21.04.2022

Data driven подход в маркетинге: как анализировать большие данные и принимать решения

Информация правит миром — сложно спорить, когда поведение потребителей можно проанализировать с помощью методик сбора и анализа больших массивов данных. Для интерпретации и построения эффективных маркетинговых стратегий на основе этих данных мы используем особые методики, обозначаемые словосочетанием data driven.

В этой статье разбираемся, что из себя представляют подходы data driven, рассматриваем цели и метрики маркетинговой методики.
Содержание

Что такое data driven

Data Driven Decision Making (англ. «решения, основанные на достоверных данных») — подход к управлению компанией, основанный на использовании больших данных.

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.

Главные цели data driven

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

Принятие управленческих решений на основе достоверных данных

Бизнес-менеджмент и раньше ориентировался на самые разные метрики, однако только в эпоху полной цифровизации появилась возможность применять в работе достоверную, проверенную информацию.
Используйте всю силу data-driven маркетинга на ML-платформе ANDATA

Привлечение клиентов

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

Объединение разных данных в целое

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

Повышение качества данных

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

Сегментирование целевой аудитории

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

Согласование работы разных отделов компании

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

Улучшение точности прогнозов

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 DD-маркетинге

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.

Как правильно выбирать метрики

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:

Небольшое количество показателей

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).

Принцип сравнительности

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%.

Принцип относительности

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.

Не использовать «метрики тщеславия»

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.

На каких этапах развития бизнеса внедрять data driven подходы

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

На этапе запуска

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%.
В результате проведенной кампании British Airways увеличила долю перелетов из Северной Америки в Индию

На этапе доработки продукта или оффера

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.
В результате кампании Under Armour получил более 5 млрд упоминаний в СМИ и в соцсетях, а продажи женской одежды выросли на 28%

На этапе увеличения конверсии

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.
Наши рекомендации по оптимизации рекламных кампаний в Яндекс. Директ читайте в этой статье:

Почему методы data driven внедрять в работу компании непросто

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:

Сложности с определением источников данных

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.

Недостаток инфраструктуры хранения

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.

Отсутствие компетентных специалистов

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.
Оцените преимущества
ANDATA прямо сейчас
Читайте также