Predictive marketing czyli odpowiedź na pytanie: kto kupi, a kto nie?

Piotr Golczyk

Łączę marketing z technologią, naukę z intuicją, a pracę z zabawą. Konsultuję rozwiązania. piotr @ golczyk com.

Przeczytaj jak marketerzy mogą wykorzystywać uczenie maszynowe do swoich potrzeb i jak działa predictive marketing.

Nauka jest lepsza niż intuicja

Poznaj swojego klienta! To skrajnie wyświechtane hasło wciąż nie straciło na aktualności. Problem polega na tym, że wciąż tak naprawdę nie wiemy kto tym klientem faktycznie może zostać, a kto nie. Nie do końca też wiemy, co tak naprawdę nasz klient lubi, a czego nie.

Wbrew pozorom intuicja nie jest tutaj najlepszym doradcą, a przynajmniej już nie jest.

33 mln wersji NetFlix

Lubisz „House of Cards„? Serial odniósł wielki sukces. Przypadek? Po części na pewno ale dobrze wiedzieć, że jego sukces został zaprojektowany.  W dużej mierze przewidziany. Wszystko dzięki głębokiej analizie danych udało sie wydobyć smak, który uwiódł liczą publiczność. Przepis pozornie był prosty: David Fincher + Kevin Spacey + popularność mini serialu Dom z Kart w GB. Dobrze jest wiedzieć, że NetFlix ma 33 mln użytkowników globalnie i w kontekście analizy danych oznacza to, że aktualnie jest 33 mln wersji NetFlixa – każdy otrzymuje to co mu najbardziej odpowiada.

To co powyżej, oznacza tylko tyle, że firma nie marnuje środków na mówienie niewłaściwych rzeczy do niewłaściwych ludzi w niewłaściwym czasie – co zgodnie ze znaną od wielu lat zasadą, że połowa wydawanych pieniędzy na reklamę jest wyrzuconych w błoto – jest niesamowitą przewagą rynkową.

Nie trudno sobie wyobrazić oszczędności targetując swoje działania do niewielkich, doskonale znanych, grup ludzi. To jak sprzedawanie ciepłych bułeczek tylko i wyłącznie tym, którzy mają pieniądze i są głodni – zamiast reklamować je w głównym paśmie TV.

To jednak nie wszystko, bo konsekwencje – dla marketerów – stosowania takiego podejścia, umożliwiają w zupełnie naturalny sposób szybciej konwertować leady na klientów, skrócić podróż klienta i zmniejszyć koszty całego procesu.

OK – jestem przekonany – powie zapewne niejeden z czytelników. Ja także uważam, że wystarczy przykładów i argumentów. Także czuję się zupełnie przekonany. Pozostaje jednak jeszcze jedno pytanie: jak to działa, jak to wdrożyć, co trzeba wiedzieć żeby wykorzystać tę technologię w maksymalny sposób?

Jak działa predictive marketing?

Aktywności -> zbieranie danych -> tworzenie hipotezy -> testowanie hipotezy -> powrót do tworzenia hipotezy (do skutku) -> stworzenie modelu predykcyjnego -> przewidywanie -> aktywności -> zbieranie -> itd.

Wydaje się być całkiem proste i takie też jest w założeniu. Opiera się na porównywaniu danych i wyciąganiu wniosków czyli uczeniu się – w omawianym przypadku – uczeniu maszynowym.

Ma to doprowadzić do sytuacji, w której trafiamy z właściwym komunikatem do 20% (zgodnie z regułą Pareto) leadów.

No dobrze ale jak wygląda to w szczegółach?

Dane z formularzy na przykład imię i adres e-mail wraz ze stanowiskiem trafiają do systemu ujednolicającego wprowadzone dane, tak by to co wprowadził użytkownik oznaczało to samo co jest zapisane w bazie danych. Innymi słowy jeżeli ktoś wpisze „dir” zamiast „director” system „poprawi” to co wpisał użytkownik.

Dzięki powyższej operacji system może odpowiednio sklasyfikować dane z formularza i połączyć je z danymi we własnej bazie.

Do powyższych danych system dodaje są atrybuty związane zarówno z osobą jak i firmą w której pracuje. Należy do nich takie zmienne jak: zyski firmy, wielkość firmy, ilość pracowników, liczba biur i krajów w których firma jest obecna, jej wartość na giełdzie włącznie z takimi danymi jak technologie wykorzystywane na stronie firmowej www na przykład specyficzne skrypty itd.  – takich atrybutów może być kilkaset. Wszystkie razem dają one obraz firmy.

Dodatkowo brane są pod uwagę już aktualne zgromadzone dane czyli leady i przykłady skutecznej sprzedaży.

Dzięki temu system może porównać wzorzec „klienta” z konkretnymi „leadami” i odpowiednio ustawić priorytetyzację danego leada, nadając mu odpowiedni scoring.

Uważa się, że do uzyskania skutecznego modelu potrzebujemy:

  • 100 leadów, które dokonały zakupu
  • 10 000 leadow z baz danych
  • 1000 atrybutów
  • Celem jest wyłuskanie 20% najważniejszych (zgodnie z zasadą Pareto) leadów

Dzięki powyższemu, według firmy Mintigo, możliwe jest:

  • 2-4 krotne zwiększenie response rate
  • zredukowanie czasu konwersję leadu i jego podróż przez lejek sprzedażowy o 15-20%.

Co oprócz poprawnego scoringu?

Wynikiem pobocznym jest możliwość bardziej racjonalnego prognozowania poziomu sprzedaży w poszczególnych okresach czasu – zazwyczaj kwartałach. System analizując dane z przeszłości, jest w stanie estymować sprzedaż na nadchodzące kwartały – robiąc to w zdecydowanie bardziej racjonalny sposób niż dosyć płytkie analizy i intuicja.

Wnioski

Żeby zmaksymalizować efekty działania predictive marketingu, należy mieć przede wszystkim szybki dostęp do bardzo duzej ilości danych połączonych z atrybutami; odpowiednie spriorytetyzowanie wysiłków w zależności od uzykanego scoringu. Istotne jest także aplikowanie predictive marketing do wszystkich działań markeitngowych poczynając od działań on-line po off line (na przykład eventy).

Podsumowanie

Wnioski płynące z powyższego są oczywiste. To przyszłość, która puka do naszych – marketingowych – drzwi i zmieni efektywność naszych działań.