По своему опыту могу сказать, что крупные международные компании недостаточно работают с маркетинговыми данными. Многие из них, кроме продаж по Nielsen, бренд атрибутов и того, как на изменение обоих влияет медийная активность, мало что анализируют. К тому же из-за методов исследований информация поступает с существенной задержкой и дает возможность принимать решения на основании того, что произошло неделю, а чаще — 1–2 месяца назад.
Уверены ли мы, что принимать решения на основании того, что произошло недели, а то и 2 месяца назад все еще актуально? И главное: не теряем ли мы возможности и деньги потому, что получаем информацию с такой отсрочкой. Может, стоит учитывать большее количество показателей, чем сухие продажи, отгрузки, дистрибуцию и медийные показатели?
Пример из жизни
Компания Х начала стремительно терять долю в одном из небольших регионов. Из-за задержки в поступлении данных по продажам, они узнали об этом лишь спустя 2 недели. За это время было потеряно порядка 3% своих локальных абонентов, а пока нашли причину и выработали план решения – ушли еще 2% их потребителей. Казалось бы, а что они могли сделать? Данные всегда приходят с задержкой. Как установить причину проблемы, если еще не знаешь о самой проблеме? И можно ли было повлиять на эту ситуацию раньше даже в отсутствии данных о продажах? Конечно. Есть косвенные данные, которые позволили бы установить как сам факт оттока, так и причины. Кстати, причина была в том, что их конкурент запустил серию региональных тарифных планов. Рекламировал он их с помощью онлайн медиа и региональных СМИ, которые очень слабо мониторятся, потому их медийное агентство тоже не смогло вовремя сигнализировать о ситуации. Но есть и другие сигналы, например, социальные сети, где люди писали о смене оператора и тарифов.
Есть еще вариант почувствовать ситуацию с помощью мониторинга поисковых запросов конкурентов. Увеличение конкурентных запросов, когда клиент ищет информацию о новом тарифном плане, также является настораживающим сигналом. И люди, которые должны были принять судьбоносное решение, могли получить такой сигнал почти мгновенно, потому что он приходит автоматически при появлении отклонений. Таким образом, мы можем теперь мгновенно реагировать на любое нестандартное поведение наших потребителей, но, к сожалению, делаем это далеко не всегда и не все, потому что не владеем современным инструментарием.
Основные отличия между «вчера» и «сегодня» в мире аналитики данных.
Вчера
- Во-первых, раньше мы работали с данными с чужих слов. Для того, чтоб получить информацию о том, как потребитель потребляет наш продукт, что он о нас думает и что делает после того, как купил – нужно было спросить этого человека. Чаще всего информация была искривлена, потому что мы узнавали не то, что делал наш потребитель, а то, что он нам сказал.
- Во-вторых, собирать качественные данные в национальном масштабе было дорого и долго, так как нам нужны были люди, которые спросят, а потом обработают данные. Именно потому большие компании делали исследования не так часто: раз в месяц, квартал или полгода, получали их минимум с отсрочкой в месяц-два.
Сегодня
- Мы имеем доступ к сырым данным, не искривленных человеческим словом, и можем в режиме, близком к режиму реального времени, узнавать:
- Что именно покупает конкретная семья?
- Кто покупает тот или иной бренд/продукт?
- Откуда приходит наш покупатель, что он делает прежде чем купить, почему покупает или что ему мешает сделать покупку?
- Что потребитель говорит о нас и наших конкурентах?
- Какие каналы коммуникаций работают на продажи?
- Насколько эффективно то или иное креативное решение?
А значит, мы можем прогнозировать будущее поведение пользователя на основании этих данных.
Какие инструменты помогут нам получить ответы на вышеупомянутые вопросы?
5 наиболее распространенных в маркетинге типах аналитических решений:
- Веб-аналитика
- Аналитика социальных медиа
- Аналитика конкурентной активности
- Business Intelligence (BI) – бизнес-аналитика
- Предиктивная аналитика
Веб-аналитика (Web analytics) — это измерение, сбор, анализ, представление и интерпретация информации о посетителях веб-сайтов. Основной задачей для программных продуктов из этого сегмента является мониторинг посещаемости веб-сайтов и анализ поведения пользователя. Базовыми метриками веб-аналитики являются: сессии, просмотры, уникальные просмотры, отказы, источники траффика и конверсии. Так же есть расширенные метрики и функции в специализированных продуктах для е-commerce, СМИ и других сегментов рынка.
Продукты для е-commerce дают возможность анализировать метрики, связанные с продажами:
- Воронка продаж.
- Анализ горячей карты (heat map) веб-сайта — как пользователи ведут себя на сайте, где находится слепая зона, какие товары или блоки обеспечивают максимальную конверсию в продажи.
- Аналитика истории взаимодействия пользователя с веб-ресурсом с момента первого контакта — это Карта Пути Покупателя (Consumer Journey Map).
- Аналитика доходности (Revenue analytics) — откуда приходят наиболее желанные и много тратящие покупатели, чем они интересуются.
Продукты для СМИ помогают отслеживать вовлечение аудитории, качественные показатели взаимодействия с веб-сайтом:
- Среднее время пребывания на сайте.
- Рециркуляция (Recirculation, %) — процент аудитории веб-ресурса, который читает более чем 1 статью за 1 заход.
- Анализ эффективности контентной составляющей ресурса: эффективность каждого автора или материала.
- Анализ вирусности контента. Шеры, лайки и то, как именно генерится траффик из социальных медиа. Генерит ли траффик ваша группа в Фейсбуке, нравится ли аудитории конкретный автор или тема.
Наиболее распространенным инструментом веб-аналитики является Google Analytics, более 80% компаний, использующих веб-аналитику, используют именно этот инструмент. Он хорош по двум причинам — универсальный и бесплатный. Это обязательный инструмент для любого современного маркетолога. Он позволяет мониторить эффективность рекламной кампании в онлайн и дает базовое представление о поведении аудитории на сайте. Его минусом является, в первую очередь, отсутствие режима реального времени. Потому его будет недостаточно, если вам необходимо принимать решения на ходу и на основании не только количественных, но и качественных показателей. Например, если вы хотите анализировать воронку продаж, либо вирусность контента, вам нужны более специализированные решения.
В случае, если вы хотите знать больше, я рекомендовала бы вам обратить внимание на несколько очень достойных и не очень дорогих продуктов, таких как Clicky, KISSmetrics, Chartbeat, Piwik и t от.io. Последний продукт помимо базовых метрик дает расширенную картинку по аналитике траффика из социальных сетей и автоматизирует принятие решений по управлению контентом. Если же ваши финансовые ресурсы не ограничены и вам необходимо универсальное high-end решение, то обратите внимание на продукты Adobe Omniture и Google Analytics Premium.
Что мы узнаем из веб-аналитики:
- Откуда приходит потребитель?
- Как он ведет себя на сайте?
- Куда уходит дальше и почему?
Теперь поговорим о сегменте аналитики социальных медиа, или Социальном прослушивание (Social Listening) — это аналитические продукты, которые позволяют лучше понять вашего потребителя с помощью мониторинга и анализа его действий в социальных медиа. Сегодня это уникальный источник инсайтов для маркетолога, позволяющий понять, что потребитель думает о вашем бренде и бренде конкурентов. У аналитики социальных медиа есть несколько явных преимуществ в сравнении с традиционными маркетинговыми исследованиями и ключевые из них — это дешево и быстро. Но у этого решения, если использовать его вместо традиционных исследований, есть и явные недостатки, ведь многие потребители не пользуются социальными медиа, либо используют их только для чтения информации.
В результатах исследования социальных медиа присутствует смещение выборки, которое в традиционных исследованиях нивелируется с помощью методов случайного выбора опрашиваемых. Потому говорить об аналитике социальных медиа, как о полной замене традиционных исследований рынка пока рановато, но использовать их, как сигнальную ракету для идентификации трендов и формировании гипотез — как раз пора.
Основная трудность с поиском качественного решения для социального прослушивания — это необходимость поддержки им конкретного языка не только в интерфейсе, но и в алгоритмах синтаксического анализа. В нашем случае мы будем ограничены решениями, которые могут анализировать сообщения на украинском и русском языках. Однозначным лидером в сегменте русскоязычных продуктов для анализа социальных медиа является Youscan, но рынок развивается и появился ряд конкурентных продуктов, которые можно использовать, например BrandSpotter и SemanticForce. Если же ваши задачи выходят за рамки ру-нета, то стоит обратить внимание на несколько глобальных продуктов, например Brandwatch, Mention и Geofeedia. Последний продукт, в частности, агрегирует результаты не по ключевым словам или хэштегам, а по месту нахождения, которое вы задаете. Почему это важно? Потому что негативный отзыв без привязки к конкретному месту довольно сложно отработать, особенно если речь идет о компании, имеющей большую сеть отделений (сети банков, ресторанов либо магазинов).
Основные бизнес-задачи, которые помогает решать аналитические продукты для социальных медиа:
- Поиск и устранение проблемных точек
- Поиск потребительских и продуктовых инсайтов
- Повышение качества обслуживания
Закончив с изучением собственного бизнеса стоит обратить внимание на то, что делают конкуренты. К сожалению, с помощью облачных продуктов мы не разберемся с активностью конкурентов в традиционных медиа, но вот их действия в онлайн отследить не так сложно. Есть целый ряд продуктовых решений, который может нам в этом помочь:
- Упоминания бренда/компании в Интернет — Google Alerts
- Траффик веб-сайта, ранкинг в категории и сравнение с конкурентами — SimilarWeb, Alexa, Compete
- Инвестиции в SEO и ключевые слова, по которым продвигается сайт — Prodvigator, SEMrush
- Инвестиции в контекстную рекламу и ключевые слова, которые покупаются — Advse, Prodvigator
- Мониторинг интернет рекламы в рекламных сетях — What Runs Where
Эти инструменты не заменят классический анализ конкурентной активности, предоставляемый медийными агентствами, но позволят вам оперативно получить ориентировку на местности и понять, как вы выглядите в сравнении с конкурентами во всемирной сети.
От простого переходим к сложному. Внедрение последующих продуктов для компании будет уже намного более затратно, как по бюджетам, так и по необходимым ресурсам, но и пользы может принести значительно больше.
BI — информационные решения, основной функцией которых является визуализация данных. Фактически для получения конечного продукта BI, коим является аналитическое приложение/дашборд, который для каждого из возможных организационных уровней компании способен ответить на вопросы, нужно довольно много времени. Вопросы простые, но очень практичные:
- Как давно у меня этот покупатель/сегмент покупателей?
- Какой у него средний доход?
- Сколько он тратит в неделю?
- Где он живет?
- Сколько стоит его дом?
- Сколько членов семьи?
- Кокой продукт он купил на прошлой неделе?
- Сколько он потратил в прошлом месяце?
- На какие промо отзывался?
- Больше или меньше ли его затраты по сравнению с прошлым месяцем?
- Каков тренд его затрат за прошлый год?
А также уйму других вопросов, относительно компании, ее деятельности, финансов, управленческой отчетности и прочего.
И все это элегантно, красиво, а главное — визуально доходчиво, с возможностью изменения уровня детализации данных. Естественно разработка подобного дашборда — результат кропотливой работы команды айтишников, дизайнера и маркетолога. И хоть в последнее время появляются много продуктов, сводящих все к визуальному выбору пары предугаданных по данным графиков, а фактически упрощающих все до уровня того же екселя. Проблемой всплывают источники необходимой информации, которые в больших компаниях часто разбросаны в большом разнообразии систем сбора и обработки данных (CRM, вебсайт и прочее). В общем, процесс это сложный, долгий и довольно затратный. Но исключительно для себя делать красивые отчеты для боссов на своих же данных можно спокойно. Достаточно пройти получасовое обучение по Tableau, к примеру.
Более наглядную информацию о том, что такое BI можно получить, посмотрев видео:
Почти все крупные корпоративные BI системы имеют в своем расположении функционал, позволяющий работать с моделями предиктивного анализа. Но тут также существует много специализированных систем, позволяющих в том числе строить эти самые предиктивные модели визуально, перемещая объекты по экрану. Это немного облегчает задачу, но только до тех пор, пока мы разберемся с тем, что такое предиктивный анализ. Образованный от английского predict (предсказывать) намекает нам на то, что мы сможем увидеть будущее. И в некотором роде так оно и есть, правда… с определенной вероятностью.
Например, у нас в архивной папке есть информация о продажах и проведенных кампаниях за последние пару тройку лет. И мы, вместо того чтобы благополучно удалить весь этот антиквариат, берем да и строим математическую функцию, которая в зависимости от указанной даты и небольшого описания проведенной кампании (тип/канал, бюджет, регион, проводилась ли вообще) выдает нам наш текущий уровень продаж или доход. Да так строим, чтобы какую бы мы дату не ввели, вместе с указанием проведенных тогда рекламных кампаний, она бы нам выдавала именно то количество продаж, которое у нас хранится в архиве на эту же дату.
А теперь возьмем, да и скормим этой функции конец следующего месяца. А с кампаниями можем поэкспериментировать — попробовать разный тип, поиграть с бюджетом, не запускать вообще… Как вы уже, вероятно, догадались — на выходе у нас будет прогноз продаж на конец следующего месяца. С математической точностью, но определенной вероятности. Есть ряд математических методов, которые позволяют строить подобные предиктивные функции.
И самым важным здесь есть выбор правильного метода (модели) — чем ближе наши данные к тому или иному методу, тем точнее будет результат и больше вероятность его совпадения с реальностью. А системы предиктивного анализа позволяют построить подобные математические модели, сильно упрощая нам задачу. Они дают нам визуальную среду для разработки матмоделей, наполнения их данными, выполнения и представления информации в неком читабельном виде. Чтобы вернуться из математического класса в наши маркетинговые будни, давайте посмотрим, на какие вопросы поможет нам ответить предиктивный анализ:
- На сколько вероятно то, что наш клиент что-то купит у нас перед Новым Годом?
- На какие промо он скорее всего откликнется?
- Какова вероятность что наш клиент купит продукт А?
- На сколько вероятно, что он купит продукт Б после приобретения продукта А?
- Каков потенциал прибыли от конкретного клиента на последующие 2 года?
- Какая должна быть цена продукта А, чтобы он его купил?
- Какими промо и на какие продукты мы можем привлечь покупателя дважды за месяц зайти в наш магазин?
- Какие новые продукты следует рекомендовать?
Немного детальнее о том, какие конкретно системы предиктивного анализа бывают можно почитать по ссылке
Небольшой кейс напоследок.
Предположим, что завтра вам предложили работу в совершенно новой для вас отрасли, к примеру, маркетинг-менеджером в розничной сети по продаже бытовой техники и электроники. Как понять, кто есть кто на этом рынке и быстро погрузиться в новые реалии? Конечно, можно забрифовать свой аналитический отдел и рекламное агентство/агентства, они придут к вам в гости и расскажут. Но на это уйдут недели, а ведь работать нужно уже сейчас. Потому в ожидании контента из внешних источников, можно подключиться к 4-5 аналитическим системам и начать формировать картинку.
Что для этого сделать:
- Вам нужен доступ к веб-аналитике и отчетам по продажам, чтобы разобраться, что происходит внутри.
2. SimilarWeb даст вам базовое представление о том, кто есть кто в новой отрасли
3. Воспользовавшись решением Mention вы сможете понять, как к вашей розничной сети относится онлайн аудитория
4. А подключившись к Prodvigator узнаете насколько активны ваши конкуренты в контексте, SEO и медийно-контекстной сети
Итак, за час-два «сидения в интернете» вы сможете получить достаточно точное «первое впечатление» о категории, причем, совершенно бесплатно. Все решения, которые я упомянула имеют либо бесплатный Trial, либо работают по freemium модели.
Подводя итоги нашей аналитической сессии, хочу дать несколько рекомендаций маркетологам, которые озадачатся построением системы маркетинг аналитики:
- Непрерывно просеивайте песок. Кто-то говорит, что Big Data — это золотые копи, я же считаю, что это — груды песка. Песка, который нужно просеивать день за днем, непрерывно, чтоб находить ценность. Именно для этого необходимо строить аналитическую систему в маркетинге.
- Начните с вопросов: Что? Как? Почем?
- Что именно вы хотите измерять? Определите ключевые метрики и KPIs, которые позволят принимать решения?
- Как это можно сделать?
- Какой бюджет есть на построение системы?
3. Первый дашборд — это лист А4. Лучшая система отчетов умещается на таком листе. Огромное количество метрик и отчетов не облегчает систему принятия решений, а зачастую только усложняет ее.
4. Ищите обувку по карману. В современном мире программных решений огромное множество доступных продуктов и можно найти то, что будет приносить пользу и не будет образовывать дыру в маркетинговом бюджете. Многие из перечисленных выше продуктов будут обходиться вам от 400 до 1000 долларов в месяц, это не так много, нужно лишь верно выбрать их набор.
5. Принимайте решения. Аналитика не нужна, если вы не можете принимать на ее основании решения. Правильная система аналитики должна помогать принимать правильные решения быстро. Если же вы построили современную систему аналитики, но решения принимаете по старинке медленно и через тысячи инстанций — вы просто потратили деньги зря. Новая система аналитики должна идти за руку с новыми бизнес-процессами, позволяющими действовать быстро.
В следующий раз мы поговорим о том, как маркетинговые ИТ-инструменты помогают нам принимать решения и управлять ресурсами. До скорой встречи.
