Harvard Business Review видит парадокс в двух важных аналитических тенденциях. Самые последние результаты опроса CMO, проведенного Школой Бизнеса Университета Дьюка Fuqua и спонсируемого Deloitte LLP и Американской ассоциацией маркетинга, сообщают, что процент маркетинговых бюджетов, которые компании планируют выделить на аналитику в течение следующих трех лет, увеличится с 5,8% до 17,3% — колоссальный рост на 198%. Этот рост ожидается, несмотря на то, что ведущие маркетологи сообщают, что влияние аналитики на эффективность всей компании остается скромным, со средним баллом 4,1 по семибалльной шкале, где 1 — совсем не эффективно и 7 — высокоэффективно. Что еще более важно, это влияние на производительность продемонстрировало незначительный рост за последние пять лет, когда оно было оценено в 3,8 балла по той же шкале.
Есть определенный парадокс в двух важных аналитических тенденциях. Самые последние результаты исследования, проведенного Duke University’s Fuqua School of Business и спонсируемого Deloitte LLP и Американской ассоциацией маркетинга, сообщают, что процент маркетинговых бюджетов, которые компании планируют выделить на аналитику в течение следующих трех лет, увеличится с 5,8% до 17,3% — колоссальный рост на 198%. Этот рост ожидается, несмотря на то, что ведущие маркетологи сообщают, что влияние аналитики на эффективность всей компании остается скромным, со средним баллом 4,1 по семибалльной шкале, где 1 = совсем не эффективно и 7 = высокоэффективно. Что еще более важно, это влияние на производительность продемонстрировало незначительный рост за последние пять лет, когда оно было оценено в 3,8 балла по той же шкале.
Как это может быть, что фирма не видит никакого увеличения того, как аналитика влияет на производительность, но тем не менее планирует увеличить расходы на маркетинговые исследования? Основываясь работе исследователей с компаниями — членами института маркетинговых наук, два конкурирующих фактора объясняют это несоответствие-данные, используемые в аналитике, и талант аналитика, производящего ее. Мы обсуждаем, как каждая из этих сил мешает организациям полностью реализовать потенциал маркетинговой аналитики, и предлагаем конкретные рекомендации по улучшению соответствия результатов аналитики возросшим расходам.
Проблема с данными
Данные становятся повсеместными, поэтому на первый взгляд кажется, что аналитика должна быть в состоянии выполнить свое обещание создания ценности. Однако данные растут сами по себе, и этот рост часто обусловлен инвестициями в IT, а не согласованными маркетинговыми целями. 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, разрозненны, в них отсутствуют переменные, соответствующие данным, и используются различные схемы кодирования. Например, данные с мобильных устройств и данные с ПК могут указывать на сходные пути просмотра, но если потребительские данные и данные на просматриваемых страницах не могут быть сопоставлены,трудно определить поведение при просмотре. Вот почему понимание того, как данные в конечном счете будут интегрированы и измерены, должно быть рассмотрено до сбора данных, именно потому, что это снизит стоимость сопоставления.
Более того, большинство компаний имеют огромные объемы данных, что затрудняет их своевременную обработку. Объединение данных по огромному количеству клиентов и взаимодействий включает в себя” перевод ” кода, систем и словарей. После того, как они будут покрыты, огромные объемы информации могут подавить вычислительную мощность и алгоритмы. Существует много подходов к масштабированию аналитики, но сбор данных, которые не могут быть проанализированы, неэффективен.
Ирония того, что у вас слишком много данных, заключается в том, что у вас часто слишком мало информации. Чем больше данных и полей собрано, тем меньше они перекрываются, создавая “дыры” в данных. Например, два клиента с одинаковым уровнем транзакций могут иметь очень разные доли кошелька. В то время как один представляет собой возможность продажи, другой может предложить небольшую потенциальную выгоду. Данные должны быть разработаны с прицелом на вменение-так что дыры в данных могут быть заполнены по мере необходимости, чтобы управлять стратегией.
Возможно, хуже всего то, что данные часто не являются причинно-следственными. Например, Хотя верно, что поисковая реклама может быть коррелирована с покупкой, поскольку клиенты находятся в мотивированном состоянии для покупки, из этого не следует, что реклама вызвала продажи. Даже если фирма не рекламировала, потребители мотивированы покупать, так как же узнать, была ли реклама эффективной? Хуже того, по мере роста данных эти проблемы усугубляются. Без правильного аналитического подхода никакие инвестиции не приведут к глубокому пониманию.
Компании должны сделать две вещи, чтобы использовать силу аналитики в своем маркетинге. Во-первых, вместо того чтобы создавать данные и затем решать, что с ними делать, фирмы должны решить, что делать в первую очередь, а затем какие данные им нужны для этого. Это означает лучшую интеграцию маркетинга и ИТ, а также разработку систем вокруг информационных потребностей высшего руководства вместо создания культуры “сбора данных и молитвы”.”
Во-вторых, компании должны создать интегрированное 360-градусное представление о клиенте, которое учитывает каждое поведение клиента с момента звонка будильника утром до того, как он ложится спать вечером. Каждая потенциальная точка взаимодействия, как для коммуникации, так и для покупки, должна быть захвачена. Только тогда фирмы смогут полностью понять своих клиентов с помощью аналитики и разработать индивидуальный опыт, чтобы порадовать их. Опрос CMO, на который мы ссылались выше, показывает, что эффективность компаний по этому типу интеграции не улучшилась за последние пять лет, что ставит под сомнение способность компаний отвечать на наиболее важные вопросы о своих клиентах.
Аналитика данных
Опрос CMO также показал, что только 1,9% маркетинговых лидеров сообщили, что их компании способны правильно использовать маркетинговую аналитику. Хороших аналитиков данных, как и хорошие данные, трудно найти. К сожалению, общая оценка по семибалльной шкале, где 1 – это “не имеет нужного таланта“, а 7-это ”имеет правильный талант”, не изменилась между первым опросом в 2013 году (среднее значение 3,4, SD = 1,7) и в 2017 году (среднее значение 3,7, SD = 1,7).
Разрыв между обещаниями и реальностью аналитики указывает на разрыв, который нуждается в разрешении. Компании должны лучше согласовать свою стратегию обработки данных и талант аналитика данных, чтобы реализовать потенциал, который аналитика может принести менеджерам по маркетингу. В отсутствие таланта даже большие данные могут лежать под паром и мешать фирме использовать весь потенциал этих данных. Каковы некоторые характеристики, которые компании должны искать в хороших специалистах по обработке данных? Они должны:
Четко определите бизнес-задачу. Менеджеры, которые полагаются на специалистов по анализу данных, чтобы знать, что можно сделать с данными, часто находят большую ценность в том, чтобы просто помочь этому человеку определить проблему. Например, маркетолог, приходящий к аналитику данных и задающий вопросы о том, как управлять конверсиями, может не понимать, что в верхней части воронки покупок также есть данные, которые могут быть еще более важными для управления долгосрочными продажами. Вместо того чтобы принимать запросы так, как они сформулированы, аналитики данных должны принимать запросы так, как они должны быть заданы, тесно интегрируя рекомендации с потребностями компании. Например, запрос на оценку того, как маркетинговые акции влияют на продажи, должен также учитывать влияние рекламных акций на собственный капитал бренда.
Понять, как алгоритмы и данные соотносятся с бизнес-проблемами. Компании будут видеть более эффективную аналитику данных, если команды четко понимают цели фирмы, информированы о стратегии, чувствительны к организационной структуре и открыты для клиентов. Чтобы обеспечить такое понимание, аналитики данных должны проводить физическое время вне анализа данных, возможно, посещая клиентов, чтобы дать им представление о требованиях рынка, посещая совещания по планированию рынка, чтобы лучше оценить цели компании, и помогая обеспечить соответствие данных, аналитики данных и маркетинга.
Поймите цели компании. Аналитика данных осаждается многочисленными запросами, как официант, обслуживающий слишком много клиентов. Четкое понимание целей фирмы позволяет аналитикам данных расставлять приоритеты и выделять время на наиболее важные проекты (те, которые имеют наибольшую предельную ценность для фирмы). Запросы должны быть централизованы, а затем распределены по приоритетам с учетом а) того, имеют ли полученные результаты потенциал для изменения того, как все делается, и Б) экономических последствий таких изменений. Некоторые компании разрабатывают стандартизированные формы для обеспечения того, чтобы запросы оценивались на равной основе. Сопутствующее преимущество этого процесса заключается в том, что он уменьшает потенциальную возможность для оппортунистических клиентов обращаться к аналитикам с просьбой провести исследование в поддержку предвзятой стратегии по политическим причинам, вместо того чтобы выбирать между стратегиями, которые отвечают наилучшим интересам фирмы.
Сообщайте идеи, 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 то, что могут понять менеджеры фирмы. Небольшие размеры шрифта, сложные фигуры и уравнения, использование жаргона и акцент на процессе моделирования вместо понимания и объяснения являются распространенными ошибками при представлении анализа. 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 крайне важно установить внешнюю связь с клиентами и внутреннюю-с менеджерами, использующими их работу. Кроме того, вместо того, чтобы сообщать “оценку параметров”, аналитик должен сообщать, как результаты указывают на ощутимые стратегические действия. Это требует от аналитиков структурировать свой анализ в рамках принятия решений, которые помогают менеджерам оценивать наилучшие и наихудшие сценарии развития событий.
Развивайте в себе инстинкт сопоставления вариаций данных с бизнес-вопросами. Это означает две вещи. Во-первых, аналитикам необходимо всестороннее понимание всех соответствующих факторов (например, маркетинговых и экологических факторов) и результатов (например, показателей воронки покупок). Например, чтобы установить влияние рекламы на продажи, необходимо признать, что одновременные изменения в дизайне продукта могут повлиять на продажи, чтобы не приписывать эффект изменений продукта рекламе, которая их объявляет. Во-вторых, аналитики должны иметь средства для обеспечения того, чтобы факторы вели к результатам, а не результаты вели к факторам. Опять же, это требует от аналитика понимания природы анализируемых рынков. Что касается последнего, то никакая сложная модель, которая претендует на контроль за недостающей информацией, никогда не сможет полностью компенсировать отсутствие причинной вариации. Лайки управляют продажами, а продажи управляют лайками. Однако распутывание этих двух отношений означает наличие некоторого фактора, который может независимо манипулировать одним, а не другим.
Определите лучший инструмент для решения этой проблемы. С точки зрения аналитики, само собой разумеется, что необходимы годы обучения и практики. Невозможно играть на инструменте, не изучив его, и то же самое верно для аналитиков. Самое важное-это знать, какой инструмент из множества доступных лучше всего подходит для решения той или иной проблемы. На очень детальном уровне экспериментальные методы особенно искусны в оценке причинности; контролируемое машинное обучение превосходит предсказание, когда неконтролируемое машинное обучение может разложить нечисловые стимулы на теги или атрибуты для дальнейшего анализа. Экономика и психология позволяют глубоко проникнуть в 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 выработки эффективных рекомендаций.
Пройдите границы навыков. Некоторые маркетинговые аналитики преуспевают в математике и кодировании, а некоторые преуспевают в формулировании проблем, разработке объяснений и подключении к бизнес-последствиям. Гораздо меньший набор преуспевает и в том, и в другом. Компании должны либо объединить эти разнообразные навыки в одного человека путем обучения и накопления различных типов опыта, либо, что более вероятно, собрать команду, которая достаточно легко владеет методами, чтобы они могли продуктивно взаимодействовать, гарантируя, что есть какой-то механизм, чтобы соответствовать подходу (и аналитику) к проблеме. Этот матч требует высокого таланта, с широтой перспективы, чтобы выровнять аналитические ресурсы и бизнес-проблемы.
В свете экспоненциального роста объема 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 нужном формате, месте, устройствах и каналах. Однако реализация этого потенциала требует активного и стратегического подхода к маркетинговой аналитике. Компании должны инвестировать в правильное сочетание данных, систем и людей, чтобы реализовать эти выгоды.
Загрузка...
