24TTL
26 марта, 15:30
20
0

Big Data в рекламном агентстве: как это делаем мы

Нет смысла накапливать данные, не применяя их с пользой. Deltaplan рассказал, как Big Data помогает покупать дешевле, а продавать дороже, и при этом экономить время.

Big Data в рекламном агентстве: как это делаем мы

Каждую минуту на миллионах серверов по всему миру накапливаются терабайты данных. Информация о клиентах, проведенных сделках, прайсах, оплаченных счетах, уволенных сотрудниках, количестве потраченного времени на одну задачу, о проданных единицах техники за один квартал. О чём угодно. По прогнозам аналитиков, к 2020 году человечество накопит 40–44 зеттабайтов (в одном зеттабайте содержится 1021 байтов) информации.

Большие данные могут сделать бизнес эффективнее, сильнее, прибыльнее, однако часть владельцев компании до сих пор не видят в них никакой перспективы.

О больших данных говорят, думают, хранят, но и не используют.

В России тема с большими данными развивается очень слабо: наш рынок технологий Big Data несравним с мировыми практиками ни по масштабу, ни по деньгам. На российском рынке Big Data активно используют лишь в энергетике, банковской сфере, промышленности, телекоме: крупные корпорации, как ВТБ24, Сбербанк, Супргутнефтегаз, Билайн смогли увидеть в супермассивах данных их истинную ценность. Например, Сбербанк использует Big Data для борьбы с мошенничеством, управления рисками, оценки кредитоспособности клиентов, расчёта бонусов для сотрудников и других задач.

cossa-icons-6.png

Весь интернет-маркетинг за 19 недель!

Cossa рекомендует: онлайн-курс по интернет-маркетингу от Ingate — digital-агентства с 17-летним опытом.

  • 17 учебных блоков по ключевым вопросам интернет-маркетинга
  • Поддержка менторов
  • Диплом
  • Cтажировка в топовых агентствах России
  • Помощь в трудоустройстве
Узнать больше >>

Реклама

Как мы применяем большие данные в рекламном бизнесе: в общих чертах

На рекламном рынке о Big Data чаще всего говорят в рамках предиктивного маркетинга. Big Data позволяет обработать данные о тысячах потенциальных потребителей, выявить закономерности, скоординировать систему действий по отношению к целевой аудитории. Мы в Deltaplan начали использовать массивы больших данных с другой стороны — анализировать не целевую аудиторию рекламных кампаний, а подрядчиков компании. 

Одно из основных и самых прибыльных направлений работы Deltaplan — закупка инвентаря для проведения рекламных кампаний. Мы сотрудничаем с более чем 600 операторами наружной рекламы в 300 городах России и проводим с ними несколько десятков сделок в день. В определенный момент это стало поводом систематизировать работу баингового подразделения компании с помощью анализа больших данных.

За годы работы мы накопили огромную базу данных по outdoor- и indoor-операторам. Мы знали, по каким ценам мы покупали каждый рекламный носитель в течение последних 8 лет. У нас была полная информация, в какой месяц инвентарь был занят, когда свободен, какие носители мы закупали чаще, какие реже, какие рекламные площади были более востребованы у наших клиентов, а какие никогда не пользовались спросом. 

Обработать такие объемы неоднородной и постоянно обновляющейся информации традиционными инструментами было невозможно. Мы поставили перед собой задачу ─ оптимизировать процесс по закупу инвентаря и подчинить отношения с операторами упорядоченной четкой системе. И, в конечном итоге, повысить прибыльность бизнеса.

История первая

Мы начали работать с Deductor — одной из платформ для построения социальных сетей — и систематизировать накопленных гигабайты данных. Анализ данных выявил интересные закономерности: от каких параметров зависит размер скидки на инвентарь. Операторы далеко не всегда анонсируют скидочные предложения, а если и анонсируют — операторов и сделок с ними слишком много. Байер не может своими силами определить условия, которые будут самыми выгодными для компании.

Анализ накопленных данных определил гипотезу: какие скидки мы можем получить от outdoor-операторов и на каких условиях. У нас появилось понимание, где мы можем сэкономить деньги при закупе инвентаря.

Более того, мы увидели, что цена на конструкцию у одного и того же оператора во многом зависит от байера. Оказалось, что один байер работает эффективнее другого и закупает конструкции по более выгодной для компании цене. Что делать с байером, который покупает дороже ­- решать его руководству. Здесь начинается управленческая работа, которая не может быть (наверное, только пока) выполнена «машинным умом».

Сейчас эта система на этапе запуска в опытную эксплуатацию. Делать выводы по итоговой выгоде пока рано — нужно провести аналитику хотя бы после года использования.

История вторая

Технология Big Data привела нас к мысли разработать сервис автоматического ценообразования — «Сервис для расчёта рекомендованной цены». Чтобы система, основываясь на больших объёмах данных, рассчитывала оптимальные цены на закуп рекламного инвентаря. Программа будет анализировать минимальные цены, средние цены за прошлые года, сезонные изменения.

У байера появится универсальное и всегда актуальное руководство к действию: по какой цене следует закупить инвентарь, нужно ли ждать скидку или же обратиться к другому оператору за более выгодной ценой.

Этот инструмент должен стать частью большой системы, которая значительно повысит эффективность работы баингового подразделения. Время на покупку каждой рекламной площади сократиться в несколько раз.

Главные шаги

В целом весь наш процесс работы с большими данными укладывается в семь универсальных шагов.

1. Структурируем: переводим все данные в табличный вид, подводим их к единым параметрам и знаменателям.
2. Нормализуем: определяем, какие значения могут принимать параметры (например, название одного и того же объекта в разном написании) и приводим их к одному виду.
3. Обогащаем: добавляем в базу недостающие, но критично важные данные.
4. Выводим гипотезу: сначала гипотеза ничем не подкреплена, это лишь наше предположение.
5. Проверяем гипотезу: анализируем данные, они могут как подтвердить, так и опровергнуть гипотезу.
6. Делаем выводы.
7. Составляем план действий.

Для нас Big Data — ключ к пониманию, как купить дешевле, а продать дороже

При этом машина и её умение анализировать большие массивы данных приводит к этому пониманию за несколько секунд, а не за неделю работы человека. Ведь все мы помним, что время — деньги.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.

Не пропустите!

16282
Как откликнуться на вакансию и получить работу
12 и 13 апреля в Челябинске состоится Уральский форум по маркетингу в социальных сетях SMM Ural 2018
12565
Кейс: 1,5 млн ₽ за полтора месяца с помощью Telegram-бота
9816
Привет, у вас новый KPI — 15 свиданий в месяц. Нет, не шучу
6225
Не подсаживайся на собственную дурь: новелла-антиутопия об экономике внимания
8505
Интерактив в Instagram: собери коллаж и запости в Истории
7841
Telegram-канал в b2b: один инструмент, который заменил нам весь контент-маркетинг
9549
Украинское агентство Banda и сеть магазинов COMFY выпустили рекламу к 8 Марта, а профильное издание ...
6464
Личный бренд: 6 шагов для создания статуса «эксперт»
10109
Как писать весёлые тексты в Instagram и не выгорать
10828
309 мотивирующих минут. Лекции TED Talks о диджитале, бизнесе и технологиях
11757
Как работать с молодыми лидерами мнений. Советы от Instagram и российских инфлюенсеров

Комментарии:

Ответить?
Реклама



Вход на cossa.ru

Уже есть аккаунт?
Выбирай любой вариант входа:
Facebook Twitter Vkontakte

Используйте свой аккаунт в социальной сети Facebook или Twitter, чтобы пользоваться сайтом

Не забудьте написать email на странице своего профиля для управления рассылкой