Как вырос data-driven маркетинг и чем он похож на выбор спелой клубники?
Хорошо не забытое и не такое уж старое
Маркетинг на основе данных далеко не новая история. Идея принимать решения на основе объективных данных появилась еще в прошлом веке. Однако в то время технологии для data-driven-подхода еще не были достаточно развиты.
Один человек за адекватное для бизнес-задач время мог обработать и интерпретировать большое количество информации. Однако затем данных стало еще больше, они стали еще богаче и насыщеннее. Проследить все новые взаимосвязи и нюансы работы рекламы, захваченные паутиной Big Data-систем, на практике превращается уже не в развлекательную головоломку, а в гордиев узел. ИИ в форме машинного обучения (ML) стал мечом, которым подобные узлы разрубались сначала внутри гигантов Кремниевой долины типа Google, а затем и на остальном рынке.
Сегодня эта проблема довольно эффективно решается благодаря развитию направления Data Science, где искусственный интеллект (AI) позволяет интенсивно работать с большими объемами данными. Большими настолько, что открываются совершенно новые горизонты в плане сложности решаемых задач, а бизнес готов платить за соответствующие компетенции огромные зарплаты. Внесем ясность: AI, Data Science, ML — это все свежие варианты data-driven-подхода.
Специалисты могут оперативно собрать информацию о миллионах покупок, провести ее ретроспективный анализ, построить на его основе прогноз, обнаружить тысячи корреляций. Откопать самоцветы бизнес-инсайтов в таких массивах данных, в которые глаз бывалого маркетолога не мог даже заглянуть, а MS Excel отказывался открывать. Научным методом отделить сигнал от шума и взять правильный след, а не пустить всю компанию по ложному. Создать из этого и автоматизировать стратегии закупки рекламного трафика, подбора креативного контента, распределения рекламных бюджетов.
Первое преимущество data-driven-подхода: навигация не на ощупь
Можно выделить три основные категории информации, которая используются при принятии решений:
Экспертное мнение. «Самая дешевая валюта» в текущих реалиях, поскольку мнение есть у всех, оно субъективно и, по сути, просто неподтвержденная гипотеза. При этом аргументация здесь может быть слабой или спорной, а вся «экспертиза» может держаться на статусе либо на опыте, неизвестно, в какой мере релевантном в конкретном кейсе (например, он может устареть). Порой это лучшее знание из доступных, и решения приходится принимать на его основе. Количество кейсов, когда эксперт говорит одно, а данные и реальная ситуация на месте показывают другое, — больше, чем многие готовы признать. Отчеты — грубо говоря, факты, подтвержденные практикой. Предполагается, что кто-то засучил рукава и поработал для конкретного кейса: проведено разовое расследование ситуации на месте, выполнены определенные наблюдения и одноразовый сбор данных. Часто эти данные собраны вручную и отражают состояние в конкретный момент, но не дают полной картины — как разово сданный общий анализ крови, который не раскрывает состояния здоровья в целом. Но это уже лучше, чем мнение, и может применяться для проверки гипотез разово. Аналитические базы данных — оазис бесконечного потока обновляющихся, свежих данных о различных аспектах бизнеса. У современных компаний почти всегда есть такие хранилища данных, надо просто получить доступ к ним и разобраться в них. Если же их по какой-то причине нет или же существующих недостаточно, нужно понять, какую именно информацию необходимо собирать и подобрать соответствующее решение.
Маркетинг на базе больших данных — это более высокое качество знаний и, как следствие, более высокий уровень информированности при принятии решений.
Второе преимущество: гибкость и масштабируемость
Энгельс говорил, что «изменение количества также влечет за собой и изменение качества». Data-driven-подход на больших данных позволяет, при росте количества операций, клиентов, товаров и других бизнес-сущностей, сохранить или даже повысить их качество.
Особенно ярко преимущество в масштабируемости ощущается при работе с многоразмерными данными. Например, когда категорий, по которым нужно сделать группировку данных, слишком много. Или когда на желаемое явление влияет много наблюдаемых факторов. Или когда хочется детализировать верхнеуровневый прогноз так, чтобы он был оптимальным.
Это несколько типичных сценариев, где имеет смысл использовать машинное обучение, чтобы распутать клубок вопросов.
Приведем пример.
Ежу понятно: на примере с клубникой
Представим простую бытовую задачу — выбрать на рынке клубнику. Она оценивается в 400 рублей за килограмм. Но вся клубника в лотке разного качества: какие-то ягоды спелые и свежие, какие-то более зеленые, какие-то битые и т. д.
Если человеку достаточно одной вкусной ягоды (это порядка 30 г), он быстро найдет хорошую и деньги будут потрачены эффективно. Но если нужно купить килограмм клубники, придется либо долго выбирать хорошие ягоды (потратить много времени), либо набрать каких попало ягод не глядя (среднее качество купленных ягод будет хуже). Когда речь идет не о розничной покупке, а, например, о закупке десятков или сотен килограммов для сети ресторанов, обеспечить качество становится еще сложнее.
Теперь представим, что закупкой клубники может заняться искусственный интеллект, который оценивает качество каждой ягоды, назначает ей справедливую цену, торгуется с продавцом и делает все это за миллисекунды. В итоге килограмм клубники обходится либо дешевле, чем 400 руб./кг, либо человек получает клубнику максимального качества, или больше, чем один килограмм, все за те же 400 рублей.
В зависимости от того, какая цель стоит перед ИИ, человек получит соответствующий прирост эффективности по сравнению с ручной закупкой.
Слабости data-driven-маркетинга
Как и у любой технологии, у работы с большими данными есть свои недостатки. Самый очевидный — это высокие требования к компетенциям. Речь не только о профильных специалистах в области Data Science. От руководителей также требуются базовое понимание того, что такое AI, ML и как они применяются в маркетинге, основные знания в области статистики.
Data-Driven на практике. Как избежать ловушек
Вторая слабость — качество данных. В частности, недостоверность и неполнота. Она может быть обусловлена множеством факторов, от недостатка информации при анализе до технического несовершенства систем сбора и хранения данных. Поэтому важно проводить всестороннее тестирование и проверку гипотез.
И самая неочевидная слабость — в глазах смотрящего. Важно быть морально готовым к тому, что объективные данные могут иногда в корне расходиться с видением бизнес-эксперта, противоречить его интуиции и опыту. Можно сказать, что это своеобразный тренинг по укрощению своего профессионального самолюбия.
Советы по внедрению data-driven-маркетинга
Во-первых, не стоит гнаться за хайпом и передовыми технологиями. Лучше присмотреться к тем решениям и подходам, которые уже зарекомендовали себя и точно имеют ценность для вашего бизнеса.
Во-вторых, лучше начинать с простого. «Выращиваем» data-driven-маркетинг в компании постепенно. Путь в общем случае выглядит так:
Аналитика. Так извлечь пользу из уже имеющихся данных будет быстрее всего, появятся первые позитивные результаты.
Дата-инжиниринг. Речь в первую очередь о поиске/создании баз данных, построении процесса работы с ними, автоматизации сбора данных.
Простые, верхнеуровневые ML-модели. Когда у вас уже есть отлаженные базы данных, можно приступить к внедрению машинного обучения для верхнеуровневых задач.
Глубокие и детализированные ML-модели. С течением времени компетенции компании вырастут, появится развитая система сбора информации, на базе которой можно строить серьезные, глубокие исследования.
***
Совокупность этих рекомендаций позволит минимизировать риски и максимизировать пользу от внедрения data-driven-подхода. А если успешно преодолеть слабости подхода, то результат не заставит себя долго ждать. Например, мы с помощью машинного обучения смогли качественно увеличить показатели KPI по закупке мобильного трафика: CPI (Cost per Install), CPA (Cost per Action), ROAS (Return on Ad Spend), когда по сравнению с ручной закупкой эти показатели выросли кратно, а сама закупка стала автоматизированной.