Маркетинг на данных: data driven подход в вашей компании

маркетинг основанный на данных vlasov.prod

Один из основных видов капитала: информация.

Большинство компаний недооценивают возможности использования собранных данных, или вовсе пренебрегают их накоплением.

Работа с клиентскими данными открывает возможности роста прибыли за счет увеличения LTV:

1. Разбивка аудитории на когорты для выявления скрытых тенденций потребления. Модель кластеризации в машинном обучении предоставляет возможность оценить, какие подгруппы внутри существующей аудитории приносят наибольшую прибыль, и, как следствие, появляется возможность адаптировать коммерческое предложение под наиболее маржинальный сегмент.

2. Повышения конверсии различных групп аудитории путем триггерных коммуникаций, в зависимости от проявляемой активности, в этом поможет модель RFM (Recency Frequency Monetary).

3. Анализ клиентских предпочтений в продукте для детального изучения запросов потребителей и закрытия спроса. Модели Quality Function Deployment и Кано позволяют изучить уровень соответствия товаров и удовлетворяемых ими нужд.

1. Анализ временных рядов и прогнозирование колебаний спроса в разные сезоны. Модели регрессионного анализа и DecisionTree позволяют, полагаясь на уже существующие данные, делать предсказания о возможном поведении клиентов в дальнейшем при подобных условиях.

2. Оптимизация маркетингового бюджета за счет таргетирования в определенные кластера клиентов (см. ML-модель кластеризации выше).

3. Оптимизация продуктовых характеристик и расходов на них под конкретные запросы целевой аудитории (см. модели QFD и Кано).

Максим Корнев

доцент Института медиа РГГУ и Института медиа НИУ ВШЭ, партнер консалтинговой компании MediaToolbox

Модели машинного обучения в маркетинге — это как микроскоп: увеличивают всё, на что смотришь. Но если смотреть не туда, можно найти доказательства чего угодно, например, что огурцы смертельно опасны.
Данные сами по себе — это хаос. Без правильных вопросов и гипотез они превращаются в шум, а не в инсайты. Вот почему важно сначала понять свою аудиторию: опросы, ценностные карты, CJM — это не скучная рутина, а фундамент, без которого модель — просто генератор случайных корреляций.
Машинное обучение не заменит мышление. Оно усиливает тех, кто умеет задавать умные вопросы. Данные не дают ответов — они дают пищу для размышлений. И если вы строите бизнес на огурцах, лучше бы вам знать, кто их ест и почему.
*из интервью с приглашенным экспертом

1. Изучение конкурентной среды через опросы и составление Ценностно-Стоимостной Карты, а также Пирамиды Брендов позволяют провести сравнительный анализ, и выявить "Силу бренда" в сегменте. Может быть, что для клиента вовсе отсутствует разница в продуктах брендированных и ноунейм. Такое часто встречается на новых рынках и/или в FMCG-сегменте.

2. Снижение оттока (CHURN), достигается за счет модели RFM и DecisionTree.

3. Вывод ценностей бренда, то есть искусственно-дифференцируемых качеств компании или факторов относящихся к клиентскому пути. Например модель EST рассматривает характеристики бренда, относящиеся к обслуживанию, в том числе, постпродажному. А построение Карты Пути Клиента (CJM), которая, впрочем, проводится без полевых исследований, позволяет оптимизировать трафик и повысить конверсию через воронку продаж.

Наш сайт: