Персонализация и технологии в маркетинге — тренд последних лет. Но некоторые в него только начинают погружаться? Как он развивается и развивается ли в вашей сфере? Если провести аналогию с этапами жизненного цикла продукта, то на каком этапе в этом направлении сейчас Киевстар?
Телеком всегда так или иначе использовал персонализацию для блага бизнеса – мы одна из немногих отраслей, где о клиенте известно очень многое. Классика – когда мы делаем клиенту специальное предложение, если видим, что он склонен прекратить использование какой-то из наших услуг. Для этого используем модель предсказания вероятности оттока. Или, например, предсказываем, к какой возрастной группе относится абонент, и предлагаем музыку – раньше это был DJuice, теперь Zvooq+.
С другой стороны – у реального маркетинга, как и у реальной политики, есть ограничения: возможности IT-систем, сроки, задачи конкурентной борьбы и прочее. Мы никогда не были one size fits all, но если что-то близкое обеспечивает лидерство – зачем усложнять? Сейчас конкурентная ситуация изменилась, и потому в теме персонализации и технологий мы переживаем второе рождение. В частности, развиваем направления Data Science и Big Data.
В чем отличие этих направлений?
Очень просто ответить, особенно в отсутствие общепринятых определений (смеется – ред.). С точки зрения нашей практики, data science – это процесс извлечения value из данных, которые есть у компании, он помогает находить направления развития или улучшения продукта, не важно, большие эти данные или маленькие. Но именно большие объемы различных данных дают больше возможностей для data science, «big data fuels data science». Развитие направления big data также требует интеграции новых технологий – технологий хранения данных, их обработки и анализа.
Какие возможности Big Data вы используете сегодня? Какие конкурентные преимущества вы уже ощутили от топ-5 возможностей, которые дает правильная работа data science и big data?
Мы неплохо продвинулись в классике – можем построить профиль клиента для целевых рекламных кампаний: пол, возраст, интересы, где живет – где работает, и т.д., рассчитать вероятности приобретения той или иной услуги, вероятность того, что абонент склонен увеличить общий счет и т.д. Возможности прямо пропорциональны охвату услуг и точности моделей, конечно.
Какие задачи и цели в области data science and big data (в привязке к маркетингу) поставлены на текущий на год? Основные проекты, связанные с большими данными. Как они улучшат маркетинг и сделают потребителю Просто. Инновационно. Лучше? Тепловые карты
Я смогу назвать только самые очевидные вещи, должна же быть в маркетинге какая-то загадка (улыбается – ред.). Для внутренних клиентов мы предложим больше моделей, связанных с вероятностью покупки определенной услуги, и приближение этих моделей к реальности, собственно, вызов big data. Внедрим новые модели предсказания оттока абонентов, с учетом большего количества параметров. Сделаем предсказание индивидуального NPS и динамические персонализированные меню в digital. Для внешних клиентов сделаем кредитные скоринги, тепловые карты. Есть еще несколько изюминок – но о них можно будет только постфактум.
Что из опыта и форматов работы с большими данными других мировых лидеров телекома воспринимается вами как бенчмарк? И ограничиваетесь ли вы в визуализации своих притязаний, телекомом?
Вообще говоря, в телекоме есть разные тренды. У Free Mobile всего два тарифных плана. И, как гласит легенда, три сотрудника маркетинга (смеется – ред.). Но, судя по всему, это хорошо работает для челленджеров. Нам же есть что терять, и, стало быть, есть что хранить. Я в начале говорил, что конкурентная ситуация изменилась – теперь мы конкурируем и с Facebook Messenger, Whatsapp и т.д. А что мы любим в таких компаниях? Бесплатность, простоту, эмоциональность, контекстное предложение. Если говорить про визию – движемся туда. И, поверьте, там очень много big data-работы для data scientists.
Расскажите об этих специалистах. Их много в компании?
Это военная тайна (улыбается – ред.). Но точно могу сказать, что искать senior data scientists долго и дорого. Часть специалистов и ранее работала в Киевстар, часть дообучалась на работе. Несколько сильных профи мы нашли. Часть готовим сейчас в Kyivstar Big Data School.
Что такое Big Data School?
Обучаем data science, в том числе в применении к big data сильных аналитиков, математиков, студентов computer science. В основе – курс по «Машинному обучению», а вокруг него несколько модулей, чтобы сделать введение в остальные компетенции data scienсe: работа с заказчиком, data mining, архитектура и инструменты big data, визуализация.
Не чересчур ли это масштабный проект, чтобы нанять нескольких data scientists? Или это 2-в-1 формат: прокопать тему в альянсе с лучшими преподавателями, собрать себе лучшие умы, которые потом будут амбассадорами темы внутри компании (акселераторов идей?)
Вы меня разоблачили 🙂 . На самом деле, мы сами очень выросли благодаря школе и студентам – кто-то из них PhD, уникальные изобретатели, блестящие экономисты, или хакеры от Бога, если можно так сказать. Выросли благодаря практикам-преподавателям – Сергею Шельпуку, Юрию Гуцу, Дмитрию Мишкину, Евгению Пенцаку, Сергею Марину, менторам IE Business School и другим. Можно сказать, что они «прочитали» нам введение в украинский и мировой big data community. К тому же, обучение в большой сильной группе развивает студентов, а нам дает возможность выбрать лучших для нас. Я могу долго перечислять все плюсы Big Data School.
В чем KPI данного проекта для вас? Окупились ли ваши предыдущие инвестиции в практики, инициативы и ПО, которое позволяет управлять данными? Насколько повысились показатели (маркетинговые, уровень продаж)?
Уфф. Технически, KPI для Big Data School – насколько успешен я буду в рекрутинге data scientists. На самом деле – важно то, что назвал раньше. Если говорить про окупаемость инвестиций в архитектуру и data science процесс кампании, которые мы делам уже сейчас, они стали гораздо точнее, дают более высокий отклик, меньше раздражают клиентов, и, конечно, стоят вложенных денег. Но мы идем в data science самым лучшим путем: среднего размера инвестиция – новые модели – продвижение к новым границам понимания предмета и потребностей – новая инвестиция. Big bang подход здесь вреден.
Какие каналы в вашей компании являются основными поставщиками данных о потребителе? Без каких данных не обойтись в 2016 году? На каких данных завязана маркетинговая стратегия года?
Мы можем узнать практически все что нужно без каналов. Пока. Пока мы классический телеком. Но у нас есть тайная digital-жизнь, и в ней мы рассчитываем на новый уровень взаимодействия с клиентом.
Хотите участвовать в проекте #BigDataPioneers? Оставьте заявку