Ключевые цифры. Как заработать больше, используя данные, которые у вас уже есть
Шрифт:
• N – охват в абсолютных показателях (общее количество клиентов, купивших продукты B, C и D в рамках одной покупки).
• P – вероятность того, что кто-то купит A, при условии, что уже купил B, C и D.
• S – поддержка (процент от общего числа людей, купивших B, C, D и A).
Чтобы понять, идем ли мы по верному пути, мы протестировали модель, отправив один и тот же элемент маркетинговой коммуникации двум группам клиентов. Первая группа была отобрана из базы данных с помощью правил анализа потребительской корзины. Вторая группа была отобрана случайным методом, без применения особых правил. Показатель эффективности рекламы для первой группы оказался в пять раз
Если вам нравится одно, то понравится и другое
Инструменты автоматической рекомендации, такие как анализ потребительской корзины, стали крайне популярными в интернет-среде. Лучше всего на рынке известны рекомендационные механизмы Amazon и Netflix. Они предлагают продукты – если вам понравилась определенная книга или фильм, то вам наверняка понравятся и вот эти, – сравнивая ваш выбор с выбором других людей, читавших те же книги (или смотревших тот же фильм). Разумеется, это имеет вполне реальную ценность в глазах потребителей. Мне очень нравится, когда Netflix рекомендует мне кинофильм, о котором я даже раньше не слышал. Это основная причина, по которой я готов подписаться на услуги сайта, и Netflix отлично это понимает. Работающие там люди отслеживают, как часто я арендую диски с фильмами, основываясь на их предложениях. В сущности Amazon и Netflix делают то же самое, что и супермаркеты, пытающиеся предсказать, захотите ли вы купить яблоки и бананы за один поход в магазин, или почтовое ведомство, пытающееся понять, какая комбинация продуктов окажется наиболее интересной для коллекционеров марок.
Теперь вам доступны и готовые решения, помогающие персонализировать свою маркетинговую коммуникацию примерно так же, как это делают Amazon и Netflix. Эти решения позволяют сравнительно мелким компаниям уравнять шансы и эффективно конкурировать с отраслевыми гигантами. Компании, идущие по этому пути, внимательно изучают пристрастия клиентов, затем адаптируют свои рекомендации им, в результате чего получают изрядное конкурентное преимущество. Нужные для этого решения уже есть, они не слишком дорогие и показывают хорошие результаты. Если вы их не используете, то для вас нет оправдания. Изучите то, что предлагают компании Audience Science, Proclivity и Netmining. Лично я предпочитаю Netmining (и совсем не потому, что основатель компании Тон Ван Парис – бельгиец).
Netmining собирает данные от потребителей, путешествующих по Сети, в режиме реального времени. Затем эти данные используются для прогнозирования того, в каких товарах мог бы быть заинтересован тот или иной клиент. Netmining автоматически показывает рекламный контент, соответствующий интересам клиента. (О том, каким образом рекламодатели могут постоянно следовать за вами и показывать вам рекламу джинсов именно того цвета, который вы ищете, – я расскажу в четвертой главе.)
Подобные инструменты, позволяющие предлагать нужному клиенту подходящий ему товар, способны обеспечивать невероятные результаты. Например, компания Fiat, когда начала работать с Netmining, заметила 350-процентный прирост в количестве клиентов и 500-процентное увеличение показателя эффективности рекламы.
Самое крутое в работе Netmining – это возможность визуализации результатов. Программа позволила сотрудникам Fiat легко увидеть, какие именно модели интересуют клиентов и насколько вероятна последующая покупка (демонстрацию программы можно найти на сайте www.netmining.com).
Итак, мы с вами успели обсудить, как понимать настоящих и потенциальных клиентов с помощью анализа данных, получаемых из трех источников исследований (качественных или количественных); данных о сделках (об этом было сказано во второй главе) или данных о поведении клиента в Интернете. Все эти источники данных у нас уже давно есть. Теперь давайте обратим внимание на другие интересные источники данных, которые появились совсем недавно.
Данные, основанные на том, что пишут люди
В наши дни люди много пишут. Они участвуют в работе форумов, меняют свой статус в социальных сетях, комментируют записи в чужих блогах и даже ведут собственные. Если хорошенько подумать, то мы поймем, что любой текст представляет собой набор данных (причем
На рынке имеется целый ряд программных продуктов, способных анализировать крупные объемы текста и снабжать нас информацией о том, какие вопросы обсуждают люди, скольким людям они интересны и даже что они чувствуют в отношении обсуждаемого. Вот пример, которым поделилась со мной компания Visible Technologies пару лет назад:
Я ненавижу, что Джордж У. Буш постоянно подвергается критике. Да, он делает ужасные грамматические ошибки – тоже мне, страшное обвинение! Зато он четко поддерживает правильную иммиграционную политику. При этом он творит какие-то странные дела в связи с приватизацией системы социального обеспечения. Не знаю, будут ли теперь голосовать за него ребята, воюющие в Ираке, но они делают то, что должны делать.
Ранние (читай, примитивные) программы для анализа текста считывали количество распознанных слов с положительной или отрицательной окраской, а затем делали заключение о негативной в целом окраске того или иной сообщения.
Проблема состояла в том, что, хотя программа распознавала слова правильным образом, она ошибалась с общей тональностью высказывания. Приведенный выше комментарий был расценен ей как в целом положительный.
Технологии следующего поколения могли разложить текст на субкомментарии и определить их общий настрой. Соответственно, это давало возможность извлечь из каждого поста куда больше информации. Мы можем увидеть, как современные алгоритмы позволяют компьютерам более точно фиксировать и классифицировать темы и настроения людей в ходе их онлайнового общения.
С этим инструментом связано немало вопросов. Не так давно я беседовал с бренд-менеджером дезодоранта Axe. По его словам, сразу после того, как компания впервые использовала этот инструмент, то обнаружила резкий рост интереса к своему продукту в самом начале рецессии. Неужели люди принялись говорить в тяжелые времена о своих дезодорантах? Не совсем. Скорее они говорили о том, как волнуются, что их самих или их друзей могут уволить. Судя по всему, компьютерам, как и прежде, сложно увидеть разницу между разговором о гигиене тела и важнейшем событии в жизни (потере работы).
Несмотря на это, многие компании начали использовать этот инструмент анализа социальных медиа для того, чтобы внимательно наблюдать за происходящим в блогосфере. Вы и сами можете использовать эту технологию для анализа того, что говорят люди о ваших брендах. Не исключено, однако, что вам стоит начать с простого чтения комментариев.
Именно это мы сделали в описанном выше проекте для Ceasars. Компания периодически берет пятьдесят положительных («пять звезд») отзывов о гостиницах с популярного сайта Tripadvisor и пытается найти в них глубокие идеи. Компания организует комментарии по следующим темам: физические атрибуты гостиницы, местоположение, удобства и услуги, – а затем пытается выяснить, что именно понравилось людям и почему они дали гостинице высшую оценку. Иногда, как в случае обзора гостиницы «Париж» в Лас-Вегасе, результаты просто удивляют. Я не раз уже вспоминал этот пример, когда людям, жившим в «Париже», больше всего нравится вид на город из окон гостиничных номеров. После того как компания узнала об этом, она совершила ряд решительных преобразований. Теперь, если вы зайдете на первую страницу сайта гостиницы (ParisLasVegas.com), то увидите точно такую же картину, которая откроется из окна вашего номера. Результат – резкий рост бронирования.