Рубрика развивается при поддержке

«Вы че тут третесь?»: поведенческая аудиторная сегментация и JTBD для нагруженных CJM

За последние 5-7 лет стал абсолютно ясен тупиковый путь развития описательных моделей ЦА, основанных на социльно-экономических характеристиках групп людей для прогностических моделей потребительского поведения.

В закладки

Так, условный Вася из сегмента: "М,20-24, МСК, BC+, 60-80 т.р, холост" - в локальных ситуациях может иметь широчайший спектр потребительского поведения. В этой ситуации намного перспективнее выглядят поведенческие подходы, но они сложны и редко связаны с друг с другом в какой то цельный метод.

Существует проблема взаимной интеграции карт путешествия клиента с разметкой аудиторных сегментов по методологии Jobs To Be Done. И не говорите что нет.

Об этой проблеме и речь.

Возьмем пример:

Дано: интернет-магазин, SKU штучек 300-350, россыпь платформ (VK, FB, INST, YouTube, программатик, смс, email-цепочки, etc.), продажи закрываются через сайт, внутри, как водиться цели и метки, по всей воронке (CJM будем считать есть).

Для товарных категорий определены свои матрицы потребностей (будем считать что JTBD по группам товаров у нас тоже есть).

Вот тут то и начинается самое интересное. Классические подходы никак не увязывают то, как путешествует клиент и то, какую свою проблему он решает. (кроме связки "сообщение-продукт")

Пробуем разобраться.

Будем считать совокупность измеримых показателей (точек) поведением.

Представим, что получили ряд точек данных:

Видел креатив A

На платформе Б

Через рекламную систему В

Перешел на страницу товара Г

Посмотрел характеристики Д

Пошел шляться на другие товары Е

Свалил Ё

Глянул креатив Ж

Ретаргет на платформе З

Завернул опять на товар И

Закинул в корзину Й

Выбрана доставка курьером К

Оплатил товар Л

Доставка осуществлена М

Отзыва нет Н

Таким образом, у нас есть отпечаток поведения, само собой в матричном виде:

Как астрономы до середины 20 века, изучаем то, что видим, то что светиться.

Но нам важно иметь полноту данных, изучать события, которые, по каким то причинам не произошли, взять все возможные варианты:

Мне по душе вот такое представление:

На этом этапе, мы знаем:

  • Где человек был и/или чем был занят (условно: “Вася сидел в ВК в 15:45”).
  • Какой креатив видел (на какой отреагировал)
  • На что нажимал и куда переходил
  • Что купил и смотрел.
  • Когда и как быстро это случилось

Теперь возьмем когорту матриц-отпечатков, путем сравнения отпечатков мы сможем увидеть как поведенческие паттерны кластеризируются вокруг узловых линий (CJM) и опорных точек конструкции маркетинга компании (маркетинговые платформы, точки контакта), это мы знали и раньше, как минимум эмпирически, но используя метод обратных взвешенных расстояний мы увидим не только общие места, но и похожие и различные отпечатки-поведенческие модели.

Соберем их в группы:

Возьмем данные по ARPU/LTC (у меня еще там CAC) по тем же когортам и ранжируем их.

На этом этапе, подмывает попробовать найти возможность масштабировать клиентов из шорт листа отпечатков, этому многих научили все эти системы LAL, я бы не рекомендовал увлекаться, это создаст более эффективный маркетинг на коротком промежутке времени, но и более хрупкий бизнес, зависимый от объема узкого аудиторного сегмента, лучше сделать стабильную структуру, хоть в нашей стране так и не принято, куда кудрявее дать быстрый прирост, состричь купоны и уехать в закат, до того, как шефу принесут отчет с VAR.

Варианты использования (тут выстреливает ружье (JTBD), которое я повесил в начале).

1. Сопоставим с группировками (так звучит куда круче) отпечатков - креативы/площадки, оптимизируем распределение бюджета в попытке увеличить тем самым LTV на когорте.

2. Оптимизируем воронку/CJM под группировки: креативы, посадки, формулировки и.т.д которые "зайдут" именно им.

3. Рассмотрим подробнее ключевые для группировок точки карты путешествия клиента. Возможно, найдутся ключевые точки, критичные для важных группировок клиентов (система оплаты, путаная карточка товара etc.)

4. Рассмотрим матрицы JTBD и сопоставив их с группировками сделаем предположение о том, какие реальные потребности генерируют для нас максимальный объем привлеченных через маркетинг денежных средств.

Пример реализации подхода №1 (easy):

Мы можем распознать поведенческий паттерн до его завершения и завесить экран посетителя ловцом лидов до его ухода.

Пример реализации подхода №2 (hard):

Распознав "гастролера" в интернет магазине, не тратим деньги на ретаргет по его группе т.к. вероятность покупки минимальна.

Пример реализации подхода №3 (impossible):

Мы догоняем человека с распознанным паттерном поведения подстроенными под него креативами/правильной серией имейл рассылки (если собрали почту).

Etc.

Вместо заключения

Система сырая и у меня выдает в среднем только 5-6% дополнительной доходности, при 7-10% более оптимизированного бюджета.

Я говорил выше именно про высоконагруженные системы с оминканальностью и приличным пулом SKU, только в таком случае имеет смысл использовать необходимые аналитические системы корпоративного уровня, нанимать разработчиков на питоне и.т.д, но именно на размере прирост в 5-6% доходности и экономия 7-10% объема инвестиций в маркетинг даст достаточное количество миллионов, чтобы игра стоила свеч.

Буду рад, если кто то "докрутит", предложит свой вариант реализации аналитики или просто оскорбит меня в комментах, если что не так.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать
{ "author_name": "Виктор Карпов", "author_type": "self", "tags": [], "comments": 11, "likes": 8, "favorites": 45, "is_advertisement": false, "subsite_label": "marketing", "id": 108562, "is_wide": false, "is_ugc": true, "date": "Sat, 22 Feb 2020 17:49:13 +0300", "is_special": false }
Простой коллтрекинг
для малого бизнеса
Новый алгоритм с
настройкой в два клика
Узнать больше
Коллтрекинг
без боли
Простые настройки
Умный алгоритм
Чистая аналитика
Подробнее
Простой коллтрекинг
для малого бизнеса
Знание источников продаж
постичь ты сможешь
познать
Простой коллтрекинг
для малого бизнеса
Знание источников продаж
постичь ты сможешь
постичь
(function(d, w) { var analyticsCategory = "CoMagic branding"; var sendEvent = function sendEvent(label) { var action = arguments.length > 1 && arguments[1] !== undefined ? arguments[1] : "Click"; var value = "" .concat(analyticsCategory, " \u2014 ") .concat(label, " \u2014 ") .concat(action); console.log("Analytics: %c".concat(value), "color: #E87E04"); if (window.dataLayer !== undefined && analyticsCategory) { window.dataLayer.push({ event: "data_event", data_description: value }); } }; var rand = function rand(min, max) { min = Math.ceil(min); max = Math.floor(max); return Math.floor(Math.random() * (max - min + 1)) + min; }; var id = rand(1, 4); var head = document.querySelector(".comagic-branding-head"); head.setAttribute("data-comagic", id); sendEvent(id + " — Header", "Init"); head.addEventListener("click", function() { sendEvent(id + " — Header"); }); var branding = document.querySelector( '.comagic-branding[data-comagic="' + id + '"]' ); branding.style.display = "block"; sendEvent(id + " — Footer", "Init"); branding.addEventListener("click", function() { sendEvent(id + " — Footer"); }); })(document, window);
0
11 комментариев
Популярные
По порядку
Написать комментарий...
2

Все отлично, но практически не применимо если мало данных.

Ответить
0

На малых данных вообще ничего толкового не применимо )))

Ответить
1

Кластеризовать можно иначе. Возможно, иная кластеризация даст качественно другой результат. Вроде стандартная кластеризация/классификация сейчас считается случайным лесом. Обратные расстояния это видимо свёртка, тоже в принципе стандартный подход.
Тюнить можно и распознавание паттерна, об этом в статье вроде ни слова.
Ну и конечно постоянное изменение/тестирование CJM никто не отменял. 
Ну и сегментировать тоньше и на этом ещё пару % добавить. 

Ответить
–1

Интуиция подсказывает, что где-то за все своем этим хаосом из слов и обрывков иллюстраций прячутся интересные идеи. 

Вы же пишите статью чтобы ее не просто прочли, но сделали что-то ещё? Сейчас не хватает  деталей во многих местах. Вот к примеру пишите: "Таким образом, у нас есть отпечаток поведения, само собой в матричном виде". Что у вас в строках и столбцах матрицы? Или сразу после: "Но нам важно иметь полноту данных, изучать события, которые, по каким то причинам не произошли, взять все возможные варианты" - аналогичный вопрос к иллюстрации. Далее когорты, по времени первого визита? Или источник + время? И в завершение, ещё один пик неопределенности - вы предлагаете нам поверить, что поведенческие логи сами собой кластеризуются. 

Прошу не принимать близко к сердцу мою прямоту, то сейчас ваши заметки бесполезны. Проявите толику заботы о читателе и упакуйте все это в связный текст. Пожалуйста.

Ответить
2

Ринат, спасибо за замечания. Писатель из меня и правда довольно сомнительный, по этой причине никогда ранее ничего не публиковал, а сейчас просто душевный порыв, но верю, что мой уровень со временем станет лучше, если продолжу.

По существу:
Как раз не хотел писать какую либо инструкцию, пока система сыровата. Скорее как раз покидать идей "на подумать". 

Маленькая таблица: слева до времени идут отметки тригеров (целевых действий, которые мы посчитали), справа от времени - сколько таких действий в других когортах, идея в том, что если вычеркнуть общее - останется разность поведения. 

Большая таблица: все тригеры и все когорты, цифра в ячейках - результат сравнения всех данных когорты с исследуемым). 

Когорты в данном случае по первому целевому действию (что не равно источнику, но часто связано). 

Логи, конечно, сами собой не кластеризируются, но репрезентативность данных можно проверить радикально влияя на рекламные системы и сравнивая результат. 
История в том, что люди, из разных источников и сегментов, пришедшие по одним креативам к одному продукту созданным в рамках А/B тестов ведут себя по разному в дальнейшем. На выборке в 12000 человек - паттернов у меня вышло 21, на выборке в 24000 - паттернов 23. Чем не показатель кластеризации поведения. Но, ради чего все и затевалось, если добавить новых формулировок на той же структуре маркетинга - данные могут сойтись к 10 паттернам, что для меня доказательство наличия некого "первичного запроса" в структуре JTBD, так и его доминирования перед социально-экономическим подходом аудиторной сегментации. 

Ответить
0

Как это применимо на практике? Какие сервисы посоветуете, если они есть... Понятно, что CRM+сквозная аналитика, а дальше? Как прикрутить сюда матричный анализ поведения и автоматизировать поведение системы под паттерн поведения?) А в целом за идею спасибо, очень интересно)

Ответить
0

...не применимо) Нужно собирать данные так, как позволит конкретно ваш маркетинг и ресурсы. Если у вас нарисована CJM, прикиньте, какие у вас инструменты аналитики есть на всех "щупальцах", если все можете измерить, двигайтесь дальше и собирайте данные в одно место. 

Большая часть времени ушла именно на настройку сбора, так как на рынке не нашлось готового решения под все наши каналы. Когда соберете, можно строить гипотезы и экспериментировать по-своему. 

Мне понадобились не инструменты, а люди, которые смекают в датасайнс на питоне (сети), SQL и математику. Два дня я со своим костноязычием объяснял чего хочу, а потом услышал "ааааа ок!" и через сутки все было готово. "Инструменты" взяли гуманный полтинник. 

Ответить
0

То есть, вы написали свое программное обеспечение? Какие получились затраты, если не секрет?)

Ответить
0

Не совсем. Чтобы охватить все задачи была комбинация и готовых вещей: GA, bigquery, appsee, кое что моделировали в power Bi ну и по мелочи еще. Остальное, по части анализа, фрилансеры писали на питоне, на сколько я знаю вообще из открытых библиотек. 

Выше я писал что фрилансеры обошлись в 50 т.р., сервисы - копейки. Еще работа штатных сотрудников компании до и во время эксперимента, они собирали данные в одно место. Так, если на глаз, то придти с таким проектом к кому нибудь с учетом (представим) отсутствия какой либо аналитики вообще, будет стоить где то 350 т.р. и недели три работы. 

Не продаваемо, не окупиться при небольшом обороте, сыро, относительно на коленке и наверное антинаучно...но крайне увлекательно! И чутка стабильного результата то дает для нас. И как бонус, один раз собрав скелет, можно сидеть и проверять новые гипотезы, хоть каждый день, пока не уволят ). 
История под энтузиастов внутри средней ритейл компании, если директор разрешит поддать рекламщикам рока. 

Ответить
0

Вдохновляет). Пишите еще! 🤗

Ответить

Прямой эфир