О рынке Big Data, который растет едва ли не в геометрической прогрессии, Sostav рассказала Мария Измайлова, Директор по развитию бизнеса, INBRIEF CRM (
ARK Group ).
По самым скромным оценкам, объем рынка Big Data к 2026 году достигнет $ 92 млрд. Результаты исследования Forbes показали, что 48% маркетологов, использующих анализ Big Data, делают это именно ради глубокой аналитики потребительского поведения. Наконец, Big Data превращается из модного слова, которое не произносил раньше только ленивый маркетолог, в реально используемый инструмент для управления потребительским поведением.
Сейчас есть возможность собирать практически любые данные — персональную информацию с демографией, транзакционные данные, real-time данные — передвижения по геолокации, бехивеоральные данные — действия на сторонних сайтах и в социальных сетях. Благодаря им определение аудитории и контекстуальность сообщений вышли на новый уровень. Например, возможности таргетинга Яндекс. Аудитории сегодня позволяют сузить сегмент ЦА вплоть до конкретного жилого 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
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 недостяжимые горизонты для клиентского маркетинга.
Этичность: когда Большой брат знает о тебе все — от твоего пульса в состоянии покоя до любимого сорта мороженого
Конечно, размышлять о радужных сценариях развития маркетинга «Больших данных» с позиции маркетологов очень захватывающе, чего нельзя сказать о бедном конечном потребителе, который оказывается практически под колпаком. Поэтому другой важный вопрос — стоит ли бояться всевидящего ока Большого брата в виде крупных корпораций, способных узнать все от длины глубокой фазы вашего сна до любимых средств личной гигиены? Этичность использования и анализа всех этих данных и «смэтчивания» персональной информации с обезличенной для их дальнейшего удержания вызывает гораздо больше вопросов, чем возможные варианты их применения.
Размер не имеет значения: 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 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 могут ли они использовать их для повышения продаж, лояльности клиентов?
Западный опыт
Бенчмарком в этом направлении можно считать крупнейшего 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.
Российский опыт
На российском рынке этот тренд также не прошел мимо операторов «Большой тройки»: активнее всех в этом направлении сегодня работает МТС. Анализ Big Data позволяет компании совершенствовать свой сервис персональных рекомендаций для абонентов. Рекомендации услуг формируются в зависимости от потребностей отдельного клиента с помощью технологий машинного обучения. Анализ всей истории его действий дает возможность прогнозировать его потенциальное желание воспользоваться новым сервисом. МТС делает предложение еще до того, как абонент успевает осознать потребность — таким образом не только повышаются продажи, но и экономится время потребителя.
Например, в результате анализа Больших данных в компании выяснили, что многим пользователям приходится постоянно «чистить» память смартфона, удаляя нужные и ненужные файлы. Для таких абонентов был составлен отдельный профиль потребления, и в момент, когда пользователь из этого сегмента вновь сталкивался с проблемой недостатка памяти, МТС рекомендовал ему свой облачный сервис «Вторая память».
Сформулированное в нужный момент персонализированное предложение позволило повысить эффективность кампании по продвижению нового сервиса на 20% по сравнению с классическим таргетингом — победа оказалась за «Умными данными».
Кейс МТС по использованию Big Data интересен еще и тем, что демонстрирует возможность не только для сферы телекома, но и для всего ритейла в целом заняться развитием розничных сетей. В конце 2016 года компания запустила свой пилотный проект по анализу огромных массивов данных для определения максимально подходящих мест и форматов для открытия своих новых розничных точек. Собрались данные по пешеходному трафику в различных районах, типам устройств абонентов, проживающих в них, объемам потребляемого интернет-трафика, длительности нахождения абонентов в этих районах и многим другим факторам.
В результате анализа Big Data было найдено 10 новых локаций для салонов МТС в Москве, которые даже не рассматривались специалистами по розничному развитию оператора. Для крупного российского ритейла это направление — источник инсайтов по поводу того, как можно оптимизировать текущую карту точек торговли на основе образа жизни целевой аудитории.
Новые возможности персонализированного клиентского маркетинга
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 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.
Российский опыт
В России с персонализацией клиентского маркетинга с помощью «Больших данных» крупные торговые сети начали знакомиться относительно недавно, но уже есть, за кем можно наблюдать. Один из таких игроков — сеть гипермаркетов «Лента», которая пытается таким образом реализовывать свою стратегию по удержанию клиентов. Число пользователей карт лояльности сети за год выросло на 24% и превысило отметку в 10 млн человек. Для компании это уникальный источник данных о потребительском поведении, так как практически все они являются активным ядром: 93% продаж «Ленты» составляют транзакции с участием карт лояльности, чем больше не может похвастаться никто на рынке.
На данный момент у сети глубоко проанализировано более 20 «покупательских миссий», или портретов существующих лояльных клиентов. С помощью системы анализа Big Data маркетологи сети собирают данные о том, что покупают их клиенты, как балуют себя, что покупают импульсивно — и отслеживают малейшие изменения в привычном паттерне поведения. «Большие данные» становятся ключевым инструментом персонализации промокампаний, и работает это так: при покупке по карте считывается ваша история, мгновенно формируется предложение с 2−3 купонами на то, что вы покупали до этого.
Так, если вы долгое время не покупали шоколад, то система аналитики начинает вас тестировать с помощью дополнительного стимулирования, давая скидку на вашу любимую шоколадную плитку. На основе того, воспользуетесь ли вы ей в следующий раз, будет сделан вывод о том, например, на диете вы или нет. И если да, то следующее предложение будет уже на продукцию из линейки для здорового питания. Именно так и должен работать поведенческий маркетинг.
Резюме
Анализ больших массивов данных может вывести применение маркетинговых инструментов на совершенно новый уровень — это факт очевиден благодаря успешным кейсам зарубежной практики. Крупнейшие игроки рынка успешно комбинировали инновационные инструменты глубокой аналитики данных с классической, ставшей традиционной теоретической моделью 4P — Product, Place, Price & Promotion. И Big Data оказывается полезной на каждой из этих ступенек.
Но при этом нельзя забывать о том, что Big Data как таковая несет 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 вопросы о вашем клиенте. И 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.
К 2018 году уже стали неоспоримыми преимущества применения анализа Big Data в клиентском маркетинге независимо от отрасли. Вот лишь небольшой чек-лист того, что «Большие данные» позволяют сделать 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.
Проверьте себя: если большая часть из этого списка уже давно развивается и реализуется в вашей компании, то поздравляем — вы уже живете в эпоху «Умных данных» и вашей аудитории повезло. Если нет — то самое время присоединиться к передовым игрокам рынка.