• Маркетинг, основанный на событиях, позволяет перевести гибкий маркетинг на более высокий уровень. Используйте аналитические инструменты, чтобы нацелить правильное предложение на нужных клиентов в нужный момент, а затем и повысить коэффициент отклика в пять и более раз.

• Есть три основных метода аналитического маркетинга: модели предрасположенности, предсказывающие вероятность покупки; анализ рыночной корзины, обеспечивающий ассоциативные правила (ответ на вопрос «Какие еще продукты приобретают клиенты, купившие наш товар?»); дерево решений, которое позволяет производить гиперсегментацию, основанную на характеристиках потребителей.

• Аналитический маркетинг позволяет легко измерить основные финансовые показатели ROMI: чистую приведенную стоимость, внутреннюю норму доходности и окупаемость – для проектов, основные цели которых – повышение уровня отклика на маркетинговые предложения и повышение прибыли вследствие роста продаж или заказов.

Я неоднократно подчеркивал, что вам не нужны многомиллионные инвестиции для запуска инфраструктуры маркетинга, основанного на данных. Вначале можно использовать Microsoft Excel. Но наверняка вам этого будет мало. Однако если вы спросите меня: «Какая инфраструктура нужна для внедрения новой модели маркетинга?» – я отвечу: «Все зависит от конкретных условий».

Если, например, цель в том, чтобы контролировать вопросы цикла покупки с применением сбалансированной системы показателей: осведомленности о бренде, удовлетворенности клиентов, тест-драйва, коэффициента отклика, показателей ROMI и интернет-показателей – вы можете начать с таблиц в Excel или даже бумажных карточек.

Однако если вы хотите активно управлять оттоком клиентов, заниматься маркетингом, основанным на пожизненной ценности клиента, и/или маркетингом, основанным на событиях, то хранилища данных и аналитическая инфраструктура необходимы. Что вам нужно и сколько придется за это заплатить? Все зависит от конкретных условий. Попробуем разобраться в этом вопросе.

В самом начале разговоров о маркетинговых базах данных и технологиях мне всегда задают вопрос: «Какие данные мы должны помещать в хранилище?». Я считаю такую постановку вопроса неверной. В данном случае лучше спросить: «Каковы требования моего бизнеса?». Иными словами, вам нужно понять, на какие вопросы нужно найти ответ и для какого количества клиентов. Необходимые вам данные (и требования к ним) будут определяться вашими бизнес-целями.

Для авиакомпании правильный вопрос мог бы звучать так: «Какое количество людей в возрасте от 30 до 49 лет, часто пользующихся нашими услугами, перестало летать из Чикаго в Вашингтон и обратно в прошлом месяце? Почему? Для каких сходных с ними клиентов с высокой ценностью высока вероятность расставания с компанией? Какое влияние могут оказать на них маркетинговые мероприятия, направленные на снижение оттока?». Ответ на первый вопрос требует проведения поиска по всем клиентам, в результате которого компания может выявить целевую группу потребителей. Последующие вопросы требуют еще больше данных. В частности, помимо информации о полетах и демографических данных, нужно определить ценность клиента, а это требует сбора данных по всей компании.

_{Рис. 10.1. От информации к действиям}

Каждый связанный с бизнесом вопрос обычно приводит к целому каскаду новых вопросов (рис. 10.1). Например, если вопрос звучит так: «Сколько клиентов отказалось от той или иной услуги в прошлом месяце?», то ответ может быть конкретным, например 0,5 %. На первом этапе мы пытаемся понять, что же произошло. Затем мы стараемся выяснить причину отказа от услуги. На третьем этапе мы пытаемся предсказать, что произойдет в будущем. Для этого нужно ответить на вопрос: «Сколько клиентов, скорее всего, откажутся от услуги по той же причине?». Этот вопрос обусловливает ряд мер, направленных на получение нужных данных, а затем и решений, основанных на полученной и обработанной информации.

Расчет показателя CLTV требует данных о затратах и доходах по всем точкам контакта с клиентами. В розничной торговле это магазины, интернет, каталоги, дилеры и т. д. Для затратной части уравнения вам нужно знать расходы: стоимость производства, гарантийные затраты, затраты на обслуживание и возврат товаров, привлечение и удержание клиентов, скидки и т. п., а также маркетинговые расходы, связанные с отдельными клиентами (директ-мейл, рассылка по электронной почте, сайт и т. д.). Скорее всего, они находятся в изолированных базах данных предприятия, называемых «витринами данных». Поэтому для ответа на маркетинговые вопросы необходимо свести всю эту информацию в центральную базу данных или корпоративное хранилище данных (EDW) для последующего анализа.

На рис. 10.2 приведена схема распределения в компании данных, необходимых для анализа CLTV. Здесь показано, каким образом все важнейшие с точки зрения прибыльности клиента данные накапливаются в различных функциональных зонах бизнеса: они поступают из различных источников. Для анализа нужен доступ к этим данным и их интеграция, что само по себе может стать непростой задачей.

_{Рис. 10.2. Данные от различных подразделений, необходимые для расчета CLTV}

^{Источник: Ричард Уинтер, www.wintercorp.com}

Однако самое важное – грамотный процесс мышления. Поймите суть маркетинговой проблемы, которую вы пытаетесь решить, и определите вопросы, на которые вам нужно получить ответ. Они определят инфраструктуру и набор необходимых данных. Существует целый ряд дополнительных факторов, влияющих на требования к управлению данными: и количество клиентов, и необходимая степень детализации данных, и сложность запросов и анализа, и необходимость в анализе непредсказуемых событий.

Объем и инфраструктура хранилища, которое необходимо для маркетинга, основанного на данных, зависит от двух важных параметров: количества клиентов и сложности требований. Первая переменная напрямую связана с размером EDW: каждое взаимодействие с клиентом (покупки, звонки в колл-центр, возвраты продукта и т. д.) создает новые данные о нем. Для анализа CLTV эти данные нужно собирать за период 3–5 лет. Если клиентская база велика, объем хранилища также будет большим. Вторая переменная выступает как множитель для расходов на создание сложной инфраструктуры. В следующем разделе я расскажу об этом подробнее.

В табл. 10.1 сравниваются три организации различного размера по возрастанию уровня сложности. Пример приведен для ретейла, но та же схема может применяться в любом бизнесе. Для уровня сложности в данном случае будет уместна аналогия со зданиями – в табл. 10.1 инфраструктура маркетинга, основанного на данных, для компаний различного размера сравнивается с домиком фермера, офисным зданием среднего размера и небоскребом Эмпайр-стейт-билдинг соответственно.

На нижнем уровне находится региональный ретейлер с 10 магазинами и 100 000 клиентов. Насколько велико будет хранилище данных для компании такого размера? Не больше фермерского домика (согласно данным последней переписи в США, площадь обычного американского дома чуть больше 200 м²). Что касается объема данных, то для небольшого регионального ретейлера со 100 000 клиентов он составит 1 терабайт, то есть в среднем объем данных о каждом клиенте будет равен примерно 10 мегабайтам (1012 байт / 10⁵ клиентов = 10⁷ байт в расчете на клиента = 10 мегабайт в расчете на клиента), что представляется вполне реалистичным. Приобретение системы, способной хранить и обрабатывать такие массивы данных (при среднем уровне сложности анализа), потребует инвестиций в оборудование и программное обеспечение в размере 50 000–250 000 долларов. Величины расходов ориентировочны и представлены лишь для того, чтобы вы могли оценить порядок цифр.