Объединение информации с описательной аналитикой

Описательный анализ (далее — ОА) это самый простой вид анализа, который используется на начальном этапе анализа данных. Задачи ОА могут быть разными, но чаще всего целью ОА является облегчить принятие решений для бизнеса через выявление закономерностей и тенденций.

К примеру, производитель хочет выйти на новые рынки в соседние страны, чтобы не изучать каждую страну в отдельности, что будет дорого и долго, проводится предварительный анализ или ОА, по результатам которого мы получаем 3 страны максимально подходящие критериям бизнеса. После заказываем дополнительные исследования и уже проводим диагностический, прогностический и иные виды анализа согласно бизнес-требованиям.

В данном случае нет смысла применять другие виды анализа, так как объективных данных в любом случае будет недостаточно, но и ОА с большой долей вероятности поможет вам определиться с выбором.

Целью анализа является определить для себя группу стран, которые в дальнейшем вы будете изучать более подробно. В конце приведу пример, как это работает.

Данные с сайта https://www.numbeo.com/, анализ проведен в BigQuery.

Критерии

Добавить свои критерии поможет базовая функция электронных таблиц =VLOOKUP.

Например, мы решаем добавить в нашу таблицу столбец с показателями валового дохода от аренды квартиры в центре города (полезно учитывать, если планируете купить квартиру и сдавать её или оплачивать в ипотеку).

Для этого используется функция =VLOOKUP, которая подбирает совпадающие значения.

=VLOOKUP(A2:A96, $I$2:$J$112, 2, FALSE)

A2:A96 — названия стран

$I$2:$J$112 – в столбце I названия стран, в столбце J индекс валового дохода от аренды. Знак доллара добавлен, чтобы поиск не съезжал (абсолютная ссылка).

2 – показывает значение из какого столбца перенести данные в ячейку с формулой. Здесь у нас столбцы I и J, то есть 1 и 2, нам нужно перенести значение из 2 столбца.

False – означает, что требуется точное соответствие при поиске  

Дальше используем автозаполнение.

В случае отсутствия совпадения функция выдаст результат #N/A, очистите эти поля при переносе в BigQuery.

Унификация

Показатели, которые вы соотносите должны находиться в одном диапазоне. Если в одной категории диапазон значений находится между 1-5, а в другом 10-50, приведите их к единообразию. 

Одним из способов достичь этого является линейное масштабирование.

1. Вычисляем минимальные и максимальные значения диапазонов.

2. Применяем формулу линейного масштабирования для каждого значения.

В BigQuery это будет выглядеть следующим образом для диапазонов 1-5 и 10-50.

((value1 — 1) / (5 — 1)) * 100 AS scaled_value1,

((value2 — 10) / (50 — 10)) * 100 AS scaled_value2

У данного метода есть определённая погрешность, но вы быстро получите результат, а погрешность не является существенной в рамках данного исследования.

Большинство показателей находятся в пределах от 1 до 100 и наиболее простым вариантом для вашего запроса является установить минимальный порог для критерия, который вне рамок стандартного диапазона.

Приоритезация

Часто одни показатели важнее, чем другие. Определите для себя важность выбранных критериев. Например, уровень безопасности для вас примерно в два раза важнее, чем уровень загрязнения.

(2 * safety_index + 1 * pollution_index) / 3

Предположим, мы решили добавить еще один критерий, который находится где-то между предыдущими по важности.

(2 * safety_index + 1.5 * any_index + 1 * pollution_index) / (2 + 1.5 + 1)

Таким образом получается средневзвешенный индекс, который позволяет учитывать важность каждого критерия.

Очистка данных

Исключите строку со страной, если по одному из критериев нет данных. Можно сделать несколько подбородок с разными критериями и то, что этой страны не будет в одной из них не критично.

2) Найти в другом источнике

Неплохой способ, но тратит много времени (надо сравнивать методику сбора данных) и увеличивает погрешность.

3) Заполнить через медианное значение

Плохой способ. Не рекомендую, полностью теряется смысл показателя, но его часто используют, поэтому решил упомянуть его.

После всех манипуляций можно загрузить csv-файл в Tableau и посмотреть, где эти страны находятся.

Пример использования

При переезде вы решаете продать квартиру в России и приобрести квартиру в новой стране, чтобы сдавать её в аренду. В таком случае важным показателем является валовый доход от аренды (gross rental yield). Чем выше этот показатель, тем, вероятно, больше будет ваш доход от аренды. Добавляем этот показатель в новую таблицу и в запросе устанавливаем значение не ниже 4. При этом уровень дохода составляет 2500 долларов. В критериях качества жизни выбираем безопасность и уровень загрязнения.

-- выбираем столбцы из таблицы--
SELECT
country_name,
rent_per_month,
average_salary,
safety_index,
pollution_index,
gross_rental_yield,
-- создаем новые столбцы, функция раунд округляет значение --
ROUND (rent_per_month + average_salary, 1) AS total_cost,
ROUND ((safety_index + (100 - pollution_index))/2, 1) AS quality_of_life
FROM
`buoyant-road-419507.Aproject_country.qual1`
-- указываем существенные условия --
WHERE
rent_per_month + average_salary < 2500
AND gross_rental_yield > 4
AND death_penalty_for_atheists < 1
AND country_name NOT IN ("Russia", "Belarus", "Ukraine")
-- группируем по одному из показателей в порядке убывания --
ORDER BY quality_of_life DESC
LIMIT 10;

В дальнейшем из полученного списка можно выбрать страну и подробнее изучить условия получения ВНЖ, правила покупки недвижимости и т. д.

При принятии решения важно учитывать контекст, например, высокий уровень валового дохода от аренды в СНГ обусловлен большим количеством релокантов относительно населения этих стран и, вероятно, будет снижаться.  Если для вас это существенный критерий, стоит посмотреть динамику изменения уровня валового дохода от аренды за последние 5 лет. 

Приведённый в данном тексте алгоритм действий можно использовать не только для выбора страны, но и для простого ОА большинства баз данных.

Узнайте, как выстраивать маркетинговые стратегии на основе данных о клиентах. Как собирать и какие данные использовать для увеличения эффективности маркетинговых кампаний.

Маркетинговый анализ – это важный, действенный инструмент, основанный на сборе и анализе данных для лучшего понимания потребностей аудитории. С помощью аналитики компания определяет предпочтения клиентов и создает стратегии ведения бизнеса.

Что такое маркетинг, ориентированный на данные

Анализ маркетинговой стратегии требуется для выявления нюансов, которые нуждаются в оптимизации. Его функцией является нахождение наиболее действенные способы достижения поставленных задач. С помощью анализа из больших объемов информации извлекаются ценные данные, которые дают возможность понять какие пути продвижения работают, а какие нет. Аналитический подход в маркетинге представляет собой работу, состоящую из нескольких этапов: 

• сбор информации о рынке, клиентах и конкурентах;

• обработка – выявление ценной информации, очистка от лишнего и преобразование в удобный формат;

• анализ – для определения закономерностей и тенденций развития бизнеса.

Преимущества анализа данных в маркетинге

Аналитика данных в маркетинге – это нужный и важный инструмент, использование которого позволяет:

• точно определить потребности и предпочтения клиента;

• усилить действенность рекламных кампаний;

• спрогнозировать клиентское поведение и появление трендов;

• оптимизировать предложения для определенного потребительского сегмента;

• понять, какие каналы продвижения будут эффективны в конкретном случае.

Трудности, связанные с анализом данных в маркетинге

Основной трудностью для аналитиков и маркетологов при сравнительном анализе является большой объем информации, из которой нужно извлечь ценные сведения. Для этого необходимо проанализировать и зафиксировать каждое действие пользователя с контентом. Это нелегкая задача. Еще одной сложностью в работе является разнообразие источников, где из каждого канала нужно собрать информацию и унифицировать ее до нужного формата.

Типы маркетинговой аналитики

Аналитика маркетинга бывает описательной, прогностической или прескриптивной. Каждый вид имеет свои особенности. 

Описательная аналитика

Процесс, заключающийся в сборе, обработке и анализе метрик для понимания и описания прошлых и текущих событий. На основе оценки прошлых событий выявляется причина текущего положения дел.

Прогностическая аналитика

Для поиска стратегии ведения бизнеса применяется прогностическая аналитика, показатели которой позволяют анализировать паттерны потребительского поведения, текущие тренды и предугадывать изменения спроса, предпочтений клиентов и динамику рынка. Для правильного прогноза маркетологу необходимо собрать и обработать большой объем данных, от которых зависит точность исследований.

Прескриптивная аналитика

С помощью данного аналитической модели удается не только проанализировать прошлую и текущую информацию, но и предоставить рекомендации для дальнейших действий. Использовать прескриптивную аналитику важно в быстро изменяющихся условиях рынка, во время неопределенности, чтобы компания могла оптимизировать ресурсы и действия, полностью адаптируясь к изменениям.

Техники маркетинговой аналитики

Анализ маркетинговой стратегии подбирается в соответствии с целями и задачами исследования.

Моделирование маркетингового комплекса

Представляет собой оценку оптимизации, грамотного использования и комбинирования продукта, цены, мест распределения и продвижения. То есть, основных компонентов продукта. Для успешного маркетинга микс необходимо четкое понимание рынка, конкурентов и покупательских потребностей. Моделирование выполняется в постоянно изменяющихся рыночных условиях и потребительском поведении. 

Моделирование атрибуции

Моделирование атрибуции позволяет определить наиболее влиятельные каналы продвижения, которые заставляют потребителя действовать и roi – возврат от инвестиций и расчет показателей. Данный маркетинговый анализ дает возможность развивать эффективные каналы, сосредоточиться на их развитии и скорректировать или отказаться от неэффективных каналов.

Прогнозирование

Прогнозирование применяется большими и малыми предприятиями для выявления тенденций и закономерностей развития. С его помощью удается предвидеть будущее конкретной сферы деятельности и спланировать действенные стратегические шаги.

Сегментация клиентов

Способ аналитики в маркетинге, основанный на разделении покупательских групп по потребностям, интересам и поведению. На основе полученных данных выполняется настройка продукта под требования покупателя. Клиентская аналитика – это метод исследования разных групп потребителей по возрасту, полу, географическому положению, поведенческому фактору и т. д.

Анализ конкурентов

Маркетинговый анализ конкурентов позволяет понять действия, стратегии, сильные и слабые стороны других компаний. Некоторые методы берутся в качестве примера подражания, от других, наоборот, нужно отказаться. С помощью анализа конкурентов удается создать и предложить покупателю уникальный продукт.

Выявление аномалий

Данный процесс в маркетинге используется для выявления необычных паттернов, которые указывают на возможные риски и проблемы. При выявлении аномалий обеспечивается безопасность данных и управление рисками.

Технологии открывают эру персонализированного маркетинга

Аналитика маркетинга становится главным средством для сбора, обработки и анализа данных, с помощью чего удается получить долгожданные результаты, предвидя будущие рыночные изменения и заранее адаптируясь к ним. Эффективность используемых стратегий зависит от:

• глубокого понимания целевой аудитории;

• умения интегрировать информацию из разных источников;

• четкости адаптации бизнес-стратегии под меняющиеся реалии;

• применяемых аналитических платформ.

Для сбора, обработки и анализа информации используются современные технологии и программное обеспечение, позволяющие определить скрытые тенденции, закономерности, риски. Они позволяют сделать точные прогнозы. Однако, мир маркетинга меняется стремительно. Новые, эффективные методологии требуют от аналитика постоянного обучения и развития.

Технологии открывают эру персонализированного маркетинга

Аналитика маркетинга становится главным средством для сбора, обработки и анализа данных, с помощью чего удается получить долгожданные результаты, предвидя будущие рыночные изменения и заранее адаптируясь к ним. Эффективность используемых стратегий зависит от:

• глубокого понимания целевой аудитории;

• умения интегрировать информацию из разных источников;

• четкости адаптации бизнес-стратегии под меняющиеся реалии;

• применяемых аналитических платформ.

Для сбора, обработки и анализа информации используются современные технологии и программное обеспечение, позволяющие определить скрытые тенденции, закономерности, риски. Они позволяют сделать точные прогнозы. Однако, мир маркетинга меняется стремительно. Новые, эффективные методологии требуют от аналитика постоянного обучения и развития.

Методы, повышающие качество обслуживания клиентов

В исследовании Harvard Business Review, проведенном при поддержке SAS, Intel и Accenture, способность предоставлять уникальный клиентский опыт в режиме реального времени во всех точках контакта с клиентами названа лучшим способом для компаний выделиться на фоне конкурентов. В исследовании описываются три взаимосвязанные возможности, которые позволяют компаниям применять аналитику и глубокие знания для создания эффективного клиентского опыта:

• Унифицированные платформы данных о клиентах объединяют данные о клиентах из онлайновых и офлайновых источников для извлечения информации, которая формирует клиентский опыт.

• Проактивная аналитика на основе искусственного интеллекта обеспечивает сбор и анализ данных, преобразуя информацию о клиентах, маркетинговых программах и других бизнес-процессах в полезные сведения.

• Контекстное взаимодействие позволяет в режиме реального времени определить, на каком этапе пути находится клиент, например, просматривает отзывы о товаре или посещает магазин, и побудить его сделать следующие шаги на пути к желаемому результату.

Аналитика потребительской ценности

Аналитика потребительской ценности призвана помочь компаниям определить, какие клиенты являются наиболее прибыльными, а какие — наименее.

Это те показатели, которые используются в анализе стоимости клиента для определения его ценности для бизнеса:

• Историческая ценность измеряет ценность клиента во времени и сравнивает ее с другими периодами и другими клиентами за те же периоды.

• Текущая ценность анализирует активность клиента за более короткий период времени, сравнивая недавнюю активность с прошлыми ценностями, чтобы определить влияние маркетинговых кампаний, новых предложений и изменения цен.

• Пожизненная стоимость применяет аналитику за более длительный период, умножая средний заказ клиента на частоту покупок, чтобы показать, как менялась ценность клиента с течением времени.

• Стоимость обслуживания позволяет сопоставить прибыль, получаемую клиентом, с затратами на его поддержку, чтобы выявить клиентов, «сливающих» услуги: клиентов, которые покупают мало или низкомаржинальные продукты, но требуют больших затрат на администрирование продаж и доставку.

Стратегии всеканального маркетинга

Маркетинговое сообщение компании должно оставаться последовательным, поскольку оно распространяется на разные платформы и устройства. MarTech Advisor описывает четыре компонента успешного омниканального маркетинга:

• Определите каналы, которые клиенты используют чаще всего, и увеличьте свое присутствие на этих каналах.

• Убедитесь, что маркетинговое сообщение единообразно в разных каналах с точки зрения присутствия, коммуникации, клиентского опыта и используемых процессов.

• Персонализируйте сообщение в наиболее подходящий момент. Персонализация повышает вовлеченность и лояльность к бренду.

• Измерять влияние маркетинговой деятельности на все каналы и постоянно оптимизировать процессы и сообщения для улучшения результатов.

Другие способы улучшения взаимодействия с клиентами

Проблема, с которой сталкиваются отделы маркетинга, планирующие реализовать стратегию работы с данными, заключается в интеграции разнообразных данных, получаемых из различных внутренних и внешних источников. Как поясняет MarTech Series, значительная часть данных должна быть очищена и обработана, прежде чем их можно будет использовать.

Формула технологии привлечения клиентов позволяет маркетологам оценить имеющиеся технологии по трем категориям:

• Инженерия принятия решений инвертирует традиционную модель маркетинга, сначала определяя возможности принятия решений, а затем проводя анализ данных. Это позволяет маркетологам сосредоточиться на целях, а не на самом анализе.

• Передовая аналитика использует интеллектуальные алгоритмы и другие инновационные методы анализа для сегментирования клиентов на основе их образа жизни, а не демографических данных. Это повышает точность и эффективность профилей клиентов.

• Передовые технологии включают машинное обучение и другие технологии искусственного интеллекта, такие как чат-боты, которые привлекают клиентов и управляют их взаимодействием с брендом. Чат-боты стали успешными благодаря тому, что они удобны для маркетологов и широко распространены среди клиентов.

Маркетинговых стратегий, основанных на данных

Чем больше компания знает о своих клиентах и потенциальных покупателях своей продукции, тем успешнее ее маркетинговые усилия. Цель маркетинга, ориентированного на данные, — конвертировать информационные активы компании в продажи. Вот пять способов, с помощью которых маркетологи используют знания о целевой аудитории, полученные из внутренних и внешних источников данных.

Персонализация клиентского опыта

Лучший способ привлечь внимание людей — это адаптировать контент и онлайн-взаимодействие на основе их демографических данных, истории покупок, онлайн-активности и другой информации о них. Например, компания DirecTV создала персонализированную маркетинговую кампанию, ориентированную на людей, которые недавно переехали, как объясняет маркетинговая служба Adverity.

DirecTV знала, что при переезде на новое место люди с гораздо большей вероятностью попробуют новые услуги. Компания объединила данные почтовой службы США о заявлениях на смену адреса с персонализированной версией домашней страницы, которую могли видеть только эти люди. В результате конверсия на персонализированной странице оказалась выше, чем на стандартной, несмотря на то, что на последней предлагалась подарочная карта на 300$ для новых клиентов.

Координация маркетинга по всем каналам

Распространенной методикой реализации многоканального подхода к маркетингу на основе данных является разрешение идентичности. Компания Acxiom, специализирующаяся на веб-маркетинге, определяет идентификацию как «способность последовательно и точно распознавать объект, будь то человек, место или предмет, а также связанные с ним отношения, основываясь как на физических, так и на цифровых атрибутах». Эта методика позволяет координировать маркетинг по всем каналам на основе индивидуальных характеристик, интересов и технологического следа каждого клиента.

Marketing Evolution описывает трехэтапный подход к автоматизации омниканальной маркетинговой кампании:

• Определите источники данных, среди которых могут быть телевидение, радио, мобильные приложения и оповещения, социальные сети, платный поиск, кампании влияния, традиционная пресса, видео, подкасты и другие медиа. Также следует продумать, как целевая аудитория будет использовать каждый источник в соответствии с целями кампании.

• Установите моделирование и атрибуцию, чтобы маркетологи могли подтвердить, что данные правильно классифицированы и отображены. Правильные решения, принимаемые маркетологами в отношении кампаний и ожиданий клиентов, зависят от высококачественных данных, которые доступны тогда и там, где они необходимы.

• Постоянно повышайте качество данных, применяя проверки и валидацию данных для подтверждения точности и надежности информации. Постоянные проверки необходимы, поскольку данные постоянно обновляются и комбинируются инновационными способами.

Использование предиктивной аналитики для создания профиля идеального клиента

Интеграция предиктивной аналитики с маркетингом, основанным на учетных записях, позволяет компаниям нацеливаться на учетные записи, соответствующие профилю идеального клиента (ICP) компании. Компания Leadspace, специализирующаяся на цифровом маркетинге, объясняет, что ICP позволяет отделам продаж и маркетинга компании беспрепятственно координировать свои усилия, чтобы «направлять лучших клиентов по воронке продаж«.

Решение на основе ИИ для разработки ICP состоит из трех частей:

• Предиктивная аналитика выявляет модели поведения в данных, собранных компанией о клиентах и потенциальных клиентах. Эти закономерности преобразуются в интеллектуальные данные, определяющие, какие клиенты являются высококачественными (с высокой вероятностью конверсии в продажи), а какие — низкокачественными (с низкой вероятностью конверсии в продажи).

• Качественные данные являются основой аналитического механизма и моделей. Данные должны быть своевременными, актуальными, точными и доступными тогда, когда и где они нужны. Неточные и устаревшие данные искажают модель и снижают ее полезность.

• Опыт сотрудников должен быть преобразован в форму, которая может быть импортирована в модель машинного обучения. Интерфейс, связывающий сотрудников с аналитической системой, должен обеспечивать доступ к результатам анализа в режиме реального времени, что позволит постоянно совершенствовать модель.

Применение больших данных для отслеживания рентабельности маркетинга

Преобразование больших данных в инсайты требует объединения науки аналитики с искусством доведения полученных результатов до практического применения. По данным TechGenyz, на каждый доллар, потраченный на аналитику и решения для бизнес-аналитики, компании получают в среднем 13Х, что представляет собой ROI в размере 1301%.

TechGenyz описывает пять способов применения науки о данных для повышения ROI маркетинговых кампаний:

• Разрушить ведомственную замкнутость, чтобы обеспечить свободный поток данных по всей организации. Кроме того, компании должны обеспечить удобство интеграции данных с другими системами и обмена ими с внутренними и внешними источниками, например, обмен демографическими данными из социальных сетей с маркетологами-партнерами и внутренними командами поисковой оптимизации (SEO).

• Убедитесь, что потоки данных обновляются в режиме реального времени, что способствует быстрому принятию мер на основе своевременной и точной информации. Включите в поток данных «следы», чтобы маркетологи могли сравнивать результаты прошлых кампаний с текущими. Потоковая аналитика помогает маркетологам выявить новые бизнес-модели, усовершенствования продуктов и источники дохода.

• Применяйте средства визуализации, упрощающие сложные данные и представляющие результаты аналитики в более доступной для не математиков форме. Визуализация также помогает специалистам по анализу данных и маркетологам обсуждать результаты анализа и их последствия для будущих кампаний.

• Проводите разумные бизнес-эксперименты, основанные на вариациях маркетинговых подходов, чтобы получить представление и обнаружить альтернативные варианты. Даже простые бизнес-эксперименты могут дать ключи к возможностям быстрого роста доходов.

• Принимать маркетинговые решения на основе данных о прошлых клиентах, используя инструменты, основанные на данных, для присвоения значений неизвестным, прогнозирования возможных препятствий и определения наилучших способов избежания и снижения рисков.

Перенос оффлайновых данных в онлайн-среду с помощью Data Onboarding

Компания Digital Doughnut определяет «перенос данных» как процесс передачи офлайновых данных, таких как почтовые адреса, номера телефонов и данные о покупках в магазинах, на онлайновые платформы для маркетинговых целей. Поскольку для связи данных из двух сфер используется персональная информация (PII), передача данных подразумевает их анонимизацию перед передачей.

Использование оффлайновых данных помогает маркетологам лучше понять клиентов своей компании. Это помогает маркетологам ориентироваться на потенциальных клиентов и создавать персонализированные сообщения на основе данных о клиентах.

Операционная модель, основанная на данных

1. Требования к инсайтам:

Определите действенные инсайты

• Данные о производительности

2. Управление данными:

Высокое качество, надежность, доступность

3. Развитие коллектива:

Культура, структура и ресурсы, поддерживающие использование данных

Преимущества маркетинга, основанного на данных

Внедрение маркетинга, основанного на данных, очень выгодно, поскольку позволяет проводить более эффективные маркетинговые кампании, повышать узнаваемость бренда и лояльность клиентов. Вместо того чтобы гадать, чего хотят люди, маркетологи могут использовать информацию о потребителях, полученную из различных источников, и основывать свои маркетинговые решения на достоверных данных.

Повышение эффективности медиазакупок и таргетирования потребителей

Маркетинг, основанный на данных, повышает эффективность медиазакупок компании, нацеливает ее на наиболее восприимчивых клиентов и доносит до них релевантные сообщения. Сочетание больших данных и аналитики на основе искусственного интеллекта позволяет маркетологам с беспрецедентной точностью нацеливаться на клиентов.

Маркетинговый сервис Criteo описывает восемь стратегий таргетирования клиентов:

• Привлечение клиентов, которые уже не работают, путем предоставления им предложений на самые продаваемые продукты компании.

• Выявить сезонных покупателей и предсказать, когда они будут наиболее восприимчивы к специальным предложениям по их любимым категориям товаров.

• Убедить офлайн-покупателей стать онлайн-покупателями, предлагая им персональные рекомендации и акции, доступные только в режиме онлайн.

• Повышение вовлеченности в работу с брендами компании путем продвижения эксклюзивных предложений для постоянных клиентов и стимулирования высокодоходных покупателей к участию в программах лояльности.

• Повышение привлекательности предыдущей покупки путем предоставления скидок на соответствующие аксессуары или другие дополнительные товары.

• Перекрестные продажи на основе предыдущей покупки клиента с помощью акций на товары аналогичной категории, например, планшеты для покупателей ноутбуков.

• Информировать клиентов о новых продуктах, ориентируясь на частых покупателей аналогичных товаров.

• Продвигать обновления приобретенных продуктов при появлении новых версий.

Постоянное обновление маркетингового сообщения

Для поддержания свежести коммуникаций с клиентами маркетологам необходимо постоянно обновлять маркетинговое сообщение, изменяя его содержание таким образом, чтобы привлечь внимание людей, которые с наибольшей вероятностью отреагируют на него положительно. Компания Trew Marketing дает пять советов, как не допустить устаревания маркетингового сообщения:

• Убедитесь, что ваш сайт соответствует вашему сообщению. Продукты и маркетинговые стратегии часто меняются быстрее, чем элементы на сайте компании. Например, наиболее важные атрибуты представленных продуктов должны соответствовать сообщению в описании компании «Что мы делаем».

• Поддерживайте последовательность сообщений. Когда сообщение обновляется на одном носителе, это изменение должно быть представлено в соответствующей информации на всех остальных платформах.

• Обновляйте вспомогательные маркетинговые материалы. Например, у компаний часто есть стандартный питч-дек, который знакомит клиентов с компанией и ее продуктами. При каждом обновлении рыночного сообщения необходимо перерабатывать питч-дек и другие маркетинговые ресурсы в соответствии с изменениями.

• Убедитесь, что сотрудники проинформированы о новом послании. Подготовьте презентацию об обновлении, с которой смогут ознакомиться внутренние сотрудники, новые сотрудники и партнеры.

• Подчеркните, как продукт отвечает потребностям клиентов сегодня. Продукты развиваются в соответствии с меняющимися потребностями клиентов. Маркетинг, основанный на данных, помогает компаниям быть в курсе проблем, с которыми сталкиваются их клиенты, и объяснять, как продукт решает эти проблемы.

Как использовать информацию, полученную на основе данных

Бизнес-анализ, полученный в результате маркетинга на основе данных, может быть использован для укрепления бренда компании, отслеживания конкурентов и оптимизации ценообразования. Компании продолжают находить новые и полезные способы использования данных.

Методы повышения эффективности удержания клиентов

Маркетинг, основанный на данных, может повысить эффективность работы по удержанию клиентов за счет упрощения процесса получения обратной связи от клиентов и принятия соответствующих мер. Маркетинговая служба Help Scout представляет стратегии удержания клиентов, подтвержденные исследованиями:

• За что-то стоять. Потребители устанавливают долгосрочные отношения с брендами, которые разделяют их ценности. Маркетинг, основанный на данных, помогает компаниям донести свои ценности до потребителей.

• Разделять динамику развития компании. Когда компания разрабатывает новый продукт или совершенствует существующий, она создает внутренний импульс, который двигает бизнес вперед. Поделитесь этим импульсом с клиентами с помощью маркетинговых сообщений компании.

• Обучите клиентов тому, как использовать продукт. Сделайте обучение частью маркетинговых усилий, предлагая ввод в эксплуатацию продукта, электронные письма по жизненному циклу, онлайн-обучение и доступ к экспертам по продукту.

• Неожиданный ответ. Неизменно хорошее обслуживание является одним из главных факторов повторных покупок и рекомендаций. Маркетинговая стратегия должна использовать данные для упреждающего обращения к клиентам с целью проверки или просто для того, чтобы сказать «спасибо».

• Относитесь к постоянным клиентам как к членам королевской семьи. Люди ценят усилия компании, направленные на то, чтобы они чувствовали себя особенными. Маркетинг, основанный на данных, позволяет получить информацию о высокоценных клиентах компании, которая может быть использована для демонстрации того, насколько компания ценит их лояльность.

Использование машинного обучения и искусственного интеллекта для автоматизации маркетинговых операций

Машинное обучение и другие методы искусственного интеллекта используются для автоматизации некоторых маркетинговых операций, выявления новых перспективных сегментов рынка и улучшения обслуживания клиентов с учетом меняющихся предпочтений и условий рынка. Алан Шарп описывает три способа, с помощью которых машинное обучение улучшает автоматизацию маркетинга:

• Применение стратегий динамического ценообразования позволяет компаниям предлагать гибкие цены на продукцию в зависимости от спроса покупателей, тенденций рынка и других условий. Машинное обучение позволяет получать актуальные данные, которые делают динамическое ценообразование более эффективным.

• Используйте чат-боты для обеспечения круглосуточной поддержки, которая может быть персонализирована на основе данных, полученных системой из внутренних и внешних источников данных о клиентах. Машинное обучение также помогает персонализировать покупательский опыт, как, например, рекомендации Amazon и Netflix.

• Привлечение lifetime клиентов за счет использования информации о поведении и предпочтениях клиентов, которую машинное обучение извлекает из массивов данных компании. Чем больше компания знает о своих клиентах, тем точнее она может предугадать их будущие потребности и поведение.

Применение на практике маркетинга, основанного на данных

В ближайшие годы весь маркетинг будет основан на данных. Компании, которые смогут воспользоваться интеллектуальным потенциалом, который можно извлечь из информации, собранной о своих клиентах, получат преимущество перед конкурентами. Более того, лояльность и привязанность к бренду, которые формируются с помощью маркетинга, основанного на данных, будут приносить дивиденды в будущем — по крайней мере, до появления следующей революционной технологии.

Статистические методы — математические способы изучения данных, которые в том числе используют в маркетинговых исследованиях.

Статистические методы позволяют анализировать массивы данных и находить в них закономерности, проверять гипотезы и строить прогнозы. В маркетинге таким образом анализируют информацию о продукте, клиентах, продажах и рекламных кампаниях. Например, сегментируют покупателей в зависимости от разных факторов.

Статистические методы — количественные. Поэтому с их помощью можно увидеть итоги работы в цифрах и спрогнозировать результаты будущих кампаний и нововведений. Это важно для принятия бизнес-решений, особенно когда речь идет о высоких рисках. Например, можно спрогнозировать, как повлияют разные изменения в компании на объемы продаж, сколько новых клиентов принесет рекламная кампания, какая цена на ваши услуги покажется аудитории справедливой и так далее.

Наиболее часто в маркетинге используют следующие виды анализа:

• корреляционный,
• регрессионный,
• дисперсионный,
• факторный,
• кластерный,
• когортный
• описательный.

О каждом из них подробнее расскажем ниже.

Подходящие для маркетинга статистические методы

Корреляционный анализ

Определяет характер зависимости какого-либо явления от одного или нескольких других. Корреляция бывает положительной и отрицательной, сильной и слабой, прямой и обратной.

Например, может существовать положительная корреляция между количеством писем, отправленных клиентам, и последующим увеличением продаж. Значит, она положительная.

Подробнее о корреляционном анализе

Результаты корреляционного анализа удобно смотреть на диаграмме рассеяния. На ней каждое пересечение двух показателей показано в виде точки. Чем ближе друг к другу они расположены, тем сильнее корреляция

Полученные результаты важно проверить и с помощью других видов анализа, чтобы избежать ошибки. Дело в том, что на установленную связь между количеством писем и продаж могут влиять и другие факторы. Например, сезонность или пониженная активность конкурентов.

Регрессионный анализ

Как и корреляционный анализ, регрессионный определяет, как именно какое-то явление зависит от одного или нескольких других. Однако между этими методами есть разница. Если корреляция показывает общую тенденцию, то регрессия помогает увидеть её в конкретных цифрах. 

Регрессию считают по формуле. На графике прямая показывает, на сколько в среднем увеличивается количество продаж при отправке большего числа писем. В нашем случае каждые 100 писем приносят компании примерно 10 продаж

Подробнее о регрессионном анализе

Способ позволяет прогнозировать результаты маркетинговых мероприятий. Например, анализ прошедшей рекламной кампании в соцсети показал, что увеличение бюджета на 1000 рублей в среднем приводит двух новых подписчиков. Можно просчитать заранее, что в следующий раз за 50 000 рублей компания привлечет около 100 человек (если другие параметры останутся прежними). 

Факторный анализ

Измеряет, как разные условия влияют на результат какого-то процесса. Для анализа сначала выявляются основные факторы, которые влияют на результат (переменную). Затем выбирают один фактор и смотрят, как он влияет на результат. Далее эта процедура повторяется с другими. В конце выясняется, каким факторам нужно уделить особое внимание.

Например, производитель мороженого замечает, что на выручку влияют цена, упаковка и расходы на рекламу. Изучив прошлые данные и отзывы покупателей, он решает начать с упаковки. Тогда он меняет дизайн и анализирует уровень продаж до и после изменений.

С декабря мороженое продавалось более или менее линейно, примерно по 50 коробок в день. Потом производитель поменял упаковку. С марта продажи стали расти

Факторный анализ простой, но может показать ложную зависимость. В примере с картинки кажется, что гипотеза оправдалась: новая упаковка привлекла дополнительных покупателей. На самом же деле, скорее всего, повлияла сезонность. В жару мороженое пользуется спросом, а к осени продажи снова начнут падать. Чтобы результаты были точнее, исследуют влияние не одного, а всех возможных факторов. 

С помощью факторного анализа маркетологи решают разные задачи. Например, сегментируют аудиторию: определяют, как влияют на продажи такие факторы, как возраст, пол, финансовые возможности и подобные.

Кластерный анализ

Помогает объединить разрозненные элементы в группы на основе выбранных переменных. В результате формируются кластеры, элементы внутри которых более похожи друг на друга, чем на элементы из других кластеров. Например, маркетологи сегментируют с его помощью целевую аудиторию.

Чтобы провести кластерный анализ, нужны хотя бы две переменные. Например, возраст клиента и общая сумма его покупок. Результат каждого потребителя выглядит как точка на диаграмме. Покупатели с похожими показателями на схеме оказываются рядом и образуют собой кластеры. Результаты позволяют маркетологам адаптировать свои стратегии к разным сегментам ЦА.

Диаграмма помогает увидеть, что покупатели в возрасте от 20 до 30 лет делают преимущественно недорогие заказы от 1000 до 1500 рублей. Клиенты от 25 до 40 лет покупают на 3000–3700 рублей. Более взрослые клиенты вновь покупают меньше

Когортный анализ

Показывает, как ведут себя люди в разных группах — когортах. Анализ отличается от кластерного тем, что когорты выделяют по двум основным признакам: одинаковое действие и одинаковое время. Например, можно исследовать сегмент тех, кто скачал приложение (одно действие) в марте 2023 года (одно время). Их можно сравнивать с другими когортами: с установившими приложение в апреле, в мае, в июне и так далее.

Подробнее о когортном анализе

Результаты анализа показывают, насколько были активны пользователи приложения каждый месяц после регистрации. Так, например, можно увидеть, что количество активных юзеров сначала падает, но к 3-4 месяцу составляет стабильно около 40%. На основе этой статистики можно предположить, как поведут себя новые пользователи

Дисперсионный анализ

Дисперсия показывает различия между средними значениями в разных группах. Это делают для того, чтобы определить, есть ли между ними статистически значимая разница. Например,

• продавцы в магазине на Арбате в среднем продают на 9000 руб. в день,
• продавцы в точке на Тверской — в среднем на 7500 руб. в день,
• продавцы на Черкизовской — в среднем на 12 000 руб. в день,
• продавцы в Бутово — в среднем на 5500 руб. в день.

Анализ покажет, является ли разница между средними показателями в разных группах статистически значимой, или же она могла возникнуть случайно. Например, насколько за день различается:

• в группе магазинов в пределах центра Москвы (Арбат и Тверская) и в группе магазинов в спальных районах (Черкизовская, Бутово);
• в группе магазинов площадью больше 30 квадратных метров (например, ими окажутся Арбат и Черкизовская) и меньше этой площади (Тверская и Бутово);
• в группе магазинов, где работает по три продавца в день, и в той, где на смену выходят только двое. 

Группы можно определять на основании самых разных факторов. В нашем примере — это расположение торговой точки, ее площадь и количество продавцов. Анализ покажет, как сильно эти параметры влияют на среднее значение — средний чек на группу. 

Описательная статистика

Дескриптивная, или описательная статистика — это наиболее простой и наглядный способ исследования показателей. В маркетинге чаще всего используют меры центральной тенденции: среднее число, моду и медиану.

Меры центральной тенденции — способы описания статистической информации одним числом.

Для многих расчетов можно использовать специальные функции в Excel. Они доступны в надстройке, которая называется «Пакет анализа». Ее можно установить через настройки Excel. С ее помощью можно посчитать и среднее число, и моду, и медиану, а также, например, провести дисперсионный анализ.

кандидат экономических наук

Среднее число. Обычно подсчитывают среднее арифметическое. Для этого сумму чисел делят на их количество. Один из популярных показателей в маркетинге и продажах — средний чек. 

Например, магазин хочет определить эффективность рекламы, которую запустили 1 февраля. В январе средний чек составил 1500 рублей. Через месяц после начала продвижения снова замеряют показатели. Для этого сначала считают средний чек за каждый из 28 февральских дней:

Затем суммы складывают и делят на количество дней. Средний чек за февраль 2023 года — 2371 руб. С января он вырос почти на 900 рублей или на 58%. Значит, рекламная кампания оказалась успешной.

Мода. Значение, которое повторяется чаще других. Моду используют, когда ищут наиболее распространенное значение чего-то: цены, зарплаты, размера или формы популярного товара.

Например, сервис для email-рассылок собрал статистику по тому, сколько писем в день рассылают его клиенты. Результаты показали в таблице:

Мода — 250 писем в день, потому что число повторяется чаще остальных. Возможно, стоит сделать тариф с включенными 250 письмами. Среднее арифметическое из 460 писем никому не подойдет.

Медиана. Это значение, которое расположено посередине выборки. Чтобы найти медиану, исследуемые показатели выстраивают в порядке возрастания. Если количество чисел нечетное, то медиана — число посередине. Если чисел четное количество, тогда медиана — это среднее арифметическое из двух центральных чисел. Преимущество медианы в том, что она не учитывает выбросы.

Выброс — это аномальное число. Например, в магазин пришел покупатель-миллионер и за одну покупку сделал недельный план продаж.

Например, специалисты сервиса email-рассылок хотят понять, сколько в среднем денег клиенты готовы тратить на услуги. Для этого разместили онлайн-опрос на сайте, который прошли 15 посетителей (П):

Сначала все 15 чисел выстраивают по порядку. Количество нечетное, поэтому медианой будет центральное число: 0, 0, 0, 500, 1250, 1500, 1700, 2000, 2500, 3000, 3000, 3500, 5000, 8000 и 10000 рублей. В среднем люди готовы отдавать 2000 руб. за услуги компании.

Выбор способа описания зависит от исходных данных и цели измерения. Сравним три метода сразу:

На среднее число выброс повлияет, а на медиану или моду — нет. В таблице показаны результаты за ноябрь и декабрь. Если план продаж на январь сделать на основе среднего в декабре, магазин его не выполнит

Процентили. Массив данных делится на 100 равных частей — на 100 процентилей. 50-й процентиль — это медиана, то есть значение, которое находится ровно посередине. 25-й, 50-й, 75-й и 100-й процентили также называют квартилями.

Эти значения используют для того, чтобы определить выбросы, пики и тренды. Например, оказывается, что сайт компании иногда может долго загружаться. Чтобы проверить, насколько часто это происходит, можно использовать процентили.

Допустим, окажется, что для 96-го процентиля среднее время загрузки составляет 2 секунды. Это значит, что в 96% случаев сайт загружается быстро. И только для оставшихся 4% он бывает медленным.

Главные мысли