15 октября 2019, 15:19

Совершенствуем маркетинговую автоматизацию. Что нужно знать о предиктивном анализе?

Как стабильно предугадывать тренды и колебания рынка.

Федор Иванов, Calltouch

Совершенствуем маркетинговую автоматизацию. Что нужно знать о предиктивном анализе?

Эффективность маркетинга определяется возможностью своевременно оценивать результативность кампаний и выбирать из них наиболее эффективные. Измерения и анализ стали нормой, показав серьёзные задачи, которые стоят перед маркетологами.

Авторы исследования «Цифровое разъединение» утверждают, что от 40% до 60% бюджетов тратится неэффективно. По их оценке, 38 миллиардов долларов мировых маркетинговых бюджетов вылетают «в трубу» из-за слабой результативности интернет-маркетинга. В Gartner полагают, что дальнейшее развитие использования больших данных пойдёт по пути активного освоения продвинутой аналитики, в том числе предиктивной.

Успейте купить корпоративный пакет COSSA-2025 со скидкой!

Cossa анонсирует главный рекламный формат на весь 2025 год: сразу 8 различных опций.

Пакет идеально подходит для онлайн-сервисов, стартапов, интернет-компаний и digital-агентств.

Успейте приобрести пакет до повышения цены!

Предиктивный анализ использует статистические алгоритмы и методы машинного обучения для определения вероятности будущих результатов на основе исторических данных. Его цель состоит в том, чтобы выйти за рамки того, что произошло, и дать наилучшую оценку событий в будущем.

Использование предиктивной аналитики в интернет-маркетинге позволяет бизнесу решить следующие задачи.

1. Определить «горячие» лиды и оптимизировать работу с ними

Аналитические механизмы предиктивного анализа позволяют идентифицировать покупателей, которые с высокой степенью вероятности готовы оформить заказ. Полученные данные также можно использовать для динамической модификации обращений к покупателям: персонализировать расположение товаров, порядок категорий или баннеров. Помимо этого, «горячие» лиды могут получать уникальные предложения, сформированные системой мгновенно, максимально релевантные их интересам.

Среднестатистический клиент Aldo — канадской компании-производителя обуви и аксессуаров — приобретает несколько пар обуви в год, в то время как «лучшие» покупатели — около девяти пар. Это достаточно хороший показатель, но всё же меньше, чем одна пара в месяц. Поэтому еженедельные рассылки электронных писем показались компании явно излишними.

В Aldo решили сосредоточиться на сервисе, предвосхищающем поведение, предпочтения и желания потребителя с помощью предиктивных данных. Собрав воедино ранее разрозненную информацию, компания начала предоставлять персонализированный покупательский опыт, сопровождающий клиента в интернет- или офлайн-магазине, а также по телефону службы поддержки.

Целью стало сделать покупки в Aldo быстрее, проще и веселее. Так, например, при покупке одной пары обуви, через некоторое время email-рассылка порекомендует вторую в аналогичном стиле или подходящую сумку. Также, если покупатель недавно активно интересовался какой-то моделью в мобильном приложении, но не оформил заказ и пришёл в магазин, то система отправит уведомление консультанту, чтобы клиент мог как можно скорее примерить интересующий товар на себе.

2. Оптимизировать сегментирование клиентской базы и взаимодействие с ней

Дополнение информации о клиентах предиктивными данными позволяет уточнить или генерализировать сегменты базы. Это позволяет понять, что будет интересно покупателям, когда и как следует подавать им релевантные предложения. Прогнозы паттернов поведения клиентов также позволяют получить информацию о лучшем канале для взаимодействия с клиентом: email, push-уведомления, SMS или, например, телефонный звонок.

Использование предиктивного анализа позволило First Book — международному дистрибьютору книг для молодёжи из малоимущих семей — увеличить продажи на 331%, очистить, объединить и дополнить 11 миллиардов точек данных, а также получить прогноз по отдельным клиентам с точностью до 92,97%. Важнейшим каналом для них является рынок электронной коммерции, в рамках которого учителя или представители школьной администрации могут создавать учётные записи от имени учащихся и покупать книги по существенно сниженным ценам.

В то время, как количество зарегистрированных аккаунтов значительно выросло, First Book изо всех сил пытался увеличить повторные продажи. Своими силами компании не удалось выявить каких-либо работающих паттернов поведения или общего набора характеристик, идентифицирующих тех клиентов, которые могли бы совершить повторные покупки.

Обращаясь к предиктивной аналитике, First Book поставил следующие цели: определить общие характеристики среди «лучших» и «худших» клиентов; предсказать, какие отдельные клиенты вероятнее всего совершат повторную покупку; очистить и объединить исторические записи из многочисленных разнородных баз данных.

Tumi — всемирно известный производитель чемоданов и сумок для путешествий премиум-класса — благодаря возможностям предиктивного анализа смог не только отказаться от стратегии распродаж, отправить на 40 миллионов меньше e-mail’ов, но и увеличить продажи почти на 37%, а также отдачу от инвестиций в маркетинг на 48%. В течение долгого времени компания руководствовалась принципом «для повышения спроса необходимо устроить распродажу и отправить как можно больше электронных писем».

Такой подход в конечном счете привёл к падению продаж на 10,5% и негативно сказался на имидже бренда у покупателей. Каждое девятое сообщение на почтовый ящик клиента помещалось провайдерами в папку «Спам» из-за низкого коэффициента открытия рассылок.

В Tumi задумались о переосмыслении стратегии, с упором на персонализацию интернет-маркетинга, более точную сегментацию базы покупателей, предоставление качественного послепродажного сервиса и внедрении продвинутой аналитики. Платформа начала извлекать данные из взаимодействия клиентов с электронной почтой, активности в социальных сетях, поведения на сайте Tumi, а также истории поиска и просмотра в интернете.

Сбор и анализ информации позволил компании в среднем отправлять одно электронное письмо с призывом к действию, где раньше направлялось три. Меньшее количество более релевантных email’ов привело к тому, что средний показатель открытия составил 30%. Через год после начала работы по новой стратегии Tumi зафиксировал рост продаж товаров по полной цене на 28,5%. Возрос и ROI: с 6,26 $ на доллар, вложенный в интернет-маркетинг, до 12 $. Также на сайте Tumi установлен алгоритм, который изменяет позиционирование товаров на главной странице в зависимости от исторических данных посетителя.

3. Оптимизировать финансовые и временные ресурсы в медиапланировании

Предиктивный анализ позволяет понять, насколько будет успешна та или иная рекламная кампания, получить прогноз по количеству кликов, переходов, заявок, входящих или обратных звонков, а также затраченному бюджету. Полученные данные — это не предположение, а точный математический расчёт, выполненный с помощью алгоритма, который защищён от субъективной оценки человека. Он может значительно сократить время, которое необходимо для разработки и согласования медиаплана каждому маркетологу.

Предположим, что вы работаете в рекламном агентстве и готовите план интернет-продвижения на следующий месяц, чтобы согласовать его с клиентом и получить определённый бюджет на рекламу. Смотрите статистику в текущем месяце и видите, что контекстная реклама принесла 150 лидов, баннер на сайте партнёров — 50 лидов, а реклама в социальных сетях — 30 лидов.

Используя предиктивный анализ, вы можете увидеть прогнозы кликов и лидов, а также конверсию по всем трём источникам. Отчёт демонстрирует: с контекстной рекламой вы получите 165 лидов, с партнёрского баннера — 30. По лидам из соцсетей ситуация не изменится: те же 30. Если количество лидов от рекламного баннера имеет тенденцию к сокращению уже не первый месяц, возможно, в данном случае стоит предложить клиенту своевременно перераспределить средства от его размещения в пользу контекста.

На рынке прогнозной аналитики представлено много решений — среди них IBM Watson, SAP HANA и NGData. В России также есть свои герои: один из них — сервис сквозной аналитики, коллтрекинга и управления рекламой Calltouch. Недавно в систему был внедрён предиктивный анализ рекламных объявлений. Реализованный в форме отчёта, он позволяет пользователю получить прогноз на один месяц вперёд. Благодаря комбинированному алгоритму прогнозирования временных рядов, погрешность предиктивного анализа составляет всего 8–10%. В Calltouch он доступен для всех, кто подключился к сервису не менее трёх месяцев назад — это время необходимо для накопления нужного объёма данных, которые будут использоваться для построения прогноза.

Мощности, необходимые для анализа больших данных, ранее были доступны только избранным, но ситуация уже изменилась. Предиктивный анализ маркетинга — это более полная реализация маркетинговой автоматизации, которая позволяет упростить не только механику маркетинга и анализ данных (как в случае со сквозной аналитикой), но и принятие решений.

Почему следует обратить внимание на предиктивный маркетинг?

Позволяет сконцентрировать внимание на лидах с более высокой долей вероятности конверсии.
Помогает достигнуть целей рекламной кампании быстрее и без затраты времени на тестирование гипотез.
Увеличивает ROI.
Корректирует прогноз при появлении новых или уточнённых данных автоматически.
Открывает новые возможности для взаимодействия с клиентами, так как изучает их поведение и предпочтения.