Эпоха графиков и электронных таблиц как способа мышления об аналитике начинает приближаться к концу. Прогностическая аналитика, а также связанный с ней искусственный интеллект (ИИ) и технологии машинного обучения меняют способ работы с данными. Эти инструменты становятся все более доступными, и мышление о «больших данных» больше не ограничивается фирмами с миллиардными бюджетами.

Прогнозная аналитика позволяет заглянуть в будущее, а также получить доступ к стратегическим выводам, которые могут открыть новые возможности. Вот пять способов использования прогнозной аналитики, а также способы изменения отношения к данным.

Квалификационные Лиды
По данным Forrester research, прогнозная аналитика нашла три основных варианта использования для работы с лидами:

  • Прогнозная оценка: этот метод анализирует, как реагируют посетители на ваши маркетинговые шаги и насколько вероятно, что они будут действовать, исходя из этой информации. Таким образом, Вы сможете быстрее определить, на каких из них сосредоточить больше ресурсов, а на каких сэкономить.
  • Модели идентификации: в этом случае используется подход, ориентированный на сравнение клиентов, которые принимали действия в прошлом. При этом вы можете распределить ресурсы на тех потенциальных клиентов, которые наиболее перспективны на основе предыдущих действий, которые они предприняли, а также определить новые рынки, о которых вы ранее не знали.
  • Персонализация: в сочетании с предсказанием того, какие интересы с наибольшей вероятностью предпримут какие действия, одни и те же данные могут быть использованы для определения того, какие интересы лучше всего отвечают на какие типы Сообщений. Эта расширенная форма сегментации может занять больше времени, чем просто разделение интересов на группы – вы можете отправлять им клиентам гораздо более персонализированные сообщения.

Для выявления характеристик и поведения предыдущих покупателей ИИ проанализировал данные CRM. Затем он разделил их на микро-сегменты на основе этих характеристик. Для каждого сегмента тестировались различные комбинации заголовков, текстов, изображений и других элементов, чтобы определить, какие из них лучше всего подходят для каждого сегмента. Значение квалификации интереса в значительной степени зависит от значения и количества данных. Неважно, насколько хороши ваши статистические модели, их способности еще очень ограничены доступ к информации, которую они должны узнать о ваших клиентах.

В цифровом пространстве, особенно если Вы не используете CRM, лучшим местом для начала работы с прогнозной аналитикой почти наверняка будет интеграция Google Analytics и Google BigQuery.

Моделирование поведения клиентов
Хотя квалификация и конверсия лидов являются наиболее очевидным вариантом использования для прогнозной аналитики и, вероятно, их стоит изучить в первую очередь, это далеко не единственное маркетинговое применение этой новой технологии. Но практически любое его использование будет моделировании клиента. Моделирование клиентов можно разделить на три основных типа: кластерные модели, модели склонности и совместная фильтрация.

  1. Кластерная модель
    Кластеризация — это способ сегментирования клиентов на группы на основе многих переменных. Кластерная модель ищет корреляции между различными атрибутами и определяет ряд равновесий, в которых некоторые типы атрибутов имеют тенденцию накапливаться. Что делает кластеризацию особенной по сравнению с традиционной сегментацией, так это огромное количество переменных. Кластеры часто используют 30 или более переменных, что намного больше, чем было бы возможно, если бы вы вручную сегментировали клиентов или даже если бы они вручную сегментировали себя.

Кластеры бывают трех видов:

  • Кластеры продуктов: это кластеры клиентов, которые склонны покупать только определенные типы продуктов, игнорируя другие вещи в каталоге.
  • Кластеры брендов: эти клиенты, как правило, покупают из определенной коллекции брендов.
  • Поведенческие кластеры: это сегменты клиентов с определенной коллекцией поведений, такие как частые покупатели, размещающие небольшие заказы, или клиенты, предпочитающие центр обработки вызовов корзине оформления заказа.
    Что важно знать об этих кластерах, так это то, что они позволяют прогнозировать, к каким кластерам принадлежат люди – даже с ограниченной информацией. Если они покупают один продукт с определенным брендом, кластер брендов может предсказать, какие другие бренды им могут быть интересны, а не просто более очевидная рекомендация просто предлагать все остальное тем же брендом.

2. Модели склонности
Модель склонности — это модель, которая делает будущие прогнозы о поведении клиентов на основе корреляций с другими поведениями и атрибутами. Это можно сделать с помощью регрессионного анализа или машинного обучения. Хорошая модель склонности контролирует как можно больше переменных, чтобы корреляции не путались по причинам.

Вот несколько примеров моделей склонности

  • Склонность к оттоку: это клиенты, которые, скорее всего, будут двигаться дальше, если Вы не предпримете никаких действий, но которые могут иметь высокую ценность в противном случае.
  • Склонность к отказу от подписки: такая модель позволяет определить соответствующую частоту рассылки, сопоставляя вероятность отказа получателя с любым возможным положительным результатом.
  • Ценность жизненного цикла: Моделирование ценности жизненного цикла клиента может помочь в принятии стратегических маркетинговых решений, если оно приведет вас к клиентам с большей ценностью жизненного цикла или поведению, увеличивающему ценность жизненного цикла.
    Другие модели склонности включают в себя предсказание, как далеко через чью-то жизненную ценность вы находитесь, и насколько вероятно, что они должны конвертировать или купить.

3. Совместная фильтрация
Если вы видели рекомендации Amazon “клиентам, которым понравился этот продукт, также понравился…”, вы знаете, какая это модель. На первый взгляд совместная фильтрация может показаться похожей на кластерные модели на основе продуктов, но совместная фильтрация немного отличается. Вместо группировки клиентов по типам продуктов, которые они могут приобрести, фильтры совместной работы дают рекомендации на основе агрегированного поведения. Другими словами, речь идет не столько о предпочтениях пользователя, сколько о поведении, которое продукты обычно вызывают у пользователей.

Существует три типа совместных фильтров:

  1. Рекомендации по продажам. Это рекомендации для более высокой версии продукта перед продажей
  2. Рекомендации по перекрестным продажам. Также предлагается до продажи, это рекомендация для продукта, который часто покупается в то же время, что и первоначальный
  3. Последующие рекомендации. Это рекомендации для продуктов, которые люди, как правило, покупают в течение определенного периода времени после покупки предыдущего продукта, такие как замена продукта, который заканчивается, или покупка блюд после покупки стола.

Подключение правильного продукта к правильному рынку
Работая в обратном направлении от моделирования клиентов, можно определить рынки для ваших продуктов, о которых вы, возможно, не знали. Вот лишь несколько примеров того, как этот вариант использования может играть:

  • Включение источников ссылок в кластерные модели. Это позволит вам определить, какие источники трафика коррелируют с типами товаров, брендов или моделей поведения. Из этого можно сразу определить новый рынок для этих продуктов или брендов
  • Включение реферальных источников в ваши модели склонности к ценности жизни. Это позволит вам определить, в какие места инвестировать больше ваших маркетинговых ресурсов, так как вы примерно знаете, какой ROI будет
  • Ищите корреляции между источниками трафика и успехом с помощью рекомендаций по увеличению продаж, перекрестным продажам и последующим действиям
  • Поиск корреляций между ключевыми словами и моделями клиентов
  • Проанализируйте атрибуты, которые являются сильными предикторами покупки определенных типов продуктов, и проведите мозговой штурм других рынков, которые могут иметь те атрибуты, на которые вы еще не нацелились
  • Исследуйте высокоэффективные выбросы, когда имеются ограниченные данные, и выясните, является ли расширение на этих рынках хорошим вариантом.

Подключение нужных пользователей к нужному контенту
Существует несколько способов использования моделей клиентов для связи потенциальных клиентов с контентом таким образом, чтобы приблизить их к своим целям, причем некоторые из них более очевидны, чем другие. Вот несколько примеров:

  • Сопоставление содержимого, связанного с продуктами или брендами, на основе соответствующих кластеров
  • Сопоставление пользователей с копией преобразования, когда модели склонности предсказывают, что они, скорее всего, купят
  • Рекомендация Контента пользователям, который улучшает их оценки склонности
  • Рекомендация Контента пользователям, что повышает их вероятность хорошего реагирования на перепродажу или кросс-продажу
  • Сопоставление источников трафика с содержимым, которое имеет тенденцию создавать высокие оценки склонности для каждого конкретного источника трафика.
  • Как видите, количество подходов можно взять здесь растет довольно быстро. Подумайте стратегически о том, как лучше всего использовать ваши модели и максимально использовать ваши модели.

Обнаружение стратегических маркетинговых идей
Хотя некоторые инструменты прогнозной аналитики могут автоматически оптимизировать процесс маркетинга и генерировать результаты (как это сделал Альберт для Harley Davidson), важно помнить, что человеческие решения по-прежнему играют очень важную роль в этом процессе. Где прогнозной аналитики и инструментов, связанных ИИ часто не в склонности к чрезмерно вписываются данные. Они могут застрять на локальных максимумах и минимумах, неспособные совершить прыжок в новую местность. Для того чтобы избежать подобных ловушек и максимально использовать эти инструменты в целом, необходимо найти стратегическую информацию в моделях прогнозной аналитики.

Например, предположим, вы обнаружите, что определенный фрагмент Контента имеет тенденцию повышать лояльность потенциальных клиентов; любая имеющаяся автоматизация может быть применена для настройки того, как пользователи покупают, и подталкивать их к этому фрагменту Контента. Но прогнозная аналитика не может сказать вам, есть ли другие источники трафика, которые вы еще не пробовали, которые хорошо подходят для этого Контента. Используя свой опыт и возможности мозгового штурма, вы можете определить другие потенциальные рынки для этого Контента, подать их в свою модель и посмотреть, как экспозиция меняет ситуацию.

Ваша цель в работе с такого рода моделями всегда должна заключаться в том, чтобы найти идеи, подобные этим, и проверить их, чтобы увидеть, являются ли результаты ожидаемыми. Если ваша модель работает на автопилоте, она не откроет никаких новых возможностей в одиночку.

Пять способов использования прогнозной аналитики

  1. Квалификационные лиды
  2. Моделирование поведения клиентов
  3. Подключение правильного продукта к правильному рынку
  4. Подключение нужных пользователей к нужному контенту
  5. Обнаружение стратегических маркетинговых идей