Wielokanałowa komunikacja, integracja narzędzi online z narzędziami offline oraz identyfikacja użytkowników na poziomie wielu urządzeń i punktów styku z Twoją marką – te kwestie masz już opanowane, pisałem o nich w poprzednich artykułach z tego cyklu. Dziś podpowiem Ci, jak zwiększyć efektywność wykorzystywania posiadanych danych w celu skutecznego prognozowania przyszłych potrzeb oraz zachowań klientów, czyli jak wyczytać z danych, w jakim kierunku powinna się rozwijać Twoja firma. Zapraszam.
Z tego artykułu dowiesz się:
- jaka jest natura przewidywalności w biznesie,
- jakie są narzędzia i metody analizy predykcyjnej,
- czym są dark data i nadpodaż danych.
Predykcja w marketingu, a dokładniej zdolności predykcyjne organizacji są jednym z kluczowych czynników determinujących rozwój marki. Pozwalają na osiągnięcie silnej przewagi konkurencyjnej, opartej na przewidywaniu potrzeb i zachowań klientów oraz odpowiednim reagowaniu na nie.
Nieprzewidywalność sama w sobie nie wynika z natury rzeczy, lecz z braku wystarczającej ilości informacji. A tych mamy przecież obecnie aż nadto, bo żyjemy w czasach nadpodaży danych – często chaotycznych, pozornie nieistotnych z punktu widzenia podejmowania decyzji biznesowych (tzw. dark data). W predykcji pomogą nam ich strukturyzacja, analiza oraz interpretacja.
Słuchaj „Marketer+” Podcast
Nie czytałeś poprzedniej części? Kliknij i zobacz część 3 tego cyklu – Identyfikacja w marketingu
Istota przewidywalności
Najważniejsze w przewidywalności jest zrozumienie jej natury. Aby dobrze zobrazować ten proces, posłużę się praktycznymi przykładami z codziennego życia.
Niemal każdy z nas podczas planowania weekendowego wyjazdu za miasto lub dłuższych, zagranicznych wakacji sprawdza prognozę pogody. Na ile wiarygodne są te informacje? Odpowiedź jest oczywista: to zależy! Zazwyczaj bliższe rzeczywistości będą krótkoterminowe prognozy (dotyczące jednego lub dwóch najbliższych dni). Próby przewidywania pogody w dłuższym okresie obarczone są znacznie większym marginesem błędu.
Innym przykładem może być sektor finansowy z kształtującymi się kursami wybranych walut lub kryptowalut. Kto zdecydował się na kredyt hipoteczny we frankach szwajcarskich lub zainwestował w bitcoina, na własnej skórze przekonał się o nieprzewidywalności tego procesu, pomimo wielu odmiennych deklaracji ze strony branżowych ekspertów.
Pokutuje zatem przekonanie, że jesteśmy w stanie skutecznie przewidywać zdarzenia jedynie w krótkich perspektywach czasowych – a to mit! Dlaczego?
Weźmy prognozy naukowców, potrafiących z zaskakującą precyzją i wiarygodnością przewidywać zjawiska astronomiczne, które nastąpią za kilkaset lat, a nawet później. Dzieje się tak dlatego, że poziom trudności procesu predykcyjnego zależy przede wszystkim od stabilności układu, w którym się prognozuje.
Wracając jednak do realiów biznesowych… W im bardziej innowacyjnym i dynamicznym sektorze funkcjonuje firma, tym trudniej będzie Ci efektywnie przewidywać zdarzenia w niej zachodzące.
Losowość zdarzeń
Innym często powtarzanym mitem jest przekonanie o istotnym wpływie zdarzeń losowych na przewidywalność procesów. W myśl tego błędnego poglądu trudności w prognozowaniu wynikają z oddziaływania przypadkowych czynników. Co na to nauka? W klasycznej, deterministycznej interpretacji naszego wszechświata losowość zdarzeń nie istnieje.
Być może zaskoczyła Cię ta teza, ale do tej pory nie poznaliśmy żadnego zjawiska, którego przebieg byłby wynikiem przypadkowości.
Pamiętaj
Poziom wiarygodności w prognozowaniu procesów biznesowych determinują ilość i jakość informacji, które masz.
Potencjał niewykorzystanych danych
Jedną z wielu korzyści płynących z omnichannelu jest agregowanie ogromnych ilości danych w jednym miejscu. A jak wygląda ich zagospodarowanie w praktyce? Niezbyt dobrze!
Według IDC firmy wykorzystują średnio jedynie 10% danych, które mają1. Pozostałe 90% to tzw. dark data – nieustrukturyzowane, chaotyczne i pozornie nieistotne dane, z którymi nie ma co zrobić. Pozornie, ponieważ ich rzeczywisty potencjał jest niedoceniany.
Przykłady posiadanych, a niewykorzystywanych danych można mnożyć w nieskończoność. Weźmy np. logi serwerowe, które mogą powiedzieć marketerowi wiele o zachowaniach oraz doświadczeniach użytkowników czy o ewentualnych błędach w serwisie, wygenerowanych podczas ich obecności na stronie.
Pomyśl też o nagraniach rozmów telefonicznych z konsultantami. Dzięki sztucznej inteligencji można dziś analizować emocje swoich rozmówców, a następnie oceniać ich nastawienie i potencjał zakupowy w przyszłości. Na to pozwala np. rozwiązanie Call Sumo (CallSumo.com).
Żyjemy w świecie nadpodaży danych – otacza nas ich więcej, niż jesteśmy w stanie przetworzyć. Aby osiągać sukces w biznesie, trzeba poznać możliwości ich praktycznego zastosowania i nauczyć się wyciągać na ich podstawie celne wnioski.
Przy zbieraniu danych osobowych pamiętaj o przepisach prawnych, których należy dopilnować. Dowiesz się o nich więcej w cyklu Kompendium wiedzy o wykorzystywaniu danych osobowych w marketingu i sprzedaży B2B. Zobacz Część 1. Dane osobowe w B2B – czym są i czy publiczna jawność niektórych danych oznacza, że można je wykorzystywać w dowolny sposób?
Magia algorytmów i analiza predykcyjna
To nie magiczne artefakty, ale inteligentne algorytmy i metody statystyczne stoją za systemami prognozowania zdarzeń w biznesie. Mówiąc bardzo prosto: analiza predykcyjna polega na przewidywaniu przyszłości na bazie tego, co wydarzyło się w przeszłości.
Więcej o retro marketingu znajdziesz tutaj.
Na podstawie historycznych danych można zbudować profile klientów oraz modele ich zachowań w konkretnych sytuacjach i czasie. Dzięki temu jesteś w stanie z wystarczającym prawdopodobieństwem i dużą wiarygodnością przenieść te modele na nowy zbiór danych, np. nowych klientów. Ten proces w nomenklaturze marketingowej nazywa się eksploracją danych (data mining).
Analiza predykcyjna znajduje zastosowanie nie tylko w biznesie, lecz także w wielu innych dziedzinach. Jest powszechnie wykorzystywana m.in. w sektorze bankowym (np. do oceny wiarygodności kredytowej klientów), medycynie (np. do prognozowania progresji choroby) czy polityce (np. do przewidywania wyników wyborów).
Czy wielkość ma znaczenie
Częste wątpliwości budzi wielkość próby, na podstawie której przeprowadzamy analizy predykcyjne. Wiele prognoz biznesowych można opracować na mniejszych zbiorach danych. Gdy model statystyczny ma zbyt dużo parametrów w stosunku do wielkości próby bazowej, zachodzi zjawisko przeuczenia (overfitting). Traci on wówczas swoją uniwersalność i zdolności generalizacji. Mówiąc prościej: jego zastosowanie do innych, podobnych zbiorów danych będzie w takiej sytuacji bardzo ograniczone.
Podsumowanie
To już ostatnia część cyklu poświęconego komunikacji omnichannelowej. Mam nadzieję, że przekonałem Cię do planowania i realizacji strategii marketingowych z wykorzystaniem czterech podstawowych atrybutów tego modelu: wielokanałowości, integracji, identyfikacji użytkowników oraz analizy predykcyjnej. Jeśli masz pytania, zapraszam do kontaktu. Chętnie na nie odpowiem.
1 K. Pal, „What is the importance of Dark Data in Big Data world?”, dostęp online: www.bit.ly/2GvPsoU.
