В рамках нового исследования от CMO Council 52% конечных потребителей заявили, что наиболее важным аспектом их опыта взаимодействия с брендом является быстрый отклик сотрудников на проблемы, потребности, запросы и предложения, которые у них возникают.
Современные предприниматели хватаются за любые возможности, чтобы сделать свой бизнес более отзывчивым, но традиционной маркетинговой аналитики здесь уже недостаточно. Типичные аналитические решения не дают стартаперам real-time результаты, а они играют важнейшую роль в мире объемных, разнообразных и скоростных данных. В сегодняшней статье мы объясним вам, чем обусловлены эти ограничения и каким образом вы можете их избежать.
Что такое традиционные маркетинговые аналитические инструменты?
Сегодня главная задача маркетологов сводится к рассылке персонализированных сообщений клиентам и получению как можно больших ROI от своих маркетинговых вложений. Достижение этой цели подразумевает унифицированную обработку всех доступных клиентских данных, а такая продвинутая аналитика нуждается в мощных и эффективных data-платформах.
Большинство компаний ограничены в этом плане ввиду бюджета, технологий или нехватки кадров, и согласно недавнему исследованию от Dun & Bradstreet и Forbes Insights, им еще только предстоят подобные инвестиции.
Какие из перечисленных сложностей больше всего мешают вашей компании использовать данные и аналитику для принятия решений: нехватка бюджета; технологические нюансы; вопросы безопасности; отсутствие необходимых навыков; менеджмент данных; точность/качество данных; невозможность достичь ROI; плохое освоение сервисов командой; несогласованность по функциям; отсутствие data-driven культуры и т. д.
В течение нескольких последних десятилетий маркетологи размещают данные, полученные от пользователей, в хранилищах для отчетности и анализа. Так как они собирают информацию из разных источников, сперва ее нужно отфильтровать и стандартизировать, а уже затем вносить в соответствующие таблицы. После этого компания определяет ключевые метрики, которые хочет отслеживать, и свойства, необходимые для анализа таких показателей. Затем полученные KPI-метрики включаются в отчет.
Каждый из упомянутых выше шагов имеет огромное значение. Традиционная аналитическая модель стоит организациям колоссальных усилий, времени и денег, но в то же время она далеко не всегда приносит им адекватные и своевременные результаты. В большинстве случаев маркетинговые команды испытывают сложности на этом поприще из-за 6 основных факторов.
1. Экспоненциальный рост объемов данных и скорости их передачи
В последние годы среднее количество тачпоинтов для клиентов компаний и объемы данных, генерируемые каждым из них, заметно выросли. Сайты, социальные сети, POS и call-центр системы, а также новые IOT источники данных (устройства «умного дома», переносные технологические девайсы и т. д. ) дают компаниям очень много информации, причем зачастую непрерывно.
«К 2020 году к Сети будет подключено более 75 000 000 000 устройств»
Сейчас такой наплыв сведений называют «big data» — термином, который описывает настолько большие или сложные наборы данных, что традиционных программных решений для их обработки уже недостаточно.
Big Data ставит перед компаниями непростую задачу. Помимо огромных вычислительных мощностей, которые нужны для анализа данных, маркетологам приходится думать над тем, как можно сохранять, обновлять или делиться собранной информацией в режиме реального времени.
Хотя индустрия данных и развивается быстрыми темпами, опрос от все тех же Dun & Bradstreet и Forbes Insights показал, что к более активному использованию продвинутой аналитики это не приводит.
Что лучше всего описывает подход вашей компании к использованию аналитики? Анализ таблиц; базовые модели; основанные на прошлом поведении и/или регрессии; анализ дашбордов; предиктивные модели с использованием как внутренних , так и внешних данных; продвинутые аналитические методики для прогнозирования и ожидания изменений; предиктивные модели с использованием внутренних данных
2. Негибкая, статическая data-модель
При работе с описанной ниже статической data-моделью компаниям сложно приспосабливаться к новым линиям продуктов, рынкам или изменяющемуся процессу продаж. Из-за этого некоторые аналитические решения могут терять для них актуальность уже через несколько недель после внедрения.
Традиционная маркетинговая аналитическая модель: источники данных > фильтрация и очистка данных > хранилище данных > аналитические отчеты
Когда дело касается добавления еще одного источника данных, изменений в свойствах существующих источников или адаптации к real-time переменам в бизнесе (к примеру, запуску нового продукта или покупке стартапа), статическая data-модель ограничивает ваши возможности.
Несмотря на то что такая модель отлично выражает структуру компании в отдельно взятый момент времени, если что-то меняется, она начинает замедлять процесс принятия решений и вынуждает маркетологов оставаться на шаг позади в плане использования последних клиентских данных.
Маркетологи попадают в петлю статической data-модели и не могут продвигать кампании на основе свежей информации
В наши дни компании куда больше фокусируются на сервисах, которые позволяют им принимать решения в режиме реального времени, вместо того чтобы терять дни или недели с традиционными аналитическими инструментами.
3. Интеграция данных отнимает много времени и сил
Чтобы быстро интегрировать данные, сопоставлять разные каналы и создавать единое видение клиента в real-time режиме, маркетологи должны использовать основанный на поведении подход.
Аналитические journey-платформы могут быть очень полезны в этом плане. Они разработаны для быстрого внедрения данных в различные системы/каналы и позволяют компаниям получать обобщенное представление о клиенте. С их помощью маркетинговая команда может анализировать миллионы data-точек в реальном времени и собирать действенную аналитику еще до того, как она утратит свою актуальность.
Аналитические journey-платформы позволяют интегрировать данные из множества источников
4. Нехватка навыков и ресурсов
Даже если вы уверены в том, что ваша команда справится с проблемами «big data» с помощью традиционной модели хранения данных и их интеграции, отнимающей слишком много времени, для эффективного анализа всей информации вашим сотрудникам нужно осваивать серьезные технические, статистические и аналитические концепции.
Например, чтобы извлекать сведения из наборов данных, работники должны быть знакомы с такими языками программирования, как SQL, R или Python, и уметь манипулировать данными. Иными словами, для получения полезных инсайтов на основе собранной информации вам нужны квалифицированные специалисты, которых так сложно найти, удержать и мотивировать.
Как правило, маркетологи не обладают вышеперечисленными знаниями, и это влечет за собой различные задержки. Согласно упомянутому ранее опросу от Dun & Bradstreet и Forbes Insights, более чем 25% руководителей считают нехватку профессиональных навыков своей главной преградой на пути к успешному использованию данных и аналитики.
Чтобы смягчить эту проблему, компаниям следует работать с аналитическими платформами, которые обеспечивают практичный, быстрый и эффективный доступ к информации и позволяют маркетологам фокусироваться на релевантных бизнес-решениях. Такие продвинутые сервисы могут представлять сложные данные через визуальные «путешествия», анализ которых не требует участия десятков data-ученых.
5. Нехватка маркетинговых аналитических инструментов, работающих в real-time режиме
Традиционные аналитические методики имеют еще один весомый недостаток, который часто упускается из виду. Статическая data-модель предлагает вам исторический обзор данных, полезный для анализа трендов и эффективности с течением времени, но сегодня маркетологам нужно знать, что происходит с клиентами в перспективе, и корректировать свой пользовательский опыт в реальном времени.
Большинство так называемых «real time» сервисов работают с задержкой в 24-48 часов. Кроме того, львиная доля аналитических систем не имеет прямой интеграции с системами маркировки, чтобы использовать персонализацию и влиять на поведение клиентов в нужные моменты.
Пример: генерируя своевременные и релевантные офферы
Ритейлер хочет запустить апсейл-кампанию для своих самых ценных in-store клиентов, чтобы конвертировать их в постоянных онлайн-покупателей. Опираясь на традиционную аналитическую модель, аналитик обращается к хранилищу маркетинговых данных для определения наиболее ценных клиентов.
Затем результаты этого запроса сопоставляют с POS данными, чтобы создать целевой список клиентов, которые покупали что-то в прошлом месяце, и использовать их для кампании повторной покупки, где подходящие потребители получают предложение по предпочитаемому ими каналу.
Как думаете, сколько времени потребуется для выполнения такого процесса? Несколько дней или, может быть, даже недель? Суть в том, что когда клиент, наконец, узнает об оффере, он наверняка покажется ему не очень актуальным.
«Еще одно неактуальное предложение? Похоже, они даже не представляют, на каком этапе клиентского пути я нахожусь»
Ваши клиенты рассчитывают получать от вас персонализированный опыт, который бы диктовался их текущими предпочтениями и последними взаимодействиями.
Journey-аналитика предоставляет поведенческие real-time данные
Чтобы предоставить каждому клиенту персонализированный опыт на основе его уникальных интересов и пути, компании должны соединять миллионы data-точек и анализировать пользовательские «путешествия» по мере их возникновения.
С аналитическими journey-платформами это вполне осуществимо. Они позволяют маркетологам находить возможности для real-time вовлечения за счет глубокого анализа поведения клиентов.
С помощью таких сервисов вы сможете заранее определять пользователей, которые собираются уходить, и соединять точки между взаимодействиями клиентов и бизнес-результатами за считанные секунды.
Аналитические journey-платформы могут фиксировать значимые поведенческие паттерны в реальном времени даже по анонимным посетителям, поэтому вы можете вовлекать каждого клиента посредством своевременных персонализированных офферов
Journey-аналитика обеспечивает real-time взаимодействие
Вдобавок к мониторингу поведения клиентов в режиме реального времени, аналитические journey-платформы позволяют командам по маркетингу и UX автоматически взаимодействовать с каждым клиентом в наиболее подходящие моменты — через предпочитаемый ими канал и релевантным, персонализированным образом.
Возможность интеграции с martech-системами и запускать real-time взаимодействие — это огромный шаг вперед
6. Игнорирование мультиканальных путешествий
Большинство аналитических инструментов работают на основе данных из отдельного канала и не фиксируют сложных, мультиканальных путешествий.
К примеру, digital-аналитик в маркетинговой команде будет использовать аналитическую платформу (такую как Google Analytics), чтобы измерять трафик сайта или приложения, источники привлечения, поведенческий поток и вовлечение контентом. Соцмедиа аналитик из той же команды может пользоваться более узконаправленными аналитическими инструментами для измерения охвата, вовлечения и других социальных метрик.
Хотя такой традиционный подход и полезен, он позволяет рассматривать каналы только по отдельности и не дает вам полного представления о клиентском пути, которое необходимо для персонализированного real-time вовлечения пользователей в масштабе.
Основанные на journey-аналитике подходы являются кросс-канальными
Согласно четвертому ежегодному докладу State of Marketing от компании Salesforce, 67% ведущих маркетологов считают, что создание связанного клиентского путешествия с учетом всех тачпоинтов и каналов имеет решающее значение для успеха их общей маркетинговой стратегии.
То, что клиентское путешествие является многоканальным — хорошо известный факт, но теперь новое исследование от Harward Business Review обнаружило, что чем больше каналов пользователь задействует, тем большую ценность он представляет.
Journey-аналитика создает унифицированное видение клиента по мере того, как он взаимодействует с вашим брендом в разных тачпоинтах. С помощью таких инструментов вы можете найти кросс-канальные пути, которые ведут (или нет) к интересующему вас действию. Кроме того, некоторые сервисы позволят вам использовать алгоритмы машинного обучения для поиска более оптимальных «маршрутов» и прогнозирования вероятного поведения клиентов.
Делайте бизнес на основе данных!
По материалам: pointillist.com.
