Говорят, до сих пор можно встретить маркетологов, которые морщатся от обилия цифр, формул, таблиц и диаграмм. Дескать, эта ваша big data убивает душу маркетинга! Окей, дедуля, иди спать, а мы пока расскажем о data-driven marketing, который в бизнесе уже становится базовой вещью.
Data-driven marketing — это маркетинг, основанный на анализе больших объёмов информации обо всех процессах бизнеса, главным образом — о потребителях. Для крупных компаний, работающих в онлайне, это уже давно маст-хэв. Но и для офлайн-бизнеса необходимость работы с big data становится всё более очевидной.
Что может анализ данных?
Разумеется, креатив и качественные исследования из маркетинга никуда не делись. Наоборот, с переходом на data-driven marketing они выходят на более высокий уровень. Магия цифр даёт маркетологу более острое зрение. Без анализа данных даже самый креативный и шарящий маркетолог по сути выдвигает гипотезы наугад: не получилось — что ж, попробуем что-нибудь ещё. Чем тут поможет анализ данных?
С помощью анализа данных бизнес получает детальный портрет своего клиента. Это позволяет ему сосредоточиться на работе с теми, кому интересен продукт, и не тратить ресурсы на тех, кому это точно не нужно.
Анализ помогает выявить проблемные места. Скажем, куда и почему уходят деньги.Так, например, торговая компания «Мегаполис», перейдя на инструментарий Qlik, решила проанализировать, как работает склад. Оказалось, что он загружается неравномерно и почему-то только после окончания рабочего дня, поэтому нужно постоянно привлекать дополнительные бригады. А учитывая, что работа в ночное время оплачивается по повышенному тарифу, это оборачивается лишними затратами. Выяснили причину: торговые представители отправляют заказ на склад не сразу после получения заявок от торговых точек, а накапливают заявки и отправляют заказ в конце рабочего дня. Ситуацию исправили, склад стал загружаться равномерно — экономия составила примерно 20 миллионов рублей в год.
Переход на data-driven даёт возможность бизнесу видеть и понимать, как различные факторы влияют друг на друга. Это позволяет установить причину любого события, а значит — управлять ситуацией.
Если обобщить, то data-driven маркетинг даёт бизнесу понимание, что нужно делать, чтобы зарабатывать больше.
Когда начинать?
Многие считают, что сбор и анализ данных — это для крупных компаний. Да, для совсем молодых компаний переход на data-driven, скорее всего, будет неэффективным. Данных мало, из них будет сложно сделать какой-то ценный вывод.
Но ситуация «нам ещё рано» меняется на «мы всё проспали» внезапно. Когда придёт время анализа данных, может оказаться, что данных-то нет. Поэтому начать собирать данные надо как можно раньше. Потом, когда вы подрастёте, у вас уже будет накоплен массив информации.
Это особенно актуально для стартапов, которые уже нашли финансирование, — как минимум, будет чем отчитываться перед инвесторами.
Какие данные собирать?
Набор метрик для отслеживания формируется, исходя непосредственно из задач (гениально, не так ли?). Сконцентрируйтесь на ключевых параметрах, на которых завязан KPI компании. Нужно собирать данные о факторах, которые точно или хотя бы гипотетически влияют на эти параметры.
Не надо собирать данные просто на всякий случай. Data-driven marketing должен помогать вам оптимизировать бизнес, а не потратить все ресурсы на сбор бесполезной информации. Перед тем, как начать отслеживать какую-либо метрику, нужно задаться вопросом: «Это поможет мне что-то понять?»
Чтобы отличать бесполезную информация от полезной, нужно ввести в свою работу понятия метрик тщеславия и метрик качества. Метрики тщеславия — это показатели, которые смотрятся красиво, но напрямую не влияют на задачи бизнеса. К ним относится количество подписчиков и охваты в соцсетях, количество посещений сайта, установок приложения, зарегистрированных пользователей, лидов и так далее.
Кто-то подписался на вас в соцсетях — не факт, что он вас читает. Скачал приложение — не факт, что он им пользуется. Люди заходят на ваш сайт — не факт, что они что-то покупают. Сюда также относится количество проданных товаров — в погоне за этим показателем можно напрочь убить маржу.
За метриками тщеславия можно послеживать, но рассматривать их нужно только с привязкой к метрикам качества, которые напрямую следуют из вашей эффективности.
Примеры основных метрик качества:
- средний чек;
- количество активных клиентов;
- стоимость каждого заказа и каждого привлечённого клиента;
- прибыль, которую приносит клиент за всё время сотрудничества (LTV);
- прибыль от каждого активного клиента в год (ARPU);
- доля рекламных расходов и возврат затрат на маркетинг (ROMI);
- конверсия;
- показатель удержания клиента (Retention Rate).
Также, разумеется, нужно собирать данные по доходу, расходам, прибыли, размеру маркетингового бюджета — это нужно делать всем компаниям.
Как сэкономить?
Распространённый аргумент против перехода на data-driven — это дорого. Действительно, крутые инструменты для сбора, хранения и анализа данных могут стоить немало денег, и не для каждой компании такие затраты будут оправданными. Но хороший аналитик может дать ответы на сложные вопросы и без дорогого софта. Есть ведь множество бесплатных инструментов.
| Тип | Инструменты |
|---|---|
| Аналитика | Web- и app-аналитику можно собирать с помощью Яндекс.Метрики, Google Analytics или AppMetrica. Сервис Clicky бесплатный для сайтов с ежедневной посещаемостью меньше 3 000. Open Web Analytics — это вообще open source, который позволяет хранить данные на собственном сервере. |
| А/B-тестирование | A/B-тесты поможет проводить Google Optimize и Firebase. Если речь идёт об имейл-рассылке, то нужный инструментарий обычно есть в самих сервисах, например, в MailChimp. |
| Визуализация данных | Визуализировать данные можно с помощью сервисов от Google: Data Studio, Charts, Таблицы. |
| База данных | С базами данных можно работать в бесплатной версии MySQL и в ClickHouse. Ещё из бесплатных есть PostgreSQL, MariaDB, Firebird. |
По мере роста компании и соответственно объёма информации наверняка потребуется большая степень автоматизации сбора и анализа данных, для чего придётся обратиться к платными сервисами. Но на первых порах бесплатных инструментов будет вполне достаточно.
Какой профит?
Правильная обработка данных показывает, какие параметры нужно «подкрутить», чтобы больше заработать. Это экономит время на принятие решений и сокращает необходимый бюджет на маркетинг. Анализ снижает вероятность ошибки и, следовательно, потери денег.
Допустим, вы продаёте средства гигиены и хотите повысить объёмы продаж. Казалось бы, очевидный и логичный ход — дать скидку, скажем, на зубную пасту. Что может пойти не так?
Ну, возможно, большинство получивших информацию о скидке и так постоянно берут только вашу зубную пасту. То есть акция приведёт к тому, что они просто принесут вам меньше денег. Поэтому есть смысл этому сегменту аудитории предложить воспользоваться ополаскивателем для рта или зубной нитью того же бренда, а промокоды со скидкой на зубную пасту лучше раздать новой аудитории.
То есть, если у вас есть подробные данные о потребителях, вы можете готовить персонализированные релевантные предложения.
Многие фирмы даже включают объём накопленных данных в стоимость компании. Это может, например, сыграть роль при продаже бизнеса. Допустим, вы продаёте пиццерию. Одно дело, когда покупатель получает кухню и мопед для доставки. Другое дело, когда к этому добавляется портрет потребителя, статистика, обратная связь, данные по географии заказов, результаты всех ранее проводимых акций — то есть вся необходимая информация для ведения этого бизнеса.
Какой нужен специалист?
Понятное дело, в компании должен работать кто-то, кто умеет анализировать данные. Очевидно, что у него должны быть скиллы в маркетинг-статистике, маркетинговом моделировании и прогнозировании. Но работать ему нужно будет не с парой-тройкой анкеток от клиентов, а с такими объёмами информации, что вручную это всё обрабатывать придётся до старости. Поэтому он должен обладать и «технарскими» компетенциями.
Хороший аналитик разговаривает с айтишниками без переводчика и сам умеет обращаться к базам данных. Поэтому ему нужно уметь в SQL, а лучше ещё и Python.
Аналитик отлично ориентируется во всех вышеупомянутых сервисах. Что касается Яндекс.Метрики и Google Analytics, то тут он должен быть вообще виртуозом.
Он умеет визуализировать данные. Скорее всего, у него есть опыт работы с Tableau, Power BI и Qlik. Но хороший аналитик не просто фиксирует и красиво визуализирует цифры. Он умеет видеть связи между показателями, может их объяснить и предлагает решения проблем. То есть тут, безусловно, ценится стратегическое мышление и умение отстаивать свою точку зрения.
Как организовать?
Если у вас небольшая компания, то вся работа по сбору и анализу данных ляжет на вашего маркетолога. По мере роста у вас появится отдельный специалист — аналитик. Ещё дальше — целое подразделение аналитики.
Имейте в виду, что с помощью данных можно легко обманывать. Намеренно или невольно — неважно. Скажем, продаваны приносят отчёт о том, что за последние несколько месяцев у них многократно выросли продажи. Пока директор восхищался взмывшей к небесам кривой на графике, они уже оттопырили карманы и ждут премии. Но в действительности может оказаться, что подобный рост — сезонный и случается в этом месяце каждый год. И может даже так выйти, что по сравнению с аналогичным периодом за прошлый год наблюдается вообще падение показателей, то есть продаванам надо не премию дать, а ремня.
Ответственные за анализ данных и составление отчётов должны быть замотивированы показывать достоверную картину. Поэтому в структуре компании аналитики не должны зависеть от отделов, чьи KPI привязаны к отслеживаемым метрикам. Лучше всего, если они будут напрямую подчиняться CEO.
Как взаимодействовать?
Маркетологи, финансисты, айтишники и аналитики должны работать согласованно. У них должно быть единое хранилище данных, а все расчёты нужно вести по единой методике.
Аналитиков нужно привлекать к обсуждению всех маркетинговых решений. Скажем, перед запуском акции их нужно обязательно посвятить во все детали. Как минимум, у них должно быть право при получении задачи спросить, зачем это нужно. Если ставить аналитикам задачу императивно, чтобы они в точности следовали ТЗ, вы рискуете получить огромный объём информации, которая не вам даёт ответов на вопросы.
Понимая суть кампании, её цели и задачи, аналитики смогут подобрать оптимальный набор метрик, чтобы оценить её эффективность.
Также, если отдел IT задумал какие-то процессы, связанные с изменением архитектуры данных, ему стоит обсуждать эти вопросы с аналитиками. Вообще будет отлично, если в команде аналитики будет свой разработчик. Это снизит вероятность ситуации, когда из-за загруженности IT-отдела не удалось вовремя наладить сбор каких-то важных данных.
Как не потеряться?
Информации может быть не только слишком мало, но и слишком много. Это вообще распространённая ошибка при переходе на data-driven marketing — слишком большое количество отчётов.
Часто руководитель требует от аналитиков вывести ему кучу параметров на дашборды, чтобы быть в курсе всех дел в компании. Это создаёт иллюзию контроля. Но только иллюзию! Когда данных слишком много, всё сливается в однообразную кашу. Руководитель открывает отчёт, а там графики, диаграммы, таблицы, таблицы, диаграммы и графики — куда смотреть, непонятно. Вскоре у него возникает ощущение, что вся эта возня бесполезна, и он вообще перестаёт заглядывать в дашборды.
Поэтому нужно разделять уровни отчётности. Содержание каждого дашборда должно непосредственно вытекать из задач, которые решает сотрудник. CEO должен видеть показатели, максимально совпадающие с ключевыми KPI, на которые замотивирован он и компания в целом. Поскольку он принимает стратегические решения, он видит только основные зависимости показателей. Топ-менеджеры видят более детальные метрики по своим зонам ответственности. Им нужно видеть разные факторы, которые влияют на их ключевые показатели. Специалисты получают ещё более детальные отчёты: все метрики, которые имеют значение для их работы.
Компании, перешедшие на data-driven marketing, при прочих равных имеют очевидное конкурентное преимущество над теми, кто ещё на него не перешёл. Они лучше представляют ситуацию на рынке, быстрее соображают, что нужно делать, и, следовательно, быстрее растут. Поэтому, если вы ещё этого не сделали, стоит начать подыскивать аналитика.
Загрузка...
