Выступление Кирилла Чистова (Data-Centric Alliance) на International Conference on Big Data and its Applications (ICBDA). ICBDA — конференция для предпринимателей и разработчиков о том, как эффективно решать бизнес-задачи с помощью анализа больших данных. http://icbda2015.org/

1. on/off-line retail data.
как стимулировать потребление в «трудный» период?
k.chistov@datacentric.ru

2. БУДУЩЕЕ
Р.
Р Р Р
АКЦИЯ!
IVANOV IVAN IV***
РОЗНИЧНОЙ
ТОРГОВЛИ
Индивидуальное
производство
Кастом-ная упаковка,
динамические цены
Умникарты
(лояльность,
финансы, ID
здоровье
и пр.)
Персональные
акции (co-opt)
Омниканальные каталоги, корзины
в соц.сетях, рекламе, приложениях…
Point —> know —> buy
ДОСТАВИТЬ!
Примерил,
заказал,
получил
НПС
3D печать

4. КАК ДАННЫЕ ПРИБЛИЖАЮТ БУДУЩЕЕ?
Оптимизировать маркетинг по KPI
По стоимости дополнительного (нового) целевого охвата
По стоимости отклика и вовлеченности в коммуникацию
По фактической и вероятной ценности отношений (ROI, LTV)
Быстрее находить целевую аудиторию
По критериям широкого соответствия (гео-соц.дем., контент)
В контексте характерных интересов и особенностей поведения (стиль жизни)
Доступную для эффективной коммуникации
Точнее попадать в интересы клиента
Актуальные предложения (предсказание покупок)
Персонализированная (умная) коммуникация
Персональное отношение и реактивный сервис
• Анализ факторов покупки
• Кампании с контролем KPI
• Персональные предложения
• Кросс-продажи
• Предсказание будущих покупок
• Повышение лояльности и чека
• Динамическое ценообразование
• Избавление от вредной зависимости
(«ковровая» реклама, скидки, бонусы)

5. КЕЙС: ЦЕННОСТНЫЙ СКОРИНГ ПОТРЕБИТЕЛЕЙ
Европейский продуктовый бренд
совместно с технологическими партнерами
разработал и внедрил модель скоринга
потребителей.
В модели индексируются факторы
краткосрочной активности (promo) и
долгосрочной ценности (LTV), а также
вероятность вхождения в когорту с
высоким годовой суммой покупок, но
низкой промо-активностью.
Таким образом, бренд стал лучше понимать
«путь потребителя» и ценность множества
маркетинговых каналов на каждой фазе
этого пути.

6. ВЫЗОВ: ОПРЕДЕЛЕНИЕ KPI
РАЗНЫЕ СЕГМЕНТЫ ЦА + РАЗНЫЕ ЭТАПЫ ПРИНЯТИЯ РЕШЕНИЯ = РАЗНЫЕ KPI
Неведение
Осведомленность
Исследование
Знакомство
Мнение
Решение
Покупка Отношение
Лояльность
Повторы
Намерение
Вовлеченность
image courtesy of smartinsights.com

7. ВЫХОД: ЕДИНАЯ СИСТЕМА ВЕСОВ (СКОРИНГ)
НА РАЗНЫХ ФАЗАХ ПОТРЕБИТЕЛЯ ВАЖНЫ РАЗНЫЕ KPI

8. ПОЛЕЗНЫЙ ПОБОЧНЫЙ ЭФФЕКТ
ВНЕДРЕНИЕ МНОГОГРАННОЙ МОДЕЛИ АТРИБУЦИИ ДЛЯ ВСЕХ КАНАЛОВ
СЕГМЕНТ: «НОВЫЕ» ПОТРЕБИТЕЛИ
КАМПАНИЯ
КАНАЛ
БАЛЛ (SCORE)
ВКЛАД
DISPLAY SOCIAL SEARCH TARGET
30
33%
45
50%
15
17%
90 (ОБЩИЙ)
100%
ЦЕЛЬ: АКТИВАЦИЯ В ПРОМО-КАМПАНИИ (РОЗ. СЕТИ)

9. ВЫЗОВ: «ЛОСКУТНАЯ» АНАЛИТИКА
0,4% визитов можно назвать целевыми
(по статистике кампаний в 7 раз больше :)
КАЖДЫЙ ИНСТРУМЕНТ РЕШАЕТ СВОЮ ЗАДАЧУ, НО НЕ РЕШАЕТ ЗАДАЧУ CMO

10. ВЫХОД: ЦЕНТРАЛИЗАЦИЯ ДАННЫХ (DMP+ECRM)
Web Profile
CookieID
IPID
RAW DATA
STORAGE
Integral Profile
IPID
Social Network
Profile
SNID
IPID
Mobile Profile
DeviceID
IPID
Offline Profile 3
ObTelephone
IPID
Offline Profile 2
ObCardNumber
IPID
Offline Profile 1
ObPassport
IPID
Integral Profile
IPID
Facts
ObPassport
Fact
Facts
ObCardNumber
Fact
Facts
ObTelephone
Fact
Facts
CookieID
Fact
Facts
SNID
Fact
Facts
DeviceID
Fact
Real-time Key-
Value Storahe
Facets
IPID
FacetID
Index
CookieID1
CookieID2
Index
CookieID
IPID
Index
SNID
IPID
Index
SNID
IPID
Index
DeviceID
IPID
Index
ObPassport
IPID
Index
ObCardNumber
IPID
Index
ObTelephon
IPID
Demographic
Profile
IPID

11. ВЫЗОВ: РАСПРЕДЕЛЕНИЕ РЕКЛАМНОГО БЮДЖЕТА

12. ВЫХОД: ДИНАМИЧЕСКИЙ СКОРИНГ КАНАЛОВ
ДАННЫЕ ИЗ РЕКЛАМНЫХ ПЛАТФОРМ ДАННЫЕ ИЗ ECRMДАННЫЕ СКОРИНГОВОЙ СИСТЕМЫ
ОБЪЕМНЫЕ ПОКАЗАТЕЛИ ФИНАНСОВЫЙ ЭФФЕКТ ОТНОСИТЕЛЬНЫЕ KPI
ЕДИНАЯ (ДЛЯ СЕГМЕНТА) МОДЕЛЬ ПЛАНИРОВАНИЯ, КОНТРОЛЯ И ОЦЕНКИ ЭФФЕКТИВНОСТИ КАНАЛОВ
ПЕРЕХОД К ДИНАМИЧЕСКОЙ АЛЛОКАЦИИ БЮДЖЕТА ПО ВЗВЕШЕННЫМ ПОКАЗАТЕЛЯМ СКОРИНГА
ДАННЫЕ ИЗ ВЕБ-АНАЛИТИКИ И BI

13. ПЕРСОНАЛЬНЫЕ
КРЕАТИВНЫЕ СТРАТЕГИИ
МНОГОФАКТОРНОЕ
ТЕСТИРОВАНИЕ
Цель
Стратегия
КреативТестирование
Оптимизация СЕГМЕНТИРОВАННАЯ
СТРАТЕГИЯREAL-TIME АНАЛИЗ
И ОПТИМИЗАЦИЯ
ПОДХОД
ЦЕЛИ (KPI)
ЦЕНТРАЛИЗАЦИЯ
ДАННЫХ

14. МАГИЯ УМНЫХ ДАННЫХ РАБОТАЕТ!
ДАННЫЕ умны, если
• статистически достоверны
• соответствуют сроку годности
• постоянно актуализируются
• съедобно нарезаны
• легко доступны для ЛПСР*
• лиц, принимающих судьбоносные решения :)
Источники:
1. Domo, Report: 2013 Data-Driven Marketing Survey
2. IBM, Big Data Success Stories

15. k.chistov@datacentric.ru
СПАСИБО ЗА ВНИМАНИЕ И ВОПРОСЫ!