Практический online-курс

Data-майнинг: как извлекать полезные инсайты из данных ?

Data-майнинг: как извлекать полезные инсайты из данных ?

В наши дни компании имеют доступ к огромным массивам данных, но порой даже самые опытные аналитики не могут разглядеть в таком обилии информации по-настоящему важные сведения. Главная задача современных data-специалистов состоит в том, чтобы отвечать на вопросы руководителей высшего звена, принимающих основные бизнес-решения. Аналитические сервисы сами по себе не способны извлекать из данных ценные инсайты, и потому им приходится брать на себя роль неких «переводчиков» между деловым и технологическим мирами.

В большинстве случаев эти вопросы касаются очень значимых аспектов бизнеса, но в то же время формулируются они весьма расплывчато:

  • Проверим эту новую функцию на наших «лучших» клиентах?
  • Как мы улучшим «клиентский опыт»?
  • Мы провели множество маркетинговых кампаний; что сработало?

Как применить это на «лучших» клиентах?

Возьмем пример с «лучшими» клиентами. Что значит это словосочетание? С точки зрения аналитики, вам нужно разобраться с ним в первую очередь, так как оно может иметь самые разные значения.

Скажем, если дело касается пользователей ритейл-сервиса, оно может означать следующее:

  • Часто покупающие клиенты: Выражается в таких метриках, как количество транзакций за последние 12 месяцев, общее количество транзакций, среднее число дней между транзакциями, количество визитов и т. д.
  • Большие «транжиры»: Выражается в таких метриках, как средний чек, средняя сумма на клиента за последние 4 года, пожизненная ценность и т. д.
  • Последние клиенты: Выражается в количестве дней с момента последней покупки.

Разумеется, большинству аналитиков хотелось бы, чтобы руководство их компании структурировало свои вопросы более конкретно, но «переводить» обыкновенные предложения в понятные для машин показатели должны именно они.

Разные специалисты могут вкладывать в слово «лучшие» совершенно разные значения. Так, маркетологов программ лояльности может заботить лишь фактор частоты транзакций, с учетом ценности потребителя как вторичной метрики.

Но если вы углубитесь и учтете здесь еще и элемент «непрерывности» — как в компаниях, работающих по модели регулярных абонентских платежей — слово «лучшие» также будет трактоваться иначе. Теперь вам придется думать о длительности отношений с клиентом, наряду с транзакциями и фактором лояльности:

  • Срок пребывания в статусе клиента: Выражается в таких метриках, как количество месяцев с момента первой транзакции или регистрации.
  • Взаимодействия: Количество обращений в службу поддержки, решений проблем, жалоб или переходов на другой тарифный план.
  • Другие действия: Такие, как аннулирование аккаунта, просрочка платежа или реактивация.

Например, для авиакомпаний слово «лучшие» может иметь разные значения в каждом рейсе. В их случае рассмотрению могут подлежать следующие данные:

  • Количество миль по программе
  • Общее количество миль (lifetime mileage)
  • Класс/код билета
  • Стоимость билета на рейс/величина скидки
  • Частота полетов (число перелетов за последние 12 месяцев, среднее количество дней между перелетами/бронированием)
  • Второстепенные покупки и платные обновления

Зачем такие подробности? Аналитики должны быть готовы к любым типам бизнес-задач и ситуаций, с которыми они могут столкнуться.

Как улучшить «клиентский опыт»?

«Клиентский опыт» также можно разбить на несколько переменных, чтобы предоставить людям, принимающим решения, разные опции. Из чего состоит опыт клиента и что вам нужно понять обо всем его пути? Сегодня, когда мы можем отслеживать каждый клик, слово и просмотр, вы должны учитывать эти критерии, чтобы получать ответы максимально быстро.

По сути, вам нужно акцентировать внимание на таких аспектах «клиентского опыта»:

  • Интересующий продукт: Почему клиент с вами связался? Начните с классификации проблем и обозначения соответствующих продуктов и категорий. Уровень сложности проблем также стоит пометить.
  • Количество действий и реакций: Выражается количеством контактов/входящих звонков на клиента, количеством исходящих звонков, чатов и т. д.
  • Решение: Каков был фактический результат? Проблема решена или нет? Удовлетворительно или нет?
  • Как много времени все это отняло: Выражается в минутах между изначальным обращением и решением, среднем количестве минут между действиями, средней продолжительности взаимодействий и т. д. Говоря в общем, чем быстрее все это происходит — тем лучше для вас.

При таком подходе хороший клиентский опыт можно измерить более объективно.

Какая кампания сработала?

Теперь перейдем к третьему вопросу, который касается эффективности тех или иных маркетинговых кампаний. Аналитические консультанты часто сталкиваются с подобными задачами и утверждают, что вся сложность здесь заключается не в самом процессе, а в плохой структуризации данных. Чтобы понять, что сработало, вы должны определить, что это значит? Прежде всего, уясните для себя, каков был желаемый результат?

  • Открытия и клики: Традиционные метрики в digital-аналитике
  • Конверсия: Теперь вам нужно покопаться в транзакционных данных и согласовать их с соответствующими кампаниями и каналами
  • Продление: Если речь идет о B2B-сегменте
  • Улучшение имиджа бренда: Это сложное и субъективное понятие, поэтому оно также нуждается в дополнительном пояснении

Затем вы должны учесть все факторы, которые могут повлиять на ваш результат:

  • Канал: «Маст хев» в омниканальном мире.
  • Источник: Где вы взяли контактное имя клиента?
  • Критерии выбора: Как вы выбирали имя для контакта? По какой переменной? Если вы использовали продвинутую аналитику, то для какого сегмента, модели и групп моделей?
  • Тип/Название/Цель кампании: Например, ежегодное продвижение продукта, рождественское предложение.
  • Продукт: Какой продукт был основным в ходе кампании?
  • Оффер: В чем заключалась наживка? Скидка в денежном эквиваленте или в %? Бесплатная доставка? Возможность получить вторую покупку бесплатно? Дисконт на ограниченный период?
  • Креативные элементы: Например, контент, типы изображений, тип и размер шрифта и другие графические элементы.
  • День/время падения: Время суток на момент падения кампании, день недели, время года и т. д.
  • Волна: Если кампания включала несколько волн.
  • Особенности сплит-тестирования: В какой среде проводилось исследование (контролируемой или нет).

Безусловно, здесь перечислены лишь некоторые предположения. Ваша компания может руководствоваться другим набором параметров. Старайтесь не зацикливаться на каком-то конкретном элементе, а получать как можно больше «грязных» и «чистых» данных. Если вы действительно хотите узнать, «что сработало» в ваших маркетинговых кампаниях, такая разбивка вам попросту необходима.

Вместо заключения

Когда дело касается data-майнинга, вы должны четко понимать, откуда именно стоит начинать поиск инсайтов, ведь в конечном счете это определяет качество всей вашей последующей бизнес-аналитики. Сталкиваясь со сложными неоднозначными задачами и вопросами, всегда разбивайте их на более мелкие и ощутимые элементы. Это позволит вам работать с данными эффективнее, даже если вы ничего не смыслите в аналитике.

Делайте бизнес на основе данных! 

По материалам: targetmarketingmag.com, Изображение: wollis

29-08-2017

Продающие лендинги от отдела
дизайна LPgenerator

Используем технологии:
4U, AIDA, ХПВ, психология влияния Р. Чалдини, управление взглядом
  • 4U
  • AIDA
  • ХПВ
  • психологии влияния Р. Чалдини
  • управления взглядом
  • нейромаркетинг
Готовность от 7 дней
blog comments powered by Disqus
copyright © 2011–2017 by LPgenerator LLC. Все права защищены
Запрещено любое копирование материалов ресурса без письменного согласия владельца — ООО "ЛПгенератор".