Ефективність маркетингу визначається можливістю своєчасно оцінювати результативність кампаній і вибирати з них найбільш ефективні. Вимірювання та аналіз інформації стали нормою, показавши серйозні завдання, які стоять перед маркетологами.
Автори дослідження «Цифрове роз'єднання» стверджують, що від 40% до 60% бюджетів витрачається неефективно. За їхньою оцінкою, 38 мільярдів доларів світових маркетингових бюджетів вилітають «в трубу» через слабку результативність інтернет-маркетингу. У Gartner вважають, що подальший розвиток використання великих даних піде шляхом активного освоєння просунутої аналітики, в тому числі предиктивної.
Предиктивний аналіз даних використовує статистичні алгоритми і методи машинного навчання для визначення ймовірності майбутніх результатів на основі історичних даних. Його мета полягає в тому, щоб вийти за рамки того, що сталося, і дати найкращу оцінку подій в майбутньому.
Використання предиктивної аналітики в інтернет-маркетингу дозволяє бізнесу вирішити такі завдання.
Визначити «гарячі» ліди і оптимізувати роботу з ними
Аналітичні механізми предиктивного аналізу даних дозволяють ідентифікувати покупців, які з високим ступенем ймовірності готові оформити замовлення. Отримані дані також можна використовувати для динамічної модифікації звернень до покупців: персоналізувати розташування товарів, порядок категорій або банерів. Крім цього, «гарячі» ліди можуть отримувати унікальні пропозиції, сформовані системою миттєво, максимально релевантні їхнім інтересам.
Середньостатистичний клієнт Aldo - канадської компанії-виробника взуття та аксесуарів - купує кілька пар взуття на рік, в той час як «кращі» покупці - близько дев'яти пар. Це досить хороший показник, але все ж менше, ніж одна пара на місяць. Тому щотижневі розсилки електронних листів здалися компанії явно зайвими.
У Aldo вирішили зосередитися на сервісі, передбачати поведінку, вподобання і бажання споживача з допомогою предиктивних даних. Зібравши воєдино раніше розрізнену інформацію, компанія почала надавати персоналізований купівельний досвід, який супроводжує клієнта в інтернет- або офлайн-магазині, а також по телефону служби підтримки.
Метою стало зробити покупки в Aldo швидшими, простішими і веселішими. Так, наприклад, при покупці однієї пари взуття, через деякий час email-розсилка порекомендує другу в аналогічному стилі або відповідну сумку. Також, якщо покупець недавно активно цікавився якоюсь моделлю в мобільному додатку, але не оформив замовлення і прийшов в магазин, то система відправить повідомлення консультанту, щоб клієнт міг якомога швидше приміряти товар на собі.
Оптимізувати сегментування клієнтської бази і взаємодію з нею
Доповнення інформації про клієнтів предиктивними даними дозволяє уточнити або генералізувати сегменти бази. Це дозволяє зрозуміти, що буде цікаво покупцям, коли і як слід подавати їм релевантні пропозиції. Прогнози патернів поведінки клієнтів також дозволяють отримати інформацію про кращий канал для взаємодії з клієнтом: email, push-повідомлення, SMS або, наприклад, телефонний дзвінок чи розсилка у Viber.
Використання предиктивного аналізу інформації дозволило First Book - міжнародному дистриб'ютору книг для молоді з малозабезпечених сімей - збільшити продажі на 331%, очистити, об'єднати і доповнити 11 мільярдів точок даних, а також отримати прогноз по окремих клієнтах з точністю до 92,97%. Найважливішим каналом для них є ринок електронної комерції, в рамках якого вчителі або представники шкільної адміністрації можуть створювати облікові записи від імені учнів і купувати книги за істотно зниженими цінами.
У той час, як кількість зареєстрованих акаунтів значно зросла, First Book щосили намагався збільшити повторні продажі. Своїми силами компанії не вдалося виявити будь-яких працюючих патернів поведінки або загального набору характеристик, що ідентифікують тих клієнтів, які могли б зробити повторні покупки.
Звертаючись до предиктивної аналітики, First Book поставив наступні цілі: визначити загальні характеристики серед «кращих» і «гірших» клієнтів; передбачити, які окремі клієнти найімовірніше здійснять повторну покупку; очистити і об'єднати історичні записи з численних різнорідних баз даних.
Tumi - всесвітньо відомий виробник валіз і сумок для подорожей преміум-класу - завдяки можливостям предиктивного аналізу зміг не тільки відмовитися від маркетингової стратегії розпродажів, відправити на 40 мільйонів менше e-mail'ів, але і збільшити продажі майже на 37%, а також віддачу від інвестицій в маркетинг на 48%. Протягом довгого часу компанія керувалася принципом «для підвищення попиту необхідно влаштувати розпродаж і відправити якомога більше електронних листів».
Такий підхід в кінцевому рахунку призвів до падіння продажів на 10,5% і негативно позначився на іміджі бренду у покупців. Кожне дев'яте повідомлення на поштову скриньку клієнта поміщалося провайдерами в папку «Спам» через низький коефіцієнт відкриття розсилок.
У Tumi задумалися про переосмислення маркетингової стратегії, з упором на персоналізацію інтернет-маркетингу, більш точну сегментацію бази покупців, надання якісного післяпродажного сервісу і впровадження просунутої аналітики. Платформа почала витягувати дані з взаємодії клієнтів з електронною поштою, активності в соціальних мережах, поведінки на сайті Tumi, а також історії пошуку та перегляду в інтернеті.
Збір і аналіз інформації дозволив компанії в середньому відправляти один електронний лист із закликом до дії, де раніше відправлялось три. Менша кількість більш релевантних email'ів призвела до того, що середній показник відкриття склав 30%. Через рік після початку роботи нової стратегії Tumi зафіксував зростання продажів товарів за повною ціною на 28,5%. Зріс і ROI: з 6,26$ на долар, вкладений в інтернет-маркетинг, до 12$. Також на сайті Tumi встановлений алгоритм, який змінює позиціонування товарів на головній сторінці в залежності від історичних даних користувача.
Оптимізувати фінансові та часові ресурси в медіапланування
Предиктивний аналіз дозволяє зрозуміти, наскільки буде успішною та чи інша рекламна кампанія, отримати прогноз за кількістю кліків, переходів, заявок, вхідних або зворотніх дзвінків, а також витраченого бюджету. Отримані дані - це не припущення, а точний математичний розрахунок, виконаний за допомогою алгоритму, який захищений від суб'єктивної оцінки людини. Він може значно скоротити час, який необхідний для розробки і узгодження медіаплану кожному маркетологу.
Припустимо, що ви працюєте в рекламному агентстві і готуєте план інтернет-просування на наступний місяць, щоб узгодити його з клієнтом і отримати певний бюджет на рекламу. Дивитеся статистику в поточному місяці і бачите, що контекстна реклама принесла 150 лідів, банер на сайті партнерів - 50 лідів, а реклама в соціальних мережах - 30 лідів.
Використовуючи предиктивний аналіз, ви можете побачити прогнози кліків і лідів, а також конверсію за всіма трьома джерелами. Звіт демонструє: з контекстною рекламою ви отримаєте 165 лідів, з партнерського банера - 30. З лідами з соцмереж ситуація не зміниться: ті ж 30. Якщо кількість лідів від рекламного банера має тенденцію до скорочення вже не перший місяць, можливо, в даному випадку варто запропонувати клієнту своєчасно перерозподілити кошти від його розміщення на користь контексту.
На ринку прогнозної аналітики представлено багато рішень - серед них IBM Watson, SAP HANA і NGData. Потужності, необхідні для аналізу великих даних, раніше були доступні тільки обраним, але ситуація вже змінилася. Предиктивний аналіз маркетингу - це більш повна реалізація маркетингової автоматизації, яка дозволяє спростити не тільки механіку маркетингу і аналіз даних (як у випадку з наскрізною аналітикою), але і прийняття рішень.
Чому слід звернути увагу на предиктивний маркетинг
- Дозволяє сконцентрувати увагу на лідах з більш високою часткою ймовірності конверсії.
- Допомагає досягти цілей рекламної кампанії швидше і без витрати часу на тестування гіпотез.
- Збільшує ROI.
- Корегує прогноз при появі нових або уточнених даних автоматично.
- Відкриває нові можливості для взаємодії з клієнтами, так як вивчає їхню поведінку і переваги.
Обробка: Vinci