Предиктивная аналитика как инструмент повышения эффективности маркетинга

Растущие возможности сбора и хранения данных предоставили компаниям расширенные возможности для ретроспективного анализа и анализа в реальном времени. Теперь мы можем отслеживать закономерности и делать выводы о неудачах, чтобы не наступать на те же грабли. Или мы можем определить наиболее удачные решения и повторить наш успех.

Прогнозная аналитика всегда более эффективна, чем ретроспективная аналитика или аналитика в реальном времени в долгосрочной перспективе, точно так же, как профилактика более эффективна, чем срочная медицинская помощь. Ретроспективная аналитика — это, по сути, вскрытие — анализ ошибки, которую нельзя исправить. Аналитика в реальном времени — это скорая помощь, реагирующая здесь и сейчас, а предиктивная аналитика — это превентивная медицина, которая в первую очередь спасает от болезни.

Как сказал Томас Давенпорт, ни у кого нет возможности собирать и анализировать данные из будущего. Но у нас есть возможность предсказывать будущее, используя данные из прошлого. Это называется предиктивной аналитикой, и на самом деле многие компании уже используют ее. Вы можете использовать данные из прошлого, чтобы:

1. рассчитать пожизненную ценность клиента (CLV). Этот показатель поможет вам понять, какую ценность клиент будет приносить вашей компании на протяжении всей своей жизни, включая будущие доходы.
   
2. разработать оптимальные рекомендации на основе данных о поведении пользователей с вашего сайта.
   
3. предсказать, какие продукты или услуги клиент, вероятно, купит в будущем.
   
4. прогнозировать отток клиентов.
   
5. разработать план и прогноз продаж на ближайший квартал/полгода/год.

Все это простые формы прогнозной аналитики. Рассмотрим популярные методы предиктивной аналитики.

Можно выделить следующие этапы прогнозного моделирования:

• Сбор первичных данных
• Формирование статистической модели
• Прогнозирование
• Проверка/доработка модели по мере поступления дополнительных данных

Прогнозирующие модели анализируют поведение пользователя в прошлом, чтобы оценить вероятность того, что он будет демонстрировать определенное поведение в будущем. Этот тип анализа также включает модели, которые находят тонкие закономерности в данных, например, для обнаружения мошенничества.

Часто прогностические модели производят расчеты сразу при прохождении пользователем конверсионной воронки на пути к совершению конверсионного действия — например, для оценки вероятности достижения пользователем цели. Имея точные данные о вероятности перехода с одного шага воронки на другой, бизнес может лучше управлять факторами, препятствующими или помогающими пользователям двигаться по воронке, и точнее описывать модели поведения разных категорий клиентов.

Среднестатистический пользователь имеет около 50 приложений на своем смартфоне. Каждый из них принимает, передает и формирует данные. Эти данные хранятся в разных сервисах и в разных форматах. Хотя на первый взгляд это может показаться положительным фактором для маркетологов, эффективная работа с таким объемом структурированных и неструктурированных данных представляет собой проблему.

Давайте рассмотрим несколько примеров компаний, успешно применивших результаты предиктивной аналитики.

…рекомендовать продукты и услуги пользователям на основе их прошлого поведения. По некоторым данным, такие рекомендации приносят до 30% продаж Amazon. Кроме того, у Amazon были планы по разработке инструмента, который на основе прогнозов доставлял бы товары в зоны, в которых ожидались заказы, еще до того, как эти заказы были размещены на сайте, сокращая время доставки товаров покупателям.

Команда Macy's воспользовалась прогнозной аналитикой для более точного прямого маркетинга. В течение трех месяцев компания увеличила свои онлайн-продажи с 8% до 12% за счет сбора данных о категориях продуктов, просматриваемых пользователями, и соответствующей рассылки персонализированных электронных писем.

… чтобы ориентироваться на потенциальных клиентов, привлекать потенциальных клиентов и заключать сделки. Они выявляют наиболее ценных потенциальных клиентов, готовых совершить покупку. Затем торговый представитель связывается с этими потенциальными клиентами напрямую и проводит их через процесс продажи, чтобы найти наиболее подходящее предложение.

StitchFix — еще один ритейлер с уникальной моделью продаж на основе прогнозов.
При регистрации в StitchFix пользователи заполняют опрос о своем стиле. Затем применяются модели предиктивной аналитики, чтобы предлагать покупателям ту одежду, которая им, скорее всего, понадобится. Если покупателям не нравится полученная одежда, они могут вернуть ее с бесплатной доставкой.

… и превентивно предоставлять необходимую информацию о том, как их сохранить. ИИ Sprint предсказывает, чего хотят клиенты, и предлагает им предложения, когда они подвергаются наибольшему риску покинуть компанию. С момента внедрения этой системы искусственного интеллекта скорость оттока Sprint резко упала, и клиенты дали компании отличные оценки за персонализированное обслуживание и целевые предложения. Как видите, прогнозирование оттока клиентов — выполнимая задача для прогнозной аналитики среди предприятий SaaS и электронной коммерции.

Вот список самых популярных метрик в области предиктивной аналитики:

1. Коэффициент оттока клиентов (churn rate)
   
2. Прогноз плана продаж
   
3. Значение жизни клиентов
   

Внедрение предиктивной аналитики невозможно без сотрудничества отделов маркетинга и аналитики, понимания целей исследования и установленного порядка в данных. Выполнение предиктивной аналитики происходит следующим образом:

1. Определите свою гипотезу
   
2. Собирайте данные внутри и снаружи для построения модели
   
3. Определите метрики для измерения точности вашей модели
   
4. Воспользуйтесь готовым сервисом или разработайте свой:
   1. Создайте MVP
      
   2. Обучить модель на отсутствие параметров точности для достижения стабильно работающей версии
      
   3. Создать интерфейс или отчет
      
   4. Обновите или переобучите модель, чтобы она соответствовала новым требованиям.
      

На этапе сбора данных убедитесь, что вы настроили сквозную аналитику, так как без нее реализация предиктивной аналитики обычно неэффективна.

Процент бизнес-решений, основанных на маркетинговой аналитике, достиг пика в начале 2019 года (с учетом данных за последние шесть лет), согласно отчету CMO Survey: Spring 2019, проведенному Deloitte. Согласно исследованию MarketsandMarkets, рынок прогнозной аналитики вырастет с 4 миллиардов долларов до более чем 12 миллиардов долларов в 2022 году.

Интерес к маркетинговой аналитике в целом — и к прогнозной аналитике в частности — побуждает компании разрабатывать простые в использовании решения и услуги, которые делают прогнозную аналитику более доступной для бизнеса.

Вот некоторые из этих услуг:

• Продукт OWOX BI, который помогает компаниям достигать маркетинговых целей и расти на 22% быстрее, чем в среднем по рынку.
  
• Лидер весенне-летнего рейтинга G2 Crowd 2019 года в категориях «Программное обеспечение для маркетинга — аналитика» и «Программное обеспечение для аналитики в электронной коммерции».
  
• Отправляет прогнозы о реализации вашего маркетингового плана прямо на вашу электронную почту.
  

ОВОКС БИ:

• Объединяет маркетинговые данные из разных источников, делая их доступными для анализа в Google BigQuery.
  
• Определяет ценность каждого шага пользователя, используя собственную модель атрибуции на основе воронки.
  
• Автоматически строит отчеты для анализа эффективности маркетинга.
  
• Показывает, как будет выполняться ваш план продаж, каковы ваши зоны роста и слабые стороны, и как меняется ваша доля рынка.
  

Вы можете попробовать OWOX BI прямо сейчас, воспользовавшись бесплатным пробным периодом:

Подробнее об OWOX BI вы можете узнать из нашей статьи о том, как прогнозировать зоны роста и риски в маркетинговом плане на основе данных.

Прогнозные модели, предлагаемые Infer, помогут вам объединить все ваши источники данных, чтобы получить полное представление о положении ваших лидов в воронке продаж. Infer отслеживает сигналы из онлайн-источников и общедоступных баз данных, а затем создает прогностические модели на основе предыдущих основных учетных записей и установленных вами правил. Данные, полученные Infer, будут полезны маркетологам и специалистам по продажам как для поиска лидов, которые в будущем могут превратиться в клиентов, так и для оптимизации воронки продаж в целом.

Radius предоставляет несколько услуг по анализу данных с упором на прогнозный маркетинг B2B. Ключевые особенности включают в себя:

• Обмен клиентами Radius (RCX), который сравнивает профиль вашей компании с профилями других компаний с такой же аудиторией, что дает вам возможность работать вместе и создавать свои собственные маркетинговые списки.
  
• Radius Connect: отправьте прогнозные данные в Salesforce.
  

Платформа Radius также помогает маркетологам обмениваться данными между отделами и находить новые аккаунты во внутренних базах данных. Как и Infer, Radius — это облачная система.

Основываясь на правилах прогнозного моделирования, BOARD работает в адаптивном интерфейсе с дашбордами в реальном времени.

Это означает, что вы можете моделировать различные сценарии и анализировать возможные результаты без необходимости каждый раз создавать новую модель.

BOARD поставляется с несколькими встроенными коннекторами, поэтому вы можете извлекать данные практически из любого источника — вашей ERP-системы, облачной базы данных, куба OLAP и даже плоских файлов. Вы также можете превратить свои прогнозы в собственные приложения, используя инструменты BOARD.

TIBCO Data Science — относительно новый продукт, анонсированный в сентябре 2018 года. Созданный как единая платформа, TIBCO Data Science сочетает в себе возможности сервисов предыдущих поколений от TIBCO: TIBCO Statistica, Spotfire Data Science, Spotfire Statistics Services и TERR.

Служба Data Science помогает организациям внедрять инновации и быстрее решать сложные проблемы, быстро преобразовывая прогнозы в оптимальные решения.

SAS имеет 33% рынка предиктивной аналитики и 40-летний опыт; они предоставляют пользователям расширенные возможности анализа данных на основе множества визуальных редакторов. Основная функциональность SAS Advanced Analytics основана на графиках, автоматической карте процессов, встроенном коде и автоматических правилах времени.

Согласно отзывам пользователей, SAS Advanced Analytics отлично справляется с прогнозированием и анализом общего движения и может относительно быстро обрабатывать большие наборы данных. SAS предоставляет бесплатные демонстрации своих продуктов и базу знаний, которые помогут вам начать работу с ними.

Это программное обеспечение позволяет автоматизировать создание отчетов на основе временных интервалов. Вы можете импортировать свои собственные наборы данных и экспортировать их в другие программы благодаря более чем 60 встроенным интеграциям.

Расширения обеспечивают большую гибкость (обнаружение аномалий, обработка текстов, веб-майнинг), но могут не входить в базовую стоимость подписки.

Хотя RapidMiner был создан для специалистов по данным, его легко установить и начать работу.

IBM SPSS использует моделирование данных и аналитику на основе статистики. Это программное обеспечение работает со структурированными и неструктурированными данными. Он доступен в облаке, локально или посредством гибридного развертывания для удовлетворения любых требований к безопасности и мобильности.

Существующие данные можно использовать для построения прогностических моделей в визуальном редакторе SPSS и на панелях моделирования. Премиальная поддержка неструктурированных данных включает в себя лингвистические технологии и обработку естественного языка, поэтому вы можете включать в свои модели данные из социальных сетей и других текстовых источников.

SAP HANA предоставляет базы данных и приложения локально или в облаке. Это программное обеспечение сокращает время, необходимое для создания моделей, с дополнительными разъемами для больших наборов внешних данных и интуитивно понятными визуализациями.

Вы также можете подключить библиотеки предиктивной аналитики (PAL) к SAP HANA, чтобы получить дополнительную информацию из больших наборов данных. Для клиентоориентированных отраслей это программное обеспечение предлагает анализ текстовых данных и данных из социальных сетей, чтобы прогнозировать будущее поведение клиентов и рекомендовать продукты на основе прошлого поведения.

SAP HANA совместима с языком программирования R, поэтому вам не нужно изучать новый язык для настройки запросов. Когда ваша система интегрирует достаточно внутренних данных, прогностические модели автоматически предоставляют новую информацию.

Предиктивная аналитика в маркетинге — это мощный инструмент обработки данных, возможности которого невозможно описать в одной статье. Дайте нам знать в комментариях, о каких аспектах предиктивной аналитики вы хотели бы узнать больше в наших следующих статьях.

Напомним, вот три заповеди предиктивной аналитики:

• Начните с основ: проверьте качество ваших данных и соберите их автоматически, чтобы исключить человеческий фактор. Качество вашей обученной модели зависит от качества ваших обучающих данных.
  
• Никогда не уходите далеко от цели своего исследования, так как важен не процесс, а результат.
  
• Соблюдайте требования к точности. Помните, что результаты вашего прогноза могут быть проверены только путем измерения точности проверенной модели применительно к вашим данным.
  

Прогнозное моделирование
Важность прогнозной аналитики для интернет-магазинов
Полное руководство по прогнозной аналитике
10 лучших инструментов прогнозной аналитики по категориям
Прогнозирование доходов с помощью предиктивной аналитики: интерактивный кейс
Учебник по прогнозной аналитике
ТОП-24 БЕСПЛАТНЫХ ПРОГРАММ ДЛЯ ПРОГНОЗНОЙ АНАЛИТИКИ
20 лучших программ для прогнозного анализа 2019 года
Инструменты прогнозной аналитики
Программное обеспечение для прогнозной аналитики
Прогнозное моделирование
Инструменты прогнозной аналитики
От идеи к действию — на этот раз по-настоящему
7 способов, которыми Amazon использует большие данные, чтобы преследовать вас (AMZN)
Amazon хочет использовать предиктивную аналитику, чтобы предложить упреждающую доставку
Удержание клиентов: Macy’s использует прогнозную аналитику для увеличения расходов клиентов
Прогнозная аналитика в 2019 году: что возможно, кто этим занимается и как
Как использовать прогнозную аналитику для повышения эффективности маркетинга
Прогнозирование доходов с помощью прогнозной аналитики: интерактивный пример
Демистификация прогнозной аналитики