** Эта статья изначально была опубликована в Applied Marketing Analytics (Volume 4/Number/2019) издательства Henry Stewart Publications **

Конкуренция является движущей силой роста маркетинговой аналитики B2B и B2C. Менеджмент всегда ищет способы обойти конкурентов и увеличить прибыль. Нет недостатка в метриках для мониторинга и отслеживания; конечной целью является достижение и превышение KPI при максимальной рентабельности инвестиций.

Эффективность экосистемы маркетинговой аналитики организации может быть напрямую связана с предоставленными практическими данными и предпринятыми действиями. То, насколько глубоко человек копает, чтобы получить представление, связано с успехом. Простота того, как эти идеи доводятся до руководства, стимулирует принятие решений и действия.

Там много продавцов. Для принятия важных и своевременных бизнес-решений руководству нужны аналитические платформы, которые немедленно влияют на бизнес. Лучший способ использовать этот мощный инструмент — вопрос выбора. Все формы аналитических подходов учитывают пути пользователей мобильных устройств, ноутбуков или настольных компьютеров. эффективно обмениваться аналитическими данными с помощью панелей мониторинга, которые являются всеобъемлющими, но простыми в настройке. Этот подход потенциально может привести к действенным выводам. Более того, такое понимание может оказаться ключевым фактором, который необходим руководству для оперативного принятия решительных мер, которые немедленно повлияют на бизнес.

Лучший способ использовать этот мощный инструмент — вопрос выбора.

Все формы аналитических подходов учитывают пути пользователей мобильных устройств, ноутбуков или настольных компьютеров. Менеджмент должен понимать самые популярные пути и принимать бизнес-решения, основываясь на поведении своих пользователей на каждом этапе путешествия.

Информация, полученная на основе поведения пользователей, может послужить толчком для принятия решений, которые позволят более эффективно удерживать пользователей. Такие инициативы могут включать вознаграждение за рефералов сразу после регистрации пользователей или установку более низкого порога для открытия учетной записи. Одна маленькая привилегия может привести к более высокому уровню удержания.

Рассмотрим реальный пример. Hershey, одна из крупнейших компаний по производству снеков в США, использует аналитику, чтобы убедиться, что ее отделы продаж полностью укомплектованы в самые загруженные праздничные периоды года. Чтобы обеспечить адекватное укомплектование персоналом в периоды занятости, он использует системный процесс для прогнозирования убыли (REF1).

Используя данные о рабочей силе, Hershey создала прогнозирующую модель удержания, которая помогает компании выявлять риски бегства как в индивидуальном, так и в макромасштабе. Это позволяет компании увеличить удержание персонала и планировать потребности в найме на месяцы вперед, чтобы иметь под рукой нужный персонал, когда он больше всего нужен. Эта успешная стратегия гарантирует, что в случае необходимости компания будет иметь под рукой нужный персонал.

УПРАВЛЕНИЕ НА ОСНОВЕ ИНФОРМАЦИИ: ОСУЩЕСТВЛЯЕТСЯ ИНФОРМАЦИОННОЙ ПАНЕЛЬЮ

Текущие платформы маркетинговой аналитики используют простые способы создания персонализированных информационных панелей для всех и каждого, независимо от того, нужна ли маркетинговой команде действенная информация для кампаний или директору по маркетингу и вице-президенту необходимо принимать важные срочные решения.

Инсайты льются из маркетинговой машины. Критический вопрос заключается в том, как направить эти идеи тем, кто может предпринять немедленные действия, чтобы повлиять на бизнес.

Чтобы использовать силу этих идей, требуется гибкая структура, которая направляет правильные идеи соответствующим заинтересованным сторонам. Это ключ к реализации преимуществ анализа данных — преобразованию организации, которая когда-то была джунглями идей, в хорошо отлаженную фабрику идей.

Рассмотрим следующий пример. Руководство онлайн-дистрибьютора мобильных аксессуаров B2B настроило панель управления брошенными корзинами для региона Северной Америки, чтобы определить, какие области пользовательского опыта для компаний, совершающих покупки на Северо-Западе, требуют оптимизации.

Была создана группа по отказу от корзины, чтобы получать эти сведения, как только они становятся доступны. Команда видит, что пользователи уходят в одном и том же месте на пути от регистрации до оформления заказа после потребления одного и того же контента. Команда предупреждает руководство о проблемах, которые принимают бизнес-решение отказаться от поставщика контента и переключиться на другого, который может предоставлять более релевантный контент на основе пути пользователя. Стоимость немного превышает бюджет, но прибыль быстро компенсирует это.

Информационная панель позволяет увидеть общую картину, выделяя то, что наиболее важно для каждого заинтересованного лица, и позволяя им принимать решения на месте.

Лучшие аналитические платформы и их функциональные панели предоставляют различные возможности, которые будут подробно описаны в следующем разделе и помогут оценить, какая платформа может удовлетворить потребности управления.

Основной акцент на информационных панелях делается для целей отчетности. Лучшие информационные панели используют визуальные средства, такие как временные шкалы, тепловые карты, графики и диаграммы, для передачи информации руководству. Эта информация варьируется от доходов до коэффициентов конверсии, демографических показателей и показателей вовлеченности, среди прочего.

Атрибуты, которые следует искать в решении, ориентированном на сводную панель

Многие из множества существующих решений утверждают, что делают то же самое, чтобы помочь руководству достичь своих целей. По этой причине руководство должно составить дорожную карту именно того, что оно ищет, поскольку каждая организация уникальна.

В основе управления данными в контексте аналитического инструмента руководство должно учитывать множество переменных, когда думает о своих данных и аналитическом решении:

  • Настройка. Крайне важно иметь возможность настраивать информационные панели для каждого пользователя. Пользователи должны иметь возможность доступа к данным, которые им нужны, и просматривать эти данные удобным для них способом.
  • Интеграция/объединение данных. При потоковой передаче данных из нескольких источников, включая устройства Интернета вещей, хранилища данных и неструктурированные данные социальных сетей, любая информационная панель должна иметь возможность интегрировать такие данные, извлекать информацию из данных и сузить эту информацию, чтобы отображать только то, что полезно.
  • Скорость. Импортирует ли рассматриваемое решение данные перед обработкой или оно может обрабатывать запросы на лету? Ответ на этот вопрос может существенно повлиять на возможность быстрого доступа к данным. Также могут быть требования относительно манипулирования данными при импорте, а также вопросы об ограничениях емкости данных.
  • Визуализация данных. Это то, что дает жизнь анализу. Хотя все решения предоставляют эту возможность в той или иной степени, важно обеспечить возможность настройки аспектов визуализации решения и возможности включения динамической информации в режиме реального времени. Графические опции должны действительно соответствовать потребностям руководства и предоставлять возможность детализировать результаты. Руководство должно изучить, может ли решение обеспечить надежные параметры представления, такие как тепловые карты, параметры отображения диаграмм и т. д.
  • Отчетность. Решение должно предлагать комплексный инструмент, который позволяет обмениваться аналитикой внутри организации и, если того требуют требования, за ее пределами. Отчетность должна быть безопасной и легко настраиваемой авторизованными пользователями, а не только ИТ-отделом.
  • Безопасность. Обеспечение безопасного доступа крайне важно для эффективной организации. В современном мобильном мире пользователям необходим постоянный защищенный доступ и возможность просматривать информацию, обновляемую в режиме реального времени. Администрация должна обеспечить поддержку всех устройств и шифрование данных на каждом из них. Управленческое руководство должно иметь возможность устанавливать разрешения на лету, чтобы защитить конфиденциальные данные, чтобы такие данные не могли быть доступны неавторизованным пользователям.

Задавая трудные вопросы об этих атрибутах, можно найти решение, которое наилучшим образом соответствует потребностям руководства. Задавание трудных вопросов может иметь значение между выбором правильного решения с самого начала или тратой бюджета на несколько решений, пока в конечном итоге не будет найдено правильное.

По данным Econsultancy и IBM, «33% элитных маркетологов говорят, что наличие правильных технологий для сбора и анализа данных является наиболее полезным для понимания клиентов» (REF2).

КАК АНАЛИТИЧЕСКИЕ ПЛАТФОРМЫ РЕШАЮТ ПРОБЛЕМУ ПОНИМАНИЯ

Базовая аналитика

Google Analytics, отец веб-аналитики, — это удивительный инструмент и стандарт для измерения приобретения — определения источников трафика на веб-сайт или в приложение. Тем не менее, метрики в основном загрязнены, а это означает, что инструмент мало что делает для сопоставления всего пути пользователя. Предоставляя только части, которые составляют путешествие, трудно увидеть всю картину.

Например, если бы у вас было одновременно 20 пользователей из Австралии, которые одновременно потребляют разные типы контента, выполняют несколько действий, выходят, возвращаются, проверяют и используют разные устройства, было бы очень сложно экстраполировать полную картину, как она есть. чрезвычайно сложно или невозможно соединить все точки с помощью Google Analytics.

Google Analytics работает для большинства онлайн-компаний. Если вам нужна надежная информационная панель для предоставления по большей части грязной информации, Google Analytics — отличный способ начать (см. рис. 1). Тем не менее, он имеет свои ограничения. В частности, просто слишком много метрик без каких-либо оснований для их включения. Для маркетологов на передовой может быть достаточно Google Analytics. Однако для стратегии управленческого планирования, направленной на оказание воздействия, требуется более глубокая и действенная информация.

Разницу между использованием Google Analytics и решения для поведенческой аналитики можно сравнить с разницей между использованием разрозненного подхода и целостного подхода: Google Analytics предоставляет отдельные показатели, оторванные от контекста пути пользователя, в то время как поведенческая аналитика объединяет эти показатели вместе, чтобы предоставить полный путь пользователя. Базовая панель инструментов Google Analytics показывает множество метрик, но это похоже на просмотр моментов, застывших во времени — моментальные снимки анализа, которые произошли сегодня утром, вчера или в прошлом месяце. Информация статична. Этот вид статических данных не связан с другими точками пути пользователя. Это и есть определение грязных данных.

Основная проблема с использованием такого инструмента, как Google Analytics, заключается в том, что он не может идентифицировать пользователей. Это важно, когда речь идет об отслеживании действий пользователя на протяжении всего пути. Поведенческая аналитика, с другой стороны, идентифицирует пользователей с самого начала их пути и отслеживает их действия в виде временной шкалы в Интернете, на вашем сайте, на конкурирующих сайтах и ​​все их взаимодействия, чтобы рассказать о полном пути, чего не может Google Analytics.

Визуальная аналитика/аналитика взаимодействия с пользователем

Популярные платформы визуальной и пользовательской аналитики (UX), такие как Hotjar, FullStory и Inspectlet (для веб-сайтов) или Appsee и UserX (для мобильных приложений), отлично подходят для улучшения взаимодействия с пользователем.

На этих платформах используются записи сеансов пользователей (см. рис. 2), которые позволяют маркетологам приложений понять, как именно пользователи используют и перемещаются по мобильным приложениям или веб-сайтам. Платформа позволяет отслеживать путь клиента на всем пути, пока он потребляет контент, нажимает и оформляет заказ, и понимает, с какими проблемами он сталкивается.

Они также используют тепловые карты (см. рис. 2), которые, по сути, представляют собой совокупность всех выполненных жестов/взаимодействий, представленных в визуальном виде, что позволяет выделять элементы пользовательского интерфейса, которые пользователи могут счесть нелогичными.

Узнав, что такое удобство использования, UX и производительность, и внеся правильные изменения, можно значительно улучшить ключевые показатели эффективности, такие как минимизация показателей отказов, повышение удержания, максимизация конверсий и т. д.

Этот аналитический подход в основном подходит для управления продуктом, включая оптимизацию функций и управление выпусками, а также для дизайнеров UX.

Поведенческая аналитика

Чтобы выявить истинные цифровые действия пользователей, поведенческая аналитика является предпочтительным инструментом. Весь путь пользователя представлен в виде временной шкалы (организованные необработанные данные) для каждого поведения пользователя. Таким образом, маркетинговые команды могут видеть предпочтения пользователей, видеть, что им не нравится, а что нет, и оптимизировать продукт на основе таких данных.

Поведенческую аналитику можно рассматривать как истинную эволюцию бизнес-аналитики — это больше, чем просто наблюдение за тем, куда нажимают пользователи.

Этот тип аналитики действительно выходит за рамки стандартной аналитики, чтобы выявить полезную информацию, например, какие страницы были просмотрены, откуда они были перенаправлены, где они находятся географически, где клиенты нажимают и сколько из них продолжают движение вниз по воронке к оформлению заказа.

Поведенческая аналитика опирается на множество данных о пользовательских событиях (см. рис. 3), собранных по всем действиям клиентов (по пользователям) в мобильных, веб- и маркетинговых кампаниях, и отслеживает их при доступе к нескольким устройствам в нескольких сеансах. Поведенческая аналитика предназначена для отслеживания различных источников данных и мониторинга цифрового поведения, представляя это поведение в виде графика действий клиентов. Такой подход дает осмысленное понимание того, что делают клиенты.

Со временем поведенческий анализ может дать ответы на многоуровневые вопросы, такие как:

  • Сколько времени требуется зарегистрированному пользователю, чтобы обратиться за помощью?
  • Какие товары искали пользователи по сравнению с продуктами, которые они в итоге добавили в свою корзину?
  • Как эти результаты различаются у пользователей из разных источников трафика?

Когда можно проанализировать последовательность событий, которые пользователи совершали с течением времени, можно построить гораздо более четкую картину поведения пользователя (почему и как). Разбив его на более мелкие шаги, можно определить цели каждого события и спросить, какие действия побудили пользователя выполнить каждое действие.

Поведенческая аналитика может использоваться для цифровых активов, таких как игровые приложения и сайты электронной коммерции, чтобы глубже изучить взаимодействие с пользователем, и, используя эту информацию в режиме реального времени, руководство может немедленно принимать бизнес-решения.

Кроме того, стратегическое использование руководством действенных идей позволит составить карту их услуг и продуктов. Сопоставляя основные потребности и желания своей целевой аудитории, они способствуют ключевому толчку к успеху, как в удовлетворении клиентов, так и в максимизации доходов.

Например, отделу маркетинга в игровой компании необходимо принимать решения на основе показателей открываемости и увеличения бюджета кампаний. Вместо того, чтобы просто использовать традиционные показатели, предоставляемые Google Analytics, они получают более подробные отчеты, сообщающие в режиме реального времени о ставках и суммах депозитов или установках, полученных в результате маркетинговой кампании в Западной Европе.

Прогнозная аналитика на базе ИИ

В мире, где только 2% посетителей веб-сайта совершают покупку (REF3), такие решения, как Optimove и AgilOne, учитывают весь путь пользователя с самых ранних стадий, а при подходящих условиях — даже до того, как он посетил ваш веб-сайт.

Комбинируя искусственный интеллект (ИИ) и машинное обучение (МО) и применяя это к историческим данным об удержании, такая аналитика может создавать модели будущих клиентов еще до того, как они совершат покупку (см. рис. 4). Это позволяет маркетологам точно нацеливаться на свою аудиторию, а не полагаться на распыление и молитву, что многие делают с программной рекламой.

В контексте предиктивной аналитики в маркетинге потенциал огромен. Применительно к маркетингу машины могут научиться классифицировать потребителей, чтобы прогнозировать пожизненную ценность. Для руководства доступ к такой информации может вдохновить на действия, направленные на то, чтобы сосредоточиться на определенных типах кампаний по привлечению, которые приблизят больше определенного типа клиентов к бренду.

Для достижения этой способности прогнозирования заказов клиентов потенциально можно минимизировать затраты на доставку, цепочку поставок и запасы.

Логистика и оптимизация цепочки поставок не дешевы и не просты. Однако, если компании хотят сократить свои расходы при одновременном повышении производительности, это подходящая возможность применить магию прогнозирования.

В программном докладе своей конференции руководителей цепочек поставок в Фениксе в 2018 году компания Gartner упомянула «автоматизацию, алгоритмы и систематическое использование данных в режиме реального времени, которые меняют правила игры в отрасли» (REF4).

По мере того, как вы начинаете превращать аналитические данные на основе ИИ в информационные панели, возможности будут появляться быстрее и четче, что позволит руководству сэкономить время и деньги компании, а также оптимизировать процессы принятия решений в организации.

Однако мощь ИИ на этом не сбавляет обороты. Майнинг для клиентов с атрибутами, аналогичными наиболее лояльным, может быть связан со стратегией привлечения пользователей:

  • Оценка потенциальных клиентов. Большинство продавцов согласится с тем, что нет двух одинаковых потенциальных клиентов. Это определенно тот случай, когда вы пытаетесь расставить приоритеты. Однако то, что может сделать прогнозная аналитика, — это научить, как связать действия существующих постоянных клиентов, чтобы помочь наращивать будущие маркетинговые усилия. Используя возможности предиктивной аналитики, оценка потенциальных клиентов превращается из контрольного списка критериев отдела продаж в более четкое представление целевого клиента на основе данных. Правила, которые используются с прогностической аналитикой, подаваемой в надежный инструмент автоматизации, могут оценивать потенциальных клиентов на основе комбинации данных, таких как демографические, психологические или поведенческие. Этот процесс оказался весьма эффективным при определении горячих лидов, которые следует передать в отдел продаж или вступить в кампанию по взращиванию лидов.
  • Склонность к оттоку. Точно так же следить за привлеченными и удержанными клиентами (базовый уровень) становится намного проще, если применить мощные средства прогнозной аналитики. Вот как мы все учимся на своих ошибках. Общепризнанно, что поведение в прошлом является достойным индикатором поведения в будущем. Вы уже вооружены множеством исторических данных о клиентах. Маркетинговому аналитику поручено определить признаки и поведение клиентов, которые ушли, и предоставить отчет, который, конечно же, будет сопровождаться запросом на увеличение бюджета для ориентации на эти клиентские сегменты с помощью воспитательной кампании, направленной на предотвращение оттока.

Следующие этапы маркетинговой аналитики будут только продвигаться вперед, поскольку ИИ и машинное обучение будут играть все более важную роль в эффективном анализе данных и позволят маркетологам гиперперсонализировать свои сообщения клиентам. Это включает в себя предоставление им уникальных путешествий и персонализированного контента.

Современный потребитель не хочет, чтобы с ним обращались как с частью какого-то сегмента. Предоставив свои данные, они ожидают, что к ним будут относиться с более высоким уровнем близости.

Возможности автоматизации маркетинга уже трансформируются с помощью ИИ и машинного обучения.

В ближайшие годы маркетологи будут использовать возможности этих революционных технологий, чтобы помочь им в оценке лидов. Они будут предлагать еще более персонализированный и динамичный контент в зависимости от того, на каком этапе пути пользователя находятся их клиенты, а также настраивать кампании с использованием сложных триггеров.

Эти инициативы обеспечат высокую конверсию для тех, кто все сделает правильно.

Хотя большинство маркетологов в той или иной степени применяют измерение эффективности, суть в том, что подавляющее большинство из них не измеряют все точки соприкосновения и взаимодействия. Очевидно, что отсутствует понимание поведения клиентов, и это может привести к слепоте и дезинформации руководства, что приведет к принятию неверных управленческих решений.

Согласно исследованию маркетинговой аналитики Gartner за 2018 г., группы аналитиков данных тратят «больше времени на обработку данных, чем на получение информации» (REF5).

Хотя это не то, чем маркетологи могут похвастаться, это дает руководству маркетинга огромную возможность победить конкурентов, внедрив какую-то аналитику сейчас, до того, как конкуренты займутся аналитикой.

МАРКЕТИНГ НА ДАННЫХ

Согласно Adobe, компании полагаются на данные «как на основу всех своих цифровых усилий» (REF6). Маркетологи, ориентированные на данные, используют не только исторические данные и данные в реальном времени. Как показано на рисунке 5, они объединяют такие данные с данными в своей CRM и других технологиях, чтобы создать более полную экосистему, генерирующую понимание, а также более полный профиль своей аудитории.

Например, данные CRM используются для усиления аналитических данных, заполняя пробелы и создавая более полную картину покупателя. Информация о доходах домохозяйств, полученная с помощью CRM, может повлиять на решение предлагать более дорогие товары конкретным посетителям.

Хотя использование данных CRM остается наиболее распространенным подходом к расширению маркетинга, основанного на данных, использование прогнозной аналитики выросло на 36% в годовом исчислении (REF7). Компании признают важность прогнозной аналитики: 69% считают, что это «очень важная» инвестиция в ближайшие три года. Между тем, с точки зрения бюджета, половина опрошенных организаций планируют увеличить расходы на аналитику, причем часть из них, вероятно, будет потрачена на аналитику в реальном времени.

ЗАКЛЮЧЕНИЕ

На протяжении многих лет маркетинговая аналитика приводила компании к разным уровням успеха. Важно решить, какой вид аналитики наиболее подходит для нужд управления, и усердно использовать аналитическую платформу в полной мере. Прогнозная аналитика на базе ИИ определенно сыграет решающую роль в маркетинговой аналитике и выведет бизнес на новый уровень.

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

Любые вопросы? Столкнулись с маркетинговой проблемой?

Не стесняйтесь обращаться по адресу [email protected]

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

Ссылки

  1. Льюис, Г. (2018 г.) Как Hershey использовала данные для повышения уровня удержания и улучшения планирования рабочей силы, доступно по адресу: https://business.linkedin.com/talent-solutions/blog/talent-analytics/2018/howhershey- использовать данные для увеличения коэффициента удержания и улучшения планирования рабочей силы
  2. Бюро назначений (2018 г.) Вы тратите деньги впустую, разговаривая не с теми людьми?, доступно по адресу: https://theappointmentsbureau.com/2018/09/14/wasting-money-talking-wrong-people/
  3. ALC (nd) Вы теряете 98 процентов посетителей вашего веб-сайта — как вы их возвращаете?, доступно по адресу: https://www.alc.com/official-blog/98-percentwebsite-visitors- иди-незамеченным-получи-их-обратно/
  4. Дурбха, М. (2018 г.) Выводы конференции Gartner Supply Chain Executive Conference 2018, доступно по адресу: https://blog.kinaxis.com/2018/05/takeaways-from-the-2018-gartner-supply-chainexecutive. -конференция/"
  5. Пембертон, К. (2018 г.) Основные результаты исследования Gartner Marketing Analytics Survey 2018, доступно по адресу: https://www.gartner.com/smarterwithgartner/key-findings-from-gartner-marketing-analyticssurvey-2018/
  6. Adobe (2017) Использование опыта, доступно по адресу: https://landing.adobe.com/en/na/products/marketing-cloud/ctir-3108-running-on-experience/index.html.
  7. MarketingCharts (2017 г.) Как корпоративные организации улучшают маркетинг, основанный на данных, доступно по адресу: https://www.marketingcharts.com/business-of-marketing-80902.