Чем полезны большие данные для рекламного бизнеса?

Сферы применения big data 

Есть несколько сфер деятельности, которые дальше всех продвинулись в вопросе извлечения полезных знаний из данных. Одними из пионеров применения анализа собственных данных являются крупные банки. Например, Chase Bank (крупнейший банк США, где один из ключевых продуктов – ипотечные кредиты) использовал анализ данных, чтобы не только предсказать банкротство получивших ипотеку клиентов, но и определить тех, кто в ближайшее время досрочно погасит ипотеку (и из-за которых банк недополучит прибыль по выплатам по процентам). Таким пользователям банк предлагал либо лучшие условия, либо продавал этого заемщика другим банкам, увеличивая таким образом свой доход.

По теме: Как и зачем переходить на data-driven маркетинг?

Данных много, а пользы нет? Только проверенные компании, которые специализируются на Big DataГосударственные структуры, в первую очередь в США, тоже активно используют big data. Например, в нескольких городах, таких как Чикаго, Лос-Анджелес, Мемфис (Теннеси), Ричмонд (Вирджиния), Санта-Круз (Калифорния) и некоторых других, полиция предсказывает конкретные адреса, где в конкретный промежуток времени повышается шанс уличного преступления, и направляет туда полицейские патрули. Согласно отчету американских правоохранителей, 25% таких направлений позволило предотвратить правонарушения (в первую очередь, речь шла об ограблениях домов).

Обама использовал предсказательные модели, чтобы таргетировать свои предвыборные активности (от ТВ рекламы до звонков по телефону) на тех избирателей, которые с высокой вероятностью поддаются влиянию и кого можно убедить изменить свои предвыборные предпочтения.

Источник.

Крупнейшие мировые ритейлеры также поняли важность анализа массива данных о своих клиентах. Например, Target (3-й по величине ритейлер в мире) отчитался, что смог увеличить свою прибыль на 15-30% только за счет применения инструментов анализа big data.

Все крупные интернет-магазины во многом за счет своего digital происхождения (имеется в виду то, что в digital много цифр, и люди, которые приходят в эту сферу, лучше работают с аналитикой и с данными в целом) активно применяют анализ своих данных, особенно в части персонализации коммуникации с пользователями. Например, Amazon 35% всей своей выручки получает от рекомендательных систем.

Сфер применения больших данных сегодня не перечесть: от борьбы с терроризмом до образования. И, конечно, big data активно используется в рекламном бизнесе. Ключевые практические аспекты их применения – это повышение LTV (Life-Time Value) клиентов и снижение уровня их оттока за счет повышение качества таргетинга и персонализации предложений как в рекламных сообщениях, так и на интернет-сайтах.

Онлайн-опрос IDC 150 немецких компаний от имени SAS Institute. Среди респондентов – сотрудники промышленного сектора, транспортной отрасли, сферы бизнес-услуг и финансовых услуг.

Всего в исследовании приняли участие более 150 компаний Германии.

Применение данных в рекламных размещениях

Кому конкретно (какой целевой аудитории) показать рекламное сообщение и что именно должно содержаться в нем, чтобы достигнуть выполнения конкретной маркетинговой задачи, будь то повышение узнаваемости или повышение продаж с конкретного канала.

Технологии по работе с данными помогают отвечать на эти вопросы и достигать лучших маркетинговых результатов. На примере нашего кейса с компанией Asus по продвижению игровых видеокарт разберем несколько подходов, как технологии анализа больших данных позволяют ответить на вопрос «Кому показать рекламу».

Во-первых, это конечно использование собственных данных (1^st party data) рекламодателя для таргетинга в рекламных кампаниях. В случае с Asus в таргетинг попали пользователи с целевого промо-сайта и соответствующих разделов основного сайта.

Во-вторых, это применение данных для поиска целевой аудитории исходя из заданных заранее (сформулированных маркетологом или аналитиком) критериев. В случае Asus мы собрали две аудитории: тинейджеров и геймеров.

В-третьих, конечно же, это применение предиктивных алгоритмов для поиска похожей аудитории по обучающейся выборке, так называемый Look-alike. Для Asus мы на основе 1^st party данных сформировали look-alike аудиторию.

Ниже приведу сводную таблицу маркетинговых результатов в разрезе каждого типа таргетинга.

Данные также могут помочь ответить на вопрос «Что показать». Особенно ценность применения больших данных растет, когда нужно выбрать для каждого конкретного пользователя, какой именно товар или услугу нужно показать в баннере. Наиболее частые случае применения таких технологий – в динамическом ретаргетинге, товарных рекомендациях на сайте и в персонализации email-рассылок.

Кадровая голодовка

Еще в 2011 году McKinsey Global Institute в своем отчете «Big data: The next frontier for innovation, competition, and productivity» предсказал нехватку только в одних США 140-190 тысяч дата-аналитиков в области больших данных (Data Science специалистов) и более 1,5 млн руководителей, которые будут обладать необходимыми навыками для применения информации, добытой при помощи анализа больших данных, с целью повышения бизнес-показателей своей компании.

Этот факт предоставляет уникальный шанс многим специалистам, которые стремятся к профессиональному (и материальному) росту. Тем, кто готов учиться и не боится выходить из зоны комфорта. Это особенно актуально сегодня, поскольку в период кризиса спрос на специалистов, которые приносят понятный value для бизнеса, только растет.

Так кто же такой специалист в data-менеджменте – маркетолог или математик? Когда мне задают такой вопрос, я задаю встречный: «Как в наше время маркетолог может не знать математику?». В моем представлении data-специалист – это маркетолог с хорошим пониманием математики на уровне 2 курса университета. Еще неплохо бы иметь технический склад ума, чтобы понимать ограничения, накладываемые конкретными технологиями по работе с данными.

Для того чтобы стать частью элиты нового времени, тех, кто на «ты» с технологиями больших данных, необходимо начать с изменения своего сознания и сформировать подход к принятию решений, основываясь на цифрах. И, если вы решили встать на эту стезю, вам обязательно нужно прочесть книгу «Lean Analytics: Use Data to Build a Better Startup Faster».

Чтобы полноценно работать? нужно, как минимум, понимать несколько ключевых математических моментов: что такое стандартное отклонение и понятие доверительных интервалов (крайне важно для интерпретации результатов A/B тестирования) и, конечно же, базовых понятий теории вероятности. Для этих целей есть отличный сервис, который в доступной даже гуманитариям форме учит этим знаниями.

Далее следует разобраться в основных концепциях и кейсах Big Data. Для этих целей всем рекомендую к прочтению книгу «Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die».

Для тех же, кто хочет развиваться как хардкорный data-scientist, на известном сервисе Coursera есть много курсов, посвященных Data Science/Machine Learning, а сервис DataCamp вообще специализируется обучении «ученых по данным». Кроме того, в России есть компания «Лаборатория новых профессий», которая предлагает курс «специалист по большим данным».

Фото на обложке: Shutterstock.