1. Розмір не має значення: чому «Розумні дані» перемагають «Великі»
2. Нові можливості персоналізованого клієнтського маркетингу
3. Підсумуємо

В кінці листопада світ в черговий раз струснула новина про те, що Google збирає дані про користувачів Android навіть з телефонами без SIM-карт і з відключеною геолокації. Неймовірно, але факт: у 2017 році споживачі майже повністю втратили можливість стати «невидимками» для Великого брата у вигляді гігантських IT-корпорацій, які відстежують кожен їх крок. Але користувачі і самі з легкістю діляться особистою інформацією, не замислюючись: по акаунтів в соціальних мережах можна дізнатися практично все про їхні інтереси і важливих соціальних зв'язках, по історії транзакцій - про поточні перевагах і події з життя (від покупок в весільному салоні до регулярних походів в дитячий відділ супермаркету). І це добре: ще зовсім недавно ніяк не зв'язані між собою сфери офлайна і онлайну тепер перетворюються в єдине ціле завдяки використанню Big Data, що відкриває безмежне поле можливостей для підвищення якості комунікації з кінцевим споживачем за допомогою маркетингу.

Ринок Big Data зростає чи не в геометричній прогресії - за найскромнішими оцінками , До 2026 року його обсяг досягне $ 92 млрд. Не дивно, що зараз про нього говорять майже всі - в тому числі і маркетологи, які починають бачити в інструментах аналізу «Великих даних» ключ до управління споживчою поведінкою. результати дослідження Forbes показали, що 48% маркетологів, які використовують аналіз Big Data, роблять це саме заради глибокої аналітики споживчого поведінки. дослідження Forrester підтверджують ці дані: для 36% фахівців дата-Майнінг став основним інструментом в розробці стратегій клієнтського маркетингу завдяки можливості отримати нові інсайти про поведінку споживачів.
джерело: Statista
«Великі дані» називаються великими не просто так: кількість каналів, з яких можуть агрегуватися дані про аудиторію, і їх масштаби на сьогодні просто величезні. Настільки, що багатьом поки не зовсім зрозуміло, як реалізувати хоча б половину їх маркетингового потенціалу. Сюди входять і статичні дані - персональна інформація з демографією, і real-time дані - пересування по геолокації, і історія транзакцій, і бехівеоральние дані - дії на сторонніх сайтах і в соціальних мережах. Завдяки їм визначення аудиторії і контекстуально повідомлень вийшли на новий рівень. Наприклад, вже сьогодні можливості таргетингу Яндекс.Аудіторіі дозволяють звузити сегмент аудиторії аж до конкретного мешканців конкретного будинку - і скоро і це не буде межею.
Звичайно, аналіз настільки величезних масивів даних вимагає неймовірних для більшості компаній ресурсів. Але інвестиції в таку інфраструктуру повністю виправдовують себе менше, ніж за пару років - і прикладом тому став кейс Walmart, найбільшого в світі рітейлера з більш ніж 20 000 магазинів в 28 країнах, анонсований в 2015 році відкриття власного дата-центру Data Café в Арканзасі. Що став найбільшим в світі приватним «хмарою», цей дата-центр обробляє близько 2,5 петабайт (2500 терабайт) даних кожну годину з 200 внутрішніх і зовнішніх джерел, а також зберігає 20 петабайт останніх транзакцій всіх покупців мережі. Число транзакцій сягає близько 245 млн в тиждень, інформація про яких збирається у вигляді 200-260 млрд рядків даних (і це тільки за 7-10 днів) і потім аналізується і сегментируется аналітиками Walmart. Крім всіх можливих даних про споживача, в них включається інформація з різних зовнішніх джерел, яка може вплинути на споживчу поведінку: метеорологічні та економічні дані, а також дослідження Nielsen, телеком, соціальні медіа, локальні події і т. Д.

У результаті мережа Walmart сьогодні стала бенчмарком в області збору та аналізу «Великих даних»: для 94% запитів, що надходять швидкість аналізу скоротилася до 2 секунд. Ще більше вражає те, що час аналізу найважливіших для бізнесу даних - наприклад, про продажі у всіх точках за місяць - скоротилося з 2-х тижнів до 30 хвилин. Це дає абсолютно нові можливості для рітейлера в моніторингу поведінки своїх споживачів і дозволяє буквально на ходу підлаштовуватися під зміни в їх перевагах, відкриваючи раніше недосяжні обрії для клієнтського маркетингу.

Розмір не має значення: чому «Розумні дані» перемагають «Великі»

«Великі дані» - це, перш за все, «сирий» матеріал для маркетолога, який при правильній постановці питань може перетворитися в «Розумні дані», тобто ті, які дозволять виявити нові тенденції в поведінці споживача і сформувати для нього більш точну пропозицію. Багато компаній збирають величезні потоки даних про аудиторію - і статичні, і демографічні. �� транзакційні - але чи отримують вони з них нові знання про різні сегментах ЦА?
джерело: DataFloq
Бенчмарком в цьому напрямку можна вважати найкрупніший представника іспанського телекому, оператора Telefónica Spain. З 2016 року за допомогою потужного DMP-інтегратора Cloudera вони вирішили агрегувати всі існуючі джерела даних про клієнтів, щоб за підсумками їх аналізу генерувати персоналізовані пропозиції рекомендації в реальному часі. В внаслідок було зібрано близько 3 200 терабайт актуальних даних про всієї аудиторії оператора, які включали в себе мобайл, використання кабельного ТБ, instore-активність, тренди ринку і інші Діджитал-ресурси. Був автоматизований процес аналізу змін в захопленнях користувачів: по кожному абоненту була складена своєрідна «карта» переваг на основі всієї історії взаємин з брендом, проведені паралелі з усіма «відмовами» від послуг у різних сегментів аудиторії.

Що вийшло за підсумками першого року роботи з платформою для перетворення просто «Великих» даних в «Розумні»? Генеруються в real-time інсайти про поведінку телеглядачів і створення рекомендацій для перегляду більш цікавих і релевантних програм допомогло підвищити телеперегляд Telefónica Spain на 20%, скоротивши при цьому підсумковий churn rate, або відтік клієнтів. Більш глибоке розуміння споживача в цілому допомогло максимально точно визначити, що потрібно конкретному абоненту тут і зараз, в результаті чого після серії дій клієнта йому відразу приходило повідомлення з рекомендацією нового сервісу, який був йому корисний. За заявою представників компанії, раніше на формування рекомендацій користувачам йшло до 20 днів, а з використанням «Розумних даних» вони стали відправлятися автоматично і відразу ж.
Нарешті, продажу: крім зростання на 17% за рік, рекомендації щодо мобільних пристроїв для клієнтів допомогли скоротити «застрявання» товару в точках продажів на 39%. Все це можливо саме завдяки релевантному пропозицією і персоналізації: для лідерів ринку працює клієнтський маркетинг сьогодні стає немислимий без переходу від хаотичних і неструктурованих «Великих даних» до по-справжньому розумним, що знайомлять з аудиторією заново.

Нові можливості персоналізованого клієнтського маркетингу

Те, які можливості Big Data відкриває для персоналізації пропозиції для клієнтів, не дарма так надихає маркетологів по всьому світу. Приклад успещно персоналізації сервісу рекомендацій з Telefónica Spain не був першим у своєму роді. Серед великих рітейлерів однією з перших мовчки спостерігати за розвитком цих інструментів відмовилася торговельна мережа Macy's, яка поставила собі мета персоналізувати комунікацію з кожним клієнтом у всіх 840 магазинах в 45 штатах США. За допомогою «Великих даних» маркетологи мережі вирішили вибудовувати абсолютно нову, «розумну» омніканальную стратегію взаємодії з покупцем по всіх використовуваних їм каналах.
Так, як тільки споживач з мобільним додатком мережі переступає поріг магазину Macy's, йому приходить пуш-повідомлення з персональною знижкою і офферу, сформованим за частки секунди на основі всієї історії його покупок і переглянуто в онлайн-каталоги магазину товарів. Більш того, в кожному магазині розташовані десятки маячків - Bluetooth iВeacon - які визначає місцеположення клієнта в магазині з точністю до декількох сантиметрів. Далі вони подають сигнал в CRM-платформу мережі, з якої відвідувачу відразу відправляється повідомлення на смартфон, що містить пропозицію зі знижкою на товар, що знаходиться в безпосередній близькості до клієнта зараз.

На додаток до цього, за допомогою глибокої аналітики величезних потоків даних в Macy's вдалося повністю оптимізувати і існуючу email-стратегію, зробивши її максимально персоналізованої. Збір «Великих даних» дозволив гіпертаргетіровать цільову аудиторію магазину і відправляти персональні розсилки практично для кожного клієнта. За заявою представників мережі, кількість унікальних варіантів одного листа досягає 500 000! За підсумками першого року ретельної роботи з Big Data і використання омніканальной комунікації з клієнтом Macy's вдалося підвищити продажі вже на 10% - і далі, в міру впровадження технологій у всіх точках мережі, ці показники будуть тільки зростати.

Підсумуємо

Аналіз великих масивів даних може вивести застосування маркетингових інструментів на абсолютно новий рівень - це факт, який став очевидним завдяки успішним кейсам зарубіжної практики. Найбільші ігнокі ринку успішно комбінували інноваційні інструменти глибокої аналітики даних з класичною, традиційною теоретичною моделлю 4P - Product, Place, Price & Promotion. Так, Big Data виявляється корисною на кожній з цих сходинок:
Product: інструменти обробки «Великих даних» допоможуть в аналізі споживання конкретних лінійок власного продукту, а також пропозиції конкурентів; аналізувати переваги цільової аудиторії і формувати максимально релевантні рекомендації на основі історії їх вибору - як, наприклад, успішно надходить Telefónica Spain.
Place: аналіз величезних масивів звітів з продажу за тривалий період - джерело инсайтов щодо вибору найбільш популярного каналу продажів для споживача. Так, в грудні 2017 року мережа мас-маркету H & M оголосила про своє рішення скоротити кількість офлайн-магазинів, виявивши тенденцію до збільшення покупок свого одягу в інтернет-магазині. Поступовий і неминучий перехід рітейлерів в онлайн обіцяє маркетологам ще більш широкі можливості до аналітики клієнтських даних в майбутньому.
Price: «Великі дані» допомагають в процесі формування максимально коректною ціни завдяки можливостей для аналізу масивів фінансових звітів, даних від постачальників і бізнес-показників. Розглянутий кейс Walmart - один з найбільш показових прикладів в цьому напарвленіі: для брендів із широкою громадськістю різношерстої цільовою аудиторією глибока аналітика сприяє кастомізації ціни для дуже великої кількості сегментів.
Promotion: досвід успішної інтеграції офлайн і онлайн каналів із застосуванням аналітики Big Data від мережі Macy's показав, що тепер у маркетологів є можливості створити як ніколи точний портрет потенційного споживача, який дозволить сказати мало не все про його смаки та інтереси і дати йому релевантну підказку буквально на кожному крок в магазині. Це допомагає також і в прогнозуванні реакції аудиторії на промооффери з їх подальшим коригуванням.
Разом: до кінця 2017 роки вже стали незаперечними переваги застосування аналізу Big Data в клієнтському маркетингу незалежно від галузі. «Великі дані» дозволяють маркетологам:
- сформувати максимально деталізований портрет споживача і побудувати безліч look-alike аудиторій;
- точно прогнозувати реакції користувачів на ваш продукт і вибрані рекламні меседжі;
- створювати промопредложенія з дуже високою персоналізацією і релевантність тут і зараз;
- оптимізувати поточний маркетинговий бюджет;
- сприяти підвищенню лояльності вашої аудиторії за рахунок більш глибокого розуміння споживача і його актуальних потреб.
Але при цьому не можна забувати про те, що Big Data як така буде нести в собі мало сенсу для бізнесу, якщо послідовно НЕ конвертується в «Розумні дані». Головна мета від аналізу мільярда рядків даних - це отримання відповідей на найважливіші питання про вашого клієнта. І маркетологи, які підхопили світовий тренд повсюдного збору великих масивів інформації, сьогодні частіше отримують з них ще більше запитань про бренд, продукт і аудиторії, для пошуку відповідей на які вже не вистачає ресурсів. В результаті в сучасному клієнтському маркетингу виникає методологічна дилема: дані заради даних не повинні ставати самоціллю компаній. Важливо пам'ятати, що саме вибір маркетингових інструментів, в тому числі і глибокої аналітики, повинен сприяти реалізації вашої стратегії взаємодії з клієнтом, а не стратегія повинна підлаштовуватися під використання Big Data.