Big data w marketingu jak to robić dobrze?

Jest Listopad 2016. Bigdejtowe szaleństwo po 7 latach obecności przeżywa swoje apogeum.  Słowo przeszło do mainstreamu. Pomimo tego, niewiele się zmieniło. Dlaczego tak się stało i jak to robić dobrze?

A miało być tak pięknie

Na początku o big data w marketingu mówili wszyscy. Snuli opowieści o tym co będzie, jak to usprawni marketing, jak uszczęśliwi klienta i jakie przyniesie benefity biznesowi. Tymczasem czas upływał, a ja tego big-data jakoś w marketingu za bardzo nie obserwuję. Ostatnio jeżeli już słyszę o big-data w marketingu to najczęściej pojawia się to w tytule, aby przyciągnąć uwagę marketerów starym ale wciąż atrakcyjnym buzzwordem. Wszystko po to by potem płynnie przekierować rozmowę w bardziej sprzedażową stronę. W efekcie w kilku ostatnich wykładach które słyszałem, a w których pojawiło się „big-data” w tytule, chodziło po prostu o sprzedawanie konceptu programmatic buying czyli ad-techu. Krótko: chodziło o promowanie usług kupowania mediów on-line. Faktycznie jest tam big-data. Można przeszukiwać bardzo dużą ilość danych w poszukiwaniu idealnej grupy docelowej, wyciągać z nich behawioralnych bliźniaków, etc. Tylko że big-data miało przede wszystkim służyć marketerom w budowaniu coraz to lepszego komunikatu, obsługi – doświadczeń – a nie tylko skuteczniej  dopadać klienta i wydzierać się do niego tak długo, aż zainstaluje AdBlockera. Zanim się podzielę przemyśleniami nad tym dlaczego tak jest jak jest i jak to ewentualnie naprawić, opowiem o paru przykładach wykorzystania zaawansowanej analityki na rzecz biznesu i marketingu.

Jak big data robią najlepsi?

Mistrzami w tej dziedzinie są oczywiście takie firmy jak Netflix, Amazon czy Facebook. Z pewnych powodów Netflix jest moim ulubieńcem w zakresie wykorzystania danych do podejmowania decyzji marketignowych, komunikacyjnych i organizacyjnych. To co prawdopodobnie najbardziej uwodzi w przypadku Netflixa jest fakt, że postanowili skwantyfikować coś co zawsze wymykało się z „mechanicznej” ocenie: film i emocje. Tym samym dotykają najtrudniejszej z możliwych materii, udowadniając, że się da i że można to robić dobrze. Sytuację dobrze oddaje ten cytat: [perfect_quotes id=”3706″] William Goldman jest niezaprzeczalnym autorytetem w swojej dziedzinie. Jednak jego bogate doświadczenie pochodziło z innych czasów. Dzisiaj sytuacja wygląda inaczej. Dzięki danym i dzięki organizacjom takim jak Netflix, które nie bały się podjąć wyzwania i były dostatecznie konsekwentne, by odnieść sukces. Firma Netflix powstała w 1997 roku. Zajmowała się wypożyczaniem filmów drogą pocztową. Okazało się, że ten prosty w założeniu biznes, można profesjonalnie zmierzyć. Już wtedy klienci aby otrzymać  rekomendacje musieli zaznaczyć z kopercie zwrotnej to jak bardzo podobał im się film w pięciostopniowej skali. Subskrybentów DVD uzbierało się z czasem sporo. W 2002 było ich już 700k, i dobiło do 3.5 mln w ciągu 2 lat. Łącznie było ich blisko 5 milionów. Było na czym pracować jeżeli chodzi o obróbkę danych. W 2006 roku Netflix uruchomił legendarny już konkurs na poprawienie systemu rekomendacji systemu rekomendacji zwanego Cinematch. Był to program napisany in-house. Netflix zoferował 1 mln $ nagrody, firmie, która zaproponuje algorytm poprawiający wyniki o minimum 10%. Konkurs wygrał zespół „Pragmatic Chaos” dopiero w roku 2009. Jak można wyczytać w dokumencie opisującym nie tylko konkurs ale także samo rozwiązanie matematyczno-statystyczne, dane wejściowe były nastepujące: „The dataset consists of 5-star ratings on 17 770 movies and 480 189 anonymous users. It was collected by Netflix in a period of approximately 7 years. In total, the number of ratings is 100 480 507; the probe set of size 1 408 395 is a subset of them.” Nawiasem jak się okazało Netflix systematycznie zbierał dane już od 1999 roku, czyli niespełna dwa lata po założeniu firmy. Skalę trudności w analizowaniu danych posiadanych przez Netflix dobrze ilustruje cytat jednego z pracowników firmy. Okazuje się bowiem, że nie do końca wiadomo co ludzie tak naprawdę chcieli powiedzieć dając na przykład 3 gwiazdki.  Film mi się podobał na te 3 gwiazdki, czy może gdybym był krytykiem filmowym to dałbym temu filmowi 3 gwiazdki, pomimo, że mnie podobał się na 5. [perfect_quotes id=”3703″] Zespół „Pragmatic Chaos” wypracowały algorytm lepszy o blisko 8,43% od poprzedniego.  Poświęcono na prace blisko 2000 godzin, łącząc w jedną całość blisko 107 różnych algorytmów.
Poniżej fragmencik zwycięskiej analizy 🙂
Jednak prawdziwy przełom przyniosła dalsza rewolucja technologiczna. Netflix myślał o streamingu jako drodze swojego rozwoju ale internet nie był w stanie dostarczyć pożądanej przepustowości. Rok 2007 przyniósł zmianę.  Średnia prędkość internetu w gospodarstwie domowych w USA przekroczyła 18 Mbps. Co prawda do streamingu jakości TV wystarczy 3 Mbps, a około 5 Mbps żeby otrzymać jakość DVD ale jak widać firma czekała albo do 2007 na upowszechnienie szybkiego internetu albo ten czas poświęciła na budowanie systemu.
W każdym razie szybki internet pozwolił Netflixowi zrobić następny krok. Rozwinąć swój biznes on-line. Następny rok 2008 przyniósł kolejną zmianę. Już nie tylko strona internetowa ale inne platformy wspierały Netflixa. Należał do nich Roku player oraz Xbox. Rok potem do tego grona dołączył iPhone. Wraz z wejściem w działania on-line oraz zwiększając skalę działania, Netflix rozpoczął swoja przygodę z analizą danych, na dobre. Jak wiadomo typowe stacje telewizyjne mają raczej dosyć blade pojęcie o tym kim jest ich klient. Mają pewne „persony” będące statystycznymi uogólnieniami wychodzącymi z badań. Nawet – o czym marketerzy powinni wiedzieć ale wciąż dla niektórych może to być niespodzianką – badania oglądalności telewizji opiera się na statystycznie istotnej grupie ludzi, którzy mają zainstalowane w domu specjalne systemy mierzące to kto co ogląda. Na przykład w domu Kowalskich jest zainstalowany sprzęt, gdzie mierzone jest kto ogląda jaki program jak długo. Liczba tych osób jest mocno ograniczona i w efekcie w wakacje ilość danych potrafi spaść poniżej istotności statystycznej a reklamodawca lub producent otrzymuje informacje, że programu nie oglądał nikt. Dlaczego? Bo kilka rodzin pojechało w tym samym czasie na wakacje. Wszystko to statystyka, uogólnienia. Dobre jeżeli nie ma nic innego, ale dalekie od doskonałości i dalekie od wyobrażeń i oczekiwań współczesnego wyobrażenia o biznesie napędzanym danymi. W przypadku biznesu on-line ta sytuacja nie ma miejsca. Oczywiście o ile traktuje się poważnie zbieranie danych i ich analizę. Tak jak Netflix. Doskonale ilustruje to poniższy screenshot.
Sprawdźmy co mierzy Netflix na poziomie pojedynczego użytkownika. To co teraz powiedziałem ma kluczowe znaczenie. Nie chodzi tutaj o „persone” jakąś grupę osób z grubsza do siebie podobnych, na wyobrażeniu kim są klienci, ale mamy tutaj do czynienia z pojedynczą osobą i całą historią jej interakcji z Netflix.
  • Kiedy się logujesz
  • Z jakiego urządzenia
  • Co oglądasz (przy czym w słowie „co”…
I tutaj się zatrzymam. Przez „co” mam na myśli konkretny film. Zastanówmy się iloma elementami można opisać jeden  film. Zacznijmy od gatunku filmu. Na szybko jestem w stanie wymienić 5, znalazłem opis 15 typów (akcja, przygoda, komedia, kryminalny, dramatyczny, historyczny, horror, musical, western, wojenny, animacja, thirely, sci-fi.). Do tego możemy dodać ekipę filmową, aktorów w skrajnym wypadku jest to ponad 3 310 osób w Iron Man 3, a średnio 558 ludzi. Dodajmy do tego streszczenie, tytuł, budżet. Może wyjdzie nam 5000 danych, którymi opisać można film. Jak się naprawdę bardzo postaramy. Netfliks samych  gatunków filmów wyróżnia 76,897 ! To co zrobił Netflix to był super zaawansowany „reverse-engineering Hollywood”. Firma płaciła ludziom, żeby oglądali filmy, tagując je w sposób tak dokładny, że sam opis dokumentu tłumaczącego pracownikom jak mają wykonywać swoją pracę miał 36 stron. Pośród ciekawszych elementów, pracownicy oglądając film oceniali także moralność bohaterów. Wracając do tego czym karmi się Netflix jako czystej krwi data driven company:
  • Zgromadzili kilka miliardów danych od subskrybentów. Otrzymują każdego dnia miliony nowych.
  • Obliczają popularność w różnych przedziałach czasowych, na przykład co godzinę, codziennie lub co tydzień.
  • Grupują subskrybentów według regionu lub innych wskaźników podobieństwa, by obliczać popularność w tej grupie.
  • Każdego dnia przez Netflix przechodzi kilka milionów strumieniowych transmisji, które obejmują kontekst, taki jak czas trwania, pora dnia i typ urządzenia.
  • Każda pozycja w katalogu zawiera bogate metadane: aktorów, reżysera, gatunek, ocenę rodzicielską i recenzje.
  • Sprawdzają  jakie produkty polecili i gdzie je pokazali by sprawdzić w jaki sposób ta decyzja wpłynęła na działania klienta.
  • Obserwują interakcje użytkownika: przewijanie, przesuwanie kursora, kliknięcia lub czas spędzony na danej stronie.
  • Dane społecznościowe stały się naszym najnowszym źródłem funkcji personalizacyjnych;  przetwarzają to, co znajomi oglądali lub oceniali (około 4 miliony ocen dziennie).
  • analiza milionów wyszukiwań dziennie (około 3 milionów)
  • Dodają do danych źródła zewnętrzne takie jak wydajność w box office lub recenzje krytyków.
  • Oczywiście to nie wszystko: istnieje wiele innych funkcji, takich jak dane demograficzne, lokalizacja, język lub czasowe, które można wykorzystać w modelach prognostycznych.
Poniższy cytat doskonale mówi o tym co cały czas doskonali Netflix. [perfect_quotes id=”3695″] Chociaż dopiero ten wskazuje, gdzie tak naprawdę dąży: [perfect_quotes id=”3697″] Warto dodać, że dzisiaj Netflix ma już 133 mln subskrybentów, którzy w 75% oglądają dokładnie to co poleci im system rekomendacji! To doskonały wynik, który przekłada się na redukcję tempa wykruszania się klientów czyli kasowania płatnej subskrypcji. Dane mówią, że jeżeli użytkownik spędzi minimum 15 godzin miesięcznie oglądając treści na Netflix, to jest 75% mniejsza szansa na to, że przedłuży subskrypcję. Jeżeli ilość oglądanej treści spadnie poniżej 5 godzin, jest 95% szans, że klient wykasuje subskrypcję. To właśnie dlatego kolejne odcinki w serii odpalają się natychmiastowo. Żebyś klient nie miał okazji zastanowić się czy chce nadal oglądać. Warto dodać, że w wyniku ciągłej analizy danych i testowania kolejnych hipotez, Netflix zdecydował się w roku 2017 wprowadzić ocenę filmów na zupełnie nowy poziom. Znacząco go uprościł zarówno dla użytkownika jak i z punktu widzenia analitycznego. Z systemu pięciu gwiazdek został system kciuka w górę, kciuka w dół.  Lubię, nie lubię.  Prawdopodobnie ocena „kciukiem” jest odbierana o wiele bardziej personalnie, niż system gwiazdek, którym zazwyczaj posługiwali się krytycy filmowi. Jednak żaden mechanizm nie utrzyma widza, który nie ma wyboru i nie znajduje treści atrakcyjnych dla niego.

Inżynieria sztuki

Kluczem jest jednak kontent. To treści w tym przede wszystkim treści oryginalne przyciągają publiczność. Pytanie jakie treści tworzyć, czym się kierować żeby nie ponosić zbyt dużego ryzyka inwestycyjnego. W końcu produkcja jednego odcinka kosztuje kilka milionów dolarów. W przypadku „House of Cards” to był zakład z gustami widzów, hipoteza do przetestowania, na prawie 100 mln dolarów! W tym wypadku Netflix nie zrobił tak jak inni producenci tj. nie położył 100 mln dolarów na bazie przeczuć. Posłużył się danymi. Z danych wyciągnięto kilka informacji, w tym przede wszystkim cztery:
  • reżysera Davida Finchera,
  • aktorstwa i charyzmy  Kevina Spacey
  • sukcesu filmu o tym samym tytule który powstał dla brytyjskich widzów „House of Cards”
Wszystkie te cechy były wpisane w gusta bardzo dużej części subskrybentów Netflix. To gwarantowało, że na tym zakładzie nie można przegrać. [perfect_quotes id=”3737″] Ciekawe jest że zrobiono 10  różnych trailerów w trzech grupach. Osoby lubiące Kevina Spacey, kunszt Davida Finchera albo kobiety występujące w filmach. I dochodzimy do momentu w którym okazuje się, że o ile średnia szansa na to, że nowy show w TV odniesie sukces wynosi 35%, i 65% że zostanie skasowany. W przypadku Netflix – dzięki analizie danych – szansa na sukces wynosi  średnio 70%! Więcej, „House of Cards” przyniósł blisko 2 mln nowych subskrybentów w US i 1 milion w innych krajach i te 3 mln praktycznie spłaciły inwestycję w cały film. To jednak nie wszystko, bo blisko 86% subskrybentów nie myśli o skasowaniu kont, z uwagi na „House of Cards”.

Kultura organizacji

Innym aspektem, który uważam jest kluczowy w sukcesie firm budowanych w oparciu o dane, jest kultura firmy. Ten rodzaj kultury, która tak wspaniale zaadoptowała proces podejmowania decyzji na podstawie danych, można w mojej opinii zdefiniować dwoma cytatami: [perfect_quotes id=”3715″]
[perfect_quotes id=”3716″]

Podsumowanie

Netflix jest wspaniałym przykładem na to, jak można kształtować komunikację za pomocą danych na poziomie nie tylko marketingu ale także tworzonych treści i to jak wymagających treści!  Tak, to można faktycznie  określić jako wykorzystanie big-data do budowania komunikacji. To z czym się spotykam w większości przypadków to bardzo skromne próby wykorzystania danych do podejmowania decyzji. Najczęściej sprowadza się to do podpięcia Google Analitics i budowania mniej lub bardziej skomplikowanych raportów. To nie tak, że to nic nie daje, oczywiście daje ale do poziomu big-data, zaawansowanej analityki, marketingu predyktywnego jest delikatnie mówiąc bardzo ale to bardzo daleko. I co najciekawsze – w mojej opinii – wcale nie jest to odległość mierzona wyzwaniami IT czy nawet wiedzą analityczną, ale sposobem myślenia i zarządzania, które bardzo często łączy dwa nastawienia: brak wiedzy o tym czym są tak naprawdę dane i co mogą zmienić w organizacji oraz krótkoterminowe myślenie.

Opublikowano

w

przez