Тренды в современном маркетинге

Сразу к делу! Начнём с трендов, которые на сегодняшний день сформировались в маркетинге:

Растущая важность digital-маркетинга

Люди находятся в режиме Online, маркетинг, в принципе, перемещается туда же, потому что необходимо привлекать аудиторию к своим продуктам, заставлять покупать их; соответственно, ведётся борьба за целевую аудиторию, чтобы использовать определённые онлайн-каналы для привлечения.

Привлекать аудиторию через онлайн стало легче, ведь раньше было необходимо использовать листовки, рекламу в газете и другие старые методы. Сейчас достаточно сделать рассылку через email, пост в социальной сети и посмотреть, как и через какой канал будут приходить потенциальные покупатели.

Второй тренд – это анализ маркетинговых каналов (Marketing Analytics)

Обычно происходит мониторинг затрат и усилий, которые были потрачены на тот или иной канал, откуда будут привлекаться потенциальные покупатели. Здесь необходимо понять, что привлекает клиентов в рамках определённого канала, почему он пришёл именно оттуда, почему он кликнул на вашу рассылку, почему он перешёл через определённый социальный пост.

Все эти данные собираются, анализируются и создаётся некоторая картинка для понимания потребителя, почему он был привлечён именно через этот путь. Кроме того, в рамках такой аналитики даётся некоторое описание, чтобы понимать, какие именно люди приходят через каналы. 

Также оценивается Cost Effectiveness каждой маркетинговой компании.

Третий тренд – индивидуальный подход, или таргетная реклама для конкретного покупателя или конкретной группы людей

Сейчас определённые люди требуют к себе индивидуального подхода, то есть рекламы, которая персонифицирована именно для них. Data Science может быть здесь полезен, потому что, на основе исторических данных, мы можем понять, какая была использована маркетинговая стратегия для той или иной группы людей и какова вероятность, что потенциальный покупатель купит ваш товар, с таким индивидуальным подходом.

Интересно, что каждый год проводится так называемый CMO (Chief Marketing Officer) Survey, то есть опрос маркетинговых руководителей, которые отвечают за маркетинг в компаниях. Так вот, на примере 2018 года можно отметить, что в целом с 2013 по 2018 гг число компаний, которые используют анализ данных в своей работе, выросло с 30 до 42%, причём для B2C сегмента данная цифра подтянулась до 55%. В целом, количество компаний возросло на 28% за 5 лет – это те компании, которые стали чаще использовать Machine Learning (машинное обучение, ML) и Data Science в своей работе.

Многие CMO отмечали, что в течение следующих трёх лет (2018 – 2021 гг) – как мы уже наблюдаем – число таких компаний вырастет ещё на 39%!

Записывайтесь на курс «Data Science Academy», чтобы заговорить с данными на более глубоком и продуктивном языке!

Отличия Data Science в маркетинге от обычного маркетинге

Радикальных изменений при внедрении в маркетинг Data Science – не происходит, поскольку меняется эффективность используемых инструментов для анализа тех или иных маркетинговых компаний для анализа поведения клиентов. По большей части, если резюмировать все перечисленные тренды, то можно сделать вывод, что данных становится всё больше, следовательно, появляются инструменты машинного обучения и Data Science. Формируются полезные отчёты и дэшборды, анализируется поведение покупателей и привлекаются новые. 

Если мы берём отдельно взятого маркетолога, то, скорее всего, его возможности ограничены: он может проанализировать меньше информации и дать меньше инсайдов из данных, чем Data Scientist, позволяющий произвести более эффективную маркетинговую компанию. 

Если говорить о затратах на ML-инструменты и найм дополнительных продуктологов, то последние могут обернуться дороже, принеся менее впечатляющие результаты.

Рассматривая текущие вакансии по направлению маркетинга, в современных Agile– и Digital-компаниях как раз требуют знания программирования, например, языка Python, и подсвечивают это как большой плюс.

Как Data Science применяется в маркетинге

Начнём с таких азов, как это в принципе работает, и какие виды анализа существуют.

Для агрегирования существуют 3 типа анализа: описательный (Descriptive), объяснительный (Explanatory) предиктивный (Predictive)  анализ.

Если первый тип, Descriptive, говорит нам об описательной природе анализа данных, второй – объясняет возникновение того или иного события, как оно было квантифицировано, третий позволяет нам сделать некоторые прогнозы на основе первых двух этапов и понять, какой клиент купит тот или иной продукт, к примеру, в течение следующих двух дней.

1. Описательная аналитика отвечает на 2 вопроса: “What?” и “How?”, то есть что и как.

Здесь мы можем агрегировать информацию и некоторые инсайды из данных. Обычно, если говорим про Python, это так называемая Summary Statistics: мы вылавливаем инсайды, пытаемся объяснить, почему у нас выручка растёт, какой продукт покупался чаще всего, что продаётся лучше всего, или, например, какие были средние чеки у товаров, какая была динамика у выручки в прошлом году?

То есть мы смотрим на статистику и собираем факты из данных.

2. Второй тип, объясняющая аналитика, отвечает на вопрос “Why?”, то есть почему или зачем.

На примере E-commerce мы можем в рамках данного анализа ответить на вопрос, что “драйвит” ваши продажи, или что заставляет покупателей приобретать тот или иной продукт? Почему они вообще покупают товары в вашем онлайн-магазине?

Тут можно также ответить на вопрос, почему люди участвуют в определённой маркетинговой кампании, что их привлекает, и через какие каналы они приходят?

3. И третий тип анализа основан на непосредственном применении машинного обучения, чтобы на исторических данных сделать прогнозы разного рода событий в будущем.

Как уже говорилось, ответить на вопрос: “Кто купит продукт в течение ближайших 7 дней?”.

Мы сделали анализ сырых данных и выбрали некоторые фичи (features), которые могут сказать, почему именно данная группа людей приобретает этот товар, а не другая. Причём мы выясняем это в определённом временном окне.

Важный момент: перед проведением третьего типа, нужно сначала провести описательную и объясняющую аналитику!

Алгоритмы машинного обучения в рамках предиктивной аналитики

Первое – это Supervised Learning, так называемое “обучение с учителем”. Мы знаем таргет – некоторую величину или событие, которое мы хотим спрогнозировать и которое мы наблюдали на исторических данных. Если речь шла про модели кредитного скоринга, то там таргет – флаг дефолта на горизонте следующих 12 месяцев. 

По истории известно, кто покупал данный продукт, какая группа людей, и по ним вполне реально сформировать таргет. Далее нужно построить некоторые фичи на основе истории, которые описали бы поведение клиента в течение определённого периода времени, например, возраст, адрес, география покупки, дата последней покупки и так далее.

Следующий этап – это Unsupervised Learning, то есть “обучение без учителя”.

В данном случае мы не можем наблюдать таргет, и мы не знаем, как его сформировать, поскольку отсутствует история. Здесь же обычно решается задача кластеризации в том числе за счёт рекомендательных систем. Например, мы можем разбить клиентов на некоторые группы на основе их поведения или общих характеристик, как вариант, разделение бренда по ряду характеристик. Что за бренд представляет покупатель, когда говорит об определённых характеристиках? Когда он читает текст, что воображает у себя в голове про тот или иной автоконцерн?

Если мы говорим про большой, мощный автомобиль, с полным приводом, чёрного цвета, с большим выхлопом и большим потреблением топлива, то можно подумать о пикапах или внедорожниках, например, GMC. Или мы говорим про быстрые машины, классный дизайн или яркие цвета, возможно, это связано с брендом Ferrari. Таким образом, осуществляется прогноз представления клиента о том или ином бренде.

Наконец, третий метод – это Reinforcement Learning, где мы обычно хотим построить модель, которая будет постоянно обучаться сама на себе. Обычно здесь применяется модель в рамках прогнозирования эффективности различных маркетинговых кампаний, то есть какую кампанию следует использовать для привлечения клиентов, чтобы это было менее затратно и чтобы повышало конверсию (охват покупателей в реальных покупателей)?

Модель изучает/собирает некоторые инсайды на основе своей же работы. После множества итераций, совершив ряд ошибок, она понимает, где и какие каналы приносят наибольшую прибыль, с точки зрения конверсии покупателей. После этого она собирает результаты и рекомендуют использовать определённую маркетинговую кампанию, что, конечно же, не может не радовать!

Это заменяет месяцы или недели работы живой команды маркетологов.

На последнем этапе мы рассмотрим, что необходимо для использования этих трёх алгоритмов.

При агрегировании есть 6 основных этапов, которые были озвучены в подкасте “Построение модели машинного обучения кредитного скоринга”:

  1. Problem definition – мы определяем ту или иную проблему в маркетинге, которую мы хотим решить
  2. Data Collection – сбор данных
  3. Data Preparation – подготовка данных для последующего анализа, проведение математических преобразований
  4. Анализ данных – смотрим на данные, извлекаем инсайды, понимаем, как вела себя статистика, что у нас было с динамикой продаж и прочее-прочее
  5. Feature Engineering – порой самый важный этап в анализе данных, который позволяет сформировать некоторую базу для построения прогноза
  6. Построение модели – выбираем алгоритм и на основе фичей строим саму модель

Прежде чем строить ML-модель, многие руководители в маркетинге требуют понимания, за счёт чего привлекаются покупатели, за счёт чего тот или иной канал привлечения эффективнее, и для этого необходимо дать конкретные цифры для понимания, какой фактор был более или менее важным. Здесь обычно используется модель логистической регрессии, после чего мы переходим к самой ML-модели, то есть на этапе логистической регрессии отбираем наиболее важные для нас факторы, а затем строим новые фичи для ML-модели в виде нейронной сети, бустингов и других методов, которые позволят построить более точную модель.

Очень интересно, что в компаниях уровня BCG Gamma более активно стараются использовать ML-модели, связанные с маркетингом, и, в принципе, большая часть задача на сегодня связана с тем, чтобы повысить эффективность продаж и эффективность маркетинговых кампаний. И если вы пойдёте на собеседование, к примеру, в BCG Gamma, то наш цикл подкастов по Data Science поможет ответить на ряд вступительных испытаний.

Материал основан на подкасте “Data Science оставит маркетологов без работы”:

Спикер: Вадим Анпилогов – Senior Data Scientist управления валидации корпоративных моделей Сбера, выпускник РЭШ и автор Telegram-канала Road-To-CEO: https://t.me/road_to_ceo

При поддержке Российской Экономической Школы: https://vk.com/neweconomicschool

Записывайтесь на курс «Data Science Academy», чтобы заговорить с данными на более глубоком и продуктивном языке!