Текст книги "Укрощение больших данных. Как извлекать знания из массивов информации с помощью глубокой аналитики"

Компании, работающие в телекоммуникационной отрасли, потратили огромное количество времени и усилий на то, чтобы создать, улучшить и довести до совершенства модели «оттока» клиентов. Эти модели позволяют выделить тех клиентов, которые с большой вероятностью могут расторгнуть договор обслуживания, что позволяет компаниям предпринять меры, чтобы это предотвратить. Отток клиентов – серьезная проблема для всей отрасли, на карту поставлены огромные деньги, поэтому эти модели сильно влияют на показатель чистой прибыли.

Управление оттоком клиентов в полной мере помогает понять, как потребители используют ваши товары и услуги, а также как обеспечить прибыльность. Сегодня этот процесс можно усовершенствовать, поместив веб-данные в подходящий контекст. Г-жа Смит, клиент телекоммуникационной компании Provider 101, вводит в поисковой системе Google запрос: «Как расторгнуть договор с компанией Provider 101?» Затем она переходит по ссылке на страницу, где изложены правила расторжения договора, предусмотренные этой компанией. Насколько более ценны и актуальны по сравнению с другими данными эти сведения для создания моделей оттока и дальнейшего принятия мер по его предотвращению!

Трудно назвать более точный показатель намерения расторгнуть договор, чем сведения о том, что г-жа Смит искала соответствующую информацию. Аналитики могли заметить снижение уровня ее потребления, а могли и не заметить. В любом случае на выявление такого изменения в модели использования ушли бы недели, а то и месяцы. Отследив действия г-жи Смит в интернете, компания Provider 101 может отреагировать быстрее и предотвратить потерю этого клиента.

Упущение возможности раннего выявления клиентов, изучающих способы аннулирования договоров, означает попытку вернуть их тогда, когда они уже приняли решение и, возможно, уже выбрали другого поставщика. В большинстве случаев бывает уже слишком поздно, и клиент потерян навсегда.

Многие модели создаются для того, чтобы прогнозировать, какой выбор сделает клиент, когда ему предоставится такая возможность. Обычно это попытка предсказать, какие из клиентов совершат покупку, примут предложение или перейдут по ссылке, содержащейся в электронном письме. Для создания таких моделей часто используется так называемая логистическая регрессия. Эти модели, как правило, называются моделями откликов, или моделями склонности. Модель оттока клиентов из предыдущего примера относится к этому же классу. Основное отличие заключается в том, что цель модели оттока – прогнозирование наступления отрицательного события (отток), а не положительного (покупка или отклик).

При использовании модели отклика, или склонности, все клиенты анализируются и упорядочиваются в соответствии с вероятностью совершения определенного действия. Затем на основе этого рейтинга создаются соответствующие сегменты для обеспечения охвата клиентской базы. В теории каждому клиенту соответствует уникальное количество баллов. Однако на практике, поскольку большинство моделей предусматривает лишь небольшое количество переменных, многие клиенты получают одинаковое или почти одинаковое количество баллов. Особенно это касается тех, кто совершает покупки не очень часто или тратит не очень много денег. В этих случаях множество клиентов может оказаться в больших группах с очень похожим и очень небольшим количеством баллов.

С помощью веб-данных мы существенно усилим дифференциацию клиентов. Это особенно актуально для тех, кто совершает покупки нечасто или на небольшие суммы: их рейтинг может быть значительно поднят благодаря веб-данным. Рассмотрим пример, в котором рейтинг четырех клиентов подсчитывается с помощью модели отклика, учитывающей несколько переменных. Все клиенты в этом примере имеют одинаковое количество баллов, так как представляют одну и ту же ценность для каждой переменной модели. Показатели гипотетические, поэтому вас не должно волновать, как они были получены. Далее приведены данные о четырех клиентах:

• Последняя покупка была совершена в течение последних 90 дней.

• За прошлый год было совершено шесть покупок.

• В общей сложности потрачено от $200 до $300.

• Домовладелец с уровнем общего семейного дохода от $100 000 до $150 000.

• Участник программы лояльности.

• В прошлом году купил товар из категории рекомендуемых.

В данном случае все клиенты имеют одно и то же количество баллов и одинаковую вероятность отклика. Предположим, что у всех по 0,62 балла. Любая маркетинговая программа, основанная на этой модели, будет обращаться с каждым из этих четырех клиентов одинаково: приведенная информация не содержит никаких данных, которые отличали бы их друг от друга!

Теперь добавим веб-данные и увидим, как сильно изменится эта картина. Посмотрите, какие ценные сведения обеспечивают веб-данные:

• Клиент 1 никогда не просматривал ваш сайт, поэтому его балл снижается до 0,54.

• Клиент 2 в течение последнего месяца просматривал категорию рекомендуемых товаров, поэтому его балл повышается до 0,67.

• Клиент 3 в течение последнего месяца просматривал информацию о конкретном рекомендуемом товаре, поэтому его балл повышается до 0,78.

• Клиент 4 просматривал информацию о конкретном рекомендуемом товаре трижды на прошлой неделе, один раз добавил его в корзину, покинул корзину, а позднее вернулся к изучению этого товара. Его балл повышается до 0,86.

Поведение в интернете позволяет нам идентифицировать пользователей, заинтересованных в товаре или даже имеющих намерение его приобрести, а благодаря этому мы лучше дифференцируем клиентов, которых невозможно было дифференцировать прежде. Теперь распространите пример с этими четырьмя клиентами на миллионы клиентов по нескольким каналам и посмотрите, к каким изменениям это приведет!

Директор по маркетингу американского розничного магазина, торгующего специализированными товарами, на вопрос о значении использования веб-данных ответил: «Это похоже на печатание денег!» Хорошая новость заключается в том, что очень легко построить модель с веб-данными и без веб-данных, чтобы проверить, к каким результатам приводит их использование. Вы практически ничем не рискуете, когда тестируете их влияние в среде вашей организации.

Веб-данные позволяют использовать целый ряд совершенно новых аналитических приемов. Один из них заключается в сегментации клиентов на основании типичных для них закономерностей просмотра страниц. Такая сегментация обеспечит иной взгляд на клиентов, отличающийся от традиционных демографических или основанных на данных о продажах схем сегментации, а значит, уникальное понимание и действия.

Рассмотрим сегмент под названием «Мечтатели», который был выделен исключительно на основании просмотренных пользователями веб-страниц. Мечтатели часто помещают товар в корзину, а потом покидают ее. Они неоднократно добавляют один и тот же товар и отказываются от него. Это прежде всего касается таких дорогостоящих товаров, как телевизор или компьютер. Сегмент таких потребителей определить совсем нетрудно. Что же можно сделать после его выявления?

Один из вариантов действий заключается в изучении товаров, от которых отказываются клиенты. Возможно, клиент просматривает информацию о высокотехнологичном телевизоре, который стоит довольно дорого. В прошлом вы замечали, что этот клиент часто сначала нацеливается на дорогостоящий товар, а в итоге покупает менее дорогой. Отправка электронного письма с предложением менее дорогих товаров, обладающих многими из интересующих их функций, может подтолкнуть таких потребителей к покупке телевизора.

Веб-данные требуют новых методов анализа

Для сегментации клиентов используются различные источники данных, например данные о продажах, демографические данные и результаты опросов. Теперь можно сегментировать клиентов и на основании просматриваемых ими страниц. Это дает представление о стилях покупательского поведения и процессах принятия решения, а также позволяет расширить список критериев сегментации.

Другой вариант носит оперативный характер. Статистика случаев, когда оставляют корзины, может быть скорректирована с учетом сведений о сегменте «Мечтатели». Если посетитель покидает корзину, организации часто рассматривают это как отказ. Однако изучение истории посещения страниц может указать на то, что 10 подобных случаев относятся к одному и тому же посетителю, который часто отказывается от товаров. В результате количество случаев оставления корзины может быть уменьшено и все факты отказа от данного товара могут быть расценены как один отказ. Это обеспечит более точные данные об отказах. Когда вы скорректируете статистику с учетом всех таких клиентов, средний показатель отказов несколько улучшится по сравнению с первоначальным значением. Мало того что новые значения будут выглядеть лучше – они еще и будут более точно отражать реальное положение вещей.

Более точная оценка результативности платного поиска и онлайн-рекламы – еще одно преимущество использования веб-данных о поведении пользователей. Традиционная веб-аналитика обеспечивает отчеты высокого уровня, содержащие такие показатели, как общее количество кликов, количество поисковых запросов, стоимость клика или показа, ключевые слова, генерирующие наибольшее количество кликов, а также статистику, относящуюся к местоположению объявления на странице. Однако эти метрики относятся к агрегированной статистике и определяются на основании отдельных сеансов просмотра. Контекст также обычно ограничивается веб-каналом.

Это означает, что все статистические данные основываются только на том, что произошло во время одного сеанса, который был результатом поиска или клика по объявлению. Как только посетитель покидает сайт и его веб-сессия завершается, он выходит за рамки анализа. Эта статистика не учитывает прошлые или будущие посещения. Включение данных о просмотре страниц и расширение обзора за счет других каналов позволяют более точно оценить результативность платного поиска и рекламы.

• Связаны ли посещения сайта, вызванные кликом по объявлению или поисковым запросом, с наиболее ценными или наименее ценными клиентами?

• Сколько продаж сгенерировала первоначальная сессия в течение дней или недель, последовавших за первым кликом посетителя?

• Есть ли среди ссылающихся сайтов такие, которые направляют к вам посетителей, которые возвращаются чаще и совершают больше покупок, чем посетители, перешедшие с других сайтов?

• Выявил ли кросс-канальный анализ, учитывающий действия, совершенные в других каналах, то, что множество продаж во втором канале было осуществлено после того, как интерес был сформирован с помощью объявления или поиска?

Рассмотрим пример с финансовым учреждением. Заявки на оформление кредитных карт присутствуют везде. Они приходят по почте, печатаются в журналах и доступны в интернете. Банк в нашем примере понимает, что факт просмотра рекламы – лишь часть общей картины. О результативности рекламы говорит то, что происходит после совершения первого клика.

Банк производит масштабный анализ, чтобы выйти за рамки исследования кликов во время первого сеанса; также проводится исследование данных о клиентах за определенный период, чтобы проанализировать факты заполнения заявления, запросы, поступающие в отдел обслуживания клиентов, факты выпуска карты, факты активации карты, а также начальные расходы по карте. Такой анализ рекламы, выходящий за пределы исследования кликов, дает возможность более точно оценить эффективность рекламы и обеспечивает более целесообразное распределение рекламных бюджетов.

Зачем ограничиваться только тем, что происходит в данный момент?

Результат одного сеанса, начавшегося с просмотра рекламы, клика по ссылке, содержащейся в электронном письме, или поиска, не дает полной картины. Многие клиенты вернутся позже, чтобы завершить то действие, которое они начали, возможно, даже в другом канале. Традиционная веб-аналитика не учитывает действия, которые производятся после первоначального сеанса или до него. Расширьте свои возможности, чтобы делать и то и другое.

Благодаря подробным веб-данным о потребителях можно понять, какие объявления, ключевые слова или ссылающиеся сайты генерируют «лучшие» клики, поскольку эти данные дают более полную картину, чем агрегированные результаты анализа первоначальных веб-сессий. Дополнительные сведения, получаемые путем масштабного кросс-канального анализа, охватывающего данные за определенный период, обеспечивают недоступный ранее обзор. Дальновидные организации сумеют воспользоваться новыми стратегиями, недоступными для компаний, применяющих традиционные аналитические приемы. Это обеспечит их явное конкурентное преимущество.

Самые важные уроки этой главы.

• Интеграция подробных веб-данных о поведении потребителей может кардинально изменить понимание организациями своих клиентов.

• Так же как появление данных о транзакциях сделало анализ более мощным и глубоким, веб-данные позволят вывести аналитику на новый уровень.

• Существуют и другие точки соприкосновения с клиентами, которые можно проанализировать так же, как сайт, например киоски и приложения для мобильных телефонов. К ним применимы те же принципы.

• Все данные, которые могут быть собраны, должны быть собраны. К таким данным относятся просмотры страниц, произведение поиска, загрузка файлов, а также любые другие действия на сайте.

• Соблюдение конфиденциальности – одна из основных проблем, связанных с веб-данными, поэтому следует с осторожностью формировать политику использования этих данных. Будучи утвержденной, эта политика должна строго соблюдаться.

• Ценные сведения может дать анализ обезличенных данных о клиентах, которым присваивается произвольный идентификационный номер. При этом ни аналитики, ни кто-либо другой не может определить личность каждого отдельного человека. В данном случае значение имеют только закономерности.

• Веб-данные позволяют подробно изучить покупательское поведение клиентов, их пути к покупке, исследовательское поведение и обратную связь. Это можно сравнить с чтением их мыслей.

• Веб-данные позволяют улучшить результаты в таких сферах, как следующее наилучшее предложение, моделирование потерь, моделирование отклика, сегментация клиентов, а также анализ эффективности платного поиска и онлайн-рекламы.

• Возможность опередить конкурентов скоро исчезнет. Начните работать с этим источником больших данных прямо сейчас!