Сообщество предпринимателей и экспертов, которые делятся своим опытом и знаниями

Почему маркетинговая аналитика не оправдала ожиданий?

Данные становятся вездесущими, но не связными и трудно отделить идеи от мусора. Чем больше данных, тем больше «дыр» в данных. Сначала нужно решить, что делать и потом собирать данные, а не собирать данные и потом решать что делать.

Почему аналитика данных маркетинга не оправдала ожиданий?

Мы видим парадокс в двух важных тенденциях аналитики. Самые последние результаты опроса CMO, проведенного бизнес-школой Fuqua Университета Дьюка, сообщают, что доля маркетинговых бюджетов, которые компании планируют выделить на маркетинговую аналитику в течение следующих трех лет, увеличится с 5,8% до 17,3% — это колоссальный рост составляет 198%.

Увеличения ожидаются, несмотря на то, что ведущие маркетологи сообщают о скромном влияние аналитики на производительность компаний, со средним баллом 4,1 по семибальной шкале, где 1=совсем не эффективно и 7=высокоэффективно. Что еще более важно, это влияние на производительность показывает небольшое увеличение за последние пять лет, тогда он был оценен 3,8 по той же шкале.

Как такое может быть, что фирмы не видят, как аналитика способствует эффективности компании, но, тем не менее, планируют так резко увеличить расходы? Основываясь на работе членов компаний Marketing Science Institute, противоречие объясняется двумя конкурирующими силами: данные используемые в аналитике и способности аналитиков создающих данные.

Мы обсуждаем, как каждая сила препятствует организациям реализовать весь потенциал маркетинговой аналитики, и предлагаем конкретные рецепты для лучшего согласования результатов аналитики с увеличением расходов.

Проблема с данными

Данные становятся вездесущими, поэтому на первый взгляд кажется, что аналитика должна оправдывать ожидания. Однако данные растут на своих условиях, и этот рост часто обусловлен инвестициями в ИТ, а не взаимозависимыми маркетинговыми задачами.

В результате библиотеки данных часто выглядят как пресловутый захламленный шкаф, где трудно отделить идеи от мусора. В большинстве компаний данные не интегрированы. Данные, собираемые различными системами, несвязны, в них отсутствуют переменные, соответствующие данным, и используются разные схемы кодирования.

RoistatНапример, данные с мобильных устройств и данные с ПК могут указывать на пути просмотра одного посетителя, но если данные пользователя и данные на просматриваемых страницах не могут быть сопоставлены, трудно установить полную картину поведения. Именно поэтому понимание того, как в конечном итоге данные будут интегрироваться и измеряться, должно быть рассмотрено до их сбора, потому что это снизит стоимость согласования данных.

Более того, большинство компаний имеют огромные объемы данных, что затрудняет их своевременную обработку. Слияние данных между большим количеством клиентов и взаимодействий связано с ”переводом» кода, систем и словарей. Когда-нибудь громадное количество информации может сокрушить вычислительную мощность и алгоритмы. Существует множество подходов к масштабированию аналитики, но сбор данных, которые невозможно проанализировать, неэффективен.

Ирония наличия слишком большого объема данных заключается в том, что у вас часто слишком мало информации. Чем больше данных и показателей собрано, тем меньше они связаны, создавая «дыры» в данных. Например, два клиента с одинаковым уровнем транзакций могут иметь очень разные доли кошелька. Когда один покупает, а другой только создает потенциальную выгоду. Данные должны быть разработаны с учетом вменения — так что дыры в данных могут заполняться по мере необходимости.

Возможно, хуже всего то, что данные часто не являются причинно-следственными. Например, хотя поисковая контекстная реклама действительно может быть сопоставлена с покупкой (поскольку клиенты мотивированы), но, это не значит, что реклама вызвала продажи. Даже если компания не будет рекламироваться, люди все равно мотивированы покупать, так как же узнать, были ли рекламные объявления эффективными?

Сквозная бизнес аналитика от Roistat позволяет хранить данные о всех визитах клиентов и их источниках на протяжении нескольких месяцев, позволяя понять какие рекламные каналы реально эффективны, а какие нет.

Хуже того, по мере роста данных эти проблемы усугубляются. Без правильного аналитического подхода никакие инвестиции не превратятся в инсайты.

Чтобы использовать силу аналитики в своих маркетинговых задачах, компании должны делать две вещи.

  1. Во-первых, вместо того, чтобы сначала создавать данные, а затем решать, что с ними делать, бизнес должен решить, что делать вначале, а затем какие данные им нужны для этого. Это означает что лучше интегрировать маркетинг и ИТ, а также разрабатывать системы вокруг информационных потребностей высшего руководства, а не создавать культуру “сбора данных и молитвы».
  2. Во-вторых, компании должны создать интегрированное 360-градусное представление о клиенте, которое учитывает поведение каждого клиента с момента звонка его будильника утром до того момента, как он ложится спать вечером. Каждая потенциальная точка взаимодействия, как для связи, так и для покупки, должна быть захвачена. Только тогда компании смогут полностью понять своих клиентов через аналитику и, развивая индивидуальный опыт, чтобы порадовать клиентов.

Опрос CMO, на который мы ссылались выше, показывает, что за последние пять лет эффективность компаний в этом типе интеграции не улучшилась, что затрудняет компаниям отвечать на самые важные вопросы о своих клиентах.

Roistat подарок

Задача аналитики данных

Опрос CMO также показал, что только 1,9% маркетологов сообщили, что их компании правильно используют маркетинговую аналитику. Хороших аналитиков данных, как и хороших данных, трудно найти. К сожалению, общий рейтинг по семибальной шкале, где 1 — “не имеет нужного таланта“, а 7 — ” имеет нужный талант», не изменился между первым заданным вопросом в 2013 году (в среднем 3.4, SD =1.7) и 2017 (в среднем 3.7, SD =1.7).

Аналитики указывают, что разрыв между надеждой и реальностью необходимо устранить. Компании должны лучше выстраивать свою стратегию данных и способности аналитиков, для реализации потенциала, который может принести сама аналитика.

От нехватки знаний, даже замечательные данные будут лежать «не вспаханными» и препятствовать тому, чтобы компания использовала весь потенциал данных. Какие навыки должны искать компании в хороших аналитиках данных? Они должны:

1Четко определить бизнес-задачу. Менеджеры, которые полагаются на специалистов по обработке данных, находят большую ценность, когда человек помогает определить проблему. Например, маркетолог, задавая вопросы аналитику данных о конверсиях, может не понимать, что есть также данные в верхней части воронки продаж, которые могут быть еще более полезными.

Вместо того, чтобы принимать запросы так, как они зафиксированы, аналитики данных должны принимать запросы по требованию, тщательно интегрируя рекомендации с потребностями компании. Например, запрос на оценку влияния маркетинговых акций на продажи должен также учитывать влияние рекламных акций на ценность бренда.

2Понимание, как алгоритмы и данные соотносятся с проблемами бизнеса. Бизнес увидит более эффективную аналитику данных, если команда четко понимает цели компании, осведомлена о стратегии, чувствительна к организационной структуре и открыта для клиентов.

Чтобы дать такое понимание, аналитики должны физически проводить время за рамками анализа данных, возможно, посещая клиентов, чтобы дать им представление о рынке, участвовать в совещаниях по планированию рынка, чтобы лучше оценить цели компании и помочь обеспечить соответствие IT-данных, данных аналитики и маркетинга.

3Понимание цели компании. Аналитика данных преследует множество запросов, таких как официант, обслуживающий слишком много клиентов.

Четкое признание целей компании позволяет аналитикам данных расставить приоритеты по проектам и выделять время на наиболее важные, с точки зрения ценности для компании. Запросы должны быть централизованы и с расставленными приоритетами по:

  1. смогут ли результаты изменить то, как это делается сейчас
  2. экономические последствия таких изменений

Некоторые компании разрабатывают стандартизированные формы, чтобы заявки оценивались на равной основе. Сопутствующая польза этого процесса заключается в том, что он уменьшает возможности оппортунистических клиентов, которые обращаются            к аналитикам с просьбой провести исследование для поддержки предвзятой стратегии по политическим причинам, вместо принятия лучшей стратегии в интересах фирмы.

4Сообщайть инсайты, а не факты. Теория коммуникации говорит нам, что передатчик и приемник информации должны иметь общую область знаний для передачи информации. Это означает, что аналитики должны понимать, что способны понимать менеджеры фирмы. Маленькие размеры шрифта, сложные рисунки и уравнения, использование жаргона и акцент на процесс моделирования, вместо упрощения понимания и объяснений являются распространенными ошибками при представлении анализов.

Зачем использовать сложную модель для представления информации, когда достаточно простой инфографики? Презентации должны быть организованы вокруг идей, а не аналитических подходов. Это еще одна причина, по которой аналитикам важно взаимодействовать с клиентами извне и с менеджерами внутри компании, погружаясь их работу.

Кроме того, вместо того, чтобы передавать “оценку параметров”, аналитик должен сообщать, как результаты влияют на фактические стратегические действия. Это требует от аналитиков структурировать свой анализ в рамках принятия решений, что помогает менеджерам оценить лучшие и худшие сценарии.

5Развивать инстинкт сопоставления вариативности данных с бизнес-вопросами. Это означает две вещи. Во-первых, аналитикам необходимо всестороннее понимание всех соответствующих факторов (например, маркетинговых и экологических) и результатов (например, показателей воронки продаж).

Например, одновременное внесение изменений в дизайн продукта, может повлиять на продажи, нужно признать это, чтобы не допустить объединение не корректных показателей рекламы, которая объединяет оба этих продукта.

Во-вторых, аналитики должны в состоянии гарантировать, чтобы лиды давали результаты, а не результаты, приводящие к лидам. Опять же, это требует от аналитика понимания природы анализируемых рынков.

Что касается последнего, то никакая сложная модель, предназначенная для контроля за недостающей информацией, никогда не сможет полностью компенсировать недостаток причинно-следственных связей. Влечения ведут к продажам, продажи ведут к влечениям. Тем не менее, распутывание двух значений имеет некоторый фактор, который может независимо влиять только на одно значение.

6Определить лучший инструмент для решения проблемы. С аналитической стороны, само собой разумеется, что необходимы годы обучения и практики. Нельзя играть на инструменте, не изучив его, то же самое верно и для аналитиков. Наиболее важным является знание того, какой инструмент из многих доступных, лучше всего подходит для какой-то проблемы.

На очень гранулированном уровне экспериментальные методы особенно хороши для оценки причинно-следственной связи; контролируемое машинное обучение превосходит предсказание, когда неконтролируемое машинное обучение может разложить не числовые факторы на признаки и свойства для дальнейшего анализа.

Экономика и психология позволяют глубоко понять природу потребительского поведения, а статистика может помочь нам преуспеть в выводах. Глубокое понимание маркетинга обосновывает все эти инструменты и дисциплины в контексте бизнеса, необходимые для получения эффективных рекомендаций.

7Границы мастерства. Некоторые маркетинговые аналитики преуспевают в математике и кодировании, а некоторые преуспевают в кадровых вопросах, вопросах объяснения и подключения бизнес-смыслов. И гораздо меньше аналитиков преуспевают в одновременно в двух этих направлениях.

Компании должны объединить разносторонние навыки в одного человека путем обучения и накопления разного опыта. Или, что более вероятно, собрать команду, в которой каждый профессионал в своей области, и способен продуктивно взаимодействовать. Для этого необходимо грамотное старшее звено, с широким кругозором для согласования аналитических ресурсов и бизнес-проблем.

В свете экспоненциального роста информации о клиентах, конкурентах и рынке, компании сталкиваются с беспрецедентной возможностью радовать своих клиентов, предоставляя правильные продукты и услуги нужным людям в нужное время и в правильном формате, правильном местоположении, на нужных устройствах и каналах.

Однако реализация этого потенциала требует проактивного и стратегического подхода к маркетинговой аналитике. Для реализации этих выгод, компании должны инвестировать в правильное сочетание данных, систем и людей.

Комментарии
CLOSE
CLOSE