Данните - висшият пилотаж в маркетинга

Дали изкуственият интелект е тук, за да ни помага, или ще вземе работните ни места?

Истината е, че технологиите напредват, но някои уникално човешки умения винаги ще бъдат необходими. Способността ни да виждаме "голямата картина", да разбираме контекста на събитията и да използваме данните, за да идентифицираме human insights, са умения, които ще се ценят и в бъдещето. Безспорно е, обаче, че маркетинг дисциплината се промени драстично през последното десетилетие.

Науката за данните промени потребителското изживяване

Знаете как, след като слушате дадена песен в Spotify, се появяват сходни песни като препоръки в плейлиста ви. Или как, когато разглеждате чифт обувки, започвате да получавате реклами от марката им в Instagram/Facebook фийда си за цяла седмица.

Това са само два примера за маркетинговите приложения на науката за данните.

Компаниите вече разполагат с техническия капацитет да събират и да съхраняват огромни количества потребителски данни. Тъй като те се натрупват с течение на времето, те ги използват, за да идентифицират тенденциите в поведението на клиентите. Тези прозрения (insights) се използват, за да продават повече, да изпращат на потребителите реклами и персонализирани препоръки за продукти.

Топ 5 приложения на Data Science в маркетинга

Recommender Systems

Обърнете внимание как препоръките за филми, които виждате в Netflix, започват доста общо, но стават все по-точни, колкото повече време прекарвате в платформата. Вградената система постепенно научава вашия модел на гледане и предпочитанията ви. Алгоритъмът улавя типа филми или предавания, които гледате, и коригира преференцията ви за жанр въз основа на оценките, които им давате. Data science техниките вземат под внимание и действията на други абонати с подобни на вашите предпочитания и кръстосват информацията, за да излязат с по-прецизни предложения към всеки един от нас.

Уебсайтовете за електронна търговия и платформите за стрийминг като Amazon, Netflix и YouTube използват системи за препоръки, за да изготвят персонализирани предложения въз основа на нашето поведение при сърфиране в интернет. Така вероятността да подновим абонамента си се увеличава, а това е ключова задача на маркетинга.

2. Churn prediction

Когато сте се регистрирали за услуга с месечен абонамент, но го прекратите скоро след това, обикновено започвате да получавате множество имейли, съдържащи промоции и персонализирани отстъпки от този доставчик. Към този момент обаче често е твърде късно да възвърнат интереса ви, тъй като вече сте взели решение да напуснете.

Сега си представете, че бизнесът можеше да предвиди месец по-рано, че ще се отпишете. По това време може би сте били на ръба да се откажете. Персонализираните предложения и отстъпки в онзи момент можеха да увеличат вероятността да останете абонат. А ако можеше и да идентифицира болезнената точка, която ви кара да напуснете, биха могли и да се приложат мерки, за да я коригират.

За целта се разработват прогнозни модели за задържане на потребителите. Прогнозата за оттегляне на клиенти (churn prediction) често се прави чрез така наречения supervised machine learning. Специалистите по данни събират характеристиките на клиенти, които са се отказали от услугата, и изграждат класификационен модел, който идентифицира потребители със сходно поведение на базата на дадена променлива (в този случай - дали клиентът ще се оттегли).

Организациите, които използват data science, са в състояние да определят колко вероятно е да спрете да посещавате техните сайтове и да използвате техните продукти доста преди вие сами да сте наясно с това.

3. Customer segmentation

Понякога виждате реклама за продукт, който никога не сте използвали и дори не сте знаели, че искате. След като я видите обаче, продуктът ви допада и вие решавате да направите покупка. Някой е успял да предвиди вашия афинитет към този артикул, дори преди вие да сте го осъзнали.

Ето един сравнително очевиден пример: ако правя йога и пилатес, разглеждам постелки за йога, търся онлайн курсове по йога и купувам йога облекло онлайн, може да започна да виждам реклами на веган ресторанти, въпреки че никога не съм търсила нещо подобно. Просто алгоритъмът е разбрал, че проявявам типични черти на човек, който обича йога, и ми препоръчва веган храна, защото много хора с подобни интереси са търсили и веган храна.

Как става това?

Прогнози като тази обикновено се правят с помощта на модели за сегментиране.

Използват се machine learning алгоритми, които разпределят хора с подобни характеристики и ги групират с помощта на методи за клъстерен анализ. Така се идентифицират прилики между групи, които често остават незабелязани за човешкото око.

4. Market basket analysis

Анализът на потребителската кошница е най-популярното маркетингово приложение на науката за данни сред магазините и ресторантите. Те използват алгоритми за идентифициране на артикули, които често се купуват заедно. След това продуктите се поставят един до друг на рафтове или менюта, така че клиентите да имат лесен достъп до тях.

Поставянето на силно свързани артикули на една и съща линия на видимост е чудесно за увеличаване на продажбите. Например има голяма вероятност човек, който купува брашно, да закупи и бакпулвер, така че тези продукти се поставят на един и същ рафт.

Market basket анализът позволява на компаниите да разкрият и по-сложни взаимовръзки, които не са непременно видими за нас.

Един учебникарски пример за това е известният казус "бира и памперси". Според статистически анализ, извършен от Walmart, бирата и памперсите са продукти, които често се купуват заедно в петък вечер. Въпреки че изглежда като чисто съвпадение, има и логично обяснение. Феноменът е предизвикан от работещи мъже, които купуват памперси за децата си на връщане от работа. Тъй като не им остава много време да ходят по баровете, те често купуват и бира за вкъщи. Въз основа на тези констатации, Walmart започват да поставят бирата и памперсите на един рафт и това води до огромно увеличение на продажбите в петъците.

5. Sentiment analysis

Когато една компания вземе решение да пусне нов продукт, тя трябва да си гарантира, че той ще се хареса на клиентите. Той трябва да има стойност и да адресира конкретна нужда.

Sentiment анализът идентифицира пропуските в съществуващите продуктови линии и помага да се реши какво да се пусне на пазара.

За да направим засечката между данните и интуицията си, разработвайки новия продукт, задаваме множество въпроси:

Какви са съществуващите решения на пазара и как клиентите реагират на тях?

Ако има пуснати нови продукти в сегмента, какви са обществените нагласи в социалните медии - предимно положителни или отрицателни? Ако са отрицателни, какво казват хората? От какво са недоволни и как може да бъде адресирано това?

Променя ли се отношението (сентиментът) на клиентите към конкретен продукт с времето?

Можем ли да предвидим как хората ще реагират на подобни предложения в бъдеще?

Сентимент анализът е още един пример за мост между маркетинга и data science. Той се реализира чрез NLP технология (natural language processing) и идентифицира емоцията в тона на текста, който потребителят пише като коментар или реплика. Това позволява на търговците да наблюдават поведението на клиентите в реално време и да вземат по-добри решения по-бързо.

Това е и пореден пример как науката за данните може да се използва за създаване на много подробна картина на потребителското поведение, а в маркетинга основната предпоставка за успех е именно разбирането на целевата аудитория и потребителските персони. Затова в бъдеще предимство ще имат само онези, които знаят как да използват data science и AI в маркетинга.