Зачем интернет-маркетологу предиктивная аналитика?
Вы собираете данные, проводите аналитику и принимаете решения на ее основе. И это отличное начало, но как получить из данных еще больше пользы? Предвидеть будущие события, а не только анализировать прошлые позволяет предиктивная аналитика.
Области применения предиктивной аналитики
Предиктивная аналитика (от англ. predictive analytics — предсказательная аналитика) — методология анализа данных, используемая для прогнозирования будущих событий. Это стало возможно благодаря появлению предиктивных технологий и применяется во многих областях бизнеса, от планирования продвижения новых товаров и услуг до оптимизации работы на производстве.
Искусственный интеллект выявляет целевую аудиторию и её потребности на основе результатов состоявшегося ранее взаимодействия, анализирует поведение разных сегментов потребителей и предугадывает их действия в будущем. По тому же принципу формируется и портрет нецелевого или неблагонадежного клиента, который ничего, кроме потерянного времени, принести бизнесу не может. Представителям такого сегмента присваивается определенный набор характеристик, по которому они в дальнейшем будут отсеиваться автоматически.
Маркетинг сегодня персонализирован, контекстуален и динамичен. Все чаще его цель не привлечение клиентов, а понимание каждого конкретного пользователя на уровне его желаний и контекста потребления.
Предиктивная аналитика в данном случае как раз помогает предугадать тот самый контекст потребностей и желаний клиентов и определить лучший способ доставки информации через физические и цифровые точки соприкосновения, выстроив при этом уникальный персонализированный подход.
В основе предиктивной аналитики лежит технология искусственного интеллекта. Она позволяет анализировать огромный массив данных и за секунды строить на их основе прогностические модели. С помощью прогнозной аналитики в маркетинге проводят оптимизацию цен, планируют закупки, разрабатывают новые продукты, предотвращают отток клиентов и образование задолженностей.
Представьте мир, в котором производители знают, кто вы и чего хотите, и могут через удобные вам каналы коммуникации предоставить тот продукт, который наилучшим образом и незаметно удовлетворит ваши запросы. Так вот сейчас мы живем именно в таком мире, где предиктивная реклама — это ключевой метод решения маркетинговых задач.
Британская энергетическая компания ScottishPower с помощью предиктивной аналитики оценивает риски неоплаты счетов по всей клиентской базе, а это около 5 млн человек. Данные о рисках, полученные заранее, позволяют отделу маркетинга более продуктивно работать с клиентами, которые могут просрочить платеж: понять причины их неплатежеспособности, предложить варианты решения и тем самым, возможно, избежать оттока.
Еще один пример из этой компании: зная заранее, какого числа клиент оплачивает счет, компания присылает напоминание непосредственно перед этой датой. Так сокращается количество ненужных писем, повышается лояльность клиента и экономятся деньги на отправку.
А как насчет интернет-маркетинга? Предиктивная аналитика в digital, промоакциях, продвижении на рекламных площадках, информационных ресурсах и в соцсетях — везде, где клиент так или иначе может увидеть ваш продукт.
Мы пообщались с экспертами в области прогностической аналитики и выяснили, зачем предиктивная аналитика интернет-маркетологу, какую пользу она приносит бизнесу.
1. Привлекать больше клиентов
Привлекать клиентов все сложнее — перед нами огромный выбор интернет-магазинов и сервисов. В борьбе за лиды выигрывают те компании, которые могут предложить своей аудитории индивидуальный подход и реальную выгоду. Как узнать, что заинтересует того или иного клиента?
На основе накопленных данных о покупателях клиентская база делится на сегменты в зависимости от предпочтений, поведения, социально-демографических параметров и финансовых возможностей. Исторические данные позволяют построить предиктивную модель и сделать максимально точный прогноз: заинтересует ваше предложение конкретного клиента или нет.
Приоритизация лидов по степени их готовности к сделке называется lead scoring — квалификация лидов. Отличный пример использования скоринговых моделей — оценка платежеспособности клиента, применяемая в банках. Прогноз строится на исторических данных, поэтому, если вы по каким-либо характеристикам (частая смена работы, например) похожи на тех, кто частенько берет кредиты, забывая возвращать, вероятность отказа достаточно высока.
Определив потенциал лидов к конвертации и разделив их на сегменты, можно сделать выбранной группе клиентов точечное, и главное, наиболее релевантное для них предложение.
Наша практика показывает, что с предиктивной клиентской аналитикой отклик на целевые маркетинговые предложения намного выше. В компаниях появляется инкрементальный оборот, растет маржинальность. Так, например, это сделали «Азбука Вкуса» и сети «Пятерочка» и «Перекресток», входящие в X5 Retail. С помощью предиктивной аналитики они прогнозируют отклик на маркетинговые предложения и запускают новые рекламные кампании.
Сегментируя потенциальных покупателей по их готовности к сделке, можно правильно таргетировать маркетинговые сообщения посредством контекстной, баннерной, таргетированной рекламы. Это позволит увеличить конверсию рекламных мероприятий и привлечь больше клиентов.
2. Улучшать клиентский опыт
Предиктивная аналитика помогает не только привлекать новых клиентов, но и улучшать клиентский опыт уже существующих с помощью персональных рекомендаций. Для этого используется метод кластеризации.
Раньше в маркетинге было принято сегментировать клиентов по демографическим, социальным и географическим признакам. Например, «мужчины до 55», «женщины 35+» и т.д. В основном это механическая процедура. Кластеризация же — это статистический метод. Он объединяет покупателей в группы по особым критериям — наиболее значимым параметрам потребительского поведения покупателей. С помощью кластеризации увеличивается точность персональных предложений, построенных на основе данных именно этой группы.
Как метод кластеризации работает на практике? Сначала строятся сообщества товаров, которые часто покупают вместе. Вот как это выглядит на примере анализа продаж в сети магазинов LEGO:
Затем сообщества товаров связываются с кластерами покупателей. В результате мы имеем прогноз: какой товар, с какой долей вероятности, каким кластерам покупателей можно предлагать.
Простейший пример использования кластеризации: составление на сайте рекомендаций «с этим товаром покупают».
Кейс от компании «Ланит Омни»: от пилота — к продуктивной эксплуатации
Перед внедрением системы предиктивной аналитики мы всегда предлагаем нашим клиентам провести пилот, чтобы убедиться в работоспособности методов предиктивной аналитики в конкретном сегменте рынка. Для оценки успешности проекта ювелирной компании «Адамас» мы сравнивали отклик, то есть факт совершения покупки, в пилотной и контрольной группах покупателей.
После подготовительного этапа мы провели шесть флайтов рассылок персональных сообщений одновременно с общефедеральными рассылками. Результат: отклик в пилотной группе почти в полтора раза (на 46%) выше, чем в контрольной группе участников, получавших общее сообщение. В целом за период проекта по пилотной группе было получено дополнительной выручки 5,3%. А дополнительная выручка по магазинам пилотной группы составила 2,05%.
После успешного пилотного проекта руководство компании решило запустить систему предиктивной аналитики в эксплуатацию. Стоит отметить, что постоянное использование сервиса показывает даже лучшие результаты, чем были в пилоте. И это логично: работая с аудиторией торговой сети в регулярном режиме, мы с каждым разом все лучше понимаем ее особенности. Это позволяет нам давать значительно более точные рекомендации и увеличивать показатели. Директор по маркетингу компании «Адамас» Григорий Шанаев приводит следующие данные: отклик на персональные сообщения превышает отклик на общие рекламные сообщения на 210%.
За счет использования машинного обучения предиктивная аналитика позволяет классифицировать базу клиентов на основе любого количества переменных. С помощью этих данных вы получаете на порядок больше возможностей для кросс-сейла и апсейла, улучшая тем самым клиентский опыт и увеличивая прибыль компании.
Как использовать предиктивную аналитику в ритейле? Для каждого покупателя мы предсказываем дату и время его следующего визита, что позволяет провести персонализированную коммуникацию в нужный момент. Мы даем клиенту персональные рекомендации на основании предсказания его следующего чека, что делает рекомендацию максимально релевантной.
На практике это выглядит следующим образом: во вторник в 17:00 клиент Валерий запланировал пойти за покупками и купить курицу, молоко и баклажаны. С помощью LoyaltyLab ритейлер может отправить ему сообщение о том, что отличным дополнением к его покупкам станут твердый сыр и оливковое масло, на которое Валерию дается персональная скидка. Эти товары — именно те, которые в потребительских паттернах Валерия с наибольшей вероятностью будут куплены в дополнение к уже запланированной корзине. Еще большую релевантность коммуникации обеспечит тот факт, что сообщение Валерий получит в 16:00 — ровно в тот момент, когда будет задумываться о походе в магазин.
3. Прогнозировать эффективность рекламы
С помощью сквозной аналитики вы можете анализировать эффективность каждого рекламного канала, а с помощью предиктивной аналитики сможете ее прогнозировать. Если вы знаете, какую отдачу принесет то или иное рекламное мероприятие, вам будет проще планировать бюджет, отключать неэффективные рекламные каналы или кампании и запускать новые.
Предиктивная аналитика определит тенденции ваших клиентов в отношении соцсетей, email-рассылок, мессенджеров, офлайн-мероприятий и т. д. Это позволит спрогнозировать отдачу от каждого рекламного канала и построить сильную омниканальную стратегию.
Итак, если вы хотите выбирать лучшие рекламные каналы, привлекать больше клиентов и улучшать их клиентский опыт, вам не обойтись без предиктивной аналитики.
Инструменты предиктивной аналитики в маркетинге
В качестве инструмента прогнозной аналитики в маркетинге используется специальное программное обеспечение, которое собирает и обрабатывает все необходимые для анализа данные со всех возможных источников. Выбор ПО зависит от задач бизнеса, требований к функциональности и интерфейсу программного продукта.
На что следует обратить внимание при выборе ПО для прогностической аналитики:
- Удобство в работе: понятный интерфейс, быстрое подключение, настройка с минимальным участием программистов и технических специалистов простой алгоритм использования сервиса.
- Качество интеграции с рабочими сервисами, для получения максимум данных. Например, если используется система сквозной аналитики для формирования единого отчета по обращениям, то информация по клиентам и рекламным источникам будет передаваться в сервис из интегрированной CRM-системы, виртуальной АТС, из чатов на сайте, соцсетей, мессенджеров и других каналов коммуникаций.
- Комплексность исследования: сбор данных, обработка информации, формирование прозрачного и понятного аналитического отчета и возможность составления кастомных отчетов по определенным метрикам.
С чего начать?
С формулировки конкретных целей и выбора платформы для внедрения в общий бизнес-процесс. Сегодня рынок предиктивной аналитики предлагает решения на любой вкус и кошелек. Наиболее сильные игроки: SAS, «Ланит Омни», Springbot, Canopy Labs, Custora и др.
Определившись с платформой, интегрируйте ее с вашим сайтом, рекламными системами или единой аналитической платформой.
Строить прогнозы и принимать осознанные маркетинговые решения — верная стратегия, но и черных лебедей никто не отменял.:) Поэтому, запустив предиктивную аналитику в работу, не забывайте следить за эффективностью той или иной прогностической модели и корректировать ее при необходимости. Будьте начеку — анализируйте данные и слушайте ваших клиентов.
Помните: если клиент уходит от вас, это значит, что вы ушли от своего клиента. Оставайтесь с ним!
Подпишитесь на рассылку
Раз в неделю мы будем присылать вам полезные материалы, подборку интересных кейсов и статей.
