Przyszłość marketingu to wszechkanałowość. Część 4. Predykcja

Przyszłość marketingu to wszechkanałowość. Część 4. Predykcja
18 lipca 2019 Grzegorz Nowak

18 lipiec 2019

Przyszłość marketingu to wszechkanałowość. Część 4. Predykcja

Wielokanałowa komunikacja, integracja narzędzi online z narzędziami offline oraz identyfikacja użytkowników na poziomie wielu urządzeń i punktów styku z Twoją marką – te kwestie masz już opanowane, pisałem o nich w poprzednich artykułach z tego cyklu. Dziś podpowiem Ci, jak zwiększyć efektywność wykorzystywania posiadanych danych w celu skutecznego prognozowania przyszłych potrzeb oraz zachowań klientów, czyli jak wyczytać z danych, w którą stronę powinna się rozwijać Twoja firma. Zapraszam.

Zdolności predykcyjne organizacji są jednym z kluczowych czynników determinujących rozwój marki. Pozwalają one na osiągnięcie silnej przewagi konkurencyjnej, opartej na przewidywaniu potrzeb i zachowań klientów oraz odpowiednim reagowaniu na nie.

Nieprzewidywalność sama w sobie nie wynika z natury rzeczy, lecz z braku wystarczającej ilości informacji. A tych mamy przecież obecnie aż nadto, bo żyjemy w czasach nadpodaży danych – często chaotycznych, pozornie nieistotnych z punktu widzenia podejmowania decyzji biznesowych (tzw. dark data). W predykcji pomogą nam ich strukturyzacja, analiza oraz interpretacja.

Z artykułu dowiesz się m.in.:

– Jaka jest natura przewidywalności w biznesie

– Jakie są narzędzia i metody analizy predykcyjnej

– Czym są dark data i nadpodaż danych

Istota przewidywalności

Najważniejsze w przewidywalności jest zrozumienie jej natury. Aby dobrze zobrazować ten proces, posłużę się praktycznymi przykładami z codziennego życia.

Niemal każdy z nas podczas planowania weekendowego wyjazdu za miasto lub dłuższych, zagranicznych wakacji sprawdza prognozę pogody. Na ile wiarygodne są te informacje? Odpowiedź jest oczywista: to zależy! Zazwyczaj bliższe rzeczywistości będą krótkoterminowe prognozy (dotyczące jednego lub dwóch najbliższych dni). Próby przewidywania pogody w dłuższym okresie obarczone są znacznie większym marginesem błędu.

Innym przykładem może być sektor finansowy z kształtującymi się kursami wybranych walut lub kryptowalut. Kto zdecydował się na kredyt hipoteczny we frankach szwajcarskich lub zainwestował w bitcoina, na własnej skórze przekonał się o nieprzewidywalności tego procesu, pomimo wielu odmiennych deklaracji ze strony branżowych ekspertów.

Pokutuje zatem przekonanie, że jesteśmy w stanie skutecznie przewidywać zdarzenia jedynie w krótkich perspektywach czasowych – a to mit! Dlaczego?

Weźmy prognozy naukowców, którzy potrafią z zaskakującą precyzją i wiarygodnością przewidywać zjawiska astronomiczne, które nastąpią za kilkaset lat, a nawet później. Dzieje się tak dlatego, że poziom trudności procesu predykcyjnego zależy przede wszystkim od stabilności układu, w którym się prognozuje.

Wracając jednak do realiów biznesowych… W im bardziej innowacyjnym i dynamicznym sektorze funkcjonuje firma, tym trudniej będzie Ci efektywnie przewidywać zdarzenia w niej zachodzące.

Losowość zdarzeń

Innym, często powtarzanym mitem jest przekonanie o istotnym wpływie zdarzeń losowych na przewidywalność procesów. W myśl tego błędnego poglądu trudności w prognozowaniu wynikają z oddziaływania przypadkowych czynników. Co na to nauka? W klasycznej, deterministycznej interpretacji naszego wszechświata losowość zdarzeń nie istnieje.

Być może zaskoczyła Cię ta teza, ale do tej pory nie poznaliśmy żadnego zjawiska, którego przebieg byłby wynikiem przypadkowości.

Pamiętaj!

Poziom wiarygodności w prognozowaniu procesów biznesowych determinują ilość i jakość informacji, które masz.

Potencjał niewykorzystanych danych

Jedną z wielu korzyści płynących z omnichannelu jest agregowanie ogromnych ilości danych w jednym miejscu. A jak wygląda ich zagospodarowanie w praktyce? Niezbyt dobrze!

Według IDC firmy wykorzystują średnio jedynie 10% danych, które mają. Pozostałe 90% to tzw. dark data – nieustrukturyzowane, chaotyczne i pozornie nieistotne dane, z którymi nie ma co zrobić. Pozornie, ponieważ ich rzeczywisty potencjał jest niedoceniany.

Przykłady posiadanych, a niewykorzystywanych danych można mnożyć w nieskończoność. Weźmy np. logi serwerowe, które mogą powiedzieć marketerowi wiele o zachowaniach oraz doświadczeniach użytkowników czy o ewentualnych błędach w serwisie, wygenerowanych podczas ich obecności na stronie. Pomyśl też o nagraniach rozmów telefonicznych z konsultantami. Dzięki sztucznej inteligencji można dziś analizować emocje swoich rozmówców a następnie oceniać ich nastawienie i potencjał zakupowy w przyszłości. Na to pozwala np. rozwiązanie Call Sumo.

Żyjemy w świecie nadpodaży danych – otacza nas ich więcej, niż jesteśmy w stanie przetworzyć. Aby osiągać sukces w biznesie, trzeba poznać możliwości ich praktycznego zastosowania i nauczyć się wyciągać na ich podstawie celne wnioski.

Magia algorytmów

To nie magiczne artefakty, ale inteligentne algorytmy i metody statystyczne stoją za systemami prognozowania zdarzeń w biznesie. Mówiąc bardzo prosto: analiza predykcyjna polega na przewidywaniu przyszłości na bazie tego, co wydarzyło się w przeszłości.

Na podstawie historycznych danych można zbudować profile klientów oraz modele zachowań podejmowanych przez nich w konkretnych sytuacjach i czasie. Dzięki temu jesteś w stanie z wystarczającym prawdopodobieństwem i wiarygodnością przenieść te modele na nowy zbiór danych, np. nowych klientów. Ten proces w nomenklaturze marketingowej nazywa się eksploracją danych (data mining).

Analiza predykcyjna znajduje zastosowanie nie tylko w biznesie, lecz także w wielu innych dziedzinach. Jest powszechnie wykorzystywana m.in. w sektorze bankowym (np. do oceny wiarygodności kredytowej klientów), medycynie (np. do prognozowania progresji choroby) czy polityce (np. do przewidywania wyników wyborów).

Czy wielkość ma znaczenie

Częste wątpliwości budzi wielkość próby, na której podstawie przeprowadzamy analizy predykcyjne. Wiele prognoz biznesowych można opracować na mniejszych zbiorach danych. Gdy model statystyczny ma zbyt dużo parametrów w stosunku do wielkości próby bazowej, zachodzi zjawisko przeuczenia (overfitting). Traci on wówczas swoją uniwersalność i zdolności generalizacji. Mówiąc prościej: jego zastosowanie do innych, podobnych zbiorów danych będzie w takiej sytuacji bardzo ograniczone.

Podstawowe metody i wskaźniki analizy predykcyjnej

Ocena wartości życiowej klienta (customer lifetime value – CLV)

Określa znaczenie klienta dla organizacji w całym okresie współpracy. Pozwala skupić uwagę i zasoby na klientach o najwyższym potencjale zakupowym, czyli tych najcenniejszych dla firmy.

Analiza przeżycia (survival analysis)

Określa czas korzystania z usługi (np. z płatnej subskrypcji) przez klienta.

Analiza migracji klientów (customer churn analysis)

Uzupełnia analizę przeżycia i pokazuje newralgiczne momenty, w których prawdopodobieństwo rezygnacji klienta z usługi i przejście do konkurencji jest najwyższe. Dostarcza także informacji o klientach, których migracja przyniosłaby największe straty. Wyniki dwóch powyższych badań pozwalają na wiarygodną symulację przychodów   konkretnych okresach, ocenę retencji klientów oraz na dopasowanie do nich spersonalizowanych programów lojalnościowych.

Analiza koszykowa (asocjacji)

Łączy konkretne zdarzenia oraz rozpoznaje relacje zachodzące między nimi. To na niej opierają się cross-selling i upselling oraz działania merchandisingowe w punktach sprzedaży. Książkowy przykład wykorzystania tej metody znajdziemy w popularnych systemach rekomendacji stosowanych w e-commerce. Na podstawie danych historycznych marketer jest w stanie odpowiedzieć sobie na pytanie: „Jakie produkty lub usługi może jeszcze (z dużym prawdopodobieństwem) kupić klient, jeśli kupił już artykuł X lub skorzystał z oferty Y?”.

Korzyści płynące z marketingu predykcyjnego

W marketingu efektywnościowym: targetowanie reklam do grup odbiorców o najwyższym potencjale wykonania konkretnej czynności (lub sekwencji czynności), na której Ci zależy (kliknięcie w baner, rejestracja w serwisie, wypełnienie formularza kontaktowego, zakup itp.). Dzięki temu można wysoce zoptymalizować wykorzystanie funduszy przeznaczonych na kampanie typu performance. W modelu omnichannelowym ma się dodatkowo możliwość sterowania dystrybucją budżetu z poziomu całego ekosystemu marketingowego, przy intensyfikacji najskuteczniejszych w danym momencie kanałów interakcji na poziomie użytkownika i marki.

W obszarze obsługi klienta: skuteczna ocena nastawienia konsumenta do marki w danym momencie, dzięki czemu można lepiej dopasować do niego sposób komunikacji i ofertę.

Systemy rekomendacji pozwalają na prezentację odpowiednich, komplementarnych produktów potencjalnym klientom, którzy z wysokim prawdopodobieństwem będą ich potrzebować. Metody personalizacji contentu umożliwiają natomiast dopasowanie stron internetowych i aplikacji mobilnych do preferencji konkretnych użytkowników (np. interfejs Netflixa, który generuje propozycje filmów i seriali na podstawie historii oglądania).

Pamiętaj!

Równie ważne jak uczenie się na sukcesach, jest uczenie się na błędach. Modelowanie predykcyjne jest doskonałym narzędziem do rozpoznawania i w konsekwencji eliminowania działań, które nie przynoszą akceptowalnych efektów (np. nieefektywna kampania marketingowa, która nie przekłada się na konwersje). Jak powiedział kiedyś guru współczesnego marketingu, Michael Porter z Harvardu: „Istota strategii polega na wyborze, czego nie robić”.

To już ostatnia część cyklu poświęconego komunikacji omnichannelowej. Mam nadzieję, że przekonałem Cię do planowania i realizacji strategii marketingowych z wykorzystaniem czterech podstawowych atrybutów tego modelu: wielokanałowości, integracji, identyfikacji użytkowników oraz analizy predykcyjnej.

Jeśli masz pytania, zapraszam do kontaktu. Chętnie na nie odpowiem.

Autor:

Grzegorz Nowak, CEO Alpaca Studio
Artykuł pochodzi z magazynu Marketer+ nr 3(35). Zobacz wydanie tutaj.

Potrzebujesz marketingowego dopalacza?

Wypełnij brief