Как оценить маркетиговую кампанию: 5 советов и кейсов по работе с Big data
Чем активнее компании продают и продвигаются через digital-платформы, тем больше данных они получают. Но если полагаться в аналитике только на цифры, то всегда есть риск, что тот или иной показатель разные сотрудники могут по-разному интерпретировать и в зависимости от этого по-разному оценивать итоговые результаты маркетинговых мероприятий. На этом этапе развития технологий очень важно перейти от больших данных (хаотичной разрозненной информации) к умным данным (информация, структурированная и проанализированная таким образом, чтобы приносить пользу бизнесу). Вот несколько советов о том, как правильно применять большие данные и аналитику для оценки эффективности маркетинга. Совет 1. Ставьте цели превыше всего Это может показаться странным, но сегодня многие компании даже не пытаются прописать желаемый результат от тех или иных кампаний. Маркетологи в этом случае ведут себя как слепые котята — они знают, какой у них KPI, но не знают о том, что этот KPI глобально даст компании и какую задачу бизнеса решит. В результате мы получаем оторванный от реального бизнеса процесс, который существует сам по себе. Ставя цели, нужно быть предельно конкретным. Например, недавнее исследование Harvard Business Review показало, что главная причина провала кампаний по улучшению клиентского опыта — это то, что бизнес ставит формальные цифры превыше реально достигнутого бизнес-результата. Если какой-то показатель ползет вверх, то это однозначно воспринимается как знак улучшения, хотя отдельно взятый показатель может совсем никак не отражать реальный клиентский опыт. Например, цель по улучшению клиентской удовлетворенности может казаться достаточно конкретной. Но для реальной оценки результатов кампании будет лучше, если вы поставите более конкретную цель. Например, сократить на 15% количество обращений в службу поддержки или уменьшить время решения вопроса при обращении в call-центр до одной минуты. Такой результат будет легче оценить с помощью данных. Важно не останавливаться — постоянно тестировать цели и использовать разные виды данных для проверки креативных концепций. Кейс Kelogg Компания Kelogg постоянно анализирует эффективность своих рекламных и digital-кампаний при помощи big data, тестируя новые подходы, новые цели, новые метрики и даже новые аудитории. По факту сейчас в компании выстроена такая система оценки результатов, когда компания точно знает, достигла ли конкретная реклама целевого покупателя или нет. Так, компания узнала, что пользователи мобильных устройств чаще реагируют на рекламу в Facebook (97% лайков, комментариев и репостов пришлось на мобильный трафик), и смогла в будущем сделать акцент именно на эту категорию покупателей. Совет 2. Делайте объективные выводы Вопрос перехода к smart data сейчас стоит настолько остро, что поднимается практически на каждой конференции по клиентскому опыту. Неверно взятые для оценки метрики искажают картину эффективности кампании и ничего не рассказывают нам о реальном клиентском опыте, не помогают компании стать лучше. Например, высокий engagement rate практически ничего не говорит об эффективности, если при этом конверсия остается неизменной. Очень важно понять, что полученные данные должны отвечать главным образом на вопрос, достигли ли вы результата при обслуживании клиента или решении иной бизнес-задачи. Для этого еще до начала кампании надо обговорить, какие цели вы перед ней ставите и на какие показатели эффективности будете ориентироваться, а на какие — обращать чуть меньше внимания. Такой подход поможет команде мыслить категориями конечных целей, а не оторванных от жизни цифр. Интерпретировать результаты кампании команда в этом случае тоже будет примерно одинаково. Важно, чтобы для оценки результатов кампании использовались несколько показателей. Метрики, которые помогают оценить эффективность с разных сторон, дают максимально полное представление о контексте кампании. C помощью дифференцированных метрик можно адекватно оценить влияние сезонности на результаты кампании. Если вы анализируете сезонный бизнес — например, маркетинговую кампанию турагентства — это может в значительной степени повлиять на оценку результатов и дать более полную картину. Например, если бы вы узнали, что 93% пользователей Pinterest использует площадку для того, чтобы планировать будущие покупки, и что 87% пользователей совершают покупку после того, как увидели её на Pinterest, какую метрику эффективности вы тут могли бы использовать как рекламодатель? Правильный ответ — это и количество лайков и репинов, и процент покупок, соверешенных через платформу. Первая будет говорить о готовности человека купить ваш товар, вторая — о результативности продаж через конкретную платформу. Совет 3. Привлеките коллег Итоговые данные должны быть доступны для всех задействованных в работе отделов. Нужно убедиться, что в оценке результатов кампании задействованы метрики, которые будут интересны и отделу маркетинга, и отделу продаж, и отделу клиентского сервиса. Недавнее исследование Oracle показало, что 44% крупных компаний смогли улучшить свою конверсию с помощью интеграции в работу всех заинтересованных отделов компании. Кейс Aviva Например, американская страховая компания Aviva в одной из своих акций поставила главной целью увеличить вовлеченность потребителей в свои продукты, заставить примерить их на себя. На своем сайте компания разместила тест «Какой ты супергерой», где все желающие могли ответить на вопросы о личных финансах и понять, какие возможности для заработка или сохранения денег они упускают. Тесты были основаны на психологических рекомендациях и предлагают пользователю после прохождения теста тот или иной финансовый продукт, в зависимости от результатов. Поставив четкую цель, компания смогла таким образом добиться весьма впечатляющих результатов — за счет вирального эффекта спрос на услуги, которые они разместили в тесте, значительно вырос (правда, о конкретных цифрах компания пока не говорит). Это наглядный пример того, как компания, поставившая бизнес-задачу превыше всего, смогла в результате не только адекватно оценить результаты, но и освободить себя от ненужных и бессмысленных кампаний. Совет 4. Используйте новые каналы маркетинга и продаж Делая выбор, современный потребитель не ограничивается изучением цен и отзывов на интересующий товар или услугу в интернете. Клиенты, как правило, для принятия решения одновременно используют несколько каналов, а завершить покупку могут на веб-сайте компании, если это будет выгодней и комфортней. Кейс Jaguar Land Rover Бренды стремятся превзойти друг друга, используя новые технологии для привлечения аудитории и сбора данных начиная от заказов в чат-боте до виртуального автосалона. Например, компания Jaguar Land Rover предоставила возможность онлайн-заказа новой модели и виртуального знакомства с ней на этапе ее сборки на заводе. Теперь не нужно ждать, пока новинка будет доставлена в автосалон, чтобы увидеть ее. Как только автомобиль начинают собирать на конвейере, она сразу оказывается в виртуальном автосалоне. Одев смарт-очки и наушники, клиент погружается в VR-тур по презентации машины, которая представлена в натуральную величину. Можно сесть за руль, заглянуть под капот. Планируется, что такой подход позволит еще на этапе запуска новой модели учитывать пожелания и замечания клиентов, планировать стабильное производство на длительный период и снижать товарный запас машин. Jaguar планирует внедрить такую технологию презентации в салонах 1500 ритейлеров в 85 странах мира. Кейс Pizza Hut Компания Pizza Hut пошла путем привлечения клиентов через многомиллионные сети Twitter и Facebook Messenger. Теперь заказы через чат-бот компании поступают с личных страниц клиентов в Twitter или Facebook Messenger. Помимо удобства для клиента, это еще и огромный источник данных о предпочтениях клиентов, их возрасте, локации и социальных связях. Продажи компании выросли и за счет «вирусности» соцсетей. Эти примеры показывают, как можно интегрировать новые технологии в маркетинг и продажи с учетом специфики товара или услуги. Совет 5. Разрабатывайте и используйте свой инструментарий для анализа данных Наше недавнее исследование показало, что 40% компаний видят, какие операции совершают их клиенты. Этому помогают данные о транзакциях — например, из личных кабинетов клиентов в интернет-магазинах. Если подумать, то анализируя эти данные можно сделать массу полезных выводов для улучшения сервиса и развития дальнейших продуктов. Способов анализа данных сейчас изобретено великое множество — от регрессионных моделей до интеллектуального анализа текстов из микроблогов и комментариев клиентов. Мудрость в том, чтобы выбрать способ, максимально подходящий вашей компании и вашей ситуации. Некоторые телекоммуникационные операторы при анализе собственных данных об абонентах создают социальные графы с учетом региона, действующего тарифного плана, информации об объемах потребления различных услуг. В итоге разрабатываются тарифные планы и услуги для каждой группы абонентов в зависимости от возраста, региона и предпочтительных типов связи. Кейс Telefónica Spain Telefónica Spain, крупнейшая телекоммуникационная компания Испании, сегодня при помощи анализа данных дает мгновенные рекомендации телезрителям при выборе контента, тогда как раньше на это уходило до 20 дней. Telefónica Spain начала внедрять современные технологии более десяти лет назад: за это время было создано единое хранилище данных и платформа для аналитики в режиме реального времени. Этот пример прекрасно отражает философию использования больших данных в маркетинговой кампании: точный выбор инструмента анализа позволяет персонализировать обращение к клиенту при продвижении тех продуктов и услуг, которые ему действительно необходимы. Формальные подходы к просчету эффективности маркетинговых кампаний остались в прошлом. Современный потребитель в коммуникации от бренда ищет пользу, и если вы не удовлетворите его ожиданий, никакой высокий engagement rate не принесет компании прибыли. При должном подходе умные данные и кастомизированная аналитика помогут не только выстроить наиболее эффективные маркетинговые коммуникации, но и найти нужный подход к каждому клиенту. Ведь, в конце концов, мы стремимся к той идеальной модели мира, в которой всё можно просчитать и проанализировать. Нашей задачей тут становится правильно задать критерии и интерпретировать результаты. И этому нам еще предстоит научиться в следующие 10-15 лет. Материалы по теме: Зачем изучать большие данные: рассказывает эксперт в ИТ и криптографии Анатолий Темкин «Покупая хороший шоколад со скидкой, я понял, что Big Data — это полезно» Не только паспорта: где еще будут применяться биометрические данные Умная Москва: какими технологиями нашпигована столица Искусственный интеллект — причина, по которой нам конец?
