Любое действие пользователя в интернете — давно не тайна за семью печатями. Вы можете отслеживать буквально всё — от онлайн-покупок до лайков — благодаря концепции Big Data. Результат — вы узнаёте больше о целевой аудитории и делаете персонализированные предложения. Точнее, всё делает за вас машина: и проанализирует, и даже оптимальное решение примет. Скажете, это фантастика? Конечно, механизм пока не так распространен, особенно в России, и не полностью отлажен, но первые шаги на пути к этому точно сделаны.  Если речь идет о больших данных, важно не то, сколько вы их собрали, а то, как вы их используете. Вообще Big Data — это универсальная методика. В этой статье мы рассмотрим её применение в маркетинге и продажах.

Что такое Big Data

Крупные транспортные компании, интернет-магазины, телеком-провайдеры, SaaS-сервисы, банки — одним словом, компании с большой клиентской базой собирают огромный объем информации. Это не только персональные данные (имя, email, телефон, пол, возраст, география), а также IP-адрес, время посещения сайта, количество визитов, запросы на сайте, история покупок и т.д. У каждой фирмы — своя специфика и свои уникальные данные, которые доступны только ей. Например, сервис такси «знает» каждый шаг и секунду, которую пользователь провел в поездке. Банковский онлайн-сервис — за что, когда и какой суммой расплачивался. Интернет-магазин — какие товары смотрел, положил в корзину или добавил в избранное и т.д. То есть это не только те данные, которые накапливает каждый бизнес в CRM-системе. Это всё, что компании может быть известно о клиентах, и это может измеряться терабайтами информации в отдельных случаях. Обычные базы не могут обрабатывать такие объемы. Хотя бы потому, что данные регулярно меняются и прибывают — вертикально (+ новый клиент) и горизонтально (+ дополнительная информация о клиенте). Кроме того, они разноплановые и неструктурированные, так как представлены в абсолютно разных источниках, например: 

• Блоги и соцсети;
• Аудио- и видеофайлы;
• Корпоративные базы данных;
• Датчики, измерительные устройства и сенсорные сети.

 Это и есть Big Data. Нечто более абстрактное, чем физические документы, поэтому и управлять ими человеку не под силу. На помощь приходят машинные алгоритмы.

Data Mining или как собираются и обрабатываются большие данные

Откуда берутся большие данные? Во-первых, это ваш сайт и все точки захвата контактных данных. Во-вторых, счетчики и системы аналитики (Яндекс.Метрика, Google Analytics).  В-третьих, соцсети, форумы, блоги, мобильные приложения. Как обрабатываются большие данные? Вот основные решения рынка Big Data: — Системы управления базами данных (Sap, Oracle, Microsoft, IBM и другие), которые хранят и обрабатывают информацию, анализируют динамику показателей и предоставляют результаты в статистических отчетах; — Алгоритмы, которые анализируют Big Data и извлекают из них полезные данные (интересы, намерения, предпочтения потребителей). Они выстраивают прогнозные аналитические модели для подготовки маркетинговых кампаний и выявляют наиболее релевантные методы рекламы (например, Yandex Data Factory, CleverDATA); — Готовые сервисы, которые позволяют персонализировать рекламные кампании. К ним относятся: 

• Сервисы управления закупками RTB-рекламы, которые предсказывают действия целевых пользователей и таргетируют рекламу в онлайн-каналах (например, Segmento, RTB-Media);
• Сервисы товарных рекомендаций, которые показывают на сайте товары, максимально интересные для конкретного пользователя (RetailRocket, 1С-Битрикс BigData);
• Сервисы персонализации контента, которые показывают пользователям наиболее подходящие версии страниц ресурса (Personyze, Monoloop, Crosss);
• Сервисы персонализации рассылок, которые отправляют таргетированные письма (например, Vero, Personyze);

Эти системы активно сотрудничают между собой, совершенствуются и обновляют функционал. 

Как работает технология Big Data и что такое Data Science

Практическая суть такого подхода — в минимизации вовлеченности человека в процесс принятия решения. На этом основана концепция Data Science (дословно — «наука о данных»). Согласно этой концепции, большими данными управляет статистическая модель. Она находит скрытые взаимосвязи в данных и максимально точно (благодаря объективности и широкой выборке данных) предсказывает поведение конкретного пользователя — купит ли он продукт, подпишется ли на рассылку, заинтересуется ли статьей. При этом происходит непрерывный процесс самообучения. То есть машина сама учится (принцип Machine Learning) в реальном времени и создает алгоритмы для оптимизации бизнес-процессов. Она самостоятельно определяет и подсказывает: 

• Что, где и когда предложить пользователю для максимальной вероятности конверсии;
• Как увеличить кросс-продажи и дополнительные продажи;
• Какие товары самые популярные и почему;
• Как улучшить продукт / сервис под потребности ЦА.

 В ритейле машины могут принимать следующие решения: 

• Где открыть следующий магазин;
• Какие маркетинговые акции проводить;
• Как прогнозировать продажи в будущем периоде;
• Как выделить «ядро» аудитории;
• Насколько повысить / снизить цены в следующем месяце;
• Как оптимизировать маркетинговый бюджет;
• Как определить клиентов, которые уйдут в будущем месяце.

 В маркетинге это позволяет сегментировать целевую аудиторию, разрабатывать креативы и персональные предложения для каждого сегмента. К сожалению, на данный момент этот процесс автоматизирован лишь частично. Вот вам пример. Компания Target решила нестандартную задачу — таргетироваться на беременных женщин до того, как они будут вводить тематические запросы, поделятся новостью в соцсетях или другими способами расскажут об этом в интернете. Как это удалось? Помогли знания о покупательских привычках. А именно Target обнаружил в ходе исследования, что будущие мамы покупают много лосьона без запаха, хлопчатобумажных салфеток и махровых мочалок. Это знание дает шанс, что ваше объявление первое попадется такой женщине на глаза — а это большое преимущество перед другими рекламодателями. Возможно, это она купит детские товары у вас и в будущем станет лояльной клиенткой именно вашей компании. Другой пример. Российский сервис электронных книг Bookmate мало знал о реальных интересах своих пользователей. Они заходили в приложение, но предлагаемые книги их не интересовали. Ситуация улучшилась благодаря использованию информации из соцсетей. Просмотры рекомендаций выросли в 2,17 раза, а конверсия в платящих пользователей — в 1,4 раза. Авиакомпания British Airways вывела персонализацию на абсолютно новый уровень. В рамках программы Know Me она распознает лица клиентов с помощью сервиса Google Images. Персонал узнает пассажиров в терминалах аэропортов или на борту самолета и лично приветствует их по имени. Помимо этого, персональные данные пассажиров о предыдущих рейсах позволяют авиакомпании принести личные извинения тем, чем рейс в прошлом был задержан или чей багаж потерялся. Эта и другая информация о базе (например, предпочтения в еде) есть в доступе у бортпроводников British Airways на специальных рабочих планшетах.