Как не заблудиться в современном маркетинге. Разработаны карта и маршруты

В современных инструментах маркетинга сложно не заблудится. Маркетинг все сильнее интегрируется с ранее несвойственными для него технологиями и областями.
Публикации на тему эволюции маркетинга и некоторые прогнозы  развития можно прочитать прочитать по ссылке. 


Сегодня, в продолжение темы про инфографики, решила поделиться интересным и, на мой взгляд, заслуживающим внимания, инфографиком о маркетинговых инструментах современности.

Инструменты маркетинга в нем визуализированы в виде карты Лондонского метро.
Каждая линия метро представлена в виде направления маркетинга, станции  представлены в виде инструментов или технологий.

Вся карта - взгляд на возможности маркетинговых инструментов в целом.

Возможно, несколько сложновато для восприятия, зато дает полную и целостную картину многообразия маркетинговых инструментов, структурированных по направлениям.

Далее разработчики карты предлагают прокатиться по каждой линии метро и рассмотреть каждое направление отдельно.

Здесь информация воспринимается значительно легче.

Итак, начинаем путешествие...

Первая ветка - advertising, посвящена направлению рекламы.

Вторая ветка - базы данных.

Станции здесь:  анализ поведения, CRM, демографические базы данных, исследования рынка, профилирование клиентов, Data Mining и др.

"Директ" ветка

Здесь  директ-мейл, и телепродажи, чат, e-mail, blueooth.

"Цифровая" ветка

Микроблоги, RSS, чаты, электронная коммерция, Skype. 4 ключевых направления - вебсайты, видео-контент, блоги, поиск, и все это вокруг социальных медиа.

Ветка "взамоотношений"

Основные направления: социальные медиа, брендинг, "из уст в уста", сарафанное радио, программы лояльности.

Ветка "события"

Выставки, семинары, круглые столы. Все что присуще ивентам.

Как и на любой карте метро, на карте инструментов маркетинга присутствуют станции пересадок. Это ключевые инструменты, которые относятся сразу к нескольким направлениям.

Нашла ссылку на инфографик по маркетинговым инструментам на сайте

Программы лояльности в вопросах и ответах (часть 2): механики и основные задачи

Сегодня публикую вторую часть ответов на вопросы по программам лояльности для компанией ИФАК.

Первая часть, на тему "Отношение к программам лояльности. Программы лояльности в Украине" здесь.

МЕХАНИКИ ПРОГРАММ ЛОЯЛЬНОСТИ И ОСНОВНЫЕ ЗАДАЧИ, КОТОРЫЕ РЕШАЮТ ПРОГРАММЫ СЕГОДНЯ

1. Каковы наиболее распространенные схемы создания программ лояльности в Украине в настоящее время?

Традиционным для нашего рынка является отождествление программы лояльности и дисконтной системы, что не совсем правильно. Программа лояльности может включать в себя дисконтую систему, но для того чтобы говорить о Программе лояльности  только этого мало.

Признаки нашего рынка на мой взгляд выглядят таким образом: дисконтные системы становятся все более популярными,  % дисконта чаще всего не нужно подтверждать, если он уже заработан

Некоторые сети отказываются от дисконтной системы, когда понимают ее неэффективность.

Привилегии в Программах лояльности основном материальные, за исключением сферы услуг. В ресторанах и отелях нематериальные поощрения более распространены.

 2. Какое вознаграждение в программах лояльности вы считаете самым ценным (привлекательным) для клиента, а какое ‐ наименее ценным?

Общего ответа здесь быть не может. На самом деле, в эффективной программе как раз сочетаются все перечисленное. Главное правило при формировании мотивов и стимулов в Программе – они должны быть интересны целевой аудитории.

При формировании механик и концепций для программ лояльности мы используем все знания о клиентском активе. Это и уровень среднего чека, и сегментация по предпочтениям, по стилю жизни (на основе данных о покупках).

Такой подход позволяет устанавливать «минимально интересные скидки» для участников, определять уместные подарки и нематериальные поощрения.

3. Каковы основные цели внедрения программ лояльности сегодня? А какие – второстепенные цели?

Цели программ лояльности могут быть финансовыми и не финасовыми. И те и другие нацелены на повышение лояльности покупателей, но характеризают процесс с разных точек зрения. К финансовым относят повышение выручки,% и  количества участников с повторными покупками, другие показатели. К нефинансовым – повышение удовлетворенности и лояльноти покупателей.

4. Как Вы рекомендуете своим клиентам использовать собранные в рамках программ лояльности данные о поведенческих особенностях потребителей?

Первая рекомендация – использовать. Очень часто наличие данных по поведению покупателей (базы данных с чеками) просто игнорируется компанией.  А ведь в них можно и нужно находить ответы на главные и второстепенные вопросы по развитию программ лояльности.

А если отвечать на вопрос как, то мы используем данные для поддержки всего цикла работ с программой - для разработки механики программ, для формирования уместных предложений, для сегментации, для определения эффективности программы.Способы работы с поведенческими данными для определения особенностей покупателей - это методы Data Mining, маркетинг на основе Баз Данных, др.

Ответы на другие вопросы

	Программы лояльности вопросах и ответах. Часть 1. Для Форума лояльности
	Программы лояльности в вопросах и ответах (часть 2): механики и основные задачи
	Программы лояльности в вопросах и ответах (часть 3): коммуникация с клиентом
	Программы лояльности и организационная структура. Вопросы и ответы. Часть 4.
	Программы лояльности вопросах и ответах (часть 5). Проблемы и ошибки программ лояльности

Возможности снижения оттока из розничной сети: теория и кейс

Лояльность или постоянство покупателя - задача не из простых. Завоевывают постоянство при помощи программ лояльности и других маркетинговых технологий. Однако завоевать - это половина дела, нужно еще удержать, а иногда вернуть покупателя.

Сегодня речь пойдет о тех возможностях, которые позволяют предусмотреть, предвидеть отток покупателей.Решается эта задача при помощи методов так называемого прогностического моделирования.

Прогностическое моделирование (Predictive modelling) направлено на решение задач, в которых необходимо спрогнозировать поведение объекта, например группы покупателей, при помощи некоторой модели.

В маркетинге  прогностическое моделирование  используется для повышения эффективности управления оттоком. Решается эта задача путем определения характеристик потенциального оттока и выявления покупателей, которые соответствуют этим характеристикам.

Методы прогностического моделирования для управления оттоком уже давно используют телекоммуникации и банки. Достаточно популярным методом, решающим классификационную задачу является метод дерева решений (decision tree).

Суть его достаточно проста. Расскажу на примере скоринговой модели для банка, решающей задачу выдавать или не выдавать кредит клиенту.

Все объекты (клиенты) из базы данных на основе ретроспективных данных разделяются на две группы - вернувших и не вернувших кредит. Далее строится модель, которая  ищет разницу в характеристиках этих двух групп. Выделяются наиболее значимые характеристики, определяющие группу клиентов, не вернувших кредит. 

Таким образом на основе ретроспективных данных определяется профиль заемщиков, которые не склонны к возврату кредита. Обычно клиентам с такими характеристиками кредиты не выдают. 

Подобный принцип положен в процесс определения покупателей, склонных к оттоку. 

Нужно сказать, что задача управления оттоком покупателей  в рлознице становится сейчас все более актуальной.  Классификационная модель определяет принадлежность  покупателя по ряду признаков его поведения к одному из классов (вероятный отток или не отток).

 

Из практики

Сегодня я расскажу о задаче,  которая недавно решались для одной из розничных сетей Украины как раз с использованием прогностического моделирования.

Проблема заключалась в снижении выручки сети. Руководство сети решило использовать аналитику для управления оттоком. Нам была поставлена в определения скрытых характеристик покупателей, которые с наибольшей вероятностью станут группой оттока.

Из брифа: в парфюмерной сети зафиксировано падение продаж в период с января по июнь 2010 года на 15% по сравнению с аналогичным периодом прошлого года. Необходимо определить уровень оттока в этом периоде и предложить способы повышения выручки (без задействования внешней рекламы и привлечения новых покупателей).

Способ решения задачи: уменьшение группы оттока из сети через инструменты удержания.

Постановка задачи: определить  характеристики группы, склонной к оттоку и список покупателей, которые с наибольшей вероятностью могут стать группой оттока в ближайший период. Предложить способы удержания покупателей

Решение

При определении группы покупателей, склонных к оттоку использовался метод Дерево решений (decision tree).

Данные для анализа: период с 01.01.2009 по 01.09.2010

В  результате построения классификационной модели на основе данных покупок владельцев карт были определены характеристики покупателей, склонных к оттоку.

Профиль покупателя склонного к оттоку: отсутствие покупок уцененных товаров, количество уникальных магазинов с покупками от 1 до 4, количество уникальных брендов до 30, количество люксовых товаров  в чеке - 1 или 2.

Обобщая, можно сказать что покупатель склонный к оттоку не сенсетивен к предложениям уценки, посещает относительно малое количество магазинов сети, корзина его "не широка" (относительно мало брендов и дорогих товаров).

Именно эти характеристики являются отличительными признаками группы оттока. Покупатели, не склонные к оттоку обычно посещают более 4 магазинов,покупают более 30 брендов в долгосрочном периоде, имеют в корзине более 2 люксовых товаров.

Традиционно, для того чтобы определить покупателей, склонных к оттоку строится несколько моделей, после чего определяется наиболее точная. 

В нашем случае было построено 5 моделей при помощи различных методов и разных вариантов поведенческих характеристик. Каждая из моделей описывала набор поведенческих характеристик склонных к оттоку покупателей.

Следующий этап после построения моделей - это оценка их точности. Проверка точности делается на контрольных выборках и по нескольким критериям. Оценка точности по коэффициенту Джини описана ниже.

Наибольшую точность показывает модель, которая описывает наибольшую площадь многоугольника построенного по параметрам коэффициента Джини. В данном случае наиболее точная модель - это модель 1.

Прикладная ценность данной работы заключается в возможность воздействовать на покупателей, склонных к оттоку. 

Для покупателей с выявленными характеристиками были разработаны специальные предложения, которые имеют индивидуальный характер и учитывают особенности предпочтений покупателей (любимые бренды и категории).
В частности, для покупателей, частота покупок которых достаточно высока, но перечень категорий невелик (соответственно, недостающие категории они приобретают в других магазинах) были разработаны предложения по расширению корзины.
Для покупателей с низкой частотой покупок была предложена механика, повышающая частоту с предложением покупок любимых брендов. 

Важно, что при формировании предложений учитывалась вся история взаимоотношений сети и покупателя, экономическая целесообразность удержания каждого отдельного покупателя.

О поколениях маркетинга. Старые уроки и новые возможности

Технологии, появившиеся в последнее время, существенно повлияли на множество процессов в обществе. Если говорить о маркетинге, то с одной стороны - это спам в почте и телефоне, видео-реклама, от которой не скрыться, тотальный контроль над покупателем. С другой стороны - это более целевые предложения, возможность купить товар в любой момент времени не выходя из дома, это полезные сообщения в рассылках. И это все - новый маркетинг.

Как писали в блоге Hubspot:  «Традиционный маркетинг отвлекает людей от их ужина, семьи, телевизора, он вторгается в их жизнь. Вместо того чтобы отвлекать телевизионных зрителей от их любимых фильмов, представители нового маркетинга создают такие ролики, которые потенциальные клиенты хотят видеть. Вместо того чтобы размещать рекламу на веб-страницах, они создают корпоративные блоги компаний, на которые подписываются пользователи и ждут обновлений. Вместо холодных звонков, они создают полезный контент и используют определенные инструменты для того, чтобы пользователи звонили им и запрашивали дополнительную информацию».

Забывать старое не стоит, опыт, приобретенный за всю историю маркетинга имеет свою ценность. Каждая компания может гибко встроить в существующую систему современные технологии.  В статье Чему традиционный маркетинг научил маркетинг нового поколения описаны уроки, которые традиционный маркетинг может дать новому.

Новый маркетинг – это набор маркетинговых стратегий и методов, которые могут подтолкнуть потенциальных клиентов к бизнесу и покупке товаров. Согласитесь, это главная конечная цель бизнеса любого уровня.Но, несмотря на явную оппозицию традиционного и нового маркетинга, они могут учиться друг у друга.

 Традиционный маркетинг готов дать новому маркетингу следующие уроки:

1. Настойчивость.


2. Таргетирование.


3. Качество VS Количество.


4. Быть человечным.


5. Взаимосвязь.

Каждый из советов заслуживает  внимания, но в силу специфики моего опыта напишу о  таргетировании. 

Таргетинг (от англ. target - цель, употребляется также форма "таргетирование") 

- механизм, позволяющий выделить из всей имеющейся аудитории только ту часть, которая удовлетворяет заданым критериям (целевую аудиторию)

-  выделение из основной аудитории той её группы, которая вероятнее всего может стать вашим клиентом

Сейчас маркетинг позволяет посмотреть на процесс отношений с клиентом под совершенно другим углом. База для этого - накопленные данные о поведении клиентов.  Если говорить о B2С, в частности - о магазинах, розничных сетях, ресторанах - то в каждом конкретном случае база данных из информационной системы компании содержит полное описание поведения клиента. Таргетинг на основе таких данных становится более эффективным.

При необходимости провести инициативу в сети, нацеленную на определенную аудиторию, возможности использования данных из информационных систем сложно переоценить. В них хранится все: момент первой покупки владельцем карты, состав его корзины, динамика среднего чека, предпочитаемые категории товаров.

Поведенческая аналитика, при помощи которой осуществляется таргетирование, позволяет  сырые данные превратить в "готовые рецепты" для каждой группы покупателей. Таргетирование значительно упрощается.

Инструменты для проведения поведенческой аналитики - методы datamining, маркетинг на основе Баз Данных, OLAP, RFM.

Из практики

Опишу иллюстрацию использования поведенческой аналитики для розничной сети в рамках проведения сегментации покупателей по образу жизни.

Вся база покупателей (чеки одного календарного года с привязкой к номеру карты) была разделена на несколько групп в зависимости от предпочитаемых групп товаров.

В результате сегментации покупателей были выявлены такие группы. Первая - "пиво-рыба-колбаса-сухарики", время покупки - после 19.00.

Вторая - "широкая корзина здорового питания" (более 12 категорий товаров - молоко, мясо, хлеб, крупы, др), время покупки - любое.

Третья - "импульсные покупки" (конфеты, жвачки, кофе), время покупки - после 12.00 и до 21.00.

Четвертая -  ("каши быстрого приготовления,чай, сыр, конфеты и печенье", время покупки - с 12.00 до 16.30).

Проведя такую сегментацию, определить какие товары следует предлагать какой группе, достаточно просто, ведь различия между ними - "на лицо".

Важно, что эти сегменты получены без привлечения опроса. А ценность такой сегментации при проведении инициативы может быть измерена через средства маркетингового бюджета, которые сэкономлены путем перехода от массового предложения к индивидуальному подходу. Кроме измеримых показателей, существует еще и "неизмеримый". Это лояльность и отношение покупателя к магазину, который предлагает нужный товар в нужное время.

Методов, позволяющих проводить поведенческую сегментацию достаточно много. Один из наиболее интересных в силу своей "визуалистичности" представлен ниже. Здесь показаны 2 группы покупателей, их любимые категории обозначены красными треугольниками.
Первая - любители пива, сухариков и колбасы, вторая - вероятно офисные работники, покупающие колбасу, кефир и каши быстрого приготовления. Несмотря на наличие общей категории в корзине, несложно понять отличительные особенности в потребностях покупателей. Маркетинговые инициативы, разработанные на основе такой информации, значительно эффективней, чем традиционные.

Ниже проиллюстрирован пример RFM - анализа, сделанного для сети бытовой и компьютерной техники. Он также получен при помощи поведенческой аналитики на основе данных чеков. R - давность покупки (вертикальная ось), F - частота покупки (горизонтальная ось). Каждая точка - покупатель. Такая диаграмма рассеивания позволяет легко увидеть общую картину ситуации в магазине - оценить количество, % покупателей из группы оттока (с большой давностью покупки). Такие покупатели  (давность покупки более 820 дней) раскрашены на диаграмме красным цветом. При этом легко определить их частоту покупок - она находится а интервале  от 1 до 32 покупок за период.

Группа покупателей, которые обозначены синим и зеленым цветом, имеют наименьшую давность покупки (до 280 дней), количество чеков для некоторых покупателей превышает 180.

С использованием RFM-анализа в сети была реализована стратегия коммуникации с покупателями (с учетом давности, частоты и ценности покупателя) для возврата и удержания наиболее ценных.

Успешных примеров реализации поведенческого подхода для повышения эффективности  деятельности компаний немало. Пионером во внедрении методов поведенческой аналитики на благо повышения лояльности покупателей была сеть Tescо. Подробно о истории программы можно прочитать здесь "Tesco - эпоха возрождения и процветания"

Золотоискатели и маркетологи: что общего?

Несколько лет назад я перешла из сферы "информационных технологий ради информационных технологий" в сферу "ИТ для маркетинга".  

Тогда для меня начался процесс поиска маркетинговых закономерностей с применением аналитических технологий, в том числе, интереснейших методов, которые объединяются названием datamining. 

Какие закономерности можно найти в БД розницы, сети ресторанов или туристических агентств - тема для отдельной статьи, а возможно и целого учебника. Сегодня речь пойдет о более общих понятиях.

Многие маркетологи - сотрудники и клиенты - часто задают мне вопросы о том, что же такое datamining и какое отношение эта технология имеет к маркетингу. Ведь дословный перевод понятия ставит в тупик.

Чтобы ответить на эти вопросы я написала простую статью о технологии datamining, которую  опубликовала на портале E-xecutive. Название статьи - "Золотоискатели и маркетологи: что общего?".  На данный момент по статистике портала ее прочитали 1230 читателей. Надеюсь, что статья оказалась интересной и полезной.

 

В статье я решила описать технологию datamining простыми и понятными словами, без математических и технических подробностей, ассоциируя маркетолога и золотоискателя времен Джека Лондона.  

Сейчас любая компания может попробовать свои силы в роли золотоискателя на своем прииске. Прииском выступают данные, накопленные в базах данных компании. Поиск "золота" в данных становится возможным благодаря большому количеству программных продуктов, которые реализуют методы datamining. Многие из них распространяются бесплатно, так что попробовать силы может каждый. Следует сказать, что некоторые методы достаточно просты в реализации, и их применение возможно без специальных знаний. Требуется лишь желание освоить новое, терпение и неспешное прочтение документации к программе. Часть методов требуют основательной подготовки и освоения специального и часто непростого программного обеспечения.

Вот несколько выдержек из статьи

Датамайнинг – технология, которую объединяет с добычей горной руды то, что современный менеджер, подобно золотоискателю, хочет найти в огромных массивах данных ценную информацию. И такой «клад» способен увеличить прибыль и направить бизнес в нужное русло...

Во времена Джека Лондона «самые отчаянные и рисковые устремлялись на золотые прииски в поисках богатства и приключений, тогда человек оставался один на один с величественной, суровой природой». Так же и сегодня маркетолог остается один на один с горами отчетов, списков и таблиц в надежде найти ответы на вопросы «что?», «почему?» и «как быть?».
...
Сродни раскопкам золота, датамайнинг позволяет разглядеть в данных ценное и невидимое для управления бизнесом, процессом, инициативой. Ценными и невидимыми являются закономерности, которые таятся в данных, накопленных компанией за долгие годы, но скрытых от обывательского взгляда.  
...
Датамайнинг вовсе не маркетинговое понятие. Эту технологию применяют в госбезопасности, биологии, медицине, а в последнее время – в розничном и финансовом бизнесе… В общем, везде, где можно «копать». Для этого все данные должны храниться в структурированном электронном виде (например, таблицы Excel, базы данных).

Технология «раскопок»

«Киркой» для поиска ценных закономерностей являются программные продукты, в которых реализованы кибернетические и статистические методы (например, нейронные сети, методы кластеризации, методы поиска ассоциативных связей). Найденные «сокровища» становятся знаниями, то есть конкурентным преимуществом компании...

Полную версию статьи читайте на портале E-executive