора наиболее популярного канала продаж для потребителя. Так, в декабре 2017 года сеть масс-маркета H&M объявила о своем решении сократить количество офлайн-магазинов, выявив тенденцию к увеличению покупок своей одежды в интернет-магазине. Постепенный и неизбежный переход ритейлеров в онлайн сулит маркетологам еще более широкие возможности к аналитике клиентских данных в будущем.

Price: «Большие данные» помогают в процессе формировании максимально корректной цены благодаря возможностей для анализа массивов финансовых отчетов, данных от поставщиков и бизнес-показателей. Рассмотренный кейс Walmart — один из наиболее показательных примеров в этом напарвлении: для брендов с широкой и разношерстной целевой аудиторией глубокая аналитика способствует кастомизации цены для очень большого количества сегментов.

Promotion: опыт успешной интеграции офлайн и онлайн каналов с применением аналитики Big Data от сети Macy's показал, что теперь у маркетологов есть возможности создать как никогда точный портрет потенциального потребителя, который позволит сказать чуть ли не все о его вкусах и интересах и дать ему релевантную подсказку буквально на каждом шаг в магазине. Это помогает также и в прогнозировании реакции аудитории на промоофферы с их дальнейшим корректированием. 

Итого: к концу 2017 года уже стали неоспоримыми преимущества применения анализа Big Data в клиентском маркетинге независимо от отрасли. «Большие данные» позволяют маркетологам:

— сформировать максимально детализированный портрет потребителя и построить множество look-alike аудиторий;
— точно прогнозировать реакции пользователей на ваш продукт и выбранные рекламные месседжи;
— создавать промопредложения с очень высокой персонализацией и релевантностью здесь и сейчас;
— оптимизировать текущий маркетинговый бюджет;
— способствовать повышению лояльности вашей аудитории за счет более глубокого понимания потребителя и его актуальных потребностей.

Но при этом нельзя забывать о том, что Big Data как таковая будет нести в себе мало смысла для бизнеса, если последовательно не конвертируется в «Умные данные». Главная цель от анализа миллиарда строк данных — это получение ответов на важнейшие вопрос о вашем клиенте. И маркетологи, подхватившие мировой тренд повсеместного сбора больших массивов информации, сегодня чаще получают из них еще больше вопросов о бренде, продукте и аудитории, для поиска ответов на которые уже не хватает ресурсов. В результате в современном клиентском маркетинге возникает методологическая дилемма: данные ради данных не должны становиться самоцелью компаний. Важно помнить, что именно выбор маркетинговых инструментов, в том числе и глубокой аналитики, должен способствовать реализации вашей стратегии взаимодействия с клиентом, а не стратегия должна подстраиваться под использование Big Data.