В холодильник не залезет и в голове не покопается. Тогда почему считается, что Big Data – это круто

Практически все компании хотели бы расходовать маркетинговые и рекламные деньги более-менее осмысленно. Именно для этого они проводят многочисленные исследования целевой аудитории, ее предпочтений и т.д. Новая технология Big Data позволяет собирать и обрабатывать большие массивы данных – поможет ли это в исследовании потребителей, станет ли панацеей. Своим мнением делятся старший аналитик Civitta Роман Грецкий и руководитель департамента маркетинговых исследований SATIO Мария Чернянская

О потребителе в доцифровую эпоху (когда не было карт лояльности, данных о покупках и т.д.) мало что знали. Можно было лишь получить его демографические параметры: пол, доход и возраст. Собственно вокруг этой модели построен весь маркетинг последних 100 лет. До сих пор во многих университетах учат тому, что «целевая аудитория нашей одежды — это девушка в возрасте 18-24 года, проживающая в большом городе». Но на самом деле только потому, что мы знаем и можем оперировать этими тремя факторами (пол, возраст и размер населенного пункта), нельзя считать, что они хоть как-то характеризуют потребительское поведение.

Это не совсем правильный подход к решению этой задачи. Эту же одежду, например, может купить девушка 28 лет — просто потому, что она себя чувствует на этот возраст. Инструменты Big Data позволяют решить эту и многие другие задачи гораздо изящнее и качественнее.

Как работает Big Data в изучении потребителей

Почему Big Data считается одной из наиболее эффективных технологий в изучении потребителей? С помощью машинного обучения она способна создавать такие математические алгоритмы, которые в последствии могут сами принимать наиболее оптимальные решения.

Схожим образом работают интернет-поисковики, алгоритм которых, будучи обученным какой-то выборке, способен сформировать результат поиска по вашему запросу в течение нескольких мили-секунд.

Когда говорят о Big Data, речь идет не только об объеме данных, не только о том, что они измеряются тысячами GB, а о том, что на самом деле просто, в отрыве от других характеристик, объем данных не интересен.

Поэтому в классическом определении Big Data должна иметь 3 ключевые характеристики — 3 V

• Volume — действительно большие данные (хотя размер зависит от доступных ресурсов для их обработки)
• Variety — слабо структурированные и разнородные
• Velocity — обрабатывать надо очень быстро, чтобы решения на основе этих данных принимались почти в реальном времени (причем результаты часто нужны оперативно, если речь идет об онлайновых сервисах)

На данный момент технологии Big Data активно используется и приносит огромную добавленную стоимость в следующих отраслях по всему миру:

• Организованная сетевая розница
• Финансы
• Медицина
• Государство
• High-tech и интернет-компании

Новые проекты и решения по Big Data разрабатываются при проведении маркетинговых исследований, рекламных кампаний и для исследования поведенческих привычек в практически любых сферах экономики.

Крупные торговые сети США активно используют Big Data. Еще не так давно маркетологи торговых сетей имели смутное представление о своих клиентах, об их привычках. Новые подходы использования больших данных позволяют торговым сетям знать своих покупателей в лицо.

Именно поэтому традиционные маркетинговые исследования все чаще проводятся с использованием Big Data. При такого рода анализе возможно предугадать, какой товар собирается купить потребитель и когда — а значит, показать ему ориентированную на него рекламу, предложить скидку на необходимый ему товар. Для того, чтобы идентифицировать клиентов, используются именные карты лояльности, покупки с оплатой пластиковыми картами или же покупки в онлайн-магазинах.

Для того, чтобы лучше понять, как использовать новые маркетинговые инструменты, мы рассмотрим несколько кейсов, примеров из истории:

Кейс 1. Сеть магазинов Target в США с помощью Big Data решила определить модель покупательского поведения для беременных женщин. Для этого они собрали данные обо всех покупках женщин, которые участвовали в их программе лояльности для беременных, и проанализировали их с помощью математических алгоритмов и машинного обучения. Оказалось, что на начало второго триместра беременности женщины обычно покупают лосьоны без запаха, а через несколько недель начинают покупать пищевые биодобавки и так далее. Закономерности в изменениях покупательского поведения так четко прослеживались, что по ним даже можно было определить срок беременности с точностью до недели.

Благодаря полученным данным, розничная сеть смогла составить алгоритм для определения беременности по покупкам. Со временем эта система персонального таргетирования стала настолько точной и продвинутой, что она зачастую определяла беременность женщины раньше, чем та узнавала о ней сама. Если модель покупательского поведения женщины говорила о том, что она беременна, Target начинала показывать ей определенную рекламу, предлагать скидки на товары, которые ей вскоре могут понадобиться.

Кроме того, использование Big Data решений позволяет определить момент, при котором клиент собирается уйти к конкуренту.

Для большинства компаний это критически важно, поскольку затраты на привлечение нового клиента в разы превышают затраты на удержание текущих клиентов.

Кейс 2. Американская финансовая компания American Express использовала Big Data для анализа всех действий клиентов до того, как они уходили к конкурентам и выявила 115 факторов, которые менялись перед уходом. На основе этих данных они построили систему, которая идентифицировала клиентов, которые собираются уйти. По словам представителей компании, на текущий момент они с точностью знают персонально 24% клиентов, которые собираются уйти в течение ближайших 4 месяцев. А значит, с помощью определенных мер они могут попытаться предотвратить их уход.

Как «управлять» покупателем с помощью Big Data

Big Data — это не только сведения о том, кто твой покупатель. С помощью этой технологии можно достаточно эффективно размещать торговые объекты и рекламу, вовремя предлагать акции и грамотно стимулировать потребителя к покупке.

Пример 1. Расшифрованные данные с камер слежения, позволяют довольно детально понять и проанализировать перемещение людей по большому моллу, сделать вывод о том, как правильно оптимизировать выкладку товаров, разработать специальные акции в зависимости от времени суток, дня недели и т.д., опираясь только на то, как перемещаются по магазину потребители, где каждый потребитель ходил и около какой из полок застрял. Т.е. сделать тепловую карту.

Ровно такие же тепловые карты сейчас используют при анализе и оптимизации расположения различных элементов на веб-странице. Только в данном случае вместо перемещения потенциальных покупателей используется движение курсора, клики мыши, концентрация внимания и др. метрики.

Пример 2. Используя чрезвычайно разнородную статистику о конкретном пользователе интернет-магазина (откуда он пришел, демографические данные, привычки поведения в интернете и др.), многие крупные игроки используют Big Data для того, чтобы сформировать уникальные товарные предложения и акции под поведенческий портрет конкретного покупателя. Такие рекомендующие системы в интернет-магазине должны анализировать доступную информацию и принимать решения в течение нескольких секунд (пока потребитель находится на сайте). Тем самым инструменты Big Data напрямую повышают конверсию сайта.

Пример 3. Очень часто на любом коммерческом сайте есть кнопки, которые привлекают внимание потребителей и призывают их к действию: «Купить», «Заказать», «Зарегистрироваться», «Найти» и т.д. Это действие, как правило, является целью и служит индикатором конверсии посетителей сайта. Во многом ради нажатий на эти кнопки построен любой интернет-магазин: для того, чтобы посетитель нажал кнопки «Положить в корзину» и «Оплатить». И, соответственно при разработке таких кнопок часто возникают вопросы: какого размера ее сделать, какого цвета, что написать и т.д. На данный момент есть 3 типа ответа на такие вопросы

1. «Я так сказал!». Я посмотрел, мне понравилась вот эта кнопка, мы выберем ее. Очень часто решения именно так и принимаются, особенно в малом бизнесе.

2. «Мы провели A/B test». Иногда для того, чтобы понять, какую кнопку использовать, разным репрезентативным группам пользователей показывают различный вид дизайна кнопок и смотрят коэффициент конверсии. И если красная кнопка, например, сработает лучше черной, то на сайте мы поставим красную кнопку, т.к. это научно доказано путем A/B тестирования.

3. «Мы знаем, какую кнопку ты любишь». Однако современные Big Data решения расширяют результаты A/B анализа и показывают, что различным типам посетителей могут нравиться различные кнопки. И на основе информации о поведении пользователей в Интернете (100-200 различных поведенческих параметров: время на 1 странице, вероятность нажать клавишу «Back», число одновременно открытых вкладок и т.п.) мы можем показывать различным группам посетителей различный дизайн кнопок.

Пример 4. Вернемся к задаче по описанию целевой аудитории. Итак, целевая аудитория — это не обязательно человек, который описывается простейшим соцдемом. На самом деле важно понимать только то, что ваша целевая аудитория — это именно те люди, которые купили ваш продукт или услугу. И не больше.

А дальше уже могут помочь как раз решения Big Data: чтобы понять, какие маркетинговые инструменты и как использовать.

По результатам анализа реальных покупателей продукции, разрабатывается алгоритм, который позволит понять, какие факторы (поведенческие, демографические, социальные и др.) их объединяют.

Их, конечно, может объединять пол и возраст. Но, скорее всего, их объединяют другие факторы: типы сайтов, которые они посещают; время, проведенное на странице и др. Например, одной из наиболее важных метрик такого поведенческого анализа может быть анализ поисковых запросов (бóльшая частота запросов, чем у среднего человека). Так, если клиенту нужно провести рекламную кампания для мам с детьми 0-3 лет, то их могут объединять поисковые запросы, такие как: «годовалый», «ходунок», «котофей» и т.д. такая сегментация поможет не только узнать целевую аудиторию, но и понять, где их можно найти.

Почему в Беларуси до сих пор не применяют Big Data в маркетинговых исследованиях

Рынок маркетинговых исследований Беларуси значительно отстает от ближайших коллег, даже россиян и украинцев. У нас до сих пор нет компаний, которые профессионально используют новые технологии, оборудование, в частности айтрекеры. До сих пор нет компаний, которые профессионально занимались бы геомаркетинговыми исследованиями, считывали информацию о пешеходном или автомобильном потоке. Нет ресурсов, возможностей и потенциальных инвесторов для того, чтобы внедрять эти технологии, в том числе Big Data. И этого не стоит ждать в ближайшее время. Белорусский рынок небольшой, он не настолько интересен для инвесторов, которые могли бы вложиться и получать дивиденды. Плюс Big Data требует хорошего кадрового ресурса — классных специалистов, которых пока в Беларуси очень мало.

Сможет ли вытеснить Big Data традиционные исследования

На наш взгляд, часть исследований эта технология сможет полностью заменить. Например, когда ты работаешь со своей клиентской базой: у твоих клиентов есть определенная скидочная карта, карта лояльности. И ты четко знаешь: это Мария, ей 28 лет, у нее 3 детей и просроченный паспорт. У тебя всегда есть эта первичная информация, ты знаешь своего потребителя и можешь делать прогнозы.

Минусы. Но и у Big Data есть определенные недостатки. Другая ситуация, когда ты не работаешь со своей клиентской базой, ты работаешь с айпи-адресом, который заходит на какие-то сайты, что-то смотрит. Ты не всегда можешь гарантировать, что это один человек. Для того чтобы минимизировать эти риски, стоит параллельно провести и традиционное исследование.

На наш взгляд, идеальный выход — в синергии двух методов. Так вы сможете понять, какая погрешность у Big Data. И если эта неточность вас устроит, то в дальнейшем можно уделять внимание только Big Data.

На сегодня Big Data пока еще не панацея. Многие современные международные компании не отказываются от традиционных исследований. Например, Procter & Gamble в свое время осознали, что классическая фокус-группа им ничего не дает. Им было мало традиционной методологии.

И они решили вместо 4 фокус-групп провести 100. Они получили такой массив информации! Исследователи с головой нырнули в жизнь их клиентов, покопались у них в голове.

Им уже неинтересно опросить 1000 человек, что-то у них узнать и построить графики. Они берут человека за руку и ходят с ним в магазин, заглядывают в его холодильник, в шкаф. Просят фотографиии, видео, все. Они с ним общаются, чтобы постоянно иметь глубинную информацию. Этого Big Data дать не может. На наш взгляд, будущее сейчас в том числе за получением такой инсайдерской информации.

Вывод

Понятно, что инструменты Big Data хоть и значительно улучшают результаты маркетингового анализа и определения целевой аудитории, но ни один инструмент не позволит найти абсолютно всех потенциальных потребителей. Однако:

1. Big Data позволяет найти людей «похожих». И это одна из задач, которые Big Data и машинное обучение решают лучше всего.

2. Но не всегда для бизнеса подходят «похожие» — и в этих ситуациях нужны трансформированные традиционные глубинные исследования.

Хотите мгновенно получать уведомления о новых материалах и событиях «Про бизнес.»? Подписывайтесь на наш канал в Telegram! https://t.me/probusiness_io