Egyre többet hallunk már a marketing világából is az adatbányászatról, big datáról, prediktív elemzésről, gépi tanulásról és hasonló, nagyon távolinak tűnő fogalmakról. Az adattudomány egyre több terület nélkülözhetetlen segítőjévé válik, és néhány éven belül szinte biztosan minden marketingosztálynak vagy marketingügynökségnek szüksége lesz adattudósokra. Összetettségük ellenére, ezek a dolgok már a hétköznapjaink részei, és közel sem annyira nehéz elindulni ezen az úton, mint amennyire elsőre látszik. Előbb-utóbb mindenképp nélkülözhetetlen lesz, hogy versenyben maradhass.

Mi az a prediktív elemzés?

A prediktív elemzés során múltbeli adatokat feldolgozva jövőbeli (tehát ismeretlen) eseményeket próbálunk minél nagyobb pontossággal előjelezni. Elméletben lehetséges prediktív elemzéssel bármilyen jövőbeli esemény pontos meghatározása, ám ehhez szükség lenne az összes körülmény teljes ismeretére, az azok közötti korrelációkra és ok-okozati összefüggésekre. Ez természetesen lehetetlen, így be kell érnünk kevesebb adattal, ám ennek ellenére nagyon pontos előrejelzéseket készíthetünk ezen egyszerűsített modellek segítségével is. Valójában a prediktív elemzés régóta az életünk része. Ez alapján működnek a spamszűrők, online hidetési rendszerek, fogadóirodák, ajánlórendszerek és számos marketingautomatizációs eszköz. A prediktív elemzés három modelljét különböztetjük meg. Mindegyiknek más a felhasználási területe.

Leíró modell

A leíró modellben több tulajdonság alapján különféle kategóriákba osztályozzuk a vizsgált elemeket. Az üzleti életben leggyakrabban az ügyfelek csoportosítására használjuk, figyelembe véve demográfiai adatokat, viselkedésmintákat, motivációkat vagy célokat. Így az egymástól jelentősen különböző csoportokban lévő ügyfeleknek is többek között releváns ajánlatokat, tartalmat és számukra megfelelő kiszolgálást biztosíthatunk.

Döntési modell

A döntési modellek leírják a kapcsolatot az ismert adatok (többek között a prediktív modell eredményei) kapcsolatát a döntés lehetséges kimeneteleinek valószínűségeivel. Így különféle tényezők változtatásával megvizsgálhatjuk a várható eredményeket, ennek megfelelően meghatározva a célunkhoz tartozó optimális paramétereket.

Prediktív modell

Célja egy jövőbeli esemény valószínűségének meghatározása múltbeli adatok alapján. Egy mintában található elem attribútumait figyelembe véve keresünk hozzá hasonló attribútumokkal rendelkező elemeket egy másik mintából. A hasonló elemek múltbeli helyzetéből tudunk következtetni a vizsgált jelenbeli elem legvalószínűbb (még be nem következett) állapotára. Nagyon leegyszerűsítve tehát megvizsgáljuk a jelen körülményeit és eseményeit, majd azokhoz hasonlókat keresve a múltban, következtetéseket vonunk le a várható jövővel kapcsolatban.

Mit kezdesz az adataiddal?

Mindenkinek rendelkezésére állnak adatok az ügyfelekről, ennek ellenére a legtöbben még mindig nem dolgozzák fel ezeket megfelelően. Ezeket az összegyűjthető adatokat strukturált, félstrukturált vagy akár strukturálatlan adathalmazokba rendszerezve és kiértékelve olyan információkhoz jutunk, amik pozitívan hatnak az üzleted hatékonyságára, és ezáltal az eredményeire is. Túl nagy luxus manapság ezt a lehetőséget veszni hagyni. Gombamód szaporodnak a prediktív elemzéseket megvalósító eszközök, szolgáltatások vagy mesterséges intelligenciák, amik bárki számára elérhetőek.

A small data az új big data

Az elmúlt évek slágetémája volt a big data üzleti folyamatokban és természetesen a marketingben történő alkalmazása. Valójában a fogalom megjelenésekor, a 90-es években, a sima “data” vált a small datává. Ma a small data alatt inkább az ember által még gépi segítség nélkül értelmezhető és feldolgozható mennyiségű és komplexitású adathalmazt értjük.

A két fogalom tehát nagyon hasonló. A különbség abban van, hogy a big data sokkal több adatot és összetettebb kapcsolatokat tartalmaz. Természetesen nincs a két kategória között éles határvonal.

Tehát a big data jobb?

Nem feltétlenül. Sőt, számos esetben határozottan rosszabb és kevésbé hatékony. A big data feldolgozásához rendkívüli, jók skálázható erőforrásokra és nagyon bonyolult algoritmusokra van szükség. Nem megfelelően használva pontatlan vagy téves következtetésekre juthatunk, vagy egyszerűen csak nagyon el lehet veszni a részletekben. A big data egyes halmazai viszont könnyebben feldolgozható és értelmezhető small dataként is felhasználhatók.

Kritikusai szerint, számos esetben nem képes a big data pontosabb predikcióra a small datánál. A big datát sokszor a small data segítségével felállított hipotézisek és predikciók igazolására használják, amik megfelelően használva rendre igazolják a korábbi eredményeket.

Mindezek mellett természetesen nem lehetséges mindenhol költséges infrastrukturát fenntartani a big data elemzésére. A small data viszont a legkisebb webshop számára is meglepő eredményességgel használható.

Miért a small data?

• Költséghatékony. Emiatt szinte bárki hozzáfér.
• Egyszerű. Nem kell adattudósnak lenni, hogy elkezdd használni.
• Elég. A legtöbb felhasználás során a small data felhasználása tökéletesen elég a kitűzött célok eléréséhez.
• Itt van. A small data itt van körülöttünk. Egyre több mindent mérünk, nagyon sok pontos adathoz férünk hozzá a jelenlegi és potenciális ügyfeleinkről.
• Megtérül. A big datával ellentétben nem kell sok pénzt befektetni erőforrásokra, eszközökre és szakemberekre, ám hasonló eredményeket érhetünk el.
• Mindenkinek jó. A small data nemcsak a bevételt növeli, de az ügyfeleknek is jó. Javul a felhasználói élmény, valóban releváns tartalomhoz jutnak, és jobb lesz az elégedettség.
• Ez a jövő. Valójában inkább már a jelen. A big data után a small data lesz minden bizonnyal az új hullám, ami teljesen átalakítja a marketinget és az ügyfelekkel való kapcsolat minőségét. Ehhez csak már rendelkezésre álló adatokat kell felhasználni!

A small data prediktív elemzés gyakorlati felhasználása

A kissé szárazabb elméleti áttekintés után lássunk néhány példát a prediktív elemzés gyakorlati felhasználására a marketingben.

Hírlevelek

A hírlevelek hatékonysága, nagyban függ annak tartalmától. Már a címen sok múlik, hiszen ha az nem kelti fel a feliratkozó érdeklődését, akkor meg sem nyitja. A megnyitás után is nagyon sokan lemorzsolódnak, mert nem találnak benne kattintásra érdemes tartalmat. Ennek az oka az egységesen kiküldött tartalom, ami nyilvánvalóan nem nyerheti el mindenkinek a tetszését. Megfelelő felhasználó profilok kialakításával (leíró modell) viszont az adott csoportoknak pontosan célzott és releváns, megfelelő stílusú és körítésű tartalmat küldhetünk. A modell természetesen folyamatosan tovább finomítandó a hírlevelek aktivitását figyelve. Ennek megfelelően feliratkozókat átsorolhatunk más kategóriákba, vagy tovább finomíthatjuk az adott célcsoportoknak szánt tartalmakat. Arra is külön profilokat alakíthatunk ki, hogy az egyes felhasználóknak melyik időpontban érdemes a hírlevelet küldeni.

Szoftverek

Egy szoftver próbaverziója során megfigyelhetjük a később teljes verziót megvásárló felhasználók viselkedését. Ez alapján előre következtethetünk, hogy a jelenlegi próbaverziós felhasználók közül kik vásárolják meg a lejárat után a teljes szoftvert. Például azok, akik minden nap (vagy csak rendszeresen) használják a próbaverziót, a legnagyobb eséllyel térnek át a teljesre. Ilyenkor a cél az inaktív felhasználókat aktívvá alakítani, hiszen ezzel növekszik a potenciális vásárlók köre. Ezt többek között például technikai segítségnyújtással lehet elérni.

Kommunikáció

Nagyon fontos az ügyfelek megfelelő megszólítása és a megfelelő kommunikáció. Máshogy kell kezelni egy 18 éves diákot, egy 50 éves cégvezetőt és egy 70 éves nyugdíjast vagy marketinges példával élve, különbséget kell tennünk a webáruházak, fogászatok és ingatlanos ügyfeleink között. A megfelelő felhasználói profilok kialakításával a kommunikációnak nem kell ennek egységesnek lennie, hanem mindenki a számára legnagyobb valószínűséggel optimális módot biztosíthatjuk. Még a preferált csatorna is csoportonként változhat. Néhányan a telefonos kapcsolatfelvételt, mások inkább az sms-t, megint mások pedig az e-mailt preferálják. Ezek mellett számos prediktív elemzési módszerrel javítható az ügyfelek elégedettsége és elkötelezettsége a hatékony kommunikációnak köszönhetően.

Mindenkinek a legjobb upsell-t

A leghatékonyabb módja az upsell-ek hatékonyságának, ha olyan ajánlatot teszünk az ügyfélnek a vásárláskor, amire a legnagyobb valószínűséggel van szüksége vagy nyeri al a tetszését. Szerencsére a prediktív elemzés módszerei erre is megoldást nyújtanak. A korábbi statisztikai adatokat figyelembe véve megállapíthatjuk, hogy melyik upsell a leghatékonyabb különféle demográfiai csoportok, felhasználói viselkedés vagy a vásárolt termékek alapján. Mindenkinek a legoptimálisabb upsell-t ajánlva számottevő növekedést érhetünk el az eladásokban.

Ők már használják

Végül nézzünk meg néhány példát a legnagyobbaktól, akik már évek óta sikeresen használják a prediktív elemzést. Bár ők inkább big datán végzik ezeket a megfigyeléseket, az elv pontosan ugyanaz, mint small datán kisebb vállalatoknak.

Netflix

A Netflix-nek már 86 millió előfizetőt kell kiszolgálnia, és a felhasználók aktivitását 75%-ban befolyásolja az ajánlórendszer. Így óriási figyelmet fordít arra a több száz mérnökük, hogy az algoritmus a lehető legjobb ajánlásokat adja a felhasználóknak. Ehhez természetesen a prediktív elemzés módszereit használják. 2009-ben egymillió amerikai dollárt ajánlottak annak, aki legalább 10%-al tudja növelni az ajánlóalgoritmus hatékonyságát.

Amazon

A világ legnagyobb elektronikus kereskedelemmel foglalkozó vállalata kiemelt figyelmet fordít (a Netflix-hez hasonlóan) az ajánlási rendszerre. Egyes becslések szerint a forgalom 30%-át adják a felhasználóknak egyedileg szánt ajánlások.

Hogyan tovább?

Láttuk, hogy a prediktív elemzés használatához nincs szükség költséges infrastruktúrára, hiszen már a legegyszerűbb small data megoldások és algoritmusok is jelentős javulást tudnak eredményezni. Természetesen a témában jobban elmélyedve ezek a dolgok szinte a tökéletességig csiszolhatók. Szerencsére számos szakkönyv elérhető a prediktív elemzésről. Találunk könnyen megérthető, bárki által alkalmazható leírásokat gyakorlati példákkal, de nagyon részletekbe menő, bizonyos matematikai előképzettséget igénylő irodalmat is. Mindezek mellett mivel minden üzlet egyedi, és ezáltal egyedi megoldást igényel, fontos szerepet játszik a kreativitás is.

Amiben pedig mi az ügyfeleink segítégére lehetünk, valamint mindenki számára megfizethető és elérhető megoldás, az a marketing automatizáció. Mind a kis- és középvállalatoknak, mind a nagyvállalatoknak a segítségére lehet, ha a meglévő felhasználói adatok, CRM adatbázis marketingcélú felhasználásán gondolkodnak.

Bővebben a marketing automatizációs tanácsadásról ezen a linken »