“You can’t manage what you don’t measure.” — W. Edwards Deming
“Data from large data sets can take the guesswork out of selling. People have always talked about the ‘art’ of sales. But with Big Data, art is being replaced by scientific analysis.” — Homayoun Hatami
«Сад камней», «Философский сад»… Главная достопримечательность японского города Киото и десятки толкований сути, какую вложил столетия назад мудрый монах Соами в пятнадцать черных необработанных и разных по величине камней, разбросанных по белому песку.
Мы говорим «пятнадцать камней» потому, что столько указано в описании для туристов. На самом деле можно одновременно заметить лишь четырнадцать. Пятнадцатого камня вы не увидите. Его загораживают соседние камни. Пройти шаг по деревянной галерее, протянувшейся вдоль края песчаного прямоугольника — с остальных трех сторон сад ограничен каменными монастырскими стенами, — и снова четырнадцать камней. Пятнадцатый — тот, что до сих пор прятался, теперь оказался в их числе, а исчез другой камень. Еще шаг по галерее, и гениально спланированный хаос предстает опять в иной композиции, состоящей из все тех же пятнадцати камней, из которых один — невидим.
Одно из толкований смысла этой невероятной композиции, пробуждающей разум, — для того, чтобы увидеть все пятнадцать камней одновременно, нужно сменить точку созерцания — посмотреть на Сад Камней сверху.
Сказанное в некоторой мере иллюстрирует особенности философии Big Data — Больших Данных и ее революционность по отношению к устоявшимся идеям о ценности опыта, повторения отработанных приемов.
По мере распространения как собственно философии Больших Данных, так и инструментов их анализа, лидеры мнений в различных отраслях экономики и промышленности уже используют фантастические возможности Big Data. Другое дело, что выстроить целую компанию или даже отдельную маркетинговую стратегию под Big Data требует от руководства немалого мужества,- помимо очень серьезных аналитических затрат. Тем не менее, Большие Данные — это не отдаленное и отвлеченное, это наше сегодня, если уже не вчера, и освоить новые революционные пути нам необходимо.
Теме Big Data в маркетинге на мобильных платформах был посвящен доклад на международном конгрессе WEBIT 2012, который представил Андрей Себрант, директор по маркетингу сервисов Яндекса.
Никогда раньше поток данных не был настолько велик и разнообразен. Используя различные цифровые каналы, мы получаем огромное количество цифровых данных. Можно утверждать, что маркетинг стал цифровым в своей основе, он становится классической естественной наукой. Основная задача маркетинга — понять, где же находится счастье пользователей (клиентов, покупателей). Причем мы находимся в ситуации, когда пользователь или покупатель очень часто сам не понимает, что представляет из себя его счастье.
акже мы можем утверждать, что маркетинг — наука экспериментальная.
- Мы изучаем мир (людей, продукты и рынки) создавая модели и тестируя их в экспериментах
- Модели основаны на уже известных фактах, наблюдениях, интуиции и фантазии. Модель это не просто формальная экстраполяция!
- Эксперименты и тесты проводятся с помощью стандартных научных методов
Если рассматривать сферу мобильного маркетинга, здесь мы имеем дело с
- мобильными приложениями
- сайтами, адаптированными или разработанными под мобильные устройства.
Есть кое-что, что топ-менеджеры компаний должны держать в уме, когда они запускают стратегии Big Data в своей бизнес нише: настоящая, продвинутая аналитика Больших Данных — это про то, какая именно взаимосвязь существует между различными наборами цифровых данных, поступивших по различным каналам.
Первое, что должен сделать лидер компании, это убедиться, что в распоряжении компании есть достаточный инструментарий для анализа поступающих данных.
Для большого WEB у нас вполне достаточно аналитических инструментов, упомянем основные — Yandex Metrica и Google Analytics. Что касается мобильного WEB, там инструментария намного меньше и он не так развит. Здесь мы можем использовать для анализа данных:
Таким образом, в случае мобильного WEB, мы работаем на сравнительно (относительно большого WEB) небольшом объеме данных с помощью ограниченного инструментария.
Ключ к использованию возможностей Big Data в подобных случаях — сконцентрироваться на получении набора результатов анализа, имеющего наибольшее влияние на достижение целей нашего бизнеса и понять, какие конкретно данные нужно собрать для получения этого набора результатов.
Тут надо понять, что любая компания, небольшая или большая, может принять участие в большой игре под названием Big Data и получить вполне конкретные бенефиты.
Рассмотрим мобильные приложения. Ниже, на примере реального приложения, демонстрируется, насколько ущербно бездумное измерение (и использование) показателей, которые не отражают реальной картины жизни приложения.
Этот слайд демонстрирует, чем оборачивается использование числа загрузок нового мобильного приложения в качестве ключевого параметра маркетинговой отчётности. На временной развертке видно, сколько пользователей остаются лояльными к этому приложению через 9 месяцев — 7% от первоначальной величины.
● большие данные нужно анализировать на длительных временных интервалах
Первые 4-6 недель пользования приложением — определённый рубеж, контрольная точка для анализа данных по мобильному приложению. Дальше самое интересное — остаются люди, которые будут долгое время с вашим приложением, если вы будете идти навстречу их интересам, поняв, в чем их простое пользовательское счастье применительно к вашей сфере деятельности.
● внимательно и глубоко анализируем ту часть аудитории, которая осталась лояльна к приложению через 4-6 недель использования. Изучаем интересы, демографию, данные о местоположении, всё, что может дать характеристику группе пользователей. Эти данные нам будут нужны на протяжении всей работы.
<p.слайд: <p=»» пользователях.=»» постоянных=»» сезонных,=»» лояльных,=»» на=»» зарабатывать=»» 2=»» бюджеты.=»» рекламные=»» расходовать=»» разумно=»» 1=»» приложения:=»» вашего=»» жизни=»» время=»» увеличить=»» причины=»» главных=»» две=»»>
<p.слайд: <p=»» пользователях.=»» постоянных=»» сезонных,=»» лояльных,=»» на=»» зарабатывать=»» 2=»» бюджеты.=»» рекламные=»» расходовать=»» разумно=»» 1=»» приложения:=»» вашего=»» жизни=»» время=»» увеличить=»» причины=»» главных=»» две=»»>Однако, для понимания — почему прекращается использование приложений, — нам нужно использовать сегментацию, построить модель и правильно нацелить свои усилия.
Рассмотрим пример сегментации — по мобильным платформам
Платформа Windows Mobile, отток пользователей по неделям
Как видно из графиков, от недели к неделе величина оттока пользователей остается примерно на одном уровне.
На платформе Android на той же временной шкале мы наблюдаем иную картину — от недели к недели величина оттока пользователей становится меньше:
● Наблюдая данные, демонстрирующие отрицательную для ваших целей динамику, не пугайтесь!
● Разбейте данные на сегменты и ищите скрытую положительную динамику
● Работайте отдельно с каждым сегментом данных
Еще немного о моделировании оттока пользователей мобильного приложения
● Одинаковый процент пользователей покидает сервис каждую неделю
● Скорость распада характеризуется периодом полураспада, временем требуемым на сокращение количества пользователей наполовину
● Если процесс описан суммой двух экспонент, есть две группы пользователей с разными периодами полураспада
● Во многих практических случаях график скорости оттока является суммой двух экспонент, подобных графикам распада радиоактивных изотопов
На примере ниже — две рекламные кампании, в одной из них (синий график) — 5% лояльных пользователей, время «полураспада» три недели; вторая же (красный график), состоящая из 100% лояльных пользователей, имеет бесконечный период «полураспада». Понятно, что вкладываться нужно в рекламную кампанию, которая дает нам долгоживущих пользователей.
Перевод с математики в маркетинге (почему моделирование имеет такое значение для работы с большими данными)
Две группы не означают два изотопа в нашем случае: мы рассматриваем лояльных (длительный период «жизни») и случайных (короткая «жизнь») пользователей.
Таким образом, мы получаем количественные показатели для измерения лояльности на начальном этапе новые (или вновь запущенные) службы или приложения Теперь вы можете контролировать не целый пучок кривых, а только три ключевых показателя, полученных из множества данных:
Основной целью является снижение А — коэффициента оттока абонентов и, если возможно, увеличение Tslow (Tfast в действительности не имеет значения).
Из описанного выше мы можем сделать выводы:
- Многие рекламные кампании, к сожалению, очень далеки от идеала. Они построены так, чтобы каждый месяц привлекать новых пользователей с коротким периодом лояльности, а не работать над расширением и удержанием ядра лояльной аудитории
- Коэффициент оттока абонентов является хорошей метрикой для оценки качества, или сравнения рекламных каналов
- Впустую расходуются огромные бюджеты — прежде чем привлекать новых пользователей, проанализируйте лояльных, исследуйте причины оттока пользователей — «заткните дыры»
Вы можете измерить влияние обновления на версии приложения пользователей.
Контрольная группа: пользователи старой версии
Тестовая группа: пользователи новой версии
Метрика для мониторинга: процент лояльных пользователей, отношение периодов “полураспада”
И тогда вы сможете предсказывать будущее!
«Тяжело делать предсказания, особенно о будущем», — Yogi Berra, философ-любитель.
Это смешное высказывание в наши дни больше не выглядит таким уж забавным. Пришла Эра Big Data — и вместе с нею возможность предсказывать будущее. Это реально становится частью новых бизнес-реалий. Каким бы ни было ваше поле деятельности, делать бизнес сегодня означает погрузиться в массу зашумленных, неструктурированных данных, поступающих в реальном времени от ваших клиентов, конкурентов, от множества каналов, связывающих вас со средой ведения вашего бизнеса — и выудить из этой массы данных информацию, позволяющую предсказывать тенденции развития вашего дела.
Традиционные маркетинговые исследования, как правило, используют неестественные действия, такие, как опросы, интервью в торговых центрах, фокус-группы. Big Data изучают, что на самом деле люди говорят и что они сделали или собираются сделать. Также в реальном времени поступают данные о том, чем люди заняты в настоящее время и что они планируют. Только возможности Big Data позволяют обрабатывать такие объемы неструктурированных данных, постоянно поступающих на вход аналитических систем.
Интернет маркетинг стал настоящей фундаментальной наукой и результаты исследований нужно и должно использовать в бизнес прогностике. Так, например, динамика количества запросов к поисковой системе от квартала к кварталу дает более четкий прогноз по спросу на недвижимость, чем целая команда аналитиков.
Зная точное время и место, куда и в какой момент нужно доставить некое сообщение (или совершить действие) до того, как этот момент наступил, означает обладать необыкновенными возможностями.
Используйте научные возможности маркетинга, и расстояние между вами и вашими клиентами станет таким близким, как никогда ранее.
Исследования Big Data могут порождать идеи, которые позволяют вывести бизнес на качественно новый уровень.
Годами аналитики бизнес процессов оперировали большими наборами данных, включая данные CRM и данные о транзакциях.
Однако, «Big Data» отличаются от просто больших наборов данных по следующим параметрам:
• Источники Big Data собирают данные по множественным как онлайн, так и оффлайн каналам. Это данные о клиентах бизнеса, партнерах, поставщиках, поисковых запросах, данные социальных медиа, данные о местоположении, используются даже такие данные, как погода и демографическая информация целевой аудитории.
• Масштаб Поскольку в целях исследования собран вместе огромный пул данных, объемы этих данных на порядки больше, чем объемы просто больших наборов данных, которыми бизнес аналитика оперировала ранее.
• Временная шкала Теперь данные доступны нам и в реальном времени. Зная, как найти наших потенциальных клиентов в социальных сетях, мы можем проанализировать, о чем они говорят, например, в социальных средах (с помощью поведенческого и анализа настроений) и что именно они покупают.
Анализ таких данных может привести нас к серьезным прорывам в бизнесе.
Простые примеры: Данные о предполагаемом сроке родов беременных женщин могут помочь производителям детских товаров предложить женщинам релевантные их интересам товары к указанной дате и сработать на максимальную прибыль для себя и максимальное удовлетворение покупательского интереса…
Динамика количества запросов к поисковой системе от квартала к кварталу дает более четкий прогноз по спросу на недвижимость, чем целая команда аналитиков…
Анализ динамики запросов пользователей к поисковой системе о симптомах гриппа и простуды, например, позволит производителям лекарств оперативно подготовиться к увеличившемуся спросу медпрепаратов и средств профилактики…
Список можно расширять бесконечно, ведь это только начало большой игры с Big Data.
По материалам конгресса WEBIT 2012, обзор подготовила: Лада Калашникова
