Модель предиктивной аналитики (Predictive Analytics) выглядит как сбывшаяся мечта маркетологов. Анализ прошлой активности покупателя указывает на его поведение в будущем, что дает сформировать актуальную маркетинговую стратегию.
Это аккуратно и предсказуемо — как любят маркетологи. Но предиктивный анализ скрывает серьезную проблему, о которой пора поговорить подробнее. Она понятна из названия: предсказательная аналитика предсказывает, а не утверждает.
Оптимизация ROI с помощью предиктивной социальной аналитики
«Гладко было на бумаге»
Предиктивная аналитика пока только внедряется в маркетинг — но в здравоохранении, страховании, финансах и прочих областях она заняла место давно и прочно. Особенно в финансовой индустрии США, где прогностическая модель обеспечивает безопасность облигаций с ипотечным покрытием — но обеспечивает с оговорками. Пользуясь предиктивными моделями, 10 лет назад финансисты взвесили риски и предположили: американцы не откажутся платить по ипотечным кредитам одновременно и массово.
Но модели не принимали во внимание волатильность на рынке жилья — как и то, что дома стоили гораздо меньше суммарных платежей по ипотеке. Аналитики доверяли моделям, и мало кто удосужился сбалансировать их системой сдержек и противовесов. Когда первые финансисты увидели симптомы проблем, эффект домино уже невозможно было остановить. Речь о финансовом кризисе 2008 года — и его катастрофических последствиях.
Стоит ли нам винить только «плохие данные» в произошедшем? Не обязательно. Предиктивные модели оказались неспособными объяснить сдвиги и изменения в том, как мы берем кредиты и кому выдаем деньги. И когда в финансовой системе США стало слишком много неизвестных переменных, фундамент рухнул.
Теория черного лебедя
Бессилие предиктивного анализа в учете «неизвестных» факторов иллюстрируется «теорией черного лебедя». Она получила название из давнего предположения, что лебеди — только белые, потому что данные говорили именно об этом вплоть до 16 века, пока экспедиция в Австралии не обнаружила популяцию черных лебедей. Теория оказалась ложной — а представление об окрасе лебедей расширилось.
Но могли ли современники предположить это? Нет. В чем и кроется проблема предиктивной аналитики. Вы не охватите полный спектр неизвестных факторов, даже имея сложнейшие модели и подробные данные статистики.
Корреляционные метрики как основа оптимизации конверсии
Рисуйте умную картину аналитики
Предсказательный метод, конечно же, занимает место в маркетинге. Но доверять весомые решения или кампании предиктивной аналитике — все равно, что связать ноги перед марафоном. Эти случаи не подходят для предсказательных методов, потому что здесь традиционно много неизвестных факторов. Вот где пригодятся сухие, четкие данные, которые вы давно собирали.
А прогностическая аналитика лучше подойдет для маломасштабных предположений и оценок. Что произойдет, если вы измените этот объект на лендинге? Или поменяете с другим? Возможно, предложите дополнительный оффер? Вот области, в которых полезна предиктивная аналитика.
Конечно, лучше провести тесты, или иным образом выяснить предположение наверняка — но как подтвердить гипотезу с инструментом, который только предсказывает? Никак, в чем и загвоздка.
Почему это так трудно доказать?
Прогностическая аналитика применяется в маркетинговом арсенале, но это не «волшебная пилюля», которая «по часам» и без ошибок трактует поведение клиентов. Помните, что предсказания настолько же точны, насколько актуальны данные, «скормленные» системе.
Так много переменных нужно учесть, а люди такие неопределенные и так вольно трактуют исходные данные, что прогностический инструментарий по определению не сможет выдать абсолютно надежные решения. Запустить процесс и забыть о нем — не получится.
Даже на сложнейшие расчеты нельзя полагаться с уверенностью, особенно учитывая, что маркетологи — занятые люди, склонные хвататься за обрывки данных в принятии фундаментальных решений, основанных на целях. И с предиктивной аналитикой такой подход — верный рецепт катастрофы.
Что такое прогностический рейтинг лидов? Взгляд в будущее
Своевременная помощь
На специалистов по data science (или «датологов»), ложится масса ответственности, не говоря уже о жестких требованиях к навыкам моделирования, регрессии и статистики. Это навыки, которых нет у «простых смертных» — они нужны только узким специалистам. И у вас не получится «скормить» информацию предсказательному методу и надеяться на достоверный результат. Поступая так, вы играете с огнем.
Лучше наймите эксперта для работы с командой. Он поможет разобраться в данных и обучит навыкам, необходимым для полного раскрытия потенциала предиктивной и вероятностной моделей. Аналитика — обоюдоострый меч. Она поможет навести порядок в хаосе данных, сделать долгосрочные выводы и скорректировать стратегию. Но при недостаточном опыте — она же подтолкнет на радикальные решения.
Что часто случается при неполном видении картины.
Как работает хороший предиктивный анализ?
По тону этой статьи вы могли подумать, что предиктивный анализ означает заведомый провал, и нет ничего дальше от истины. Но это не так — метод дает прекрасные результаты при правильном применении.
1. Точная настройка buyer personas
Согласитесь, что привлекать клиентов и оптимизировать UX помогает тщательный анализ прошлого опыта пользователей. Именно здесь прогностический анализ пригодится маркетологам.
2. Персонализация маркетинговых сообщений
Как клиенты реагируют на персонализацию? Именно на персонализацию, а не на обращение по имени в письме? Предиктивная аналитика придаст бренду индивидуальности и сделает коммуникацию между клиентом и компанией более «личной» — а значит, улучшит UX.
3. Концептуализация новых продуктов и услуг
Прогностическая аналитика подойдет для брейнсторминга идей по новым продуктам и услугам, разработанным на основе прошлых покупок и поведения пользователей.
4. Определение каналов маркетинговых расходов
Предиктивные модели покажут пути и каналы, достойные инвестиций, на основе анализа рентабельности вложений в прошлом.
5. Определение наиболее квалифицированных лидов
Используйте предсказательный анализ, чтобы определить, какие лиды положительно отреагируют на Lead Nurturing и вероятнее конвертируются, а какие — случайно оказались у вас и вскоре уйдут. Это освободит время, повысит отдачу команды продаж, число закрытых сделок и показатели в целом.
Предиктивный анализ, или Как оптимизировать ваш маркетинговый бюджет?
Управляя данными — управляете судьбами бизнеса
Первый шаг к пониманию предиктивной аналитики — рациональная организация данных. Соедините релевантные департаменты компании и проработайте массив информации по ним, чтобы сделать ее актуальной и управляемой. Можете даже разбить данные на микро-сегменты, для маломасштабных экспериментов и тестов — так вы сохраните преимущества данных без риска навредить информации. «Поиграйте» с моделями и составьте представление, что подходит для прогностического анализа, а что не слишком релевантно ему.
Если хотите в полной мере использовать потенциал технологии, держите перед глазами стратегический план и сосредоточьтесь на нем. Ставьте акцент на одной инициативе, ремаркетинг ли это, увеличение среднего чека или нечто иное. Умение точечно фокусироваться на цели позволит вам рациональнее использовать предиктивные методы — и преуспеть в бизнесе.
Высоких вам конверсий!
По материалам: effinamazing.com, image source Alan
