Новые тактики использования маркетинговых технологий
Глава 8Управляемый данными маркетинг
Создание экосистемы данных для улучшения таргетирования
В 2012 году на первые полосы вышла статья Чарльза Дахигга о том, как компания Target предсказала беременность девушки подросткового возраста. Отец подростка был рассержен тем, что его дочь получала рекламные купоны на товары для детей от розничного магазина. Он посчитал, что письма приходили не по адресу, а компания Target побуждала ее забеременеть. После беседы с дочерью он узнал, что она и правда ждет ребенка.
За год до этого события компания Target создала алгоритм для прогнозирования вероятности того, что покупательница беременна, исходя из ее покупок. Каждой покупательнице магазин присвоил уникальный идентификационный номер и соединил данные с демографической информацией и историей покупок. Аналитика больших данных выявила специфические закономерности покупательского поведения у в самом деле беременных женщин, что могло было быть использовано для прогнозирования будущих покупок покупательниц, которые совпадали с закономерностями. Компания даже предприняла попытку предсказать дату предполагаемых родов на основе времени покупок. Все эти усилия были бы полезны для определения того, кому и какие купоны высылать по почте.
Эта история – отличный пример компании, которая использует экосистемы данных для информированных решений. Управляемый данными маркетинг – это первый шаг к внедрению Маркетинга 5.0. С помощью аналитического алгоритма бренды могут предсказывать, что с высокой долей вероятности их покупатели купят следующим на основе истории покупок. Так, бренды могут рассылать персонализированные предложения и запускать кастомизированные маркетинговые кампании. Сегодняшняя цифровая инфраструктура позволяет это делать не только в количестве рыночных сегментов, которых можно по пальцам пересчитать, а индивидуально с каждым покупателем один на один.
На протяжении более чем двадцати лет маркетологи мечтали о возможностях создания действительно персонализированного маркетинга. Дон Пепперс и Марта Роджерс – ранние инициаторы концепции маркетинг «один на один» (англ. one-to-one marketing), которая является долгожданной практикой. Сегмент, состоящий из одного покупателя, считается методом сегментации наивысшего уровня, а внедрение в маркетинг цифровых технологий ведет к тому, что это станет возможным.
Сегмент из одного
Рынок разнородный, и каждый покупатель уникальный. Именно поэтому маркетологи всегда начинают с сегментации и таргетирования. На основании понимания рынка компании могут создавать стратегии и тактики по завоеванию рынка. Чем более мелкая сегментация, тем больше будет откликаться маркетинговый подход, но сложнее будет реализация.
Подход к сегментации развился с момента образования этой концепции в 1950-х годах. Существуют четыре способа проведения рыночной сегментации: географический, демографический, психографический и поведенческий.
Маркетологи всегда начинают с географической сегментации, которая заключается в разделении рынка на страны, регионы, города и отдельные места. Когда появляется понимание, что географическая сегментация слишком широка, добавляются демографические признаки: возраст, пол, род занятий и социально-экономический класс. «Молодые женщины из среднего класса, проживающие в Иллинойсе» или «зажиточные представители поколения беби-бумеров из Нью-Йорка» – примеры названий сегментов по географическим и демографическим показателям.
С одной стороны, методы сегментации по географическим и демографическим признакам – это подходы по принципу сверху-вниз, поэтому они легки для понимания. Более важно, что они легко применимы на практике. Компании точно знают, где найти и как идентифицировать сегменты. С другой стороны, сегменты менее содержательны, так как люди с одинаковым демографическим профилем и проживающие в одном месте могут иметь разные покупательские предпочтения и поведение. Более того, они относительно статичные, то есть один покупатель может быть классифицирован только в один сегмент для всех продуктов. В реальности путь принятия решений отличается по категориям и в зависимости от образа жизни.
С ростом распространения маркетинговых исследований маркетологи все больше используют подход «снизу вверх». Вместо разделения на категории рынка они объединяют в кластеры покупателей со схожими покупательскими предпочтениями и поведением в соответствии с ответами на вопросы опросников. Несмотря на движение снизу вверх, такое объединение в группы является исчерпывающим, то есть каждый покупатель среди населения попадает в какой-либо сегмент. Широко известные методы включают психографическую и поведенческую сегментацию.
В психографической сегментации покупатели разделяются на кластеры на основании их личных убеждений и ценностей, а также интересов и мотивации. Получившиеся названия сегментов обычно не требуют объяснений, например, «карьерист» или «экспериментатор». Психографический сегмент также демонстрирует отношение к отдельным параметрам продукта или услуги, например, «ориентируется на качество» или «экономит». Психографическая сегментация дает хорошее представление о покупательском поведении. Ценности и отношение покупателя – это то, что определяет, какие решения он принимает.
Еще более точный метод – это поведенческая сегментация, так как она группирует покупателей ретроспективно на основе их реального покупательского поведения. Поведенческие сегменты могут содержать в названии слова, отражающие частоту или суммы покупок, например, «часто летающий пассажир» или «много тратит». Они также показывают лояльность покупателя и глубину взаимодействия в своих названиях, например, «лояльный поклонник», или «часто меняющий бренды», или «совершивший первую покупку».
Эти техники высокосодержательны, так как такие сегменты точно отражают кластеры покупателей с разными потребностями. Таким образом, маркетологи могут подстроить свои стратегии под каждую группу. Психографическая и поведенческая сегментация, однако, сложнее применяется на практике.
Сегменты, названные, например, «искатель приключений» или «охотник за скидками», полезны только в создании рекламного креатива или при pull-маркетинге[25]. Однако в push-маркетинге определить эти сегменты при встрече с покупателями сложнее для продавцов и других сотрудников на передовой.
Необходимо использовать оба типа сегментации: и сверху-вниз, и снизу-вверх. Другими словами, она должны быть как содержательна, так и легко применима на практике. Таким образом, она должна сочетать все четыре типа переменных: географические, демографические, психографические и поведенческие. Используя психографическую и поведенческую сегментацию, маркетологи могут разделять покупателей на содержательные группы, а затем добавлять географические и демографические профили для каждого сегмента, чтобы его легко было применить на практике.
Получившееся в результате краткое вымышленное описание покупательского сегмента по четырем типам переменных называется портрет. Ниже приводится пример такого портрета покупателя:
Джон – сорокалетний менеджер по цифровому маркетингу с 15-летним опытом, который сейчас работает в крупной компании в сфере товаров широкого потребления. Он отвечает за создание, разработку и реализацию маркетинговых кампаний во всех цифровых медиа и подчиняется директору по маркетингу.
Директор определяет эффективность Джона по показателям общей узнаваемости бренда и онлайн-конверсии в каналах электронной коммерции. Помимо стремления улучшить эффективность по этим показателям, он также обращает сильное внимание на стоимость и верит, что бюджеты на маркетинг должны тратиться настолько эффективно, насколько это возможно.
Для достижения целей Джон работает со своей командой, а также с агентствами по цифровому маркетингу. У него в подчинении пять сотрудников, каждый из которых отвечает за свой медиаканал. Он сотрудничает с SEO-агентством по задачам управления сайтом, а также агентством по социальным сетям, которое помогает с контент-маркетингом.
Рисунок 8.1. Составление портрета клиента для «сегмента из одного»
Это пример портрета покупателя, который может быть полезен для агентства по цифровому маркетингу или ищущей клиентов компании, разрабатывающей программное обеспечение для автоматизации цифрового маркетинга. Портрет раскрывает профиль вымышленного потенциального клиента и, что самое важное, того, что ему важно. Таким образом, портрет может быть полезен для создания подходящей маркетинговой стратегии.
Сегментация и создание портрета покупателя были неотъемлемой частью работы маркетолога. Но распространение больших данных открывает для маркетологов новые возможности для сбора новых типов рыночных данных и создания микросегментации (см. рисунок 8.1). База клиентов и исследования рынка больше не единственные источники информации о покупателях. Данные из медиа, социальных сетей, сайта, с точек продаж, устройств «интернета вещей» и по вовлечению могут обогатить портреты покупателей. Для компании сложность состоит в создании экосистемы данных, которая бы интегрировала бы все эти данные.
Как только экосистема данных отлажена, маркетологи могут улучшить свою существующую практику сегментации двумя способами:
1. Большие данные дают маркетологам возможность разделить рынок на самые детальные сегменты: вплоть до отдельного покупателя. Маркетологи могут фактически создать реальный портрет для каждого покупателя, на основании которого компании могут реализовывать маркетинг «один-на-один» или «сегмент из одного», подгоняя свои предложения и кампании под каждого покупателя. И благодаря невероятной вычислительной мощности нет предела тому, насколько детальным может быть этот портрет или сколько покупателей может быть описано.
2. Сегментация становится более динамичной с большими данными, что позволяет маркетологам менять стратегию на лету. Компании могут отслеживать движения покупателя от одного сегмента к другому в реальном времени, в зависимости от различного контекста. Например, авиапутешественник может предпочитать бизнес-класс для командировок и выбирать эконом для путешествий с целью отдыха. Маркетологи также могут отслеживать, если маркетинговому мероприятию удалось превратить того, кто часто меняет бренды, в лояльного покупателя.
Важно отметить, что, несмотря на расширение технических возможностей, традиционная сегментация все еще полезна. Она развивает базовое понимание рынка. Навешивание описательного ярлыка на группу покупателей помогает маркетологами разбираться в рынке. Этого нельзя достичь с помощью большого числа сегментов из одного, так как вычислительные мощности человека не такие сильные, как у компьютера. Простые для понимания ярлыки также могут быть полезны для мобилизации людей внутри организации в сторону общего ви́дения бренда.
Создание управляемого данными маркетинга
Отличный маркетинг обычно происходит от отличных выводов о рынке. За последние несколько десятилетий маркетологи улучшили способы проведения маркетинговых исследований для обнаружения неизвестной конкурентам информации. Совмещение качественных и количественных исследований становится нормальной практикой для каждого маркетолога перед любым циклом планирования в маркетинге.
За последнее десятилетие маркетологи также помешались на сборе крепкой базы клиентов для усиления систем управления клиентами (CRM). Доступность больших данных привела к подъему управляемого данными маркетинга. Маркетологи верят, что скрытое за массивными объемами данных – это аналитические выводы в реальном времени, которые могут дать им толчок к активному развитию маркетинга, как никогда раньше. И они начали размышлять о том, как слить воедино два изолированных набора данных, полученных в результате маркетинговых исследований и аналитики, в единую платформу управления данными.
Самая большая ошибка, которую компании совершают в процессе внедрения цифровых инструментов в работу сотрудников на передовой – это фокусирование на технологиях, а не целях их внедрения.
Несмотря на перспективы, лишь немногие компании придумали лучший способ для реализации управляемого данными маркетинга. Большинство из компаний в конечном счете вложили огромные инвестиции в технологии, но им еще предстоит реализовать полностью потенциал экосистем данных. Неуспех практик управляемого данными маркетинга сводится к трем основным причинам:
1. Компании часто относятся к управляемому данными маркетингу как к ИТ-проекту. Отправляясь в путь, они фокусируются слишком сильно на выборе инструментов программного обеспечения, вложении инвестиций в инфраструктуру и найме аналитиков данных. Управляемый данными маркетинг должен быть маркетинговым проектом. IT-инфраструктура следует за маркетинговой стратегией, а не наоборот. Это не только значит сделать отдел маркетинга авторами проекта. Маркетологи должны быть теми специалистами, которые определяют и создают процесс управляемого данными маркетинга полностью. По мнению многих исследователей, более крупные объемы данных не всегда означают лучшие выводы. Ключевое – это понимание, что искать в океане информации, имея четкие маркетинговые цели.
2. Аналитика больших данных часто воспринимается как волшебная палочка, которая разгадает все закономерности поведения покупателей и решит все маркетинговые проблемы. Большие данные – это не замена традиционным методам маркетинговых исследований, особенно требующих взаимодействия с человеком, как например: этнографические исследования, юзабилити-тестирование или дегустации продукта. На самом деле большие данные и маркетинговые исследования должны дополнять и усиливать друг друга, так как управляемому данными маркетингу нужно и то, и то. Маркетинговые исследования регулярно проводятся для отдельных и узких целей. С другой стороны, идет сбор и анализ больших данных в реальном времени для усиления маркетинга на ходу.
3. Аналитика больших данных имеет настолько большие перспективы автоматизации, что компании полагают, что, единожды наладив, она будет работать на автопилоте. Маркетологи ожидают, что они вольют большие объемы данных в черный ящик под названием «алгоритм» и получат мгновенно ответы на свои вопросы. В реальности маркетологам все еще нужно управлять процессами в основанном на данных маркетинге. И хотя машина может заметить закономерности в данных, которые не может заметить человек, однако всегда требуется маркетолог с опытом и знанием контекста для фильтрации и интерпретации полученных закономерностей. Что важнее, готовые к действию выводы требуют маркетолога, который будет разрабатывать новые предложения и кампании, пусть даже и с помощью компьютеров.
Кажется очевидным, что любой проект нужно начинать с четких целей. Но слишком часто проекты по маркетингу, основанному на данных, запускаются с целями на заднем плане. Более того, большинство проектов с данными становятся чересчур амбициозными, потому что маркетологи хотят достигнуть всего и сразу. В результате проекты становятся слишком сложными, доказуемых результатов становится сложнее достичь, а компании в конечном счете сдаются.
Сценариев использования основанного на данных маркетинга действительно предостаточно, и они имеют широкую сферу применения. С большими данными маркетологи могут найти новые идеи продуктов и услуг и оценить спрос на рынке. Компании могут также создавать кастомизированные продукты и услуги и персонифицировать клиентский опыт. Подсчет подходящей цены и настройка моделей динамического ценообразования также требуют подхода на основе данных.
Помимо помощи маркетологам в определении того, что предложить, большие данные также полезны в определении того, как предоставлять товар. В маркетинговых коммуникациях маркетологи используют большие данные для таргетирования аудитории, создания контента и выбора медиа. Это ценно для push-маркетинга, например, при выборе каналов и лидогенерации. Также часто используют данные для послепродажных услуг и удержания покупателей. Большие данные часто используются для прогнозирования оттока клиентов и определения мер по исправлению недочетов обслуживания.
Несмотря на обилие сценариев использования, критично важным является сужение фокуса до одной или двух целей, отправляясь в путь к управляемому данными маркетингу. По своей природе люди с подозрением относятся к тому, что они не понимают, а технические детали управляемого данными маркетинга могут быть пугающим неизвестным для всех в организации на всех уровнях.
Рисунок 8.2. Примеры целей управляемого данными маркетинга
Конкретизированные цели проще объяснить, а значит, и проще мобилизовать людей в организации, особенно тех, кто настроен скептически. Это помогает направить в одну сторону различные бизнес-подразделения, заручиться их поддержкой и обеспечить взятие ответственности за результаты. Сфокусированные цели также заставляют маркетологов думать о наиболее эффективной оптимизации производительности и приоритизировать усилия в соответствии с этим. Когда маркетологи выбирают цель с наибольшим эффектом, компании могут получить значимые быстрые победы, а значит, и вовлеченность всех на раннем этапе.
С четкими целями инициативы основанного на данных маркетинга становятся измеримыми и поддающимися учету (см. рисунок 8.2). Полученные в результате анализа данных выводы также будут легче применяться на практике и вести к конкретным мерам улучшения маркетинга.
В цифровую эпоху объем данных растет по экспоненте. Не только идет углубление в детали, но расширяется и разнообразие данных. Однако не все данные ценны и актуальны. После того как компании сузили фокус на целях, они должны начать определять, какие данные подходят для сбора и анализа.
Нет единственного верного способа классифицировать большие данные. Но один из практичных способов состоит в категоризации на основе источника:
1. Данные из социальных сетей, включающие всю информацию, которой делятся пользователи в социальных сетях: местоположение, демографическая информация и интересы.
2. Данные из медиа, которые включают оценку аудитории в традиционных медиа, таких как телевидение, радио, печать и кино.
3. Данные по веб-трафику, которые включают все регистрационные записи, созданные пользователями при навигации в интернете и таких действиях, как показы страниц, поисковые запросы и покупки.
4. Данные с точек продаж и транзакционные, которые включают записи всех транзакций, совершенных покупателями: сумму, информацию о кредитной карте, покупки, время и иногда идентифицирующий покупателя номер.
5. Данные из устройств «интернета вещей», включающие всю информацию, собранную связанными устройствами и сенсорами: местоположение, температуру, влажность, близость других устройств и важнейшие сигналы.
6. Данные по вовлечению, которые включают все прямые точки взаимодействия компании с покупателями: информация из центра обработки звонков, обмен электронными письмами и данные из чата.
Маркетологам необходимо разработать план сбора данных, включающий каждый тип данных, который должен быть получен для достижения заранее определенной цели. Матрица данных – это полезный инструмент для привязки требуемых данных к целям. Просматривая матрицу данных горизонтально, маркетолог может определить, достаточно ли данных для достижения цели. Для получения значимых выводов требуется триангуляция данных: наличие нескольких источников данных, которые дают целостную картинку. Просмотр матрицы данных вертикально также помогает маркетологу понять, какая информация нужна для извлечения из каждого источника данных (см. рисунок 8.3).
Рисунок 8.3. Структура матрицы данных[26]
Некоторые из типов данных, ранее упомянутые в пронумерованном списке, такие как данные по транзакциям и вовлечению, являются внутренними, принадлежат компании и доступны для маркетологов. Однако не все внутренние данные готовы к использованию. В зависимости от того, насколько хорошо организованы и систематизированы записи, может потребоваться очистка данных, которая включает исправление неточных данных, консолидацию дублирующих значений и работу с неполными записями.
Другие наборы данных, такие как данные из социальных сетей или медиа, – это внешние данные, и они должны быть приобретены через сторонние организации. Некоторые данные также могут приходить от партнеров по цепочке поставок, например от поставщиков, логистических компаний, розничных магазинов и аутсорсинг-компаний.
Большинство основанных на данных маркетинговых инициатив начинается как специализированные agile-проекты. Однако в долгосрочной перспективе управляемый данными маркетинг должен стать отлаженным операционным процессом. Чтобы убедиться, что усилия по сбору данных сохраняются и данные постоянно обновляются, компании должны построить экосистему данных, которая интегрирует все внешние и внутренние данные.
Самая большая сложность в интеграции данных – это найти общий знаменатель во всех источниках данных. Самой идеальной будет интеграция данных на уровне конкретного покупателя, позволяющая создать «сегмент из одного». Хорошая практика создания записей гарантирует, что каждый зафиксированный набор данных о покупателе всегда привязан к уникальному идентификационному номеру клиента.
Хотя это несложно для внутренних источников данных, использование идентификационного номера клиента для внешних источников данных – это сложная, пусть и выполнимая задача. Например, данные из социальных сетей могут быть интегрированы с клиентским идентификационным номером и данными о покупках, если покупатель заходит на сайты торговой площадки через аккаунты в социальных сетях. Другой пример интеграции данных – это использование приложений программ лояльности для соединения с умными радио и сенсорными устройствами. Когда бы ни был покупатель с мобильным телефоном вблизи сенсора, например, около полки в розничном магазине, сенсор записывает движение. Это полезно для отслеживания пути клиента в физических торговых объектах.
Однако иногда невозможно все привязать к индивидуальным идентификационным номерам клиента, в основном из-за опасений в области безопасности. Компромиссное решение – использовать отдельные переменные демографической сегментации как общий знаменатель. Например, название сегмента «покупатель – мужчина от 18 до 34 лет» может быть уникальным обозначением для консолидации каждой точки информации из источника данных о соответствующей демографической группе.
Каждый динамический набор данных должен храниться на единой платформе управления данными, которая позволяет маркетологам собирать, хранить, управлять и анализировать данные в полном объеме. Любые новые проекты основанного на данных маркетинга с новыми целями должны использовать ту же платформу, способствуя обогащению экосистемы данных, что будет полезно, если компания решит использовать машинное обучение для автоматизации анализа.
Резюме: создание экосистемы данных для улучшения таргетирования
Рост использования больших данных изменил облик рыночной сегментации и таргетирования. Ширина и глубина клиентских данных растет по экспоненте. Данные из медиа, социальных сетей, веб-сайтов, точек продаж, устройств «интернета вещей» и данных по вовлечению – все они могут создать богатый профиль индивидуального покупателя, позволяя маркетологам реализовывать маркетинг «сегмента из одного».
В цифровую эпоху проблема больше не в недостатке данных, а скорее в определении тех данных, которые имеют значение. Именно поэтому управляемый данными маркетинг должен всегда начинаться с постановки конкретных, узконаправленных целей. Опираясь на цели, маркетологи получают актуальные наборы данных и интегрируют их в платформу управления данными, которая соединена с движками аналитики и машинного обучения. Полученные выводы могут приводить к более отточенным маркетинговым предложениям и кампаниям.
Однако никогда не стоит относиться к управляемому данными маркетингу как к ИТ-инициативе. Сильная команда маркетологов-лидеров должна возглавить проект и состыковать ресурсы компании, включая поддержку IT-отдела. Вовлечение каждого маркетолога в организации – необходимое условие, так как управляемый данными маркетинг – это не волшебная палочка и никогда не будет работать на автопилоте.
Подумайте о том, как улучшение системы управления данными может усилить маркетинговые практики в вашей организации. Что может стать легкой победой?
Как вы сегментируете рынок для ваших продуктов и услуг? Создайте дорожную карту для внедрения маркетинга «сегмента из одного» на данных вашей организации.