Пять ключевых стратегий использования данных для успешной маркетинговой кампании

Только 1,3% респондентов, принявших участие в опросе Winterberry и IAB 2018 года, заявили, что они «абсолютно уверены» в том, что у их организации достаточно необходимых знаний, опыта и навыков, чтобы максимально эффективно использовать данные. А более 87% опрошенных назвали навык анализа данных самым востребованным.

Это тревожная тенденция для золотой эры data-driven marketing (маркетинга, основанного на данных), который помогает компаниям не только достигать высокой эффективности, но и предоставлять исключительный клиентский опыт. 

Сегодня благодаря современным технологиям компании могут понимать своих клиентов лучше, чем когда-либо раньше, а данные можно извлекать из соцсетей, онлайн-покупок, поисковых систем и других источников. Управляющий директор Criteo в России, СНГ и Израиле Ксения Склярова рассказывает о пяти основных стратегиях использования данных для проведения успешных рекламных кампаний.

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!

1. Данные и персонализация

Большинство маркетологов знают, что персонализация — самый эффективный способ выделиться в современном цифровом шуме. А в основе персонализации, конечно, лежат данные. Бренды, которые не смогли успешно их использовать, быстро обнаружили, что их маркетинговые усилия практически незаметны для сегодняшних покупателей с высокими требованиями и ожиданиями. Проще говоря, если реклама не произвела впечатление, её игнорируют. Это значит, что данные должны лежать в основе всего, что делает бренд.

Когда покупатели ищут товары, смотрят видео или просто сидят в интернете, они оставляют цифровой след. Модели их поведения могут дать ценную информацию для прогнозирования их потребностей и разработки маркетинговых стратегий брендов. Однако многие компании неправильно используют данные или не понимают, какой тип данных для них наиболее релевантен. По мере того, как они начинают действовать в соответствии с этой новой реальностью, вопрос о предоставлении персонализированного онлайн-опыта становится очевидным.

Так, онлайн-видеосервис Netflix разработал технологию на основе ИИ и машинного обучения, чтобы показывать зрителям персонализированные трейлеры фильмов и сериалов, учитывая их предпочтения на основе просмотренного прежде контента.

2. Данные и многоканальность

Реалии современного ритейла таковы, что потребитель начинает свой путь к покупке на одном устройстве, а заканчивает на другом, или сначала ищет нужный ему товар онлайн, а покупку совершает в физическом магазине, или наоборот. 

Факт в том, что многие ритейлеры просто не имеют такого объёма данных, который необходим для реализации многоканальных, ориентированных на покупателя стратегий. У них попросту недостаточно информации о своих клиентах, и часто они по-прежнему пытаются распознавать отдельных покупателей по их переменчивому поведению в разных каналах.

Обладая информацией об истории покупок, моделях поведения в социальных сетях и даже геолокации пользователя, ритейлеры могут персонализировать опыт лучше, чем когда-либо прежде. Но чтобы получить реальные результаты, как в онлайне, так и в офлайне, надо обрабатывать и интерпретировать данные с умом. 

При правильном подходе собранные данные могут использоваться для создания действительно релевантного контента в нужный момент. Только те компании, которые смогут получить полное представление о своём покупателе, будут успешны в этом новом мире.

3. Данные и сотрудничество

Достичь измеримых результатов непросто. Между брендами, розничными операторами и агентствами часто возникают разногласия в том, кому принадлежит информация, как ею можно обмениваться, а также как максимально быстро получать и анализировать данные. 

Например, ритейлеры и бренды могут в реальном времени обмениваться данными о точках продаж и товарном запасе и, таким образом, оптимизировать продвижение и операционную эффективность.

Однако высококонкурентный рынок диктует такие условия, в которых заинтересованные стороны приходят к выводу, что новые методы работы, построенные вокруг более глубокого сотрудничества и обмена данными, обеспечивают огромную отдачу и помогают всем избежать таких ограничений, которые возникают при работе с закрытыми системами (Google, Amazon и другие) и маркетплейсами.

По отдельности у брендов, ритейлеров и агентств имеются значительные пробелы в данных, что даёт им неполную картину о своих клиентах и в результате приводит к отставанию. Поэтому в последнее время все три стороны начали осознавать, что их объединённые данные эффективнее. 

Они ищут пути преодоления проблем, связанных с суверенитетом данных и недостатками технологий, чтобы сформировать целостное представление о потребителе. Такой подход позволяет реагировать на быстро меняющееся поведение потребителей и строить по-настоящему эффективные рекламные кампании.

Несмотря на то, что персонализация — это ключевой элемент маркетинга в наши дни, ритейлеры всё ещё сталкиваются с проблемой распознавания пользователя в интернете. Объединение разнородных наборов данных, понимание картины, которую они создают, и получение действенной оценки — непростая задача. Вот почему к трио бренда, ритейлера и агентства постепенно присоединяется четвёртый, технологический партнёр, который может не только обеспечить свободное перемещение данных между всеми участниками, но и предоставить более быстрый и инновационный анализ информации об их клиентах. 

Так, компания Criteo, например, собирает псевдонимизированные данные различных ритейлеров, сопоставляет их и позволяет таком образом ритейлерам обращаться к своим пользователям с персонализированными сообщениями

4. Данные и параметры оценки

Потенциал данных не ограничивается только реализацией стратегий. Их использование также крайне важно для оценки успешности маркетинговых кампаний. Многие бренды обнаружили, что традиционные параметры оценки, включая ROI, ограничены по времени и усиливают негативные тенденции. Сегодня тщательный анализ данных на этапе оценки кампании может обеспечить маркетологам более стратегический подход к измерениям. 

Так, показатель пожизненной ценности клиента (CLV), один из методов оценки, представляет собой суммарную ценность, которую потребитель приносит компании на протяжении всей истории взаимодействия с ней. В простейшей форме CLV рассчитывается как сумма дохода, полученного с клиента за всё время, поделённая на «стоимость контакта» с ним.

Хотя может показаться, что измерять кампании таким способом проще некуда, наше исследование 2019 года выявило в нём ряд серьёзных проблем. 

Ключевые барьеры в использовании CLV включают отслеживание клиентов по нескольким устройствам (30%), невозможность сбора данных из-за того, что пользователи не регистрируются (23%), и невозможность отслеживать «одноразовые» продукты (21%). Пробелы в этих областях могут оказать большое влияние на точность прогнозных расчётов CLV. Тем не менее CLV — это огромная возможность для бизнеса повысить качество своих услуг. Сделать это можно за счёт максимально эффективного использования доступных данных.

Этот кейс доказывает, как важно помнить о CLV, ведь с современными техническими возможностями у ритейлеров больше шансов открыть для себя новые возможности по привлечению и удержанию покупателей.

5. Данные и искусственный интеллект

В одиночку маркетологам невозможно вручную персонализировать рекламу в больших масштабах, оценивать объёмы доступных им данных или реализовывать свои инсайты. А машинное обучение и искусственный интеллект (ИИ) помогают обеспечить индивидуальный подход к каждому покупателю в таком объёме и с такой скоростью, которые недоступны человеку. По данным IDC, отрасль розничной торговли недавно обогнала банковский сектор, став лидером по инвестициям в ИИ, вложив 3,4 млрд $ в такие бизнес-процессы, как автоматизированные службы поддержки клиентов, консультанты по шопингу и рекомендации продуктов, а также мерчандайзинг для многоканальных операций.

Используя ИИ, ритейлеры могут создавать модели, помогающие понять желания, мотивацию и действия клиентов в физических и цифровых каналах продаж. Эти модели поддерживают усовершенствования ряда функций, включая более таргетированные и персонализированные маркетинговые кампании и оптимизированные усилия по продвижению. Лица, принимающие решения, хорошо осведомлены о таких возможностях. Недавнее исследование IBM, в котором приняли участие более 1900 лидеров розничной торговли и потребительских товаров, прогнозирует, что внедрение интеллектуальной автоматизации в рознице вырастет с 40% до более чем 80% компаний в ближайшие три года.

Быстро меняющиеся предпочтения покупателей и всё более конкурентная рыночная среда требуют от розничных продавцов минимизировать затраты и применять предиктивный подход к розничной торговле. Выявив и изучив шаблоны, полученные из больших объёмов данных, ИИ может помочь компаниям быстро адаптироваться ко всё более динамичной рыночной среде. Так, например, ИИ даст ритейлерам возможность принимать лучшие стратегические решения относительно будущего их бизнеса, включая оптимизацию существующего пространства и местоположения магазина и прогнозирование будущей производительности торговых точек в случае расширения сети.

Сегодня performance-маркетинг зависит от данных. Они стимулируют высокий уровень результативности и персонализации кампаний, позволяя бизнесу точнее измерять свои успехи и помогая достичь масштабов, которые ранее были невозможны. Бренды, которые успешно отрабатывают стратегии обработки данных, будут выигрывать в долгосрочной перспективе и успешно пройдут через непростой период, который мы сейчас наблюдаем в мире маркетинга.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.