"Научный аспект №2-2019" - Гуманитарные науки
Методы развития данных в современном маркетинге
Горская Анна Алексеевна – студент магистратуры Российского государственного гуманитарного университета.
Аннотация: Данная работа раскрывает концепции новой системы поддержки CRM в режиме реального времени с использованием методов интеллектуального анализа данных. Современные компании для того, чтобы сохранять лидерство в своих сферах деятельности, должны непрерывно производить мониторинг своих потребителей, чем занимаются аналитические группы. Тем не менее, люди не способны вручную обрабатывать огромные объемы данных, с которыми ежедневно приходится сталкиваться крупным организациям, как например, банкам, мобильным операторам и др. Справляться с подобными задачами призваны информационные системы. Отдел разработки программного обеспечения Высшая школа экономики в сотрудничестве с компанией IBM проводит исследования в этой области, промежуточные результаты были рассмотрены в этой работе.
Ключевые понятия: CRM, ROI, Сценарий работы с клиентом.
Потребители, в силу множества причин, предпочитают совершенно разные товары и услуги. Все они, однако, являются частью клиентской базы компании и требуют тот продукт, который будет наилучшим образом удовлетворять их запросы. В настоящее время компании склонны строить долгосрочные отношения с клиентами, и чтобы, поддерживать такие отношения, им необходимо глубоко понимать нужды потребителей. Однако, клиентские базы компаний на сегодняшний день настолько огромны, что корпорациям невыгодно дифференцировать группы покупателей. Другая проблема заключается в том, что, если компания ставит перед собой задачу продвижения конкретного товара среди своих клиентов, включив в целевую аудиторию всех потребителей, такая стратегия будет либо слишком дорога в реализации, либо будет ограничивать компанию, что может оттолкнуть клиентов, заставить их обратиться к конкурентам.
В такой ситуации помогает сбор данных. С помощью данных прошедших периодов компания может идентифицировать те особые предпочтения и черты клиентов, которые приводят к принятию ими решения о покупке, согласию на коммерческое предложение. Таким образом, становится возможно сузить целевую аудиторию. Также может быть полезно определить группы клиентов, которые имеют особые предпочтения, соответствие которым обеспечивает их лояльность.
В настоящее время маркетинг автоматизирован в основном с использованием CRM-систем. Существует несколько типов CRM, но нас интересуют аналитические системы.
Они обеспечивают следующие возможности:
- Классификация клиентов на определенном основании
- Анализ ситуации на рынке и конкурентов
- Анализ предпочтений и цены товаров
- Анализ совершенных продаж
- Анализ закупок и поставок
- Учет и оценка маркетинговых кампаний
Однако традиционные системы не могут применять методы интеллектуального анализа данных, чтобы спрогнозировать поведение потребителей и посодействовать, таким образом, компании в принятии маркетинговых решений. Более того, они не способны обрабатывать в реальном времени те массивы данных, с которыми приходится иметь дело. Предлагаемое решение направлено на решение этих проблем.
Предлагаемый метод подразумевает использование нескольких типов моделей для сбора и анализа информации о клиентах:
- Модель ответа – увеличивает ROI при приобретении компаний выявляя и ориентируясь на те потенциально приобретаемые предприятия, которые скорее всего, откликнутся на прямую почтовую рассылку.
- Кросс-продажи – помогают максимизировать продажи продуктов и услуг для существующих клиентов с помощью идентификации тех клиентов, которые наиболее склонны приобретать дополнительные и сопутствующие товары, а также определенные товары и услуги, в которых будет заинтересован конкретный покупатель.
- Сегментирование и профилирование - помогает анализировать и лучше понимать клиентов для лучшего применения модели маркетинга “один на один”, путем сегментирования покупателей в однородные группы (с использованием естественных методы кластеризации, сгенерированные сегменты от ответа, кросс-продажи или моделей оценки потребителей или сегментировании на основе самостоятельно заданных условий) и профилирования их. Результаты подобного разделения могут быть использованы для расширения программ по привлечению клиентов (находя потенциальных потребителей, похожих на существующих), а также программы удержания (делая узко направленные предложения, затрагивающие определенные группы)
- Оценка клиентов - предсказывает уровень расходов или прибыльности ваших клиентов за определенный временной промежуток, способствуя прогнозированию уровня спроса, поиску оптимальной стратегии предложения и определению наиболее ценных клиентов. Эти модели имеют множество применений в целях оптимизации маркетинговой стратегии.
При условии, что модели интеллектуального анализа данных правильно составлены, они могут выявлять группы с четкими профилями и характеристиками и помочь компании выстроить эффективную модель сегментирования, имеющую значительную ценность и значение для бизнеса.
Давайте рассмотрим клиента, который хочет предложить рекламу потребителю, который посещает CNN.com.
В нашем распоряжении несколько рекламных объявлений, которые мы можем предложить. Наши максимальные возможности:
- Низкий спрос на все
- Высокая ставка лишь на то, в чем вы наиболее уверены.
Второй вариант доступен, если у нас получилось составить «анонимный профиль» потребителя на основе:
- Сделки данного покупателя (является держателем карты с гггг/мм); Средняя сумма покупки; Совершено покупок за месяц на сумму; Купленные товары по категориям; Купленные товары по брендам)
- Описательные (Возраст, Пол, Семейное положение, Почтовый индекс)
- Взаимодействия (Регистрация в Интернете, Посещение веб-сайтов, Контакты для клиентов, Предпочитаемые СМИ)
- Отношение (Оценки удовлетворенности, Тип покупателя, и т.д.)
Все эти данные позволяют идентифицировать потребителя, а также предсказать его реакцию на то или иное рекламное предложение. Данные будут обрабатываться в реальном времени и решение будет принято после того, как потребитель войдет сайт. Все решения рассматриваются и используются для последующей оценки.
Список литературы
- K. Tsiptsis and A. Chorianopoulos, Data Mining Techniques in CRM 1st ed., John Wiley & Sons, Ltd. 2019.
- Ing. Vladek Šlezingr. Campaign Management system Technical Proposal For: Home Credit International a.s. 2017.
- Бойль П. Маркетинг, ориентированный на стоимость / Пер. с англ. СПб.: Питер, 2017. – 387 с.
- Громов С., Авдошин С., Data mining techniques in Real-time Marketing [Текст] / Горомов С. // Proceedings of the Spring/Summer Young Researchers’ Colloquium on Software Engineering. – 2016. – С. 40-42.
- Дашков А.А., Судаков К.А. Маркетинговая деятельность компаний сегмента рынка B2B [Электронный ресурс]// Экономика. - 2018. - №5. - С. 191-198 - Электрон. версия печат. публ. - Доступ из науч. электрон. б-ки «eLIBRARY.RU».
- Завгородняя А.В. Маркетинговое планирование / А.В. Завгородняя, Д.О. Ямпольская. - СПб.: «Питер, 2018. - 352 с.