Трекинг здоровья бренда: как выжать из данных BHT максимум

Извлекаем новые инсайты из привычного трекинга

Brand Health Tracking — одно из самых распространённых исследований в арсенале маркетолога. Его заказывают, когда бюджет ограничен, а понимание положения бренда — необходимо. Однако, несмотря на высокий потенциал для оценки текущего состояния и направлений роста, слишком часто результаты этого исследования становятся просто ещё одним файлом в архиве, не влияя на реальные бизнес-решения.

О том, как изменить подход к анализу данных трекинга, чтобы получать готовые инсайты для руководства к действию, — рассказал Владимир Морковин, директор по стратегии агентского направления СберМаркетинга.

Дисклеймер первый. Конечно, не стоит переоценивать данные трекинга. Как минимум, это декларативные данные (claimed data), не подкрепленные доказательствами. Установление связи между заявляемыми бренд метриками (например, потребление) и реальными бизнес-показателями (объем продаж, доля рынка) является отдельной нетривиальной задачей, которая решается индивидуально в каждом случае.

Дисклеймер второй. Мы исходим из того, что команда маркетинга и компания в целом принимает общепринятые модели клиентского пути, такие как AIDA (Awareness, Interest, Desire, Action), Знание-Рассмотрение-Покупка и им подобные. Поэтому, мы осознанно оставляем за рамками дискуссию о корреляции и причинности, и считаем, что конечно же, опыт потребления и взаимодействия с брендом влияет и на его знание и дальнейшее рассмотрение к покупке, но, в общем и целом, Знание конвертируется в Рассмотрение, а Рассмотрение в Потребление и не наоборот.

По нашим наблюдениям наиболее традиционной формой представления результатов BHT являются «спагетти»-графики с динамикой метрик и пирамиды брендов.

Чаще всего на графиках первого вида значения показателей от волны к волне изменяются всего на несколько процентных пунктов, при этом направленность разных метрик одного бренда может быть произвольной — что-то растет, что-то снижается. Сопоставить эти небольшие движения метрик между собой и с метриками конкурентных брендов в таком виде весьма затруднительно, еще сложнее сделать практические выводы. Тем не менее, эти графики могут хорошо работать при наложении на данные о рекламной активности, промо или индекса цены.

Для графиков второго типа рассчитываются показатели конверсии одной метрики в другую. Но как будет показано ниже, прямое сопоставление конверсий разных брендов между собой может привести к ошибочным выводам. Например, бренд А имеет Знание с подсказкой 90% и Потребление 45%, а бренд Б — соответственно 60% и 24%. Легко посчитать конверсии из Знания в Потребления обоих брендов: 50% и 40%. Значит ли это, что бренд Б имеет проблемы с конверсией? Более опытный маркетолог скажет: конверсия сильного бренда всегда выше. Но как это продемонстрировать в явном виде? И самое главное, какой уровень конверсии правильно считать нормой для бренда Б? В нашем треккинге может больше не оказаться брендов с близким уровнем Знания, чтобы вывести бенчмарк. Даже если такие бренды в исследовании есть, каковы основания считать их соответствующими той самой норме?

Подход базируется на трех простых принципах:

1. Анализ двух метрик вместе дает больше понимания, чем изолированный анализ каждой метрики, т.к. позволяет видеть взаимосвязь и ее динамику. Поэтому мы строим карту, откладывая по осям две интересующие нас метрики.

2. Все накопленные в рамках треккинга данные имеют значение, и мы хотим анализировать их все сразу, т.к. большее количество данных позволяет более точно установить фундаментальные связи метрик для рассматриваемой категории. Поэтому мы наносим на карту точки для всех брендов и за все периоды, которые доступны в треккинге.

3. Необходимо строить линию, которая аппроксимирует все нанесенные точки, именно она описывает усредненную для категории взаимосвязь между двумя метриками, именно с этой «усредняющей» линией необходимо соотносить положение и динамику метрик каждого бренда.

Что же мы можем увидеть? Начнем с общих закономерностей. Здесь и далее, если не оговорено другое, данные Brand Pulse от Медиаскоп, левый график — категория Мясо-колбасные изделия, правый график — категория Видео платформы.

Первая пара метрик: Рассмотрение к покупке против Подсказанного знания

Видим, что связь метрик практически линейная, вид аппроксимирующей линии близок к прямой с очень небольшой дисперсией (т.е. разбросом относительно линии). Можно наблюдать группу точек, лежащих значительно ниже линии, но об этом позже. В общем и целом, Рассмотрение к покупке тем выше, чем выше уровень Подсказанного знания. И здесь можно сформулировать две гипотезы:

1. люди готовы рассматривать все бренды, которые узнают;

2. люди помнят и узнаю только те бренды, которые готовы рассматривать, т.е. считают релевантными.

Вторая пара: Потребление против Рассмотрения к покупке

«Потреблением» Медиаскоп называет пенетрацию, долю пользователей категории, которая покупала (потребляла) бренд хотя бы раз за определенный период, например, последние 6 месяцев. Видим, что связь метрик все еще достаточно сильная (небольшой разброс точек), но зависимость перестает быть линейной, конверсия в Потребление увеличивается с ростом Рассмотрения. Аппроксимирующая линия в явном виде отражает «норму» конверсии в категории для разного уровня Рассмотрения.

Третья пара: Наиболее частое потребление против Потребления

Опять сильная связь метрик, малый разброс точек. Связь нелинейная, чем выше Потребление, тем выше Наиболее частое потребление бренда, что отлично иллюстрирует правило, сформулированное и доказанное Байроном Шарпом, что с ростом пенетрации растет и частота потребления (когда бренд становится физически и ментально доступным для большего количества людей в большем количестве ситуаций потребления).

Четвертая пара: Потребление против Подсказанного знания

По нашему опыту самая полезная пара для быстрого анализа. Сильная связь метрик, относительно малый разброс точек. При этом точки не скучены, хорошо рассредоточены по осям в широком диапазоне значений, что дает больше возможностей для сопоставления и анализа динамики. Закономерность распределения нелинейная, имеет вид «клюшки»: относительно низкая конверсия в Потребление для брендов, не достигших уровня 60% Подсказанного знания, максимальная конверсия у брендов-лидеров с Подсказанным знанием свыше 90% пользователей категории.

Пятая пара: Легко объяснить, чем лучше других против Подсказанного знания

В некоторых категориях за счет малой дисперсии и хорошего рассредоточения точек по осям пара может дать достаточно возможностей для анализа и выводов.

Пары, которые сложно интерпретировать: Наиболее вероятная покупка, Наиболее частое потребление, Легко объяснить, чем лучше других

Зависимость почти линейная, но большинство точек скучено к нулю.

Спонтанное знание и Первое упоминание (Top of Mind, TOM) хуже всего связаны с другими метриками

Небольшой диапазон значений и скученность к нулю (особенно для Первого упоминания), а также большой разброс точек (например, кратная разница в Спонтанном знании для близкого уровня Потребления) делает эти метрики практически непригодными для анализа.

Мы бы не рекомендовали маркетингу использовать Спонтанное знание и Первое упоминание (TOM) в качестве KPI.

Закономерность распределения значений ключевых пар бренд-метрик имеет поразительную устойчивость, что может свидетельствовать об их фундаментальной связи.

Например, Потребление и Подсказанное знание. Мы уже видели, что для таких разных категорий, как Колбасные изделия и Видеосервисы связь имеет вид экспоненциальной (показательной) функции:

f(x) = a*(bˣ - 1)

В обиходе мы называем ее «клюшкой».

Какую бы категорию или источник BHT метрик мы ни брали, эта закономерность наблюдается в 100% случаев, всегда Потребление связано с Подсказанным знанием через «клюшку». Положение точек, коэффициенты a и b меняются в зависимости от категории, т.е. абсолютные числовые значения и вогнутость «клюшки» всегда разные, но всегда «клюшка» остается «клюшкой».

Приведем еще несколько примеров.

Категория Сметана, разные гендерные сегменты

Категория Жаропонижающие, разные возрастные сегменты

Категория Гели для душа, разные регионы

В первой части мы исследовали общие взаимосвязи между бренд-метриками, убедились в малой пригодности для анализа таких метрик как Спонтанное знание и Первое упоминание (ТОМ), проверили устойчивость связи между Потреблением и Подсказанным знанием, эта пара метрик всегда связана показательной функцией или просто «клюшкой». Пришло время перенести фокус анализа на уровень отдельных брендов.

Пример: Густые йогурты

Цветом выделены несколько брендов. Отлично видим картину в целом, обращаем внимание, что и по каждому отдельному бренду точки выстраиваются преимущественно вдоль кривой. Легко выделяем не только лидеров и аутсайдеров по Знанию и Потреблению, но и наиболее и наименее конкурентоспособные бренды. Бренды, находящиеся глубоко под аппроксимирующей «клюшкой», хуже конвертируют свое Знание в Потребление, и наоборот, бренды, находящиеся высоко над кривой, имеют лучшую конверсию. Драйверы конкурентоспособности могут быть самые разные: дистрибуция, цена, привлекательность бренда, привлекательность самого продукта.

Некоторые гипотезы можно попытаться проверить, анализируя другие пары метрик. Например, Знание и Рассмотрение.

В данном случае видим, что конверсия Растишки из Знания в Рассмотрение существенно ниже других брендов, судя по всему, проблема бренда не в дистрибуции.

Сопоставим со Знанием метрику «Легко объяснить, чем лучше других».

Видим, что ценность Растишки воспринимается существенно слабее других брендов, вполне вероятно, что проблема и не в цене, а либо ценности, которую транслирует бренд, либо в самом продукте. Предположим, что это связано с более нишевым детским позиционированием.

Пример: Доставка продуктов и готовой еды

Динамику бренд-метрик мы так же обычно предпочитаем анализировать на картах с «клюшками». Например, категория Доставка продуктов и готовой еды, цветная точка показывает усредненное значение метрик бренда за квартал:

Магнит, Пятерочка и OZON активно нарастили показатели за последние 4 квартала, сохраняя конкурентоспособность, т.е. расстояние до линии.

Пример: Лагеры

На примере категории светлого пива можем сделать несколько любопытных наблюдений, которые достаточно часто встречаются в самых разных категориях.

Молодой сегмент 18-24 демонстрирует Знание ниже других возрастов, но более высокую конверсию. Это можно интерпретировать следующим образом: знание брендов накапливается с возрастом, а стремление к экспериментам и репертуар потребляемых брендов сужается.

Бренд без активной рекламной поддержки, в данном случае Невское, имеет кратно более широких разлет по уровню знания, опять же, за счет предыдущего опыта взаимодействия с брендом и его рекламой.

Высокий уровень Знания Невского среди аудитории старше 35 плохо конвертируется в Потребление. Ниже видим, что у бренда нет проблем с конверсией из Знания в Рассмотрение среди взрослых потребителей.

А вот картина с восприятием бренда более, чем красноречива: для потребителей старше 35 Невское является крайне ординарным брендом.

Пример: Майонез

Визуализация метрик на карте с «клюшкой» позволяет так же удобно и быстро анализировать региональные особенности конкурентной среды. В данном примере показана категория Майонез, цветные точки показывают значения для некоторых брендов за последний квартал.

Можно обратить внимание на чуть более низкую конкурентоспособность бренда Слобода в Новосибирске при достаточно высоком уровне знания, но необходимо принимать во внимание рост дисперсии (разброса точек) за счет малой выборки отдельных городов.

За несколько лет опыта применения мы убедились в высокой эффективности изложенного подхода к анализу бренд-метрик и включили его в нашу регулярную практику. Поэтому, в целях оптимизации нами был разработан специальный инструмент InsightsFNDR, позволяющий получать быстрый доступ к данным и их визуализации. Тем не менее, любой желающий сможет воспроизвести подход в обычном Excell и извлекать больше стратегических инсайтов из привычного и «скучного» BHT. На наш взгляд, стоит попробовать. Удачи!