Крупные клиенты, большие данные: как data-driven подход помогает развивать В2В-рынок
Тимлид команды аналитики B2B-направления СберМаркета рассказывает о том, как Big Data меняет B2B-продукты и помогает им развиваться.
Big Data — не только для потребителя
Сегодня все крупные технологические компании смотрят на своих клиентов сквозь призму данных. Это помогает создавать персонализированные и удобные сервисы.
Если в 2015 году big data использовали только 17% компаний во всем мире (авангард инноваций — ИТ, банки и телеком), то в 2020-м тренд подхватили уже больше 50%. Американская корпорация Union Pacific Railroad, например, с помощью больших данных управляет рисками: после внедрения технологии составы стали сходить с рельсов на 75% реже. А компании Netflix, Procter & Gamble и Coca-Cola используют бигдату, чтобы предсказать изменения потребительского спроса.
Правда, большие данные обычно помогают бизнесу с В2С-направлением. А вот В2В-клиентам все еще достаются простые решения с примитивным функционалом, основанные на заимствовании механик В2С-домена. Привет, excel-таблицы, сделки в блокнотах, унылые интерфейсы сайтов, которые не могут предложить компаниям удобный функционал, и отсутствие системных решений для KPI: результаты собственной работы остаются для клиентского менеджера непрозрачными.
Качественный В2В-продукт, основанный на данных, — все еще новинка на мировом рынке. Хотя так уже работает Amazon Business, который предлагает клиентам умные рекомендательные системы и интерфейс, похожий на В2С, но со всеми нужными бизнесу фичами. Результат — GMV в $25 млрд по итогам 2020 года.
Data-driven: в чем польза?
Причина начать работу с данными очень простая: бизнес, который не анализирует, теряет деньги. Упущенная выгода также может заключаться в потере клиентов или невозможности оптимизировать процессы.
Согласно исследованиям, 80%клиентов B2B-сегмента ожидают от сервиса опыта, аналогичного их личному опыту в В2С. Например, хотят получать персонализированную поддержку после первого заказа.
Большие данные помогут:
- Дать корпоративным клиентам уникальный опыт взаимодействия с компанией.
- Рекомендовать клиентам релевантные товары.
- Формировать уникальные предложения.
- Прогнозировать объем и регулярность закупок.
Какие данные нужны В2В-сервису
Мы в СберМаркете собираем и исследуем данные наших В2В-клиентов. Среди них:
- История заказов: когда покупали, что и в каком количестве;
- Время, проведенное в каждой категории на сайте;
- Частота заказов из категорий и из поиска;
- Скорость сборки корзины;
Приоритеты в коммуникации: чаще реагирует на пуши или СМС;
География: где находится клиент;
- Реакция на маркетинговые акции.
Даже на начальном этапе накопления данных мы можем составить базовый портрет нашего корпоративного клиента. Например, 75% из них — компании СМБ, причем 70% базируются в Москве и делают заказы чаще, чем В2С-клиенты. И очень любят покупать воду.
Все это помогает нам точно понимать, кто наш клиент, как он предпочитает общаться и какие у него есть потребности. Вместе с возможностями экосистемы Сбера (а это интеграция с внутренним сервисом Сбербанк Бизнес Онлайн, СберЛогистикой, программами лояльности) big data помогает развивать и В2В-направление. Сегодня В2В-продукт занимает до 6% в обороте компании.
Это точно работает?
Залог успешной монетизации big data — грамотные обработка и применение. Для работы с данными потребуется алгоритм. А когда он будет написан, технологию еще предстоит осознать и эффективно использовать в контексте конкретного бизнеса. Экономист Нассим Талеб писал как-то по этому поводу: часто компании, стремясь успевать за трендами, начинают хаотично формировать огромные массивы данных и искать в них закономерности.
И находят — вот только это не истинные корреляции, которые помогают принимать правильные решения и развиваться, а результат ошибок. Которые, к сожалению, неизбежно возникают из-за слишком большого объема данных и задач, нерелевантных для такого масштаба.
Копить данные, которые вы не будете использовать — значит увеличивать затраты и расходовать ресурсы, которые могут пригодиться в другом месте. А заодно вредить планете. Даже электронные письма оставляют заметный углеродный след: отправка 65 штук эквивалентна 1 км за рулем автомобиля.
Так происходит из-за того, что на отображение письма на экране и путешествие по серверам тратится электроэнергия. Конечно, это всего 1,7% от того объема, который требуют бумажные письма — вот только электронных писем мы отправляем гораздо больше.
Дата-центры, в которых хранятся большие данные, потребляют огромное количество энергии. Яндекс, например, разместил такой центр в Финляндии, в 60 км к северу от Хельсинки, потому что суровый климат помогает охлаждать технику.
Осознанно расширяя объем доступных данных о клиенте и успешно их интерпретируя, компания получает возможность:
предложить корпоративному клиенту делать регулярные заказы по подписке;
сформировать на витрине персональные рекомендации;
предоставить клиентам доступ к аналитике в личном кабинете;
предлагать релевантные скидки;
- повысить эффективность коммуникации.
Big data может быть полезна и в точечных решениях. Команде СберМаркета анализ больших данных недавно помог определить работу с приложением как приоритетное направление для В2В-продукта.
Как постепенно внедрять data-driven подход
- Сформируйте команду. Например, организуйте хакатон: придумайте актуальную задачу и дайте крутым специалистам посоревноваться в поиске решений.
- Решите, зачем вам собирать данные. Сформулируйте правильные вопросы и определитесь с метриками;
- Определите, из каких источников вы будете брать данные. Помните, что ценность и достоверность данных варьируется, и что вокруг данных существуют свои юридические нормы. Да и быть в работе с big data этичными всегда полезно любому бизнесу;
- Создайте инфраструктуру. Чтобы быстро и качественно обрабатывать большие массивы данных, нужны специальные инструменты: хорошее хранилище, правильно настроенные интеграции между различными системами и грамотно выстроенная архитектура потоков данных.
- Интерпретируйте результаты и тестируйте гипотезы. Заведите систему оценки решений — всегда проверяйте выводы, которые получили из анализа данных, и сохраняйте гибкость, пользуясь этим инструментом.
Очень круто!
Продолжение будет?