Билл Фрэнкс. Укрощение больших данных: как извлекать знания из массивов информации с помощью глубокой аналитики. Читайте на Cossa.ru

11 августа 2014, 11:50

Билл Фрэнкс. Укрощение больших данных: как извлекать знания из массивов информации с помощью глубокой аналитики

Пустить деньги на разработку нового сайта или же на совершенствование идущей рекламной кампании? Развивать отдел продаж или сделать упор на отделе маркетинга? Билл Фрэнкс, ведущий аналитик Teradata (компании, которая специализируется на разработке аппаратно-программных комплексов для обработки и анализа данных), на реальных примерах показывает, как принять правильное решение на основе big data и как увеличить эффективность работы с вашими аналитиками.

Что такое большие данные

Понятие «большие данные» подразумевает не только их объем, но и высокую скорость передачи и разнообразие источников. Понятие развивается и меняется, и ясно, что, то, что считается «большими данными» сегодня, будет отличаться от «больших данных» завтрашнего дня.

Хорошо бы, если…

Положим, вы управляете банком. Вы знаете обо всех характеристиках кредитных карт, рассматриваемых вашими клиентами. Представьте себе, что у вас есть возможность понять, что заставляет людей принять решение: условия программы лояльности, процентные ставки или стоимость годового обслуживания. Предположите, что вы знаете о том, что они говорят о каждом продукте после его приобретения.

Или, положим, вы управляете авиакомпанией. Вы знаете обо всех рейсах, информацию о которых изучил каждый из ваших клиентов, прежде чем выбрать окончательный маршрут. Знаете, что интересовало клиентов больше: цена или удобство. Представьте себе, что вы знаете обо всех рассмотренных направлениях и о том, когда ваши клиенты впервые заинтересовались ими. И эту информацию можно получить прямо сейчас, взяв на себя обязательство по ее сбору и подготовке к анализу. То, что я предложил вам представить, уже внедрено в некоторых компаниях.

Анализ больших данных даст такое понимание, о котором сегодня можно только мечтать. Но дополнительные возможности, которые предоставляют большие данные, требуют использования новейших инструментов, технологий, методов и процессов. Старые способы анализа просто не сработают. Через несколько лет любая организация, которая не занимается анализом больших данных, безнадежно отстанет. Подготовившись и взяв на себя инициативу, организации сумеют оседлать волну больших данных, чтобы достичь успеха, вместо того чтобы быть ею раздавленными.

Что предложить господину Смиту?

Предположим, вы работаете в банке и имеете следующие сведения о клиенте по фамилии Смит. У него есть четыре счета: расчетный, сберегательный, кредитная карта и автомобильный кредит. Каждый месяц он осуществляет 5 вложений и 25 снятий средств.

Он никогда не посещает отделение банка лично. Общий размер его сбережений составляет $50 000. Общий размер его задолженности составляет $15 000 с учетом кредитной карты и автомобильного кредита. Какое предложение стоит отправить господину Смиту по электронной почте? Проанализировав имеющиеся данные, ему можно предложить более низкую процентную ставку по кредитной карте или приобретение сберегательного сертификата. Однако никто бы не подумал предложить ему ипотечный кредит, поскольку ничто не говорит о его актуальности. Однако после анализа поведения господина Смита в интернете выясняется несколько ключевых фактов:

  • За прошлый месяц он пять раз просматривал ставки по ипотечным кредитам;
  • Он изучал информацию о страховании домовладельцев;
  • Он изучал информацию о страховании от наводнения;
  • За прошлый месяц он дважды рассматривал варианты ипотечных кредитов (сравнивал кредиты с разными видами ставок и сроками).

Теперь гораздо проще решить, что следует обсудить с господином Смитом, не так ли?

Что анализировать

Вы когда-нибудь задумывались о том, что произойдет, если собрать данные, генерируемые сайтом? Возможно, 95% посещений не приводят к созданию корзины. Из 5% лишь около половины, то есть 2,5%, начинают процесс оформления заказа. И из этих 2,5% всего две трети, или 1,7%, на самом деле совершают покупку. Эти данные можно использовать.

Хорошая отправная точка для изучения покупательского поведения — знать, как клиенты попадают на сайт:

  • Какие поисковые системы они используют?
  • Какие ключевые слова вводят при поиске?
  • Воспользовались ли они созданной ранее закладкой?

Профессиональные аналитики могут использовать эту информацию для поиска закономерностей, определяющих, как поисковые запросы, поисковые системы и ссылающиеся сайты влияют на показатели продаж.

Аналитики могут отследить не только показатели продаж в пределах конкретной веб-сессии, но и проанализировать показатели, относящиеся к одному и тому же клиенту за определенный период. Эту информацию можно объединить с данными о продажах на сайте и кросс-канальным обзором покупательского поведения за определенный период. Именно в этом и заключается ценность.

Как только потребители оказались на сайте, изучите товары, информацию о которых они просматривают. Выясните, кто из посетителей просто посмотрел целевую страницу, посвященную товару, а затем покинул ее, а кто продолжил изучение информации. Кто из посетителей просмотрел дополнительные фотографии? Кто прочитал отзывы? Кто изучил подробные характеристики товара? Кто просмотрел информацию о доставке? Кто воспользовался другой содержащейся на сайте информацией?

Одна из очень перспективных возможностей использования веб-данных заключается в том, что вы можете определить наборы интересующих потребителей товаров еще до того, как они совершили покупку. Выйдите за рамки попыток продать клиенту что-нибудь с помощью предложения, предоставляемого ему после совершения покупки. Вместо этого сразу предложите им купить все товары, информацию о которых они просматривают.

Телеграм Коссы — здесь самый быстрый диджитал и самые честные обсуждения: @cossaru

📬 Письма Коссы — рассылка о маркетинге и бизнесе в интернете. Раз в неделю, без инфошума: cossa.pulse.is