Ключевые цифры. Как заработать больше, используя данные, которые у вас уже есть - [28]

• B, C, D – прогностические параметры (факторы, позволяющие предсказать, будет ли куплен продукт A). К ним относятся также такие продукты, как другие памятные монеты либо сувениры с определенной исторической тематикой – короче, продукты, дающие основания считать, что клиент купит и монеты с портретом Кеннеди.

• N – охват в абсолютных показателях (общее количество клиентов, купивших продукты B, C и D в рамках одной покупки).

• P – вероятность того, что кто-то купит A, при условии, что уже купил B, C и D.

• S – поддержка (процент от общего числа людей, купивших B, C, D и A).

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.