отдельно взятый продукт, который можно было купить вместе с другим. Как вы уже догадались, количество возможных комбинаций для анализа увеличивалось со скоростью экспоненциального роста в зависимости от количества продуктовых групп (семей).
После завершения этой работы мы перешли к созданию модели, способной предсказать вероятность совместной покупки двух различных продуктов (в рамках той же сделки или в течение определенного времени). Мы протестировали модель, отправив двум группам клиентов единственный элемент маркетинговой коммуникации – памятную монету номиналом в 50 центов с портретом президента Кеннеди. Первая группа была отобрана из базы данных с помощью анализа потребительской корзины. Мы искали людей, уже купивших похожие памятные монеты. Вторая группа была отобрана случайным образом, без применения особых правил. Формула для анализа корзины выглядела следующим образом:
На первый взгляд формула выглядит крайне запутанной, но на самом деле она довольно проста.
•
•
•
•
•
Чтобы понять, идем ли мы по верному пути, мы протестировали модель, отправив один и тот же элемент маркетинговой коммуникации двум группам клиентов. Первая группа была отобрана из базы данных с помощью правил анализа потребительской корзины. Вторая группа была отобрана случайным методом, без применения особых правил. Показатель эффективности рекламы для первой группы оказался в пять раз выше, чем для второй, – что отлично демонстрирует потенциал этого метода с точки зрения дохода.
Если вам нравится одно, то понравится и другое
Инструменты автоматической рекомендации, такие как анализ потребительской корзины, стали крайне популярными в интернет-среде. Лучше всего на рынке известны рекомендационные механизмы Amazon и Netflix. Они предлагают продукты – если вам понравилась определенная книга или фильм, то вам наверняка понравятся и вот эти, – сравнивая ваш выбор с выбором других людей, читавших те же книги (или смотревших тот же фильм). Разумеется, это имеет вполне реальную ценность в глазах потребителей. Мне очень нравится, когда Netflix рекомендует мне кинофильм, о котором я даже раньше не слышал. Это основная причина, по которой я готов подписаться на услуги сайта, и Netflix отлично это понимает. Работающие там люди отслеживают, как часто я арендую диски с фильмами, основываясь на их предложениях. В сущности Amazon и Netflix делают то же самое, что и супермаркеты, пытающиеся предсказать, захотите ли вы купить яблоки и бананы за один поход в магазин, или почтовое ведомство, пытающееся понять, какая комбинация продуктов окажется наиболее интересной для коллекционеров марок.
Теперь вам доступны и готовые решения, помогающие персонализировать свою маркетинговую коммуникацию примерно так же, как это делают Amazon и Netflix. Эти решения позволяют сравнительно мелким компаниям уравнять шансы и эффективно конкурировать с отраслевыми гигантами. Компании, идущие по этому пути, внимательно изучают пристрастия клиентов, затем адаптируют свои рекомендации им, в результате чего получают изрядное конкурентное преимущество. Нужные для этого решения уже есть, они не слишком дорогие и показывают хорошие результаты. Если вы их не используете, то для вас нет оправдания. Изучите то, что предлагают компании Audience Science, Proclivity и Netmining. Лично я предпочитаю Netmining (и совсем не потому, что основатель компании Тон Ван Парис – бельгиец).
Netmining собирает данные от потребителей, путешествующих по Сети, в режиме реального времени. Затем эти данные используются для прогнозирования того, в каких товарах мог бы быть заинтересован тот или иной клиент. Netmining автоматически показывает рекламный контент, соответствующий интересам клиента. (О том, каким образом рекламодатели могут постоянно следовать за вами и показывать вам рекламу джинсов именно того цвета, который вы ищете, – я расскажу в четвертой главе.)
Подобные инструменты, позволяющие предлагать нужному клиенту подходящий ему товар, способны обеспечивать невероятные результаты. Например, компания Fiat, когда начала работать с Netmining, заметила 350-процентный прирост в количестве клиентов и 500-процентное увеличение показателя эффективности рекламы.
Самое крутое в работе Netmining – это возможность визуализации результатов. Программа позволила сотрудникам Fiat легко увидеть, какие именно модели интересуют клиентов и насколько вероятна последующая покупка (демонстрацию программы можно найти на сайте www.netmining.com).
Итак, мы с вами успели обсудить, как понимать настоящих и потенциальных клиентов с помощью анализа данных, получаемых из трех источников исследований (качественных или количественных); данных о сделках (об этом было сказано во второй главе) или данных о поведении клиента в Интернете. Все эти источники данных у нас уже давно есть. Теперь давайте обратим внимание на другие интересные источники данных, которые появились совсем недавно.
Данные, основанные на том, что пишут люди
В наши дни люди много пишут. Они участвуют в работе форумов, меняют свой статус в социальных сетях, комментируют записи в чужих блогах и даже ведут собственные. Если хорошенько подумать, то мы поймем, что любой текст представляет собой набор данных (причем совершенно бесплатных). Было бы глупо этим не воспользоваться. Все, что вам нужно, – это простой инструмент, способный считывать содержание интересных для вас сайтов и копировать нужную вам информацию в базу данных. Сам по себе процесс сбора информации довольно прост, чего нельзя сказать о ее анализе. Чуть раньше я уже делился с вами парой примеров, как мы можем научить компьютеры воспринимать данные определенным образом. Все сравнительно просто, если речь идет о цифрах. Но когда вы просите компьютер изучить текст, то задача усложняется. При этом я не собираюсь говорить, что это невозможно.
На рынке имеется целый ряд программных продуктов, способных анализировать крупные объемы текста и снабжать нас информацией о том, какие вопросы обсуждают люди, скольким людям они интересны и даже что они чувствуют в отношении обсуждаемого. Вот пример, которым поделилась со мной компания Visible Technologies пару лет назад:
Я ненавижу, что Джордж У. Буш постоянно подвергается критике. Да, он делает ужасные грамматические ошибки – тоже мне, страшное обвинение! Зато он четко поддерживает правильную иммиграционную политику. При этом он творит какие-то странные дела в связи с приватизацией системы социального обеспечения. Не знаю, будут ли теперь голосовать за него ребята, воюющие в Ираке, но они делают то, что должны делать.
Ранние (читай, примитивные) программы для анализа текста считывали количество распознанных слов с положительной или отрицательной окраской, а затем делали заключение о негативной в целом окраске того или иной сообщения.
Проблема состояла в том, что, хотя программа распознавала слова правильным образом, она ошибалась с общей тональностью высказывания. Приведенный выше комментарий был расценен ей как в целом положительный.
Технологии следующего поколения могли разложить текст на субкомментарии и определить их общий настрой. Соответственно, это давало возможность извлечь из каждого поста куда больше информации. Мы можем увидеть, как современные алгоритмы позволяют компьютерам более точно фиксировать и классифицировать темы и настроения людей в ходе их онлайнового общения.
С этим инструментом связано немало вопросов. Не так давно я беседовал с бренд-менеджером
