Прицельный маркетинг. Новые правила привлечения и удержания клиентов - Джефф Забин Страница 39

Британский генетик Фишер сказал: «Обращаться к статистику после того, как эксперимент закончен, все равно, что просить его провести вскрытие трупа. Все, что он сможет сказать, это почему эксперимент провалился». Сегодня, спустя полвека, его слова звучат как никогда актуально в контексте рассматриваемых нами вопросов управления потребительскими данными и предиктивного анализа.

Чтобы повысить эффективность маркетинговых затрат, компании должны использовать собираемые ими данные о потребителях, а это означает, что специалиста по статистике нужно привлекать в начале эксперимента. Как уже было сказано в предыдущих главах, компании должны принять идею непрекращающейся активной экспериментальной деятельности как способ оптимизации ценности данных, которыми располагает компания. А это, в свою очередь, приведет к более высокому уровню принимаемых маркетинговых решений, обеспечив компании неоспоримое конкурентное преимущество на рынке.

Не все, однако, так просто. Несмотря на то, что перед маркетологами стоит множество вопросов, все они, похоже, – результат четырех фундаментальных ошибок.

• Неспособности собрать нужные данные.

• Неспособности интегрировать данные.

• Неспособности понимать данные.

• Неспособности применять данные.

«Для маркетинговых улучшений более серьезное понимание данных – словно фрукт, висящий на нижней ветке», – говорит Майк Даффи, возглавляющий подразделение потребительской аналитики компании Kraft Foods. Его мнение разделяет большинство директоров по анализу потребительских баз данных [1]. В основе лучшего понимания данных лежит использование различных математических аналитических техник. Некоторые из них мы уже упоминали: корреляционный анализ, дискриминантный анализ, кластерный анализ, регрессивный анализ, нейросетевой анализ – список можно продолжать бесконечно. Одни из этих техник являются новыми для потребительского рынка, однако давно используются в других бизнес-процессах и дисциплинах, например в биологических науках и техниках искусственного интеллекта. Другие же давно используются маркетологами, занимающимися прямой рассылкой, в непрекращающихся попытках эффективно интерпретировать и использовать информацию о потребителях для маркетинговых кампаний.

Гартнер определяет аналитику как «область технических и прикладных наук, позволяющих применить математическую интерпретацию к данным и предыдущему знанию, чтобы создать новое знание. С нашей точки зрения, аналитика – это просто один из инструментов интеллектуальных ресурсов компании, который маркетологи могут использовать для поиска ответа на вопрос: «Ну, и что дальше?» Она представляет собой разумную основу, которая может пролить свет на гигабайты потребительских данных компании и сотни скрытых в них переменных. Она указывает на сегментационные схемы, которые этими потребительскими данными могут определяться, и самое важное – на оптимальное маркетинговое обращение (и наиболее приемлемый уровень обслуживания) по отношению к каждому из этих сегментов, которое компания может предложить в рамках поставленных перед ней бизнес-целей.

Успех в маркетинговой аналитике определяется главным образом качеством и количеством данных, в конце концов служащих сырьем, на основе которого формируется новое понимание. «Огромные возможности кроются для нас в повышении качества наших данных, – говорит Билл Мирбах, вице-президент по прямому маркетингу компании Intuit, выражая еще одно общепринятое мнение. – Мы тратим очень много времени на углубление нашего знания клиентов прямо сейчас, контролируя точность наших баз данных» [2].

Под «точностью» Мирбах подразумевает полную интеграцию (желательно в режиме реального времени) источников данных обо всех взаимодействиях и сделках компании, включая данные call-центров ^[6], систем автоматизации рабочего места продавца, систем планирования и управления ресурсами предприятий, программ отслеживания маршрутов перемещения пользователей сети (электронной коммерции). Кроме того, данные эти должны представляться в совместимом формате и без ошибок, а набор бизнес-правил должен быть одинаковым. Следует учесть и возможность оптимизации данных для проведения анализа так, чтобы он отвечал потребностям проводящей его команды. В конце концов, это всего лишь вопрос реализации принципов правильного управления потребительскими данными.

К сожалению, когда дело доходит до реализации даже самых элементарных принципов правильного управления данными, многие компании оказываются менее просвещенными, чем Intuit, а некоторые и вовсе все еще живут в каменном веке. Причины тому различны. Отчасти дело в ограниченности бюджета. Отчасти в том, что некоторые компании встречают на переполненном и сбивающем с толку рынке потребительских отношений множество препятствий. А всеобщая управленческая близорукость, сопровождающая тысячелетний бум, привела к тому, что многие компании попросту игнорируют вопли и стоны своих провисающих инфраструктур, по крайней мере, до тех пор, пока земля не уйдет из-под ног. Итог тривиален: рынок наполнен плеядой высших менеджеров, не чувствующих твердой почвы под ногами.