В последние годы управление продуктами претерпевает фундаментальные изменения
Особенно с развитием искусственного интеллекта и автоматизации. Но слишком часто люди рассматривают управление продуктами просто как карьерный путь, а не как образ мышления. Эта ограниченная перспектива упускает из виду глубокое любопытство и стремление к решению проблем, которые присущи настоящим менеджерам по продуктам — стремление, которое выходит за рамки простых должностных обязанностей и организационных структур.
Такой узкий взгляд приводит к жёсткому подходу к продуктовой стратегии, игнорируя нюансы балансировки индивидуального вклада и управленческих обязанностей и использования ИИ для повышения производительности команды.
Понимание современных методик продаж
Методики продаж определяют, как организации структурируют свой подход к продажам.
В мире B2B регулярно выделяются две системы: методология продаж Gant и методология продаж SPIN. Оба метода на протяжении десятилетий помогали командам повышать производительность, согласовывать цели с покупателями и достигать значительных результатов. Однако, чтобы решить, какой подход лучше всего подходит вашей организации, необходимо разобраться в происхождении, механике и уникальных приложениях каждого из них. Изучение того, что такое методология продаж SPIN B2B и методология продаж Gant, даёт жизненно важную информацию для лиц, принимающих решения в разных отраслях, которые стремятся оптимизировать рост.
Я всё ещё помню, как читал статью Эрика Риса, в которой впервые был придуман термин «Бережливый стартап» в сентябре 2008 года. Она полностью отражала новый способ создания стартапов, который начал набирать популярность в Силиконовой долине.
Эта методология стала настоящим прорывом, и предприниматели по всему миру сразу же приняли её основные концепции, такие как MVP (минимально жизнеспособный продукт), подтверждённое обучение, повороты и многое другое.
Когда я основал свой первый стартап Anywhere.FM, наша команда использовала многие из основных принципов бережливой методологии для создания веб-музыкального плеера. Как и рекомендовал Lean, мы выпустили MVP на рынок за считанные месяцы и получили массу отзывов от клиентов на раннем этапе.
Времена размещения одного рекламного объявления в газете или телевизионного ролика, которые создавали бы горы узнаваемости бренда, давно канули в лету.
Тем не менее, для многих наших клиентов поиск правильного сочетания маркетинговых инструментов среди огромного количества доступных сегодня вариантов часто кажется задачей юрского масштаба.
Но мы — маркетологи, разбирающиеся в математике и обладающие человеческим подходом, поэтому мы думаем об этом так:
- Ваши клиенты — это люди, и подавляющее большинство людей потребляет медиа как из онлайн-, так и из офлайн-каналов.
Вывод: Высокоэффективный маркетинг требует взаимодействия как в цифровом, так и в нецифровом формате.
Оркестровка мультиинструментов с генерацией на основе извлечения (RAG)
Оркестровка мультиинструментов с генерацией на основе извлечения (RAG) — это создание интеллектуальных рабочих процессов, которые используют большие языковые модели (LLM) с инструментами, включая веб-поисковые системы или векторные базы данных, для ответа на запросы. При этом LLM автоматически и динамически выбирает, какой инструмент использовать для каждого запроса. Например, веб-поисковый инструмент откроет область актуальной обновлённой информации, а векторная база данных, такая как Pinecone, — контекстно-специфическую информацию.
В 2025 году у вашего сайта нет шансов без мобильного SEO
По состоянию на апрель 2025 года более 63% мирового веб-трафика приходится на мобильные устройства (Statista, 2024), и индексация Google ориентирована на мобильные устройства, то есть в ранжировании участвует ваш мобильный сайт, а не десктопный.
Если ваши страницы загружаются медленно, кнопки слишком малы, чтобы по ним можно было нажать, или контент отображается некорректно на экране телефона, это не только раздражает посетителей, но и вредит вашему бизнесу. Google это знает, как и ваши конкуренты.
С учётом того, что в 2023 году браузеры откажутся от сторонних файлов cookie, а также в связи с действующими правилами защиты данных, большинство брендов ищут другие методы измерения эффективности маркетинга.
Одним из таких методов, который может помочь маркетологам в создании эффективных стратегий, является моделирование маркетингового микса (МММ).
МММ уже довольно давно используется в различных отраслях, но многие маркетологи начали осознавать его важность в связи с тем, что сторонние файлы cookie устаревают.
Понимание моделей атрибуции в маркетинге
Компании часто задаются вопросом, какие маркетинговые усилия больше всего способствуют их продажам и конверсиям. Именно здесь на помощь приходят модели атрибуции в маркетинге. Модели атрибуции позволяют маркетологам распределять признание за продажу или конверсию между различными точками контакта, с которыми клиент сталкивается на протяжении всего пути покупки. Понимая, какие каналы и сообщения приносят ценность, маркетологи совершенствуют свою маркетинговую стратегию и повышают уверенность в принятии решений о бюджете. Модели атрибуции могут помочь любой организации максимизировать отдачу и повысить эффективность цифровых и традиционных кампаний.
«Половина денег, которые я трачу на рекламу, расходуется впустую; беда в том, что я не знаю, какая половина». — Джон Уонамейкер
Джон Уонамейкер был успешным бизнесменом, который был пионером в рекламе и многих других областях. Он открыл первый универмаг в Филадельфии. Сеть его универмагов была продана нескольким компаниям и в итоге стала частью Macy’s. Очень жаль, что в его время (1838–1922) маркетинговые измерения, вероятно, были основаны на догадках и могли опираться на интуицию. Если бы мистер Уонамейкер наблюдал за происходящим на небесах, он был бы счастлив, что сейчас у него был бы гораздо более точный ответ с научной строгостью. Одной из вещей, которая может ему помочь, является моделирование маркетингового микса, также известное как MMM.
Фотография Фреда Суванди на Unsplash
«Как инвестиции в размере X долларов в каждый маркетинговый канал повлияют на продажи?» — это причинно-следственный вопрос, на который должна ответить модель маркетингового микса (Marketing-Mix-Model, MMM), чтобы помочь компаниям решить, как распределить бюджеты маркетинговых каналов в будущем. Как мы увидим, результаты ответа на этот вопрос сильно зависят от того, какие переменные вы учитываете: пропуск важных переменных или включение «неправильных» переменных в вашу модель приведёт к предвзятости и неверным причинно-следственным оценкам. Это огромная проблема, поскольку неверные причинно-следственные оценки в конечном итоге приведут к ошибочным маркетинговым решениям и финансовым потерям.
Фото Джереми Безенджера на Unsplash
В этой статье я применяю байесовский подход к маркетинговой задаче оценки влияния расходов на рекламу в разных медиаканалах на выручку. Я рассматриваю несколько аспектов байесовского моделирования, которые должны быть важны для практикующего специалиста по MMM:
- Нормализация зависимых и независимых переменных и выбор априорных распределений;
- Влияние нормализации переменной отклика на оцениваемые эффекты.
Кроме того, я сравниваю результаты с фреймворком Robyn, следуя его методологии, — это пакет с открытым исходным кодом для моделирования MMM, который использует регрессию Риджа и оптимизацию без градиента для гиперпараметров.
Устоявшийся подход среди маркетологов к моделированию маркетингового микса заключается в применении моделей линейной регрессии, которые предполагают, что связь между маркетинговыми активностями, такими как расходы на рекламу, и переменной отклика (продажи, выручка) является линейной.
Преобразование переменных медиаактивности
Прежде чем приступить к моделированию, переменные расходов на медиа должны пройти две необходимые трансформации, чтобы правильно учесть эффект переноса и эффект насыщения расходов на рекламу. Известно, что расходы на рекламу не являются линейными по отношению к переменной отклика и следуют закону убывающей доходности. Однако функциональная форма кривой насыщения заранее неизвестна. Поэтому разработчик модели должен сначала выдвинуть гипотезу о возможных функциях преобразования, которые должны быть применены к каждому каналу медиаактивности, чтобы соответствовать истинным отношениям между расходами и откликом.
Наиболее распространённый подход в моделировании маркетингового микса (MMM) — использование множественной линейной регрессии
Наиболее распространённый подход в моделировании маркетингового микса (MMM) — использование множественной линейной регрессии, которая находит линейную зависимость между зависимой переменной, такой как продажи или выручка, и независимыми переменными, включая каналы медиарекламы, такие как телевидение, печатные издания, и дополнительные переменные, такие как тренды, сезонность, праздники.
Один из вопросов, который может возникнуть у маркетологов, — какой эффект оказывает каждый канал медиа на результат. Линейная регрессия оценивает коэффициенты для каждой из независимых переменных и точку пересечения, которые дают следующие указания:
Резюме
Если ваши маркетинговые усилия ограничиваются привлечением клиентов, вы упускаете возможности для роста. В этом блоге представлена практическая модель зрелости Customer-Led Growth (CLG) в четырёх этапах, которая поможет лидерам B2B превратить существующих клиентов в масштабируемый стратегический механизм для удержания, расширения и ускорения продаж.
Автор: Карла Сандерс, менеджер по взаимодействию в Heinz Marketing
У вас довольные клиенты. Может быть, даже несколько учётных записей, готовых стать примером для подражания. Но активно ли они способствуют вашему росту — или просто спокойно продлевают подписку?
Автоматизация стала краеугольным камнем современной разработки программного обеспечения и операций
Инструменты вроде Jenkins, GitHub Actions и Kubernetes определили, как команды DevOps оптимизируют свои конвейеры поставки, управляют инфраструктурой и поддерживают надёжность. Новые инструменты, такие как n8n, привлекают внимание тем, что упрощают автоматизацию рабочих процессов, поскольку они более доступны, особенно для небольших команд и не-разработчиков. Это вызывает интересную мысль: может ли такой инструмент, как n8n, полностью заменить роль DevOps? Прежде чем мы углубимся в это, давайте сначала разберёмся, что такое DevOps, что предлагает n8n и чем их цели отличаются.
Джордж Проданов — руководитель отдела платных медиа в Love Energy Savings — ведущей торговой площадке коммунальных услуг в Великобритании.
Мониторинг конкурентов — ключевой элемент маркетинга. Понимание того, как ваши соперники привлекают и удерживают клиентов, может лечь в основу вашей маркетинговой стратегии, а также помочь вам более эффективно ориентироваться в бизнес-среде.
Цифровой маркетинг предлагает множество инновационных способов отслеживать маркетинговые операции конкурентов практически без затрат.
Вот семь умных тактик отслеживания конкурентов, которые помогут вам укрепить свои конкурентные позиции:
Просто потому, что URL содержит источник utm, например, utm_source=msn или utm_source=cnn, это не обязательно означает, что переход был сделан по объявлению на msn.com или cnn.com. Это может быть законным, а может быть и манипуляцией.
Поскольку источник utm можно добавить к любому URL, мошенники могут создать видимость того, что переход сделан откуда угодно. Это может ввести рекламодателей в заблуждение, заставив их думать, что их кампании проходят успешно, хотя на самом деле трафик может быть ненастоящим. Если рекламодатели считают, что их объявления приносят хорошие результаты, особенно с узнаваемого сайта, они могут увеличить свои расходы, неосознанно способствуя росту мошенничества.
Фрод с ретаргетингом — один из самых распространённых видов мошенничества с рекламой и кликами
В этой статье описывается процесс фрода с ретаргетингом и даются советы, как защитить свой рекламный бюджет.
Что такое ретаргетинг?
Ретаргетинг — это метод цифрового маркетинга, используемый для показа рекламы людям, которые ранее взаимодействовали с сайтом или приложением. В большинстве случаев он включает размещение файла cookie в браузере пользователя, а затем показ ему соответствующей рекламы на различных платформах.
В своём блоге я исследовал, как создать мультиагентного помощника по SQL с помощью CrewAI и Streamlit. Пользователь мог запрашивать базу данных SQLite на естественном языке. Агенты ИИ генерировали SQL-запрос на основе ввода пользователя, проверяли его и контролировали соответствие перед выполнением в базе данных для получения результатов. Я также внедрил механизм контроля человека на каждом этапе для поддержания контроля и отображал затраты на LLM, связанные с каждым запросом, для прозрачности и контроля затрат.
По мере того как мы выходим из пика завышенных ожиданий в период разочарования в ИИ, меняющиеся требования к навыкам специалистов по B2B-маркетингу продолжают быть движущейся целью.
С одной стороны, растёт спрос на лидеров, разбирающихся в ИИ, которые могут помочь в его внедрении в духе эффективности и производительности. С другой стороны, растёт потребность в человечности, умении рассказывать истории и вызывать доверие. Там, где эти интересы пересекаются, заключается большая часть того, в чём нуждаются бренды B2B, когда речь идёт о маркетинге, который будет успешным в 2025 году и далее.