Предиктивный маркетинг
Предвосхищая рыночный спрос проактивными действиями
По прошествии сезона Главной лиги бейсбола – 2001 бейсбольный клуб «Окленд Атлетикс» потерял трех ключевых игроков из-за их статуса свободных агентов. Под давлением заменить свободных агентов в условиях ограниченного бюджета тогдашний генеральный менеджер Билли Бин обратился к аналитике для сбора сильной команды для следующего сезона. Вместо использования традиционных агентов-скаутов и инсайдерской информации «Атлетикс» использовали саберметрику – аналитику игровой статистики.
С аналитикой в «Атлетикс» обнаружили, что недооцененные показатели, такие как процент попаданий на базу и процент сильных ударов, могли бы предсказывать успех лучше, чем общепринятая статистика нападения. Так как ни одна из других команд не набирает игроков с этими качествами, полученные в результате анализа выводы позволили клубу «Атлетикс» нанять недооцененных игроков за сравнительно небольшие деньги. Эта удивительная история была задокументирована в книге Майкла Льюиса и фильме Беннета Миллера «Moneyball» (в российском прокате фильм «Человек, который изменил все». – Прим. пер.).
Это привлекло внимание других спортивных клубов и спортивных инвесторов по всему миру. Джон Генри, владелец бейсбольной команды «Бостон Ред Сокс» и футбольного клуба «Ливерпуль», был один из них. Математические методы были использованы для восстановления футбольного клуба «Ливерпуль». Несмотря на фантастическую историю, футбольный клуб не преуспевал в соревнованиях Английской Премьер-лиги. Опираясь на статистику, клуб назначил менеджером Юргена Клоппа и нанял некоторых игроков в команды, которые добились Кубка Лиги чемпионов УЕФА 2018–2019 и Кубка английской Премьер-лиги 2019–2020.
Эти истории воплощают в себе суть предиктивной аналитики. Она позволяет компаниям предвосхитить движение рынка до того, как они появляются. Традиционно маркетологи опирались на описательную статистику, которая объясняет прошлое поведение, и использовали свою интуицию для формирования предположений о том, что будет дальше. В предиктивной аналитике большая часть анализа выполняется искусственным интеллектом. Исторические данные загружаются в алгоритм машинного обучения для обнаружения конкретных закономерностей, что называется предиктивной моделью. Вводя новые данные в модель, маркетологи могут предсказывать будущие результаты: кто с большей вероятностью может совершить покупку, какой продукт будет продаваться и какая кампания сработает. Так как предиктивный маркетинг сильно опирается на данные, компании обычно обеспечивают для него основу на базе экосистемы данных, которую они создали ранее (см. главу 8).
С прогнозами компании могут быть более проактивны с долгосрочными инвестициями. Например, компании могут предсказывать, перейдут ли новые клиенты с небольшими суммами транзакций в группу крупнейших покупателей. Таким образом, решение инвестировать ресурсы для развития отдельных клиентов может быть оптимальным. До выделения большого количества ресурсов на разработку новых продуктов компании могут использовать предиктивную аналитику, чтобы помочь с фильтрацией идей. Подводя итог, предиктивная аналитика ведет к лучшей отдаче от маркетинговых инвестиций.
Предиктивное моделирование – это не новая тема. На протяжении многих лет маркетологи, работающие на основании данных, строили регрессионные модели для нахождения причинно-следственной связи между действиями и результатами. Но с машинным обучением компьютерам больше не требуется заранее заданный алгоритм от аналитиков, чтобы начать обнаруживать закономерности и строить модели самостоятельно. Получившиеся предиктивные модели, выходящие из «черного ящика» машинного обучения, часто находятся за пределами человеческого понимания и мышления. И это хорошо. Маркетологи больше не ограничиваются ранее влияющими когнитивными искажениями, допущениями и ограниченными представлениями о мире при прогнозировании будущего.
Применение предиктивного маркетинга
Предиктивная аналитика использует и анализирует исторические данные. Но это больше, чем описательная статистика, которая полезна для ретроспективной отчетности об уже достигнутых результатах компании и объяснения стоящих за ними причин. Компании с ви́дением будущего хотят знать больше, чем то, что произошло в прошлом. Также предиктивная аналитика находится за пределами аналитики в реальном времени, которая используется для предоставления быстрого ответа в контекстном маркетинге (см. главу 10) и тестирования маркетинговых действий в agile-маркетинге (см. главу 12).
Предиктивная аналитика изучает исторические данные о поведении покупателей для оценки вероятности того, что они будут демонстрировать такое же или схожее поведение в будущем. Она обнаруживает скрытые закономерности в больших данных и рекомендует лучшее направление действий. С ориентацией на будущее она помогает маркетологам быть на шаг впереди, готовить ответные маркетинговые реакции заранее и влиять на результат.
Рисунок 9.1. Применение предиктивного маркетинга
Предиктивная аналитика очень важна для проактивных и превентивных мер, что идеально для целей маркетингового планирования. С предиктивной аналитикой маркетологи обладают в своем распоряжении мощным инструментом для усиления процесса принятия решений (см. рисунок 9.1). Маркетологи могут теперь определить, какой маркетинговый сценарий станет реальностью с большей вероятностью и каким клиентам целесообразно уделить внимание. Они также могут оценить, какие маркетинговые действия и стратегии с высокой долей вероятности принесут успех до их запуска, что существенно уменьшает риски провала.
Таргетирование и обслуживание клиентов без знаний будущего дохода, который клиент принесет компании, – это страшный сон маркетинговых инвестиций. Маркетологам необходимо решать, направлять ли бюджет на привлечение клиентов и обслуживание клиентов – на рекламу, прямой маркетинг, поддержку клиентов и управление клиентами – для получения и развития покупателя. Предиктивная аналитика может помочь маркетологам принимать лучшие решения, рассчитывая ценность клиента.
Предиктивная модель, используемая для системы управления клиентами, называется моделью клиентского капитала. Она измеряет пожизненную ценность клиента (англ. Customer lifetime value, CLV) – текущую ценность прогнозируемого чистого дохода, полученного от клиента на протяжении всего времени его взаимодействия с компанией. Она предлагает долгосрочный взгляд в будущее отдачи от инвестиций, что критично, так как большинство клиентов могут не приносить прибыль в первый или второй год из-за высокой стоимости привлечения покупателя.
Эта концепция наиболее актуальна для B2B и сервисных компаний, которые выстраивают с клиентами долгосрочные отношения, как, например, банки или телекоммуникационные компании. У обслуживающих корпоративных клиентов компаний громадные траты на привлечение клиента, особенно затраты на участие в торгово-промышленных выставках и на отдел продаж. Схожим образом банки тратят большие бюджеты на рекламу и бонусы для новых клиентов, в то время как телекоммуникационные компании известны своими предложениями рассрочки на мобильные устройства для привлечения покупателей. Для компаний в этих секторах маркетинговые издержки слишком высоки для единичных транзакций и краткосрочных отношений с клиентами.
Роль аналитики в прогнозировании CLV – предсказать реакцию покупателя на предложение о покупке большего объема или о кросс-продаже. Алгоритмы обычно опираются на исторические данные о том, какие продукты были куплены вместе покупателями со схожим профилем. Более того, маркетологи могут предсказать длительность взаимодействия с каждым покупателем. Предиктивная аналитика может обнаружить отток клиентов и, что важнее, найти причины оттока. Таким образом, компании могут развивать эффективные стратегии удержания клиентов для предотвращения оттока клиентов. По этим причинам предиктивная аналитика не только прогнозирует CLV, но и увеличивает ее.
Как только составлен портрет клиентов и подсчитана их пожизненная ценность, маркетологи могут внедрять маркетинг следующего лучшего решения (англ. Next-best-action marketing, NBA-маркетинг). Это клиентоориентированный подход, при котором маркетологи режиссируют четкий пошаговый план действий с каждым покупателем. Другими словами, это маркетинговый план для «сегмента из одного». С мультиканальными взаимодействиями от цифрового маркетинга до отдела продаж маркетологи направляют каждого покупателя от предпродаж до продаж и до послепродажных услуг. На каждом шаге предиктивная аналитика помогает маркетологам определить, какое действие следует предпринять следующим: отправить промоматериалы, продемонстрировать продукт или послать сотрудников связаться с клиентом по телефону.
В более простой форме бизнес также может реализовывать распределение по сегментам клиентов на основании их пожизненной ценности, что, по сути, представляет из себя инструмент для распределения ресурсов. Распределение по уровням диктует, сколько денег компании стоит распределить на привлечение и удержание клиента на отдельном уровне. Маркетологи могут приоритизировать, с какими клиентами строить взаимоотношения и как побуждать их перейти на более высокий уровень со временем.
Также CLV становится основной для разных клиентских интерфейсов, которые компании предоставляет для разных покупателей. Таким образом, покупатели, которые приносят больше прибыли, получат доступ к специальной команде клиентской поддержки, в то время как другие – к автоматизированному цифровому интерфейсу (см. главу 11).
Маркетологи могут использовать предиктивную аналитику на всех стадиях жизненного цикла продукта. Прогнозирование может начинаться на ранних этапах разработки идеи продукта. На основе анализа о том, какие свойства уже рекламируемых продуктов работают, бизнес может разрабатывать новые продукты с комбинацией подходящих характеристик.
Эта практика предиктивного маркетинга позволяет отделу разработки продуктов избегать постоянного начинания с нуля. Наличие дизайна продукта и прототипа с более высокой вероятностью успеха в маркетинговых тестах и при реальном запуске будет экономить маркетологам существенную часть расходов на разработку продуктов. Более того, внешняя информация о том, что в тренде и что будет откликаться потенциальным покупателям, также обучает алгоритмы. Это позволяет маркетологам быть проактивными и задавать тренды раньше конкурентов.
Рассмотрим пример Netflix. Медиакомпания начала создавать собственный контент для усиления конкурентного преимущества перед зарождающимися конкурентами и снижения затрат на контент в долгосрочной перспективе. Компания использует аналитику для принятия решений о том, какие сериалы и фильмы снимать. Например, сериал «House of Cards» (в российском прокате «Карточный домик». – Прим. пер.) был разработан на основании прогноза, что комбинация Кевина Спейси в главной роли, Дэвида Финчера как продюсера и темы политической драмы, вдохновленной одноименным оригинальным сериалом BBC, принесет успех.
Предиктивная аналитика также принципиально важна для выбора того, какой предложить продукт из существующего набора вариантов. Используемый предиктивный алгоритм называется рекомендательными системами, которые предлагают продукты покупателям, основываясь на истории их покупок и предпочтениях похожих покупателей. Модель предрасположенности к покупке оценивает вероятность того, что покупатели с конкретным профилем купят предложенный им определенный продукт. Она позволяет маркетологам предоставлять покупателям персонализированные ценностные предложения. Чем дольше работает модель и чем больше данных об ответной реакции покупателей она собирает, тем лучше будут рекомендации.
Рекомендательные системы наиболее часто применяются ретейлерами, такими как Amazon или Walmart, и компаниями с цифровыми услугами, например YouTube или Tinder. Но применение технологии добралось также и до других индустрий. Для любой компании с крупной клиентской базой и широким портфолио продуктов или контента система рекомендации продуктов будет ценна. Модель поможет компаниям автоматизировать процесс подстройки продуктов под рынки.
Личные ожидания теперь определяются социальными средами, которые постоянно влияют на нас и мотивируют нас достигать более высоких целей.
Более того, предиктивная рекомендательная модель наиболее полезна, когда продукты покупаются и используются вместе или одновременно друг с другом. Построение модели включает то, что известно как анализ аффинитивности продуктов[27]. Например, люди, покупающие рубашку, могут быть заинтересованы также в покупке подходящих под нее брюк или ботинок. А люди, читающие новостную статью, могут хотеть прочитать другие статьи этого же корреспондента или узнать больше на тему статьи.
Предиктивная аналитика может помочь маркетологам планировать их бренд-коммуникации и маркетинговые коммуникационные активности, особенно в цифровом пространстве. Основные требования к аналитике данных включают построение полных профилей аудитории и отображение ключевых компонентов успешных в прошлом кампаний. Анализ будет полезен, чтобы предусмотреть, какие будущие кампании с высокой долей вероятности преуспеют. Так как машинное обучение – это непрекращающийся путь, бренд-менеджеры могут продолжить оценивать свои кампании и оптимизировать те, которые могут не оправдать ожиданий.
При разработке рекламного креатива и реализации контент-маркетинга бренд-менеджеры могут использовать машинное обучение для оценки реакции покупателей на различные комбинации текста и визуального сопровождения. Анализ тональности текстов в социальных сетях и в отзывах на сторонних сайтах может помочь понять, как клиенты относятся к вашему бренду и кампаниям. Также аналитическая модель может собирать данные о том, какие цифровые кампании принесли больше переходов. Таким образом, бренд-менеджеры могут создавать креатив и контент, который приносит оптимальные результаты: положительные эмоции или высокий коэффициент переходов (CTR).
Предиктивная аналитика также может быть мощным инструментом для направления контента подходящей аудитории. Это работает двумя способами. Компании могут разработать брендированный контент и затем определить, каким покупательским сегментам их будет наиболее целесообразно адресовать, а также когда и где вовлекать их. Альтернативно компании могут составлять профили покупателей и затем предсказывать, какой контент больше всего им откликнется на каждом шаге клиентского пути.
Покупателям может быть сложно найти нужную им информацию в большом количестве контента, транслируемого брендами. Предиктивная модель может предложить решение, прогнозируя правильное соответствие аудитории и контента, которое приведет к оптимальному результату. Таким образом, маркетологи могут избавиться от захламленности контентом и реализовывать таргетированное распространение на нужную целевую аудиторию.
В цифровом пространстве бизнес может легко отследить клиентский путь по разным сайтам и социальным сетям. Таким образом, бизнес может прогнозировать следующий шаг покупателей в их вовлечении через цифровые каналы. С этой информацией маркетологи могут, например, разрабатывать динамичные сайты, на которых контент меняется в зависимости от аудитории. Пока покупатели просматривают веб-сайт, аналитический алгоритм предсказывает, какой следующий контент показать, чтобы в конечном счете увеличить уровень интереса и сделать так, чтобы покупатель был на шаг ближе к покупке.
Построение предиктивной маркетинговой модели
Существует множество техник для создания предиктивных маркетинговых моделей от самых простых до самых сложных. Маркетологам будет нужна помощь специалистов по статистике и аналитиков данных для построения и разработки моделей. Таким образом, им не требуется обладать глубоким пониманием статистических и математических моделей. Однако маркетологам может потребоваться понимание стоящих за предиктивными моделями фундаментальных идей, чтобы они могли направлять технологические команды в том, какие выбрать данные и какие закономерности искать. Более того, маркетологи будут помогать интерпретировать модели, а также внедрять прогнозы в реальную операционную деятельность.
Ниже перечислены некоторые из самых часто используемых типов предиктивного моделирования, которые маркетологи используют для различных целей.
Модель регрессии – одна из самых базовых, однако полезных инструментов для предиктивной аналитики. Модель оценивает взаимосвязь между независимыми (или объясняющими данные) и зависимыми (объясняемыми) переменными. Зависимые переменные – это результаты или показатели, к которым стремятся маркетологи, как, например, данные о переходах или продажах. С другой стороны, независимые переменные – это влияющие на результат данные, такие как время кампании, рекламный текст или демографические показатели покупателя.
В регрессионном анализе маркетологи ищут статистические уравнения, которые объясняют связь между независимыми и зависимыми переменными. Другими словами, маркетологи стремятся понять, какие маркетинговые действия имеют наиболее существенный эффект и приводят к наилучшим для бизнеса результатам.
Относительная простота регрессионного анализа, в сравнении с другими техниками моделирования, делает его самым популярным. Регрессионный анализ может быть использован для многих применений предиктивного маркетинга, таких как построение модели клиентского капитала, модели предрасположенности к покупке, модели обнаружения сбоев и модели аффинитивности товаров.
В общем случае регрессионное моделирование выполняется в несколько шагов.
1. Сбор данных по зависимым и независимым переменным
Для регрессионного анализа наборы данных как для зависимых, так и независимых переменных должны собираться параллельно и с достаточной выборкой. Например, маркетологи могут исследовать влияние цвета цифрового баннера на количество переходов, собрав достаточное количество примеров цветов и результатов по показателям кликабельности.
2. Нахождение уравнения зависимости между переменными
С помощью статистических программ маркетологи могут получить уравнение, наилучшим образом подходящее под данные. Самая простая форма уравнения – это прямая линия, или график линейной регрессии. Также часто встречается логистическая регрессия, которая использует логистическую функцию для моделирования бинарной зависимой переменной, как, например, покупка или отсутствие покупки, удержание или отток клиента. Так, логистическая регрессия часто используется для предсказания вероятности наступления события, например вероятности совершения покупки.
3. Интерпретация уравнения для получения выводов и проверка на достоверность
Рассмотрим следующий пример. Предположим, что наиболее подходящее уравнение определено следующим образом:
Y = a + bX1+ cX2+ dX3+ e
В этой формуле, Y – зависимая переменная, а X1, X2 и X3 – это независимые переменные. а – константа, которая отражается на величине Y, но на нее никакого влияния не оказывают независимые переменные. b, c и d – это коэффициенты независимых переменных, которые показывают, насколько сильно переменные влияют на зависимые переменные. В уравнении мы можем также оценить обозначаемый e коэффициент погрешности или показатель статистической ошибки. В регрессионной формуле всегда есть ошибки, так как не только независимые переменные могут влиять на зависимую переменную. Чем больше величина погрешности, тем менее точно уравнение.
4. Прогнозирование зависимых переменных при разных независимых переменных
После определения формулы маркетологи могут прогнозировать значения зависимых переменных при разных значениях независимых переменных. Таким образом, маркетологи могут предсказать результат от набора маркетинговых действий.
Коллаборативная фильтрация для рекомендательных систем
Наиболее популярный метод построения рекомендательных систем – это коллаборативная (совместная) фильтрация. Основополагающее допущение состоит в том, что людям понравятся товары, похожие на ранее купленные, или они предпочтут продукты, купленные людьми со схожими предпочтениями. Для того чтобы модель работала, ей требуется участие покупателей для ранжирования продуктов, отсюда и название – «коллаборативная» фильтрация. Она также применима не только к товарам, но и к контенту, в зависимости от того, что маркетологи намерены рекомендовать покупателям.
В двух словах, коллаборативная фильтрация работает в соответствии со следующей логической последовательностью:
1. Сбор предпочтений на большой выборке покупателей
Для измерения того, насколько сильны предпочтения к продукту, маркетологи могут создать общественную систему рейтинга, в которой покупатели будут ранжировать продукты либо через простые кнопки «нравится» / «не нравится» (как на YouTube), либо по пятибалльной шкале (как звезды в Amazon). Альтернативно маркетологи могут использовать целевые действия, отражающие предпочтения, например, прочтение статьи, просмотр видео, добавление продукта в список желаемых покупок или корзину. Netflix, например, определяет предпочтения по просмотренным пользователями на протяжении всего времени фильмов.
2. Распределение по кластерам покупателей и товаров
Покупатели, которые схожим образом ранжировали товары и показали схожее поведение, могут быть классифицированы в один кластер. Предполагается, что они относятся к одному психографическому (на основании «нравится» / «не нравится») и поведенческому (на основании действий) сегментам. Как вариант, маркетологи также могут распределить по кластерам товары, которые получили похожую оценку от отдельной группы покупателей.
3. Прогнозирование оценки покупателями нового продукта
Теперь маркетологи могут прогнозировать рейтинги, которые покупатели будут ставить продуктам, которых они еще не видели, но ранжированные на основе рейтингов покупателей со схожими предпочтениями. Этот прогнозный показатель оценки необходим маркетологам для предложения подходящих товаров, которые могут понравиться покупателям и которые они с наибольшей вероятностью купят в будущем.
Нейронная сеть, как следует из названия, условно смоделирована по образцу биологической нейронной сети, работающей внутри человеческого мозга. Это один из наиболее популярных инструментов машинного обучения, который помогает бизнесу строить сложные модели для прогнозирования. Модель нейронной сети обучается на опыте, обрабатывая большое число разных примеров из прошлого. Сегодня модели нейронных сетей легко доступны. Например, Google создал TensorFlow – доступную всем программную библиотеку для машинного обучения нейронных сетей с открытым исходным кодом.
В отличие от регрессионной модели, нейронные сети считаются «черным ящиком», потому что механизм их внутренней работы часто людям тяжело интерпретировать. Это похоже на то, что люди иногда не могут объяснить, как они принимают решения на основе предоставленной информации. Однако нейронные сети также подходят для построения моделей на основе неструктурированных данных, определить лучший алгоритм для которых не могут ученые наук о данных и бизнес-команды.
В простой терминологии следующие шаги объясняют, как работает нейронная сеть.
1. Загрузка двух наборов данных: вводные и выводные данные
Модель нейронной сети состоит из слоя входных данных, слоев выходных данных и скрытых слоев между ними. Как и при построении регрессионной модели, во входные данные загружаются независимые переменные, а зависимые переменные загружаются в выходной слой. Разница, однако, состоит в скрытых слоях, которые содержат алгоритмы «черного ящика».
2. Предоставление сети возможности выявления взаимосвязей в данных
Нейронная сеть способна соединить данные для выведения функции или предиктивной модели. Она работает как и человеческий мозг, связывая факты в единое целое на основании непрерывного обучения. Нейронные сети обнаружат разные типы закономерностей и взаимосвязей между наборами данных: корреляцию, ассоциации, зависимости и причинно-следственные связи. Некоторые из этих связей могут оказаться из числа ранее неизвестных или скрытых.
3. Использование получившейся в скрытых слоях модели для прогноза результатов
Функция, полученная на обучающей выборке, может быть использована для прогнозирования результата на новом наборе данных. И когда реальный результат загружается обратно в нейронную сеть, машина обучается на своих неточностях и совершенствует скрытые слои со временем. Поэтому это и называется машинное обучение. Несмотря на то, что нейронные сети не раскрывают понимание мира из-за своей сложности, постоянно обучающиеся нейронные сети могут быть очень точны в прогнозах.
Рисунок 9.2. Как работают предиктивные модели
Выбор предиктивной модели зависит от стоящих перед вами задач. Когда задача структурирована и легка для понимания, достаточно регрессионной модели. Но когда вопрос касается неизвестных факторов или алгоритмов, лучше всего может работать машинное обучение, например нейронные сети. Маркетологи также могут использовать более чем одну модель для нахождения наиболее подходящей техники работы с имеющимися данными (см. рисунок 9.2).
Резюме: предвосхищая рыночный спрос проактивными действиями
Маркетологи, опирающиеся на знания, могут быть на шаг впереди, прогнозируя результаты каждого маркетингового действия. В сфере управления клиентами предиктивная аналитика может помогать компаниям оценивать ценность потенциальных клиентов до их подключения и определить, насколько целесообразно вкладываться в их продвижение и развитие.
В управлении продуктом маркетологи могут предположить результаты продаж предварительно запущенного прототипа продукта или определить, какие продуктовые линейки выбрать для повышения объема продажи и кросс-продаж из широкой линейки товаров. И, наконец, предиктивное моделирование может позволить бренд-менеджерам анализировать отношение покупателей по тональности высказываний и определять, как строить бренд-коммуникации при определенных условиях.
Существует несколько техник создания моделей в предиктивном маркетинге, которые включают регрессионный анализ, коллаборативную фильтрацию и нейронные сети. Машинное обучение или искусственный интеллект могут быть использованы для построения предиктивных моделей. Таким образом, большинству маркетологов потребуется технологическая помощь специалистов по статистике и ученых по данным. Однако у маркетологов должно быть стратегическое понимание, как модели работают и как с их помощью делать выводы.
Использует ли ваша организация предиктивную аналитику для маркетинга? Рассмотрите некоторые новые возможности применения предиктивного маркетинга.
Как вы будете внедрять предиктивный маркетинг и интегрировать его в операционную деятельность? Как будут предиктивные модели продвигаться внутри организации?