Документ обсуждает методы прогнозирования зон роста и рисков в маркетинге с использованием данных и аналитики. Он подчеркивает важность внедрения data-driven культуры для повышения эффективности маркетинговых стратегий и упрощения процесса принятия решений. Также рассматриваются технологии и инструменты, такие как машинное обучение и автоматизация отчетности, для улучшения анализа и достижения маркетинговых целей.

1. Как прогнозировать
зоны роста и риски
в маркетинге
на основе данных
ВЕБИНАР

2. 1. Объединяет данные из рекламных источников
2. Автоматизирует отчеты для управления рекламными кампаниями
3. Находит ценные инсайты для достижения целей маркетинга
— ваш персональный маркетинг-аналитик
20 K+
пользователей
18
стран
9 PB+
данных
обрабатывается в месяц

3. 1. Ценность прогнозов и маркетинг-аналитики
2. Внедрение прогнозов в маркетинг-аналитику
3. Результаты и примеры использования
Сегодня в программе

4. ЦЕННОСТЬ МАРКЕТИНГ-
АНАЛИТИКИ

5. ● На маркетинг-технологии в 2018 году потратили больше
(29%, +7%), чем на сотрудников (24%, -3%)1
● В случае невыполнения плана по росту большинство CEO
в первую очередь уволят CMO2
● 78% CMO повысили ROI маркетинга, используя маркетинг-
аналитику при формировании стратегии3
Технологии и данные решают

6. ● Рекламный бюджет от
$25 млн./год
● Большинство каналов
достигли насыщения
● Цели есть, но зависят
они больше от рынка
● Ресурсы есть, желания
что-то менять у
сотрудников нет
Ценность маркетинг-аналитики
ВысокаяНизкая
● Рекламный бюджет до
$100 тыс./год
● Бизнес-модель на
стадии валидации
● Цели и приоритеты
часто меняются
● Выделенного
специалиста для задачи
аналитики нет
● Рекламный бюджет
$100 тыс. - $25 млн./год
● Есть понятные каналы
для масштабирования
● У маркетинга есть
годовые цели
● Выделенный аналитик
есть, влияния на ИТ
ресурсы у него нет
Средняя

7. Огромный потенциал роста,
если есть:
● У бизнеса есть
жизненная
необходимость
внедрять Data-Driven
культуру
● Политическое решение
собственников
Ценность прогнозов в маркетинг-аналитике
ВысокаяНизкая
● Достаточно FORECAST()
в Google Sheets или
Excel
Большой потенциал роста,
если есть:
● От 3 млн. cессий в день
● Исторические данные
за два года
● Аналитик со знанием
SQL
Средняя

8. Sessions,
Revenue, Costs,
by Traffic Channels
and Regions
Решения с участием маркетинг-аналитики
Уровень Роль и частота Решения KPI
Видение
CEO, CMO
Quarterly
Насколько мы можем вырасти в этом году?
Как лучше распределить бюджет?
YoY Growth,
Market Share
Стратегия
Marketing Director,
Ecommerce Director
Monthly
Выполним ли мы годовую цель?
Где мы недоработали в прошлом месяце
и на чем надо сделать упор в следующем?
Revenue (Plan,
Fact, Forecast).
ROAS (Plan, Fact,
Forecast)
Тактика
Paid Acquisition
Manager
Weekly
В каких каналах мы отстаем от плана, где наши зоны
роста?
Что надо отключить, как лучше всего перераспределить
бюджет между рекламными кампаниями?
Реализация
Bid Managers,
Monkey Job
Real Time
Какая ставка оптимальная для данного объявления?
Target CPC,
Target CPA

9. Увеличить ROAS онлайн-маркетинга на 10-20% за счет
повышения качества принимаемых решений:
1. Находить неэффективные рекламные кампании до того, как на
них потрачен бюджет
2. Обращать внимание на возможности роста, когда они в будущем,
а не в прошлом
3. Не тратить время на рутинную проверку причин отклонения факта
от плана
Цель внедрения прогнозов

10. ВНЕДРЕНИЕ ПРОГНОЗОВ
В МАРКЕТИНГ-АНАЛИТИКУ

11. Таблица со списком KPI и
зонами ответственности
1. Целеполагание
● Считать, что чем больше
KPI тем лучше
● Выбрать для прогнозов
KPI, по которым нет
целей
РезультатЗадачи
● Кто и в каких командах
принимает решения?
● Какие количественные
и качественные KPI
используются для
принятия решений?
● По каким из этих KPI
есть годовые цели и
необходим прогноз?
Возможные ошибки

12. Сделать прототипы отчетов в
интерфейсе, удобном для
ЛПР:
● Email
● Google Sheets, Excel
● Tableau, MS Power BI,
Google Data Studio
Определить
● Критерии оценки
качества отчетов
● Формат и
периодичность
получения обратной
Счастливые глаза
руководителя, который
скажет «Хочу то же самое на
реальных данных!»
2. Прототипирование
● Пропустить этап
прототипирования
● Готовить отчет в
интерфейсе чуждом
руководителям
● Не фиксировать
договоренности в почте
РезультатЗадачи Возможные ошибки

13. Все необходимые для
расчетов данные поступают в
DWH
3. Подготовка входных данных
Подписаться под сроки до
получения данных
РезультатЗадачи
● Составить список
источников, данные из
которых используются
для расчета KPI
● Определить
ответственных за
доступ и доставку этих
данных в DWH
● Реализовать логику
объединения данных из
разных источников в
DWH
Возможные ошибки

14. ● Протестировать модели
прогнозирования
● Наполнить прототипы
реальными данными
● Качество прогнозов
известно и мониторится
● ЛПР получают
результаты в удобном
интерфейсе и понимают,
как их использовать
4. Создание и доставка прогнозов
● Не настроить
мониторинг движения
данных и качества
расчета прогнозов
● Не запрашивать
обратную связь
РезультатЗадачи Возможные ошибки

15. Технологии Machine Learning в Google Cloud
Developer SQL Analyst Data Scientist Use cases and skills
TensorFlow
and CloudML
Engine
● Build and deploy state-of-art custom models
● Requires deep understanding of ML
and programming
BigQuery ML
● Build and deploy custom models using SQL
● Requires only basic understanding of ML
AutoML and
CloudML APIs
● Build and deploy Google-provided models
for standard use cases
● Requires almost no ML knowledge

16. Архитектура и схема движения данных

17. РЕЗУЛЬТАТЫ

18. Аппетит приходит во время атрибуции

19. Временные периоды для отчетов
1 Янв — 24 Июн
Июнь
Июль
Май Факт за прошлый месяц
Прогноз на текущий месяц
Факт за прошедшую неделю
Прогноз на текущую неделю
Прогноз на следующий месяц
Прогноз на следующую неделю
Факт с начала года до текущего дня
Прогноз на текущий год
Сегодня

20. Еженедельное письмо

21. Еженедельное письмо

22. Где наши зоны роста и риски
Fact + Forecast - Plan
Δ = ——————————
Period Plan
Факт
Факт + Прогноз
Прогноз

23. Зоны роста и риски

24. От прошлого к будущему

25. Итоги

26. Что получаем в результате
✔ Все в команде маркетинга знают главную цель
и текущий результат
✔ Каждая команда сфокусирована именно на тех KPI,
которые зависят от неё
✔ Команде не надо изучать еще один интерфейс
или изучать дашборды, чтобы найти главное
✖ Решения начинают приниматься сами собой

27. Спасибо за внимание. Вопросы?
Полезные ссылки:
● Как прогнозировать зоны роста и риски в маркетинге на основе
данных
● Google Data Prep
● Google BigQuery DDL
● Google BigQuery ML
● Machine Learning with Apache Kafka and Tensorflow