Мы живем в эпоху информационного капитализма, как отмечает компания Bornfight. Высказывание «Кто владеет информацией, тот владеет миром», сделанное Натаном Ротшильдом почти 200 лет назад, по-прежнему актуально. Поэтому ежегодно организации тратят миллиарды долларов на анализ больших данных.
Данные бывают:
- First Party Data. Это внутренние данные компании, полученные, например, через cookie или CRM – информация о клиентах и их покупках, соцдем. характеристики, такие как возраст, пол, город проживания.
- Second Party Data – данные организаций-партнеров об аудитории со схожими запросами и интересами. Например, туристическая компания и отель могут предоставлять доступ к клиентам друг друга.
- Third Party Data – данные ОФД и других поставщиков: банков, ритейлеров, сотовых операторов...
Часть данных компании собирают самостоятельно, например, когда просят пользователей заполнить анкету или если ведут CRM и фиксируют все точки касания с потребителем, некоторые данные можно получить от партнеров или купить у сторонних компаний. Но в ситуации изобилия информации на первый план выходит другой вопрос: а как эффективно ее использовать? Рассмотрим варианты для маркетинговых стратегий бизнеса.
1. Анализ репутации бренда
По данным исследования РБК, больше 90% клиентов онлайн-магазинов перед покупкой знакомятся с отзывами о конкретном товаре и бренде в интернете. И многие готовы отказаться от покупки, если столкнулись с упоминанием отрицательного пользовательского опыта. Поэтому важно правильно использовать отзывы для увеличения онлайн-продаж.
Технологии Big Data могут аккумулировать отзывы пользователей о товарах и услугах на сторонних сайтах или в соцсетях, алгоритмы позволяют анализировать эти данные и выявлять сильные и слабые стороны продукта. Например, Toyota, проанализировав комментарии клиентов, выяснила, что есть спрос на комплектующие для старых моделей автомобилей, после чего производство необходимых запчастей возобновилось. А анализ отзывов покупателей помог Amazon сделать улучшенную версию очков Echo Frames для общения с Алексой.
Отзывы покупателей могут быть использованы для проведения маркетингового анализа бренда и его конкурентов, а также для более эффективного планирования рекламы и маркетинговых кампаний, чтобы подстроиться под предпочтения и учитывать мнения потенциальных клиентов.
Яркий пример – рейтинги на маркетплейсах. Wildberries, Яндекс.Маркет, Ozon и другие дают возможность клиенту увидеть в первую очередь товары с наибольшим числом положительных отзывов, что вызывает доверие и повышает продажи. Кроме того, Wildberries решил полностью убрать с сайта товары с низким рейтингом – если бренд не учитывает требования клиентов и разочаровывает покупателей, то это подрывает не только его репутацию, но и негативно влияет на отношение клиентов к самой площадке.
2. Оптимизация контента
На основе данных о том, как пользователи взаимодействуют с брендом, рекламодатель может оптимизировать свой контент, чтобы увеличить его просматриваемость и привлечь больше трафика. Например, видя популярность своего бренда среди молодых блогеров, Rolls Royce начал создавать контент, направленный на молодое поколение успешных людей. Аналогично, многие известные модные дома, которые традиционно работали на аудиторию «взрослых и богатых», открыли в соцсетях новую целевую группу.
На анализе интересов пользователей построены рекомендательные системы: в зависимости от того, что смотрел человек, ему предлагают тот контент, который с наибольшей вероятностью получит его внимание. Подобные системы интегрированы в онлайн-СМИ, так работает, например, Дзен, ленты соцсетей и другие информационные ресурсы.
3. Выявление трендов
Анализ большого объема данных помогает выявлять закономерности в поведении пользователей. Имея данные о совершенных покупках, можно выявить связь с временным периодом, гендером, местоположением, особыми предпочтениями – все это поможет в построении маркетинговой стратегии и определении целевой аудитории бренда. Например, если человек регулярно покупает средства от аллергии в весенний период, значит, он является целевой аудиторией производителей каплей в нос и других сопутствующих товаров.
Поскольку данные о покупках поступают в режиме реального времени, это дает возможность объединять их с предшествующими данными и на основе такого анализа прогнозировать будущие события и реакцию рынка на различные маркетинговые решения, а также определять эффективность текущих решений и корректировать рекламную кампанию «на ходу». Например, с помощью анализа данных о том, как пользователи реагируют на рекламные предложения, можно определить, какая площадка и какие инструменты в данном случае работают.
При анализе целевой аудитории можно выделить тренды и закономерности в поведении пользователей, которые важны для бренда как в построении маркетинговой кампании, так и в решении других коммуникационных вопросов. Приведу пример, таргетируя рекламу гипермаркета электроники и техники, мы проанализировали результаты и выяснили, что люди, которые видели рекламу пять раз за две недели, и те, кто видел ее всего лишь раз за указанный период, по промежуточным итогам кампании совершили практически одинаковое количество покупок, а те, кто видел рекламу три раза, покупали даже меньше. Это позволило сделать вывод об особенностях коммуникации с данной целевой группой и правильно спланировать проект, чтобы не создавать рекламный спам и делать исключительно эффективные кампании.
4. Персонализация рекламы
Согласно исследованию компаний Edelman и Accenture, 80% потребителей выберут товар с большей вероятностью, если получат персонализированное предложение: увидят релевантную рекламу, рекомендацию на сайте, получат SMS или email с актуальным предложением.
Умение работать с большими данными позволяет сегментировать аудиторию, составлять портрет пользователей и создавать рекламу на основе индивидуальных предпочтений. При этом важно понимать, что реальные покупки часто могут рассказать о пользователях больше, чем другие действия, и строить гипотезы эффективнее не на основе интересов потребителей (что человек искал в интернете, какие сайты посещал, на какие сообщества в соцсетях подписан…), а на данных об уже совершенных покупках.
Если пользователь ищет в интернете «что посмотреть в Турции», это совсем не значит, что он запланировал поездку, возможно, просто изучает информацию. Если же человек оплатил авиабилеты, то вероятность, что он собирается в отпуск, значительно выше, а значит, можно предположить, что ему будет полезна реклама солнцезащитного крема, чемодана или купальника. Другой пример: пользователь купил абонемент в фитнес-клуб, значит, ему вполне уместно предложить продукты здорового питания, витамины, спортивные товары и прочее.
В совместном проекте с производителем БАДов для похудения на основании информации о совершенных покупках мы выделили сегменты аудитории, которым, с высокой вероятностью, продукт был бы актуален, например:
- Люди, купившие авиабилеты на море, то есть планировавшие отпуск.
- Женщины с детьми до года, которые еще не успели вернуться в форму после родов.
- Постоянные покупатели сладостей и некоторые другие категории.
За счет персонализации рекламы человек видел актуальное для него предложение, он находился в процессе принятия решения, а реклама отвечала его запросу, за счет этого удалось в 3 раза увеличить конверсию в продажи.
5. Онлайн-мерчендайзинг
Мерчендайзинг больше связан с физическими точками продаж, но это понятие появляется и в сегменте e-commerce. Речь идет об отслеживании поведения покупателей в онлайн-магазинах, их переходах от одной товарной категории к другой, информации, на которой потребители останавливают свое внимание, времени, которое проводят на сайте, поисковых запросах в рамках площадки и некоторых других показателях.
С помощью Big Data можно оценить уровень качества работы и улучшить обслуживание, ведь становится проще:
- Анализировать данные о поведении пользователей на сайте.
- Оценивать эффективность интерфейса.
- Выявить слабые места в процессе онлайн-покупок.
- Использовать накопленную информацию для создания персонализированных рекомендаций о покупках.
- Прогнозировать спрос на различные виды товаров на основе анализа поисковых запросов пользователей на сайте.
- Анализировать отзывы клиентов и обращения.
Крупная американская торговая сеть Walmart пользуется семантическим поиском системы Polaris, в основе которого лежит аналитика Big Data. Поисковая система увеличивает шансы пользователей найти именно тот товар, который нужен им, следовательно, увеличивает количество покупок, по данным ритейлера на 10-15%.
Другой пример: в 2013 году компания QIWI проанализировала поведение пользователей на сайте и мнения по поводу его работы. Всего для анализа было использовано более 30 различных параметров. Исследователи анализировали, что пользователь видит в первую очередь, какие блоки находятся в слепой зоне, до каких разделов он не доходит совсем и так далее. Опираясь на эти данные, компания полностью обновила интерфейс сайта, сделав его удобнее и эффективнее.
Также читайте:
Могу также порекомендовать Big Data Сбера - сайт sberindex.ru, где публикуется статистика, опережающая данные Росстата.
В использовании данных из интернета пока есть недостаток - это боты и мнения сформированные в рекламных целях.
Вероятно этот недостаток удастся преодолеть при переходе на WEB 3.0. В этом случае все пользователи будут идентифицированы системой, так как у каждого человека и компании будет свой идентификационный код.