Рис. 9.2. Целевая реклама журнала Better Homes and Gardens с приложением бесплатной кулинарной книги
Источник: Meredith Corporation
Самой сложной задачей для Хоскинс стало проведение более подробной сегментации и таргетирования, связанных с бо́льшим количеством продуктов при тех же ресурсах. Этим делом занимались один человек в отделе маркетинга и один сотрудник производственного подразделения (причем не полный день). Однако у Meredith уже была хорошая инфраструктура для работы с данными. Раньше с маркетинговыми базами данных компании работали подрядчики, но руководство всегда признавало стратегическую важность данных и в какой-то момент решило, что эту работу могут выполнять и сотрудники Meredith. Данные о потребителях были сведены в новую корпоративную базу. Meredith собирала электронные адреса своих клиентов, однако не имела нужных инструментов для проведения целевых рассылок по электронной почте.
Келли Тэгтоу, директор Meredith по вопросам бизнес-аналитики, рассказала мне: «Данные для первых целевых кампаний мы собирали вручную – это отнимало много времени. Сначала было сложно. Однако мы доказали, что модели предрасположенности действительно эффективны, и результаты работы позволили оправдать инвестиции в инструменты автоматизированного маркетинга с использованием электронной почты». Эта инвестиция многократно окупилась за счет повышения коэффициента отклика и более чем 20 %-ного прироста количества подписок после получения письма.
Второй основной прием аналитического маркетинга: анализ потребительской корзины
Программа электронных рассылок Meredith – типичный пример использования регрессии для прогнозирования очередной покупки отдельными категориями клиентов с учетом их предыдущих приобретений и демографических характеристик. Такой поход носит название модели предрасположенности («лучшей альтернативы»). Другой распространенный метод – анализ потребительской корзины (он особенно актуален для ретейла). Он подразумевает определение набора продуктов (или услуг), которые потребители приобретают чаще всего. Этим подходом активно пользуется, например, компания Amazon.com – как на своем сайте, так и в электронных рассылках. Когда вы заходите на сайт Amazon как зарегистрированный пользователь, то видите в нижней части экрана обращение: «Вы смотрели [книгу или DVD-диск]. Возможно, вас также заинтересуют [другие книги или DVD]».
Для изучения потребительской корзины чаще всего используется техника сбора данных под названием «Кластерный анализ». В данном случае технические детали не так важны{48}. На основе такого анализа можно разработать практические рекомендации, называемые «ассоциативными правилами». Звучат они примерно так: «Клиенты, покупающие новый персональный компьютер, покупают и новый сетевой провод». Это ассоциативное правило позволяет сразу же перейти к практическим действиям: например, изменить ассортимент или маркетинговые программы. Хоскинс говорит так: «Не нужно бояться данных. Маркетеры часто полагаются на то, что кажется им интуитивно правильным. Однако после анализа картина может оказаться совершенно иной». Поэтому будьте готовы пересмотреть свои интуитивные убеждения и действовать на основе анализа.
Третий основной прием аналитического маркетинга: дерево решений
Как же использовать события при принятии маркетинговых решений? Главное – правильно применять аналитические данные. Они помогают определить, какие события или покупки взаимосвязаны. Затем на основании данных можно определить таргетированные маркетинговые действия, активирующиеся триггером события для определенных потребителей. Иными словами, нужны модели прогнозирования, позволяющие понять поведение и характеристики потребителя, а также план маркетинговых действий, основанных на данных прогнозов. Благодаря моделям вы можете оценить маркетинговый эффект с помощью таких показателей, как коэффициент отклика, прибыль и/или коэффициент оттока. Ниже приведен подробный пример, показывающий, как проводить такого рода анализ.
Компания EarthLink, расположенная в Атланте, – интернет-провайдер среднего размера. Ее оборот за 2008 год составил 956 миллионов долларов. Компания обеспечивает интернет-соединение миллионам частных потребителей и ряду мелких и средних компаний. Примерно четверти клиентов EarthLink предоставляет высокоскоростной доступ в интернет (с участием компаний Time Warner Cable и Comcast Cable) и предлагает такие услуги, как веб-хостинг и онлайн-реклама. DSL-соединение обеспечивают операторы BellSouth, Covad, AT&T и др.
EarthLink активно использует данные, аналитические инструменты и маркетинг, основанный на событиях. Но ей пришлось пройти сложный путь. Стюарт Роузел, директор по исследованиям клиентов, аналитике и стратегии компании EarthLink, рассказал мне:
Чтобы в компании применялся маркетинг, основанный на данных, команда аналитиков должна была привлечь на свою сторону и менеджмент, и маркетеров. Однако всем им было сложно понять наши принципы регрессионного моделирования. Многим маркетерам такой анализ казался неудобным, и поэтому они им не пользовались. Чтобы все начали пользоваться этим инструментом, нужно его упростить.
Сэм Макфол, старший менеджер EarthLink по вопросам бизнес-аналитики, добавил:
Более ранние модели прогнозов, основанные на логистической регрессии, не получили признания в организации, потому что маркетерам и менеджерам по продукту было сложно визуализировать полученные результаты. Когда же мы перешли к моделированию с помощью дерева решений, идеи сразу стали более наглядными, а после нескольких внутренних обучающих семинаров и запуска пилотных программ сотрудники начали активно использовать наши модели.
Дерево решений – один из трех основных методов анализа данных. Два других – кластерный анализ и нейронные сети{49}. Детали этих алгоритмов интересны «ботаникам» вроде меня, но большинству маркетеров они покажутся очень скучными. Однако для использования самих моделей все подробности не нужны.
Что же такое дерево решений с точки зрения анализа данных? Суть его в том, чтобы последовательно разделять набор данных на более «чистые» подгруппы, имеющие четко определенные характеристики. По сути, мы хотим просеять данные сквозь сито; в результате образуются две группы{50} – прошедшие и не прошедшие отбор.
Представьте себе кучу зеленых и синих шариков. Если ваш фильтр разделяет эти два цвета, то в итоге вы получите две кучки шариков – синие отдельно, зеленые отдельно. Каждая из них будет более «чистой» с точки зрения цвета, чем изначальный набор. Затем мы можем повторить тот же процесс с использованием других переменных и т. д. В итоге набор данных превратится в своеобразное дерево с «листьями» (синими и зелеными), соединенными ветвями (связями).
Поясню на примере. На рис. 9.3 показано, как компания EarthLink произвела первое разделение данных при создании дерева решений в программе SAS Enterprise Miner{51}. Общее множество – клиенты, пользующиеся DSL, и для начала компания разделила их на группы позвонивших в колл-центр и задавших вопрос «Можете ли вы подключить мне широкополосный доступ?» (левая ветвь) и не сделавших этого (правая ветвь). Обратите внимание, что триггером события выступает звонок в сервисный центр с вопросом «Можете ли вы подключить мне услугу?».
В верхней части дерева решений приведены данные о двух группах клиентов: 5,2 % клиентов, пользующихся коммутируемым доступом, отказываются от услуг в течение 60 дней, а 94,9 % остаются. Однако среди тех, кто звонил в компанию (первое разветвление в левой части дерева), заметна большая разница в показателе оттока: 12,8 % (по сравнению с 42 % не звонивших, см. второй набор ячеек на рис. 9.3). Иными словами, клиенты, звонящие в компанию и узнающие, могут ли они пользоваться широкополосным доступом, имеют в 2,5 раза больше шансов отказаться от услуг компании, чем вся совокупность клиентов (для расчета этого показателя достаточно разделить 12,8 % на 5,2 %) – это ветвь с «высоким коэффициентом оттока». Правая ветвь – ветвь с «низким коэффициентом оттока»: клиенты, которые не обращались с запросом о предоставлении услуг широкополосного доступа, на 20 % (4,2 % / 5,2 %) реже склонны расставаться с компанией (по сравнению со всей клиентской базой).
