Что такое наука о данных в маркетинге?
Изображение с Creative Fabrica (Платно для автора, разрешено коммерческое использование)
Что такое наука о данных в маркетинге? Мне постоянно задают этот вопрос, когда я говорю, что моя профессия — специалист по маркетинговым данным. Этот вопрос возникает ещё чаще у коллег-специалистов по данным, которые не работают в сфере маркетинга.
Возможно, вы этого не осознавали, но, скорее всего, вы уже сталкивались с результатами применения науки о данных в маркетинге.
Когда вы ищете товар в Google, вы могли заметить, что в верхних списках есть тег объявления рядом с ними. Это платный маркетинг, и компании делают ставки на ключевые слова, по которым вы ищете. Когда вы делали покупки на Amazon во время Рождества, среди прочих были спонсорские списки. Эти списки также были платным маркетингом и были рекомендованы вам алгоритмом рекомендаций, который определил, что вы, скорее всего, перейдёте по ссылке и совершите покупку. Когда вы просматриваете Instagram и видите рекламный купон на услугу, возможно, вы участвуете в группе тестирования маркетинга, чтобы проверить, насколько хорошо работает реклама в Instagram, и да, вам повезло, потому что контрольная группа не получает купон на акцию.
Всё вышеперечисленное стало возможным благодаря науке о данных в маркетинге. Она использует методологии науки о данных и данные, связанные с маркетингом, чтобы облегчить жизнь маркетологам и потребителям.
Я уверен, что пока вы получили представление о науке о данных в маркетинге. Читайте дальше, и вы найдёте 7 более подробных областей и примеров, чтобы углубить ваше понимание того, как наука о данных помогает маркетингу.
1. Измерение маркетинга и распределение бюджета
Я перечисляю это первым, потому что работал над этим дольше всего, и это важно, потому что без измерения эффективности того, что было сделано, невозможно узнать, как можно улучшить. Измерение — это компас.
Ключ к измерению маркетинга — использовать некоторые метрики Northstar (например, рентабельность инвестиций (ROI) рекламных вложений (ROAS — возврат инвестиций на рекламу), чтобы оценить эффективность предыдущих маркетинговых мероприятий по продвижению бизнес-KPI). На основе измеренных показателей команда маркетинга может решить изменить распределение бюджета, стратегию таргетинга, стратегию торгов или другие аспекты для повышения будущей эффективности.
Как наука о данных помогает в измерении маркетинга? Вот несколько примеров:
a) Экспериментирование
Тратить или не тратить — вот в чём вопрос.
Специалист по маркетинговым данным использует методы A/B-тестирования и причинно-следственного вывода, такие как разница в разнице, разрыв в регрессии и т. д., чтобы понять, вызывают ли маркетинговые мероприятия изменения KPI.
Давайте воспользуемся поиском в Google в качестве примера. Компании тратят миллионы долларов на покупку платных поисковых запросов в Google, но стоит ли оно того? Часто люди ищут в Google с чётким представлением о том, какую компанию выбрать, и деньги на рекламу могут быть потрачены впустую, если они конвертируются в любом случае. На помощь приходит A/B-тестирование. Мы можем использовать платформу тестирования на уровне пользователей Google Conversion Lift для измерения. Google случайным образом разделяет пользователей на контрольную и экспериментальную группы и показывает рекламу экспериментальной группе. С помощью строгих статистических процедур мы можем с высокой достоверностью узнать о дополнительных конверсиях, вызванных рекламой. Хотя тесты редко бывают идеальными, теперь у нас есть более обоснованное предположение с хорошей достоверностью благодаря науке о данных в маркетинге. Когда A/B-тестирование невозможно, причинно-следственный вывод также может помочь нам понять, что произошло бы, если бы не было расходов на рекламу, и сказать нам, повлиял ли маркетинг на изменения в KPI и насколько.
Для более подробного сравнения различных способов измерения маркетинга, пожалуйста, ознакомьтесь с моей статьёй здесь.
b) Модели маркетингового микса
Сколько и где тратить — это тоже вопрос.
С помощью экспериментов мы имеем хорошее представление об эффективности кампаний и каналов, но как насчёт распределения бюджета? Где и сколько вы тратите на рекламу?
Представьте себя в роли менеджера по маркетингу с бюджетом в 100 миллионов долларов на маркетинг, где и как вы их потратите? Вы можете потратить 50 миллионов на телевидение, потому что все ваши родные и друзья смотрят телевизор. Вы можете потратить оставшуюся сумму в Instagram, потому что Instagram, кажется, всегда рекомендует вам релевантную рекламу. Это может быть отличным подходом, основанным на личном опыте, но есть и более научные способы сделать это — на помощь приходят модели маркетингового микса (МММ).
МММ использует методы временных рядов для распределения бизнес-KPI по различным драйверам (таким как рекламные мероприятия, акции и т. д.), контролируя при этом другие факторы (такие как сезонность, тренд, экономика, активность конкурентов и т. д.). Модель может сказать вам об эффективности и вкладе KPI каждого маркетингового канала на текущем уровне расходов. Она также может смоделировать, если уровень расходов изменится, каким может быть KPI при прочих равных условиях. Учитывая будущие бюджетные уровни и ограничения, модель может спрогнозировать KPI и сообщить об оптимизации распределения маркетинговых расходов по различным каналам для достижения максимальных KPI или ROAS.
Для более глубокого понимания МММ ознакомьтесь с моими статьями: «Моделирование маркетингового микса 101», «Моделирование маркетингового микса 102».
2. Оптимизация и автоматизация ставок
Изображение с Pexels EKATERINA BOLOVTSOVA
Один из проектов, над которым я работал в Doordash, — это платформа оптимизации и автоматизации ставок, которая оптимизирует суммы ставок и автоматически обновляет ставки, чтобы:
- максимизировать заинтересованность в KPI;
- сэкономить время и затраты на труд.
Многие каналы, особенно поисковые, используют аукционы объявлений при определении того, какие объявления показывать, когда люди ищут в Google или на других сайтах, которые показывают рекламу. Это похоже на аукционы в реальной жизни, но также учитывает другие факторы помимо самой высокой ставки.
В реальных аукционах, когда объект выставляется на продажу, он может быть или не быть таким ценным, как цена ставки. Вы не хотите предложить слишком высокую цену и переплатить или предложить слишком низкую цену и упустить возможности. Рекламные действия также похожи, поиск может или не может привести к конверсии. Вы не хотите тратить деньги на низкокачественные и нерелевантные поисковые запросы, но вы также не хотите терять потенциальных клиентов для своих конкурентов. Что ещё сложнее для цифровых рекламных аукционов, так это то, что они могут происходить в любое время и происходить очень быстро. Человеку сложно и не научно определить разумные суммы ставок на определённые типы продуктов или ключевые слова и время обновления суммы ставки.
На помощь приходит наука о данных в маркетинге. Специалист по маркетинговым данным может использовать исторические данные о маркетинге, сезонность, тренд и данные о конверсии, чтобы установить взаимосвязь между рычагами ставок и конверсиями. Используя алгоритмы оптимизации и бизнес-ограничения, мы можем узнать, какими были бы идеальные суммы ставок и время для максимизации конверсий (или других бизнес-KPI). Это снимает тяжёлую работу и догадки по установлению ставок для достижения бизнес-целей.
3. Прогнозирование пожизненной ценности клиента
Пожизненная ценность клиента (CLV или LTV) — это общая денежная стоимость, которую клиент генерирует за всё время, пока является клиентом компании.
Используйте меня в качестве упрощённого примера: я нашёл местный ресторан и продолжал ходить туда в течение 6 месяцев, а потом мне надоело их еда. Моя жизнь с этим рестораном составляет 6 месяцев, а моя общая пожизненная ценность — 210 долларов (суммируя все мои расходы за 6 месяцев). (Это можно рассчитать и другими способами, например, добавив мою реферальную стоимость, вычтя затраты и т. д. Это зависит от вашего определения и бизнес-кейса.)
Почему CLV важен?
Он учитывает не только первоначальную покупку, но и будущие повторные покупки и даже потенциальные рекомендации и т. д. Это помогает компаниям принимать более обоснованные решения о стратегиях как маркетинга, так и бизнес-операций.
Для маркетинга, зная ценность клиента с течением времени, компании будут в лучшем положении, чтобы определить, сколько они должны инвестировать в привлечение новых клиентов, удержание существующих клиентов и какие виды маркетинга и рекламных мероприятий, скорее всего, принесут наибольшую отдачу.
4. Прогнозирование оттока
Изображение с Unsplash by Mantas Hesthaven
Отток означает, что клиент перестаёт пользоваться услугами или покупать товары у компании. Любой успешный бизнес не хочет терять своих ценных клиентов, так как это может привести к потере доходов и возможностей для будущего роста. Иногда отток неизбежен, однако во многих случаях его можно предотвратить или отсрочить, используя стратегии удержания клиентов или стратегии управления взаимоотношениями с клиентами (CRM). Компания может проактивно обращаться к клиентам, которые собираются уйти, чтобы выяснить, какая дополнительная поддержка может быть предоставлена, определить, стоит ли запустить целевую кампанию по удержанию или повторному вовлечению, и так далее.
Как узнать, кто находится в группе повышенного риска оттока? Некоторые клиенты могут не высказывать это вслух и просто тайно уходить. Здесь на помощь приходят модели прогнозирования оттока: прогнозирование оттока для предотвращения оттока.
5. Системы рекомендаций
Изображение с Creative Fabrica (Платно для автора, разрешено коммерческое использование)
Алгоритмы рекомендаций широко используются многими компаниями. Amazon использует их, чтобы рекомендовать покупателям соответствующие товары, Netflix использует их, чтобы рекомендовать зрителям соответствующие телешоу и фильмы для просмотра, а UberEats использует их, чтобы рекомендовать рестораны и блюда для посетителей. Рекомендатель становится лучше и мощнее со временем, когда он узнаёт о поведении пользователя, его симпатиях и антипатиях.
Системы рекомендаций могут быть как контент-ориентированными, так и основанными на коллаборативной фильтрации. Как следует из названия, контент-ориентированная рекомендация основана на сходстве между содержанием продуктов. Например, если я купил книги о Гарри Поттере, мне также может быть рекомендовано купить «Хроники Нарнии». Коллаборативная фильтрация больше основана на сходстве между атрибутами пользователя и поведением, и/или атрибутами товара. Мне будет рекомендовано купить что-то, потому что кто-то похожий совершил покупку.
6. Анализ настроений
Изображение с Creative Fabrica (Платно для автора, разрешено коммерческое использование)
Анализ настроений считается одним из наиболее эффективных способов измерения маркетинга, особенно маркетинговых кампаний бренда, для анализа настроений клиентов по отношению к вашему бренду. Анализ настроений выявляет чувства и эмоции, выраженные в словах, что помогает компаниям понять свои сильные и слабые стороны и определить будущие возможности роста и улучшения.
Специалисты по маркетинговым данным извлекают мнения и текстовые данные для извлечения информации. Это относится к широкой категории классификации текста. Классификаторы, такие как наивный байесовский, могут помочь в работе, и это также горячая тема для НЛП (обработки естественного языка). Текстовый классификатор помогает определить, является ли настроение, стоящее за определёнными текстами, положительным, отрицательным или нейтральным.
7. Сегментация клиентов
Изображение с Creative Fabrica (Платно для автора, разрешено коммерческое использование)
Наконец, что не менее важно, наука о данных может помочь сегментировать клиентов на разные подгруппы на основе общих характеристик. Зачем нам нужно сегментировать клиентов? С точки зрения маркетинга, это может помочь маркетологам по-разному нацелиться на каждую значимую сегментацию и разработать более эффективные и действенные маркетинговые стратегии.
Например, у клиентов разные потребности и предпочтения в отношении продуктов. Некоторые клиенты более чувствительны к цене, а другие совершают покупки независимо от цены, некоторые клиенты предпочитают предметы роскоши, а некоторые больше заботятся о доступности. Когда мы хотим запустить кампанию скидок со скидкой 20% для стимулирования дополнительных покупок, мы можем нацелить клиентов, которые более чувствительны к цене, поскольку клиенты с более жёстким спросом, скорее всего, совершат покупку без скидки. Когда запускается новая линейка продукции класса люкс, мы можем нацелить клиентов с более роскошным образом жизни, чтобы повысить коэффициент конверсии и рентабельность инвестиций.
Наука о данных в маркетинге помогает нам сегментировать клиентов с помощью алгоритмов машинного обучения и данных. Природа проблемы делает её задачей машинного обучения без учителя (как правило), которую можно решить с помощью алгоритмов кластеризации, таких как кластеризация K-средних.
Резюме
Подводя итог, в этой статье я написал о 7 способах использования науки о данных в маркетинге, которые помогают компаниям повысить эффективность маркетинга и, в свою очередь, добиться более высокого роста:
- Измерение маркетинга и распределение бюджета — чтобы измерить эффективность маркетинговых мероприятий в прошлом и указать направления для будущей маркетинговой стратегии.
- Оптимизация и автоматизация ставок — оптимизировать стратегию ставок на рекламу и автоматизировать процесс торгов, чтобы помочь увеличить конверсии и снизить затраты.
- Прогнозирование пожизненной ценности клиента — чтобы учесть долгосрочную ценность клиента и оптимизировать долгосрочный успех.
- Прогнозирование оттока — чтобы предсказать ценных клиентов с высоким риском оттока, чтобы компании могли сосредоточить ресурсы на предотвращении этого.
- Системы рекомендаций — чтобы рекомендовать релевантную рекламу клиентам и повысить коэффициент конверсии и рентабельность инвестиций.
- Анализ настроений — чтобы анализировать настроения клиентов за текстами для более эффективных маркетинговых стратегий бренда.
- Сегментация клиентов — чтобы сегментировать клиентов по смыслу для сегментации для более точного таргетинга.
Спасибо вам и подписывайтесь на меня, чтобы узнать больше!
Спасибо, что дочитали до конца, и поздравляю, теперь у вас более глубокое понимание науки о данных в маркетинге.
Надеюсь, вам понравилась моя статья, и она вам чем-то помогла. Я пишу статьи о науке о данных, бизнесе, опыте работы и многих других темах. Подписывайтесь на меня, чтобы узнать больше, и подписывайтесь на мою электронную почту, если вы хотите читать больше такого контента и получать бесплатные полезные ресурсы!