Для начала рассмотрим современную компанию с точки зрения информации о клиенте. Ведь именно он является ключевым трофеем в битве маркетологов. Каким образом данные о конкретном человеке становятся нам доступны? В лучшем случае клиент сам дает их нам с целью приобрести необходимую услугу или продукт, получить какую-то полезную информацию или любую другую «плюшку» от компании. Заполняя форму на сайте, отправляя смс, либо обращаясь в компанию по горячей линии, клиент делится с нами данными о себе и информация о нем попадает во внутренние потоки данных компании.
Но в какую именно систему попадает информация, которой делятся с нами наши клиенты? В украинских реалиях часто эта информация уходит в никуда. Если компания, которая проводит акцию или делает диджитальный проект, в ходе которых собирает данные о клиентах, не продает свои товары либо услуги онлайн, как правило, у нее отсутствует инфраструктура для хранения клиентских данных, либо эта инфраструктура никак не связана с маркетингом. То есть, информация может попасть в базу данных агентства и просто храниться до востребования, которое, скорее всего, никогда не произойдет. Либо она попадет в базу данных компании, к которой имеет доступ только сейлз-аналитик и топ-менеджмент компании, и эта информация напрямую не доступна маркетологу.
Чтобы данные о клиентах, собранные в ходе различных маркетинговых акций и активаций, были доступны маркетингу, необходимо, чтоб существовала ИТ инфраструктура для работы с клиентскими данными. Одним из наиболее эффективных технологических решений для работы с клиентскими данными является CRM-система.
CRM-система (Customer Relationship Management) — это система
для управления работой с клиентами. Ее продуктом является структура информации
о работе с ними. В CRM создаются, хранятся и обновляются карточки клиентов,
туда попадает вся информация, которую нам удалось собрать и привязать к
конкретному человеку либо компании. От истории покупок до его
социо-демографических характеристик, отзывы, оставленные Клиентом в социальных
сетях или на сайте, звонки по горячей линии или просто заполненные онлайн
формы, поведенческие и покупательские интересы и даже его реакция на нашу
рекламу. Вся эта информация с привязкой к его ФИО может стать бесценным
источником знаний для маркетолога. Может, но только в том случае, если
маркетолог использует CRM.
Клиентом CRM считает любого, кто попал в ее поле зрения и даже
тех, кто уже утратил всякий интерес к продуктам компании. Либо чья потребность
еще не вызрела до конца и он лишь обдумывает возможность приобретения нашего
продукта. С помощью CRM мы можем:
- привлечь любого, кого видит система, в ряды
потенциальных покупателей - подогреть его интерес тем, что нужно именно ему,
подобрать оптимальную цену и конфигурацию предложения - мотивировать клиента посетить точку продажи
услуги/продукта и совершить покупку - классифицировать/сегментировать уже существующих
клиентов по нужным нам параметрам - подобрать индивидуальное предложение для
удержания клиента - вспомнить о человеке через полгода после его
ухода и «завербовать» по новой
В случае же, когда мы продаем не разовый сервис или продукт, а ежемесячную подписку, нам так же будет полезна информация о том, каким образом используется наша услуга, в каких обстоятельствах и когда именно. Эти и множество других деталей могут быть доступны CRM, но, как правило, источниками этих данных являются уже другие системы и их количество может варьироваться от нескольких штук до нескольких десятков. Тут мы впервые знакомимся со следующим IT инструментом маркетолога – DWH.
Data Warehouse (DWH) или Хранилище Данных – это аналитическая система предназначенная для сбора и анализа всевозможной информации, которой оперирует компания. Весь цикл обслуживания клиента в одной компании зачастую обеспечивается множеством информационных решений – разрозненных систем, выполняющих небольшую группу функций, используемых клиентской базой. Так, например, мобильные операторы задействуют биллинговые системы для учета выговоренных клиентом минут, переданных/полученных сообщений и использованного интернет трафика. И даже на этом этапе биллинговые системы могут быть разными для разговоров, смс, интернета или отдельными для предоплаченных и контрактных абонентов. К тому же, есть отдельные системы для учета использованных услуг в роуминге и для взаиморасчетов с другими операторами. Банки же, в свою очередь, могут использовать разные решения для поддержания текущих и карточных счетов, для межбанковских и международных операций и так далее. То есть в крупных организациях информация о взаимодействии с клиентом может быть разрозненной. DWH, в таком случае, упрощает доступ к данным внутри компании, являясь единой точкой входа и источником консолидированной информации. Одним из потоков данных для хранилища может быть и CRM. Ну а CRM, в свою очередь, может использовать информацию из DWH в своих целях.
В то же время, DWH — это склад одежды, где мы собрали копии вещей из всех своих шкафов и разложили по полкам в соответствии типам, а не образам: сотни туфель, платьев и так далее. Образ из собранных единиц формируется стилистом, роль которого для DWH играют внешние приложения и запросы. То есть для работы с DWH нужны еще и аналитические системы.
Но что делать, если интересующие вещи не принадлежат тебе, а тебе нужно использовать их для создания образов. Как организовать сбор и хранение данных о бренде, которые создаются во внешних системах? Ответом на этот вопрос стал Big Data — это термин, который вошел в нашу жизнь вместе с тотальной диджитализацией и интеграцией нашей жизни и интернета.
Big Data — это набор методов и подходов по работе с разрозненными и неструктурированными данными, в нашем случае с информацией о компании или бренде в сети. Системы, позволяющие анализировать большие объемы разноплановой информации принято называть термином Data Lake. Концептуально эти решения очень схожи с хранилищем данных. Вот только источником данных для Data Lake являются не внутренние информационные системы, а любые внешние упоминания о компании, ее брендах и услугах. Как правило это социальные сети, специализированные форумы в интернете, ресурсы конкурентов и прочее. Широкие аналитические возможности Data Lake позволяют:
- адекватно оценивать проинформированность о бренде
- своевременно реагировать на появление негативных откликов на те или иные события, связанные с компанией
- выявлять новоявленные тренды, что в свою очередь дает возможность встать на гребень волны и использовать ее в своих целях
- отслеживать вирусный эффект от запущенной кампании
В нашем случае, это будут все упоминания бренда в сети Интернет.
Итак, подытожим — минимальным необходимым решением по сбору и хранению маркетинговых данных является CRM, но в основе полноценной маркетинговой экосистемы должна лежать совокупность CRM + DWH + Data Lake. Схематически ее можно отобразить следующим образом:
Оказаться в системе наш клиент может в любой точке схемы. А дальше начинается бесконечный вихрь потоков данных — из CRM могут запускаться медийные кампании, вестись их учет и контроль. После чего клиент либо сразу идет и покупает наш пирожок в магазине, либо приходит в наш сервисный центр и заказывает услугу. Информация о каждом использовании нашего сервиса заказчиком оседает в хранилище, а все обращения клиентов собираются посредством CRM. Между собой эти системы также могут делиться данными. После использования нашей услуги, свои ощущения от сервиса клиент конечно же шарит в сети, что, в свою очередь, попадает к нам в Data Lake и доступно для анализа как посредством прямого обращения к аналитической системы, так и через DWH. Вполне возможно, что и CRM может заинтересоваться информацией их всемирной сети.
Давайте рассмотрим пример из жизни: крупная FMCG компания принимает решение построить экосистему MarDaTech. Какие системы сбора и хранения данных нужны будут ей для запуска?
Так как компания торгует преимущественно в традиционной рознице, собирать данные о каждой покупке и привязывать к конкретному покупателю довольно сложно. Но, проводя национальные промо-акции, активации в социальных сетях и на других популярных ресурсах, маркетологи компании так или иначе собирают данные о своей ЦА, их контакты и основные характеристики. Эти данные могут лежать мертвым грузом на компьютерах агентств, которые работают с компанией, а могут использоваться для повторных коммуникаций и лоялизации потребителей. И, если мы хотим их использовать, то нам нужна будет CRM-система для сбора данных и всевозможные надстройки, которые позволят осуществлять коммуникацию с клиентом и аналитику ее эффективности.
Информация о бренде, которая формируется внешней средой и не привязана к конкретному клиенту, так же может стать источником полезных инсайтов. Это данные из социальных сетей, всевозможных мобильных приложений и медиа-ресурсов. Для работы с такими данными необходимо строить Data Lake. Как может использовать маркетолог компании данные из Data Lake? Он сможет узнавать, что думают и говорят о его продукте, как реагируют на его коммуникацию, как ведут себя его конкуренты, что их клиенты думают о них и находить новые идеи и возможности для развития своего бренда. К примеру, популярность того или иного ТВ-шоу в США измеряется с помощью замеров постов в Twitter. Есть проект Nielson Social, который дает альтернативное представление о том, что смотрят на ТВ представители цифровой эры. Для того, чтоб работа с неструктурированной информацией по типу твитов была возможна и нужны системы Data Lake.
Итак, подведем итоги:
1) Начните с бизнес-процесса по сбору данных. Начинать строить экосистему MarDaTech нужно с фундамента, а именно — с системы сбора и хранения маркетинговых данных, хоть в Excel, хоть в 1С, но, если этот фундамент отсутствует и в компании нет бизнес-процессов, позволяющих собирать, структурировать и сохранять маркетинговые данные, все остальное не сработает.
2) Определите список, какие именно данные хотите собирать. Безусловно, за построение системы сбора и хранения данных отвечает ИТ служба компании, но ИТ не является бизнес-заказчиком и не знает потребностей отдела маркетинга. Потому, чем лучше вы будете разбираться в том, какие данные вы хотите собирать и анализировать, тем лучшую систему сможет построить ИТ отдел. Как и в случае с рекламными агентствами, хороший бриф — уже половина успеха. Чем больше маркетинг начнет вникать в то, что делает ИТ отдел, тем больше шансов, что в Украине будут строить системы хранения данных, которыми действительно пользуются, а не закупают по принципу, чтоб было. Примерный список данных, которые важно собирать и анализировать маркетологу выглядит следующим образом:
- Текущие клиенты компании, их потребительские и медийные предпочтения, социо-демографические и поведенческие характеристики
- Как ведут себя ваши потенциальные клиенты
- Что говорят о ваших брендах в СМИ и социальных сетях
- Что говорят о ваших конкурентах
- Насколько эффективна та или иная коммуникация, насколько она вовлекает потребителя
- Маркетинговые планы, бюджеты и инструменты, используемые в коммуникациях, а так же результаты, которые они приносят
- Продажи компании
- Данные исследований ключевых бренд-атрибутов
3) Внедряйте CRM. Минимальной системой для сбора и хранения маркетинговых данных является СRM, а идеальным решением является комплекс из CRM, DWH и Data Lake.
4) Уходите в «облака». Комплексное ИТ решение по сбору и хранению данных может стоить как новый Боинг и с каждым годом ИТ инфраструктура становится все сложнее. Но с появлением облачных технологии компании легко могут избежать существенных затрат на серверные мощности и лицензии софта. SaaS (ПО, как сервис — покупается ежемесячный доступ к продукту, а не сам продукт) принцип позволяет снизить лицензионные платежи на старте. Долевая экономика (Shared Economy) пришла в ИТ, и в каждой категории появился свой Uber, дающий доступ к передовым решениям даже маленьким компаниям. В случае CRM есть целый ряд SaaS продуктов, которые могут стать достойным фундаментом для построения современной маркетинговой экосистемы. Привожу несколько примеров, с которыми довелось столкнуться самой: SalesForce, SugarCRM, Microsoft Dynamics и bpm’online.
И напоследок, построение системы по сбору и хранению данных является лишь необходимым, но не достаточным условием для эффективной работы экосистемы MarDaTech. О достаточных элементах мы поговорим более подробно в следующих материалах.
Третья статья будет посвящена маркетинговой аналитике и программным продуктам, которые решают аналитические задачи.
