Za oknami wiatr i słota to niewątpliwy sygnał, że idą Święta. Rubaszne Mikołaje
zawojują nasze sklepy, ekrany i telefony. Z każdego miejsca, w którym da się
wyemitować jakąś reklamę wyskoczy nam aniołek lub świąteczna pożyczka. Z „niecierpliwością”
czekam na coroczny telefon od opiekuna z mojego banku, który radośnie oświadczy, że ma dla mnie specjalnie
przygotowany kredyt tzw. chwilówkę na sfinansowanie Świąt. Jest to tak powtarzający
się element, że gdyby go zabrakło uznałbym, że Święta odwołali.
I jak co roku przejdzie mi przez
głowę myśl czy mój bank nie mógłby
sprawdzić stanu mojego konta i upewnić się, czy jest mi ten kredyt potrzebny?
Wtedy miła pani mogłaby zadzwonić, tak po prostu, z życzeniami bez oferty przygotowanej
„specjalnie dla mnie”. Bank mógłby zrobić więcej, sprawdzić jak w ubiegłych
latach finansowałem zakupy świąteczne, czy używałem karty kredytowej i w jakim
czasie ją spłaciłem, czy kupowałem online czy klasycznie, bo być może byłbym
zainteresowany kartą tylko do płatności w sieci. Mógłby, lecz z jakiś
niepojętych dla mnie powodów nie potrafi zarządzić posiadanymi przez siebie
danymi, tylko „strzela” swoimi telefonami do klientów jak do kaczek licząc, że być
może któraś spadnie.
A przecież zarządzenie statystycznymi
danymi o klientach to dopiero pierwszy krok, zrobienie tego w sposób dynamiczny
to kolejne wyzwanie. W zeszłym roku o tej porze dostając taki świąteczny
telefon podziękowałem grzecznie za limitowaną ofertę i poinformowałem, że
bardzo chętnie porozmawiam tyle, że o możliwościach inwestycyjnych oferowanych
przez mój bank. Na co otrzymałem odpowiedź, że „z pewnością skontaktujemy się
wkrótce w tej sprawie” i czekam tak do dziś. Niestety informacja o mojej chęci zakupu kolejnych
produktów bankowych uleciała wraz z odłożeniem słuchawki, ponieważ nie
pasowałem mojemu bankowi do jego kampanii marketingowej.
Powyższy przykład, z życia wzięty,
wyraźnie pokazuje, że nawet wielkie korporacje zanim zabiorą się za analizę
tzw. Big Data to najpierw muszą
zarządzić swoim Small Data w sposób
kontrolowany. To właśnie Small Data
może im i nam wszystkim przynieść sukces rynkowy w najbliższych latach.
Zacznijmy jednak od szybkiego
wyjaśnienia pojęć. Big Data to wszystko,
co nie mieści się nam w tabeli. Firma doradcza Gartner, specjalizująca się w
wykorzystaniu technologii w biznesie, definiuje big data, jako zbiory
informacji o dużej objętości (Volume), dużej zmienności (Velocity) i dużej
różnorodności (Variety), które wymagają nowych form przetwarzania w celu
wspomagania podejmowania decyzji, odkrywania nowych zjawisk oraz optymalizacji
procesów. Co to za dane? Mogą nimi być zdjęcia np. monitoring ruchu w sklepie,
odczyty sensorów, niepowiązane ze sobą bezpośrednio transakcje itp.
Czym
w takim razie jest Small
Data? Są to te wszystkie dane, które jesteśmy w stanie zmieścić w tabelach
(excel, SQL itp.) i również w tych tabelach możemy je przetwarzać. Okazuje się,
że w ten sposób potrafimy pracować nad pokaźnym zbiorem danych w czasie rzeczywistym.
Zapomnijmy więc o prostej segmentacji klientów typu srebrny, złoty, platynowy, która
prowadzi do sprzedawania niechcianych, a czasami i absurdalnych ofert, a
zacznijmy myśleć o segmentacji dynamicznej wykorzystującej różne atrybuty
przypisane do klientów i zmieniającej się wraz z ich potrzebami.
Od
czego zacząć inteligentny marketing?
Pierwszy krok to sposób gromadzenia i
jakość dostępnych danych. Wartość współczesnych firm coraz częściej buduje się
na danych, jakie one posiadają. Z sukcesem funkcjonują modele biznesowe oparte
jedynie o dane i pomysł na inteligentne ich wykorzystanie. Najlepszym
przykładem jest tu Google, firma, której całe istnienie opiera się na
przetwarzaniu danych o klientach. Google oferuje konsumentom swoje produkty i
usługi nie wymagając za nie opłat. Jednocześnie zbiera i przetwarza ich dane w
taki sposób, aby móc następnie sprzedać swoim klientom biznesowym ekonomiczny
sposób dotarcia z komunikatem reklamowym do użytkowników swoich programów. Jednakże
pomysł na inteligentne wykorzystanie danych nie jest już zastrzeżony dla
gigantów IT. Każda firma zbiera informacje o swoich klientach najczęściej po to,
aby używać ich w konkretnych celach takich jak billing, rozliczenia czy proces
sprzedaży. Wystarczy jeszcze jeden krok, aby wszystkie te informacje połączyć i
otrzymać zupełnie nowe możliwości wpływania na decyzje zakupowe swoich
klientów.
Aby to zrobić zaczynamy od określenia
wspólnych definicji danych, które pozwolą marketingowi, sprzedaży i IT rozumieć
wzajemne potrzeby jak i efekty podejmowanych działań. Teraz rozumiejąc, co
chcemy zbierać możemy przejść do zapewnienia jakości, która zależy od ich integralności rozumianej jako upewnienie
się, że gromadzone dane są w określonych formatach czy parametrach biznesowych
(np. w polach określających płeć mogą zostać użyte tylko K(kobieta) i
M(mężczyzna), następnie od dokładności
czyli zapewnienie, że dane są poprawne, zawartości
czyli zgodności z ustalonymi definicjami, jednoczesności
czyli zapewnienia, że te same dane przechowywane w różnych systemach będą miały
tę samą zawartość oraz aktualności
czyli ustalonego i stałego sposobu odświeżania.
Kolejnym krokiem jest dokładne poznanie
procesu podejmowania decyzji zakupowej i cyklu życia klienta po to, aby
następnie odzwierciedlić go w regułach biznesowych. W przypadku firmy B2B
najczęściej pierwszą barierą, jaką musimy pokonać to przestawienie własnego
myślenia, a często i własnego systemu CRM z przekonania, że to nie firmy są
naszymi klientami a konkretni ludzie w tych firmach, którzy
podejmują decyzje i z nami współpracują . To ich proces decyzyjny należy odtworzyć
żeby projektować segmentację opartą o obserwowane zachowania. Dodatkową
trudnością jest to, że proces decyzyjny będzie różny w zależności od roli, jaką
dana osoba pełni podczas wyboru dostawcy. Najczęściej będziemy mieli do
czynienia z:
a.
osobą
podejmującą ostateczną decyzję, której rola w procesie wyboru dostawcy najczęściej
jest przeceniania (np. Prezes firmy),
b.
osobę wpływającą na decyzję np. kierownika danej
jednostki, przedstawiciela działu zakupów
c.
użytkownika, który nie bierze udziału w wyborze,
lecz może storpedować transakcję podczas wstępnego okresu współpracy np. testów,
d.
sponsora, który może nie brać udziału w procesie
decyzyjnym, lecz wprowadza nas do firmy, ponieważ nasze rozwiązanie realizuje
przynajmniej częściowo jego cele.
W przypadku klienta indywidualnego sprawa
wydaje się być prostsza, niemniej również należy pamiętać, że bardziej złożone
decyzje jak np. kredyt hipoteczny, zakup samochodu czy wycieczki na wakacje
najczęściej angażują więcej osób z gospodarstwa domowego, które również należy
wziąć pod uwagę.
Odtworzenie procesu decyzyjnego posłuży nam
do automatycznego przypisywania atrybutów na podstawie zaobserwowanych
zachowań. Na przykład klienta, który wykupił w biurze podróży wyjazd na narty
dla rodziny możemy zakwalifikować, jako narciarza i wraz ze zbliżającym się
sezonem przesyłać mu narciarskie oferty. Niemniej taka sztywna klasyfikacja
spowoduje, że jednorazowy wyjazd zaszufladkuje kupującego. Włączenie
mechanizmu, który będzie sprawdzał zainteresowanie narciarskie poprzez
śledzenie reakcji na wysyłane komunikaty pozwoli zarówno na zdjęcie takiego
zakwalifikowania jak i dodanie dodatkowego atrybutu o innej wadze np. narciarz
aktywnie poszukujący. Znaki, jakie daje nam klient poprzez swoje zachowania
zakupowe znajdują odzwierciedlenie w kolejnych przypisywanych i zdejmowanych
atrybutach. Im bardziej rozumiemy klienta tym bardziej jesteśmy w stanie
dynamicznie budować wiedzę o nim. Np. znając zachowania klientów przed
odejściem (churn) tj. rodzaj i sposób zmniejszenia współpracy możemy
automatycznie przypisać im atrybut zagrożenia odejściem.
Jak
wprowadzić dynamikę?
Sposób przypisywania wielu atrybutów w
zależności od poszczególnych cech i zachowań klienta może budzić podstawową wątpliwość,
związaną z tym jak przewidzieć wystarczającą ilość atrybutów i zapisać je w
bazie danych. Nawet jeśli dobrze rozumiemy swojego klienta to przewidzenie
wszystkiego w tak zmieniającym się otoczeniu biznesowym jest niemożliwe. Tu z
pomocą przychodzi nam system tagów. Znany z internetu system przypisywania
dowolnych słów czy wyrażeń kluczy, które później pozwalają na segregowanie i
wyszukiwanie w bazie po konkretnych znacznikach. Taki mechanizm ma budowę
otwartą, w każdej chwili możemy dodać kolejne tagi, przypisać do nich wagi oraz
reguły biznesowe. I tak nasz przykład z narciarzem może się przekładać w sposób
następujący, tag zakup wycieczki
narciarskiej, tag Alpy, tag rok2012 powoduje wysłanie maila z
informacjami o ofertach w roku 2013, kliknięcie przez klienta w ofertę w mailu,
lecz poszukiwanie na stronie www wycieczek narciarskich w Polsce spowoduje
przypisanie kolejnych tagów np. aktywny2012
oraz narty Polska z wagą 2 razy wyższą
niż Alpy, natomiast łączna waga wszystkich
przypisanych tagów wywołuje telefon z call center do klienta z propozycją
doradzenia w wyborze wycieczki narciarskiej. Takie same tagowanie możemy
przypisywać w innych branżach. Bank analizując stan konta aktywnego klienta i
znając jego poziom świątecznych wydatków
może go zakwalifikować do pożyczki na Święta , jeszcze lepiej. Poprzez zaplanowaną regułę biznesową związaną
z wysokością bieżących wydatków świątecznych i stanem środków na koncie
automatycznie przypisze tag pożyczka
świąteczna, który wywoła akcję biznesową w postacie telefonu z ofertą.
Decydując się na model dynamiczny sztywne
ramy segmentacyjne przestają nas tak krępować.
Tworzone są osobne segmentacje związane z
potrzebami jednostki biznesowej i efektywnością jej działań. Każda kolejna
akcja marketingowa wykonywana na bazie klientów przyczynia się do doskonalenia
segmentacji i zmian w ramach większych grup. Niemniej niektóre elementy będące
następstwem podziału klientów na grupy np. przypisanie firmy do przedstawiciela
handlowego nie mogą się zmieniać tak dynamicznie. Dlatego też, tam gdzie firma
jest mniej elastyczna można zaplanować procesy dostosowujące ją do
zmieniającego się klienta. np. cykliczny podział koszyków handlowych i
terytoriów.
Wszystkie te
działania, zmieniające marketing i sprzedaż ze sztuki w naukę, są oparte o proste
w
gromadzeniu i przetwarzaniu dane tabelaryczne, czyli nasze Small Data. Dopiero po opanowaniu tych
stosunkowo łatwo dostępnych informacji możemy się pokusić o sięgnięcie do Big Data, a więc dołączanie do naszych
analiz np. danych z profili społecznościowych w internecie czy nagrania z
zachowaniem konsumentów przed półkami sklepowymi.
Dzięki takim
działaniom marketing i sprzedaż zaczną czynić świąteczne cuda. Pożyczki
skontaktują się z potrzebującymi, a prezenty z darczyńcami, czego wszystkim
życzę.
Cały artykuł można znaleźć na najnowszym numerze czasopisma IT Magazine