Прогнозная аналитика как инструмент повышения эффективности маркетинга

140
5215
Материалы для скачивания
978.32 Kb

Растущие возможности сбора и хранения данных предоставили бизнесу расширенные возможности в ретроспективном и real-time анализе. Теперь мы можем проследить закономерности, сделать определенные выводы о неудачах, чтобы не наступать на те же грабли. Или же наоборот — выделить самые успешные решения и повторить действия снова.

Прогнозная аналитика в долгосрочной перспективе всегда эффективней ретроспективной или real-time аналитики, так же как профилактика заболеваний эффективнее, чем ургентная медицинская помощь. Вот вам прямая аналогия: ретроспективный анализ — это по сути своей вскрытие, разбор уже совершенной ошибки, real-time анализ — как “скорая помощь”, реагирует тут и сейчас, а прогнозная аналитика — это превентивная медицина, спасающая от появления болезней.

Перейдем от “лирики” к “физике”:

Понятие прогнозной аналитики

Как сказал Томас Девенпорт (Thomas H. Davenport), никто не обладает способностью собирать и анализировать данные из будущего. Но у нас есть возможность предсказывать будущее, используя данные из прошлого. Это и называется прогнозной аналитикой, и на самом деле многие компании уже ее применяют. Самые простые примеры применения прогнозных данных в компании следующие:

  • Расчет жизненной ценности клиента (Customer Lifetime Value, CLV или LTV). Этот показатель поможет понять вам, какую ценность будет приносить клиент на протяжении всего жизненного цикла (включая будущие поступления).
  • Разработка оптимальных предложений/рекомендаций на основе полученных данных о поведении пользователя на сайте. 
  • Это аналитический прогноз продукта или услуги, которую ваш клиент с определенной долей вероятности купит в будущем.
  • Прогнозирование оттока клиентов.
  • Разработка плана и прогноза продаж в следующем квартале/полугодии/году.

Все это является простыми формами прогнозной аналитики. Давайте рассмотрим популярные методы, используемые в прогнозной аналитике.

Прогнозное моделирование

Прогнозное моделирование - широко используемый статистический метод для прогнозирования поведения различных явлений на основе анализа исторических и оперативных данных, и создания моделей, помогающих прогнозировать на основе этих данных.

Определение Gartner.

Можно выделить следующие этапы прогнозного моделирования:

  • Сбор первичных данных
  • Формирование статистической модели
  • Формирование прогноза
  • Проверка/пересмотр модели по мере поступления дополнительных данных

Прогнозные модели анализируют прошлое поведение пользователя, чтобы оценить вероятность того, что он будет демонстрировать определенное поведение в будущем. Подобный вид анализа включает в себя также модели, которые находят трудноуловимые паттерны (шаблоны) данных, к примеру, для выявление недоброкачественного трафика (fraud detection models).

Часто прогнозные модели производят вычисления непосредственно в момент прохождения пользователя по конверсионной воронке на пути к выполнению конверсионного действия - например, чтобы оценить вероятность достижения цели либо риски того, что цель не будет достигнута. С точными данными о вероятности перехода с одного шага воронки на другой, бизнес может лучше управлять факторами, мешающими или помогающими пользователю перейти далее, и точнее описывать шаблоны поведения разных категорий покупателей.

Где можно использовать прогнозную аналитику?

В вашем смартфоне приблизительно 50 приложений. Каждое из них принимает, передает, генерирует информацию. Эти данные сохраняются в разных сервисах, в разных форматах. И хотя на первый взгляд это является положительным фактором для маркетологов, возникает проблема эффективной работы с таким объемом структурированных и неструктурированных данных.

Давайте рассмотрим несколько примеров, где успешно применяются результаты, полученные с помощью прогнозной аналитики.

Amazon использует Predictive Marketing...

...с целью рекомендовать продукты и услуги пользователям на основе их прошлого поведения. По некоторым данным, подобные рекомендации приносят до 30% продаж Amazon. Помимо этого в планах у Amazon была разработка инструмента, который на основе прогнозных данных мог бы поставлять товар в зону предполагаемого заказа еще до момента, когда на сайте будет размещен заказ, что позволило бы сократить время на доставку товара конечному пользователю.

Macys

Команда Macys воспользовались преимуществами прогнозной аналитики в более точном директ-маркетинге. В течение 3 месяцев компания увеличила объем онлайн-продаж с 8% до 12% за счет использования данных онлайн-поведения пользователей в рамках просмотра по категориям продуктов и отправки персонализированных электронных писем для каждого сегмента вовлеченных пользователей.

Harley Davidson использует прогнозную аналитику…

...для таргетирования на потенциальных клиентов, привлечения лидов и закрытия сделок. Они выявляют потенциальных наиболее ценных клиентов, готовых совершить покупку. Затем торговый представитель напрямую связывается с клиентами и проводит их через процесс продаж, чтобы найти максимально подходящее для клиента предложение.

StitchFix

StitchFix - это еще один ритейлер, который обладает уникальной моделью продаж, основанной на маркетинг-прогнозах.

При регистрации пользователь проходит опрос о стиле, затем применяются модели прогнозной аналитики, чтобы предложить клиентам именно ту одежду, которая с высокой долей вероятности им может понравиться. Если клиенту не понравилась одежда, которую они получили, ее можно вернуть с использованием бесплатной обратной доставки.

Компания Sprint использует AI-алгоритмы для выявления клиентов, подверженных риску оттока…

...и превентивно предоставляет необходимую информацию по удержанию. AI предсказывает, чего хотят клиенты, и предоставляет им предложение, когда они подвержены максимальному риску покинуть компанию. С тех пор скорость оттока Sprint резко упала, и клиенты дали компании отличные оценки за персонализированный сервис и целевые предложения. Как видим, прогноз оттока клиентов — еще одна посильная задачи для прогнозной аналитики среди SaaS-бизнеса и электронной коммерции.

Вот список самых популярных метрик из сферы “ответственности” прогнозной аналитики:

  1. Коэффициент оттока клиента (Churn rate)
  2. Прогноз выполнения плана продаж
  3. Точная жизненная ценность клиента

Как внедрять прогнозную аналитику?

Внедрение прогнозной аналитики невозможно без сотрудничества маркетингового и аналитического отделов, понимания целей исследования, установленного порядка в данных. Сама процедура приблизительно следующая:

  1. Постановка гипотезы
  2. Сбор данных — внутренних и внешних — для построения модели
  3. Определение параметров точности модели
  4. Использование готового сервиса или этап разработки:
    • построение MVP;
    • обучение модели в ограничениях параметров точности до стабильно работающей версии;
    • создание интерфейса или отчета;
    • обновление по новым требованиям или переобучение модели.

На этапе сбора данных убедитесь, что у вас настроена сквозная аналитика, так как без нее внедрение прогнозной аналитики обычно неэффективно.

Сервисы прогнозной аналитики

Доля использования маркетинговой аналитики в принятии компаниями решений достигла в начале 2019 года максимума за последние 6 лет по данным отчета The CMO Survey: Spring 2019. По данным исследования компании MarketsandMarkets рынок прогнозной аналитики вырастет с 4, млрд USD до 12+ млрд USD к 2022 году.

Подобный интерес к маркетинговой аналитики в целом, и к прогнозной аналитике в частности, побуждает компании к разработке простых в использовании решений и сервисов, которые делают прогнозную аналитику более доступной для бизнеса/

OWOX BI Insights

  • Один из продуктов OWOX BI (сервиса маркетинг-аналитики на полных данных), который помогает компаниям достигать маркетинговых целей и расти на 22% быстрее рынка.
  • Лидер весеннего и летнего рейтинга 2019 G2Crowd в категориях Программное обеспечение для маркетинг - аналитики, Программное обеспечение для аналитики в е-коммерс
  • Отправляет прогнозы о выполнении вашего плана прямо на почту

Сервис OWOX BI:

  • объединяет разрозненные маркетинговые данные из разных источников, делая их доступными для анализа в Google BigQuery;
  • определяет ценность каждого шага пользователя, используя собственную модель атрибуции на основе воронки;
  • автоматически строит отчеты для анализа эффективности маркетинга;
  • показывает, насколько будет выполнен план продаж, в чем зоны роста и слабые места, как меняется доля рынка.

Вы можете попробовать его прямо сейчас, воспользовавшись 14-дневным бесплатным триалом:

Старт OWOX BI

Подробнее о продукте можете узнать в нашей статье Как прогнозировать зоны роста и риски в маркетинг-плане на основе данных.

Infer

  • Платформа прогнозов продаж и маркетинга
  • Оптимизация воронки продаж и маркетинга с помощью машинного обучения

Прогнозные модели сервиса помогут объединить все источники данных чтобы предоставить вам полную картину по позиции лида в воронке продаж. Infer отслеживает сигналы из онлайн-источников и публичных баз данных, после чего создает прогнозные модели на основе предыдущих ключевых учетных записей и заданных вами правил. Полученные данные будут полезны маркетологам и специалистам по продажам как для поиска клиентов, которые с высокой долей вероятностью в будущем могут сконвертироваться в клиентов, так и для оптимизации воронки продаж в целом.

Radius

Radius предоставляет несколько услуг по анализу данных с упором на прогнозный B2B маркетинг. Некоторые из ключевых особенностей:

  • Radius Customer Exchange (RCX) сопоставляет профиль вашей компании с бизнесами других компаний, которые имеют одинаковую аудиторию, что дает вам возможность работать сообща, создавая собственные маркетинговые списки
  • Radius Connect: передает определенные прогнозные данные в Salesforce, чтобы ваши идеи работали там, где ваша команда продаж работает больше всего

Платформа также помогает маркетологам обмениваться данными между отделами и находить новые учетные записи во внутренних баз данных. Как и Infer, Radius является облачной системой.

BOARD

Основанный на правилах прогнозного моделирования, BOARD работает в адаптивном интерфейсе с real-time панелями мониторинга.

Это означает, что вы можете подключать различные сценарии и анализировать возможные результаты без необходимости каждый раз создавать новую модель.

BOARD поставляется с несколькими встроенными коннекторами, поэтому вы можете извлекать данные практически из любого источника — вашей ERP-системы, облачной базы данных, куба OLAP и даже flat-файлов. Вы также можете превратить свои прогнозы в пользовательские приложения с помощью представленных в сервисе инструментов.

TIBCO Data Science

Относительно новый продукт (был анонсирован в сентябре 2018 года). Созданный в виде единой платформы, TIBCO Data Science объединяет в себе возможности предыдущих поколений сервисов от данной компании: TIBCO® Statistica, Spotfire Data Science, Spotfire Statistics Services и TERR.

Сервис помогает организациям внедрять инновации и быстрее решать комплексные проблемы, обеспечивая быструю конвертацию прогнозных результатов в оптимальные решения.

SAS Advanced Analytics

Компания владеет 33% долей рынка прогнозной аналитики, имеет 40-летний опыт работы и предоставляет пользователям возможности расширенного анализа данных на основе множества визуальных редакторов. Основная функциональность SAS Advanced Analytics базируется на визуальных графиках, автоматической карте процессов, встраиваемом коде и автоматических временных правилах.

По отзывам пользователей, SAS отлично справляется с предсказаниями и анализом общего движения, а также может обрабатывать большие наборы данных за относительно быстрое время. SAS предоставляет бесплатные демо своих продуктов и базу знаний для старта работы с продуктом.

RapidMiner

Это дополнительное программное обеспечение позволяет автоматизировать создание отчетов на основе временных интервалов. Вы можете импортировать свои собственные наборы данных и экспортировать их в другие программы благодаря более чем 60 встроенным интеграциям.

Расширения обеспечивают большую гибкость (например, обнаружение аномалий, обработка текста и веб-майнинг), но могут выходить за рамки базовой цены подписки.

Несмотря на то, что RapidMiner создан непосредственно для data scientists, его легко установить и начать работу.

IBM SPSS

IBM SPSS использует моделирование данных и аналитику на основе статистики. Программное обеспечение включает в себя структурированные и неструктурированные данные. Программное обеспечение доступно в облаке, локально либо через гибридное развертывание, чтобы соответствовать любым требованиям безопасности и мобильности.

Вы можете использовать свои существующие данные для построения прогнозных моделей в визуальном редакторе SPSS и на дашбордах моделирования. Премиум поддержка неструктурированных данных включает лингвистические технологии и обработку естественного языка, поэтому вы можете включать в свои модели социальные сети и другие текстовые источники.

SAP HANA

SAP HANA предоставляет базы данных и приложения локально, либо в облаке. Это программное обеспечение сокращает время, необходимое для создания ваших моделей с дополнительными коннекторами для внешних наборов больших данных и интуитивно понятными визуализациями.

Вы также можете подключить библиотеки прогнозной аналитики (PAL), которые помогут вам получить дополнительные инсайты из больших наборов данных. Для клиенто-ориентированных отраслей программное обеспечение предлагает анализ текстовых данных и данных социальных сетей, чтобы предсказать будущее поведение клиентов и рекомендовать продукты, основанные на прошлом поведении.

Программное обеспечение совместимо с кодом R, поэтому вам не нужно изучать новый язык для настройки ваших запросов. Когда ваша система объединяет достаточно внутренних данных, прогнозные модели автоматически предоставляют новые инсайты.

Итоги

Прогнозная или предиктивная аналитика в маркетинге — это мощный data science инструмент, все возможности которого не поместятся в одну статью. Поэтому дайте нам знать в комментариях ниже, о каких именно аспектах прогнозной аналитики нам писать следующий материал.

И чтобы не забыть, напоминаем вам 3 заповеди прогнозной аналитики:

  • Начинайте с азов: проверьте качество ваших данных, собирайте их автоматически, чтобы исключить ошибки из-за человеческого фактора. От качества ваших данных зависит качество выборки на обучения модели.
  • Никогда не уходите далеко от цели своего исследования, так как тут важен не процесс, а все-таки результат.
  • Соблюдайте требования к точности, помните, что результаты вашего прогноза может валидировать только процент того, насколько точной стала отработанная модель на ваших данных.

Полезные материалы

Вас также могут заинтересовать