ГАРАЖ
Як покращити маркетинг-рішення завдяки data science
Інструменти data science у маркетингових процесах більше не новинка — цей метод уже кілька років залучають і в західних бізнесах, і в українських. Детально про досвід використання та корисні фішки розповідають для Projector Тетяна Катрич та Леся Мандрик.
Data Science vs Marketing
У середині 2000-х маркетингові та рекламні стратегії робили здебільшого на базі досвіду, інтуїції й лише потім цифр. Так, були прорахунки ROI та спроби обрахувати «найбільш ефективний комунікаційний спліт», але тут більше арифметики, ніж науки. Додатковою проблемою був брак даних. У 2010 році в нас з'явився клієнт, який мав: багато даних в мінімальною періодичністю і, що не менш важливо, сміливість і бажання цими даними ділитись, робити складну аналітику і моделювання та експериментувати.
Перший же кейс став успішним і ми захотіли занурюватись у тему, розвивати напрямок всередині компанії, шукати та навчати спеціалістів. Але це ще не мало назву Data Science. Приблизно в 2015 році поняття стало швидко поширюватись, з'явилися спеціалісти, профільні компанії та потреба бізнесу в таких рішеннях.
Насправді маркетинг — це відділ, який може генерувати і отримувати чи не найбільшу кількість даних всередині компанії. А ще отримувати пул додаткових джерел даних ззовні (рекламні агенції, дослідницькі компанії). Крім того, вимоги до маркетологів зазвичай високі та не завжди корелюють за тими ресурсами, які відділу маркетингу виділяють. Правильне використання ресурсу даних допоможе не тільки маркетологу з виконанням його KPI, але і бізнесу в цілому. Головне — навчитись цим користуватись і управляти.
Перший же кейс став успішним і ми захотіли занурюватись у тему, розвивати напрямок всередині компанії, шукати та навчати спеціалістів. Але це ще не мало назву Data Science. Приблизно в 2015 році поняття стало швидко поширюватись, з'явилися спеціалісти, профільні компанії та потреба бізнесу в таких рішеннях.
Насправді маркетинг — це відділ, який може генерувати і отримувати чи не найбільшу кількість даних всередині компанії. А ще отримувати пул додаткових джерел даних ззовні (рекламні агенції, дослідницькі компанії). Крім того, вимоги до маркетологів зазвичай високі та не завжди корелюють за тими ресурсами, які відділу маркетингу виділяють. Правильне використання ресурсу даних допоможе не тільки маркетологу з виконанням його KPI, але і бізнесу в цілому. Головне — навчитись цим користуватись і управляти.
Які можливості DS моделі дають маркетингу?
1
Дозволяють будувати якісний прогноз в умовах невизначеності. Точність такого прогнозу в річному розрахунку досягає майже 100%. Щоб зрозуміти, наскільки це значимо, згадайте точність своїх прогнозів та кількість ітерацій з коригування річних планів.
2
Допомагають визначати прямі залежності між великою кількістю різних факторів, що впливають на бізнес-показники. Наприклад, продажі. А ще ступінь впливу цих факторів та їхня значимість для бізнес результату.
3
Допомагають вибрати найефективніші інструменти досягнення бізнес цілей. І тим самим підвищувати ефективність бізнес-рішень та ROI, оптимізувати витрати та маркетингові інвестиції, підібрати найактуальніший інструментарій та збільшити операційну ефективність.
Як впровадити такі моделі в свою стратегію?
1. Стати Data Scientist. Насправді ні.
2. Залучити Data Science компанію, яка побудує для вас відповідну модель.
3. Замовити в спеціалістів навчання для своїх аналітиків.
4. Разом з Data Science партнером побудувати модель та in-house підрозділ з нуля або на базі вже існуючого аналітичного відділу.
Фаворитом із цих чотирьох пропозицій є останній варіант. Це дозволяє також сформувати внутрішню команду, яка здатна вирішувати задачі в постійному режимі. А за необхідності — запрошувати консультантів для аудиту моделі та її актуалізації.
2. Залучити Data Science компанію, яка побудує для вас відповідну модель.
3. Замовити в спеціалістів навчання для своїх аналітиків.
4. Разом з Data Science партнером побудувати модель та in-house підрозділ з нуля або на базі вже існуючого аналітичного відділу.
Фаворитом із цих чотирьох пропозицій є останній варіант. Це дозволяє також сформувати внутрішню команду, яка здатна вирішувати задачі в постійному режимі. А за необхідності — запрошувати консультантів для аудиту моделі та її актуалізації.
Чому це актуально в Україні?
Україна не є осторонь процесів у всьому світі. А карантин та різні кризи стимулювали ще стрімкішу цифровізацію в багатьох сферах бізнесу та суспільства. Перші швидко мігрують онлайн, або щонайменше використовують онлайн інструменти.
Тепер накопичення даних та вміння знаходити data based інсайти не є унікальним явищем для не діджитал кампаній, а скоріше must have для бізнесів, які прагнуть працювати максимально ефективно, розуміти поведінку споживача, вміти передбачити можливі сценарії та прорахувати ризики, підвищити продуктивність праці, знизити витрати виробництва та багато іншого.
«Старі» методи маркетингової аналітики вже не є настільки корисні через зміни, обсяг даних, складність задач та технологічні рішення. Тому ефективним буде той, хто швидше за інших адаптується в новій реальності, почне впроваджувати більш складні та комплексні методи роботи з даними, використовувати Data Science методи та алгоритми.
У чому труднощі?
Тепер накопичення даних та вміння знаходити data based інсайти не є унікальним явищем для не діджитал кампаній, а скоріше must have для бізнесів, які прагнуть працювати максимально ефективно, розуміти поведінку споживача, вміти передбачити можливі сценарії та прорахувати ризики, підвищити продуктивність праці, знизити витрати виробництва та багато іншого.
«Старі» методи маркетингової аналітики вже не є настільки корисні через зміни, обсяг даних, складність задач та технологічні рішення. Тому ефективним буде той, хто швидше за інших адаптується в новій реальності, почне впроваджувати більш складні та комплексні методи роботи з даними, використовувати Data Science методи та алгоритми.
У чому труднощі?
1
Бракує спеціалістів. Хороша новина в тому, що кваліфікований аналітик завдяки додатковому навчанню має шанси стати фахівцем у Data Science. Крім того, непогану базу дають математичні спеціальності університетів та різні профільні курси.
2
Компанії неготові до змін та інновацій. Часто реалізація Data Science проєктів уповільнюється ще на етапі узгодження з керівництвом, сприймається з недовірою та скептицизмом або через бюрократичні процедури.
Чим більше даних може зібрати компанія, тим довша ретроспектива цих даних та якісніший результат можна отримати. Але найголовніше в цьому процесі — почати. Визначити цілі, потреби, терміни та збирати дані. Якщо зараз даних для аналізу і побудови моделей недостатньо, то цілком можливо, що через півроку після початку їх збору вже можна отримати гарні інсайти, а через рік мати модель, що з високою точністю буде прогнозувати поведінку ключового бізнес показника.
Щоб покращити свої знання та навички й допомогти продукту злетіти, радимо обирати серед інтенсивів, курсів та професіумів на факультетах маркетингу та менеджменту.
Фото: Наталія Азаркіна
Фото: Наталія Азаркіна
Гараж
Сподобалась підбірка?
