Data Driven подход в маркетинге: принимаем решения на основе данных

Data Driven Decision Making (англ. «решения, основанные на данных») — подход к управлению, который опирается на знания и выводы, полученные на основе больших данных, в противоположность принятию решений руководствуясь интуицией.

Этот подход используется предпринимателями в самых разных областях — при сборе информации о клиентах, построении бизнес-моделей и продажных стратегий, в программировании и дизайне.

Методики data driven начали формулироваться в конце 90-х годов прошлого века, а сам подход постепенно сменил в бизнесе устаревшие управленческие принципы HiPPO (Highest Paid Person’s Opinion), основанные на принятии субъективных руководящих решений.

Поскольку принципы дата дривен используются в самых разных областях маркетинга и управления, выделим несколько основных целей этого подхода.

Бизнес-менеджмент и раньше ориентировался на самые разные метрики, однако только в эпоху полной цифровизации появилась возможность применять в работе достоверную, проверенную информацию.

Используя точные аналитические данные, обращаемся исключительно к целевой и потенциально лояльной аудитории.

Информацию из различных источников, сервисов и платформ используем для объединения в общую статистическую картину.

Сбор и объединение данных с помощью методов data driven позволяет повысить их аналитическую точность.

Полученную за счет выверенного анализа информацию используем для разбивки собственной аудитории на потребительские категории.

Обширный массив данных, собранных с помощью методик дата дривен, объединяем в комплексные отчеты. Ими могут пользоваться и маркетологи, и «продажники», и управленцы.

Использование подходов data driven подразумевает не только получение определенной информации, но и улучшение прогнозов развития бизнеса в целом или отдельных кампаний.

Несмотря на то что некоторые цели связаны с решением рутинных маркетинговых задач, главная задача сбора и анализа данных дата дривен сводится к получению прибыли.

К примеру, глубокий анализ данных помогает спрогнозировать, какие из товаров в ассортименте дадут дополнительную прибыль. Эта информация, в свою очередь, позволяет маркетологам и менеджерам разработать наиболее эффективную стратегию продаж.

Метрики в маркетинге data driven привязаны к ключевым показателям эффективности (KPI).

Выделим несколько важных метрик:

Это далеко не полный список метрик дата дривен, их может быть больше. Каждый бизнес определяет свои ключевые метрики сам.

Каждая метрика должна соответствовать бизнес-цели на том или ином этапе проведения кампании. Поэтому мы рекомендуем ориентироваться на несколько важных правил подбора метрик data driven:

Для успешной оценки взятых на вооружение маркетинговых инструментов метрик не должно быть много — 3−5 на каждый этап бизнес-стратегии вполне достаточно.

Например, для оценки рекламной кампании достаточно видеть кликабельность (CTR), стоимость клика (CPC) и доход с каждого клика (RPC). На этапе рассылки электронных писем рекомендуем обращать внимание на показатели доставляемости (deliverability), открываемости писем (OR — Open Rate) и клики по ссылке в письме (CTR).

Анализ метрики будет наглядней, если сравнивать показатели во времени, по характеристикам групп пользователей или каналам продаж.

К примеру, вывод, что уровень конверсии повысился в 2 раза по сравнению с прошлым месяцем, дает нам больше, чем факт, что конверсия = 5%.

Этот принцип тесно связан с предыдущим: соотнося показатели друг с другом, мы упрощаем себе задачу в оценке долгосрочного тренда на том или ином этапе рекламной кампании, в понимании причин изменений и т. д.

Например, сравнивая процент конверсии новой воронки продаж с процентом конверсии в более старой воронке, мы определяем, что именно привело к изменениям. Сравнивать можно и две разные воронки, и две вариации одной и той же.

Для наглядности возьмем абстрактную ситуацию. Владелица салона красоты использовала в воронке на сайте в качестве конверсионного действия запись на процедуры по телефону. Конверсия этого призыва к действию ее не устроила, и она добавила акцию — скидку первым 15 позвонившим в определённые дни. В результате конверсия увеличилась в 1,5 раза.

Обычно это количественные метрики: трафик, число подписчиков, шерингов и т. д.

Эти показатели можно включать в отчеты, но нужно иметь в виду, что в сравнении с метриками качества (LTV, средний чек и др.) они не показательны. Метрики качества демонстрируют, насколько бизнес эффективен, тогда как метрики тщеславия просто отражают цифры, без привязки к значимым действиям пользователей.

Как показывает практика крупных брендов, показатели дата дривен можно использовать на каждом этапе продвижения продуктов и услуг.

Бизнес проводит полноценные, обширные маркетинговые исследования, цель которых в точном определении целевой аудитории и ее «болей», а также — в тщательном анализе конкурентов, расчетов возможной прибыли.

Пример: в 2012 году руководство компании British Airways поставило задачу нарастить долю рынка перелетов из Северной Америки, так как они приносили наибольшую прибыль. После изучения авиарынков разных стран British Airways решила сосредоточиться на Индии, чей потенциал оценивался более чем в 2 млрд долларов.

Далее British Airways провела несколько фокус-групп среди индийских экспатов, живущих на Западе. Выяснилось, что индийцам не по душе попытки приспособления национальной культуры к сервису во время перелетов (подача индийской еды, элементы традиционной одежды и аксессуаров в униформе экипажа и т. д.). Зато определилась основная причина перелетов — возможность встречи с живущими на родине родственниками.

Результатом большого исследования стала рекламная кампания British Airways в 2013 года «Навести маму», целевой аудиторией которой стали индийцы, живущие в США и Канаде и рост доли перелетов с 7,1% до 10,4%.

Проведение исследований и сбор важных для data driven сведений на этапе доработки позволяет скорректировать информацию о потребительском поведении, среднем чеке или сути конкретного товара/предложения.

Пример
У бренда спортивной одежды Under Armour в 2013 году доля продаж женских коллекций составляла 17% от общих доходов бизнеса. Женская аудитория не воспринимала Under Armour в качестве дружелюбного по отношению к себе бренда, поэтому руководство решило провести репозиционирование.

В качестве основного концепта Under Armour взял на вооружение идею освобождения женщины от навязываемых обществом стереотипов и социальных ролей. Концепт был сформирован на базе обширного массива собранных данных о том, кем бы современные западные женщины хотели себя видеть. Позже была проведена широкая рекламная кампания, в основу которой легла история личного успеха Мисти Копленд, афроамериканской балерины Американского театра балета.

Методики data driven также помогают улучшить показатели конверсии в случае, когда люди уже приобрели товар или воспользовались услугами. Для этого проводятся исследования поведения клиентов с выяснением о том, как они узнали о компании, чем заинтересовались, как долго размышляли о покупке и т. д.

Пример
В 2020 году специалисты «Альфа-банк» проанализировали всю воронку продаж и модели поведения тех клиентов, которые после изучения оффера подали заявку на получение карты. Затем с помощью инструментов Яндекс. Директа было протестировано несколько конверсионных стратегий, позволяющих связать онлайн- и офлайн-историю пользователей. На основе полученных data driven данных, реклама начала таргетироваться на тех пользователей, которые с большей вероятностью заинтересовались бы оффером.

В результате «Альфа-банку» удалось увеличить число заявок на получение карты в 1,6 раз.

Data driven decision making подразумевает комплексный подход к сбору, анализу и интерпретации немалых объемов данных. Поэтому на практике многие компании сталкиваются с проблемами внедрения. Среди основных проблем мы выделяем:

Нередко компаниям приходится сталкиваться не только с большими объемами информации, но и с трудностями в их получении на каком-то этапе воронки.

К примеру, бизнес начинает терять прибыль, так как новые клиенты не регистрируются в приложении. Соответственно, цель работы data driven будет заключаться в определении тех проблем, с которыми сталкиваются клиенты в момент регистрации.

Для получения максимально верной картины требуется сбор сведений из большого количества источников — с сайта, из отдела продаж, из рекламных кабинетов, CRM и ERP-систем и т. д. Для хранения данных требуется развитая IT-инфраструктура, позволить которую способен далеко не каждый бизнес.

Для анализа и интерпретации полученной с помощью дата дривен информации, требуется команда минимум из двух профессионалов — маркетолога и специалиста в области data science.

Избежать трудностей, связанных с извлечением и анализом данных data driven помогает наш сервис. Andata предлагает сервис оптимизации контекстной рекламы, работающий на основе перспективных AI-алгоритмов.

Возможности искусственного интеллекта позволяют анализировать большие массивы данных, улучшать в автоматическом режиме все запущенные рекламные кампании, оптимизировать ставки, минимизируя нецелевые траты бюджета и т. п.