Co jabłka mają wspólnego z inteligencją, przewidywaniem, analizą i ROMI?
Analitykę predykatywną wykorzystywaną w marketingu można sprowadzić do stosunkowo prostego porównania.
Analityka predyktywna pozwala nam szybko wskazać te owoce w sadzie, z których możemy zrobić sok jabłkowy. Mówiąc krótko: odróżniamy jabłka od gruszek, śliwek, wiśni i innych owoców. Tylko tyle i aż tyle.
Jednak droga pomiędzy jabłkami w sadzie, a sokiem jabłkowym jest długa. Trzeba znaleźć sad, zerwać jabłka, zanieść je do kuchni, umyć, pokroić, włożyć do sokowirówki, a następnie rozlać sok do naczyń.
Powstaje pytanie ile jabłek wiszących na drzewie, zostanie zerwanych, ile z tych zerwanych zostanie wrzuconych do koszyka, zaniesionych do kuchni, a potem umytych i pokrojonych przed wrzuceniem do sokowirówki? Raczej niewiele.
Kiedy popatrzymy na analitykę predyktywną z tego punktu widzenia to okaże się, że o ile śliwka wisząca na drzewie w sadzie ma praktycznie 0% szans na to by znaleźć się w soku jabłkowym, o tyle jabłko wiszące na drzewie może mieć tylko 30%. Dopiero jabłko zerwane do koszyka z myślą o soku będzie miało 80%, 97% będą mieć te które leżą na stole gotowe do umycia, i 100% te które właśnie wpadają do sokowirówki.
30% to wciąż więcej niż 0%, ale daleko jest do poziomu 70%, który można uznać za bardzo użyteczny w przewidywaniu czy z danego jabłka faktycznie zostanie zrobiony sok.
Oczywiście w tym porównaniu jabłka to klienci, droga od jabłka na drzewie do soku to droga zakupowa, a sok to „sok z klienta” czyli konkretne zakupy.
Wiedza, że z miliona klientów tylko 100 000 może być naszymi klientami jest niezwykle istotna, jednak jest to wciąż informacja daleka od tego czego oczekiwalibyśmy. Najlepiej byłoby wiedzieć na jakim etapie drogi zakupowej jest dany klient, a nawet kto zrobi ten sok – my czy nasz konkurent.
I tutaj dochodzimy do poziomu, w którym branża MarTech, kończy mówić o predictive lead scoring a zaczyna mówić o predictive inteligence.
Oczywiście pojęcie predictive inteligence jest niczym innym jak zabiegiem marketingowym, bo inteligencji w tym rozwiązaniu jest tyle samo co w klasycznym preditctive lead scoring – chodzi po prostu o to, by zaznaczyć różnicę między dwoma rozwiązaniami – różnicę, którą ja bym określił jako faktycznie dużą.
Czym technicznie różni się jedno rozwiązanie od drugiego? W zasadzie ilością i różnorodnością danych. Oprócz danych opisujących danego klienta, są także dane typowo behawioralne, pozyskiwane dzięki dodatkowym „czujkom” na licznych stronach internetowych. To pozwala zinterpretować na jakim etapie jest najpewniej dany klient oraz czy interesuje się także konkurencją.
Z mojej perspektywy to bardzo interesująca zmiana w podejściu – pomimo, że tak naprawdę chodzi o dodatkowe dane, które dany dostawca wykorzystuje.
Podsumowanie
O predyktywnej analityce pisałem na blogu już kilka razy pewnie niejednokrotnie do tego wrócę. To co wzbudziło moją ciekawość, to fakt, że są już dostawcy którzy mogą dać tak klarowny obraz tego co się dzieje z naszymi potencjalnymi klientami. To niezwykle dobra wiadomość dla tych marketerów, którzy chcą dążyć do pokazania realnego ROMI w organizacji.