Van egy kifejezés a marketingesek között, amely így hangzik: adatgazdag, de információszegény. Ez annak a helyzetnek a leírása, amelyben a vállalatoknak sokkal több az adatuk, mint amennyivel tudnák, hogy mit is kezdhetnének. És ez ma egyre gyakoribb jelenség. Ugyanakkor szinte minden cég erősíteni akarja marketingcélú adatelemző képességeit.
Az Aberdeen piackutató társaság tavaly novemberben és decemberben készített felmérése szerint a marketingesekre a legnagyobb nyomást a változó fogyasztói szokások gyakorolják. Az új csatornák – különösen a közösségi és más digitális hálózatok – megváltoztatták a vásárlók viselkedési mintázatát és preferenciáit. A vállalatok pedig tudni akarják az új helyzetben, hogy miként ismerhetnék ki a fogyasztóik viselkedésének fejlődését, és mikor, illetve hol lépnek kapcsolatba adott márkákkal.
A piacukon legjobban teljesítő cégek adatelemzései az ajánlatok pontosabb targetálására fókuszálnak, tehát arra, hogy a megfelelő üzenetet a megfelelő emberhez a megfelelő csatornán és megfelelő időben juttassák el. Igyekeznek rájönni, hogy kik a fogyasztóik és hogyan vásárolnak különféle csatornákat használva, mert ezek az alapinformációk teszik lehetővé az üzenetek és az ajánlatok optimalizálását. A piacvezetők az adatelemzést kampánymenedzsment-eszközökkel kombinálják, és információkat próbálnak nyerni a vásárlók személyének analizálásából is.
Prémium ügyfelek
Először is feltett szándékuk meghatározni a legnagyobb értéket jelentő ügyfeleket és speciális ajánlatokat adni nekik. Az Aberdeen ezt találta a legelfogadottabb megoldásnak az egész felmérés során, ami azt is jelezte, hogy a cégek megtették az első lépéseket a vásárlói elemzések rendszeres gyakorlattá tételére. Sokkal kevésbé tiszta, hogy a cégek hogyan értelmezik és mérik az „értéket”. A legkevésbé az adott vásárlók, ügyfelek egész élettartamára vonatkozó értékkel törődtek. Ebből arra lehet következtetni, hogy még a piacvezető cégek is igen fejletlen elemzési szempontokat alkalmaznak: szerződéses érték, foglalás, az összeredményre nagy hatással lévő időszak forgalma stb. Idővel a vásárlói érték meghatározása bizonyosan finomodni fog, ahogy a hajlamra vagy a befolyásolhatóságra vonatkozó megbízható modellek teret nyernek.
A B2B marketingben a vásárlóknak elég egyszerűen meghatározható attribútumaik vannak – ilyen például az ügyfél státusza (értékes, kockázatos, stb.) –, amelyeket a jobb targetáláshoz és ajánlatkészítéshez használnak fel. És a klasszikus RFM elemezés – amely azt keresi, hogy a fogyasztó mikor vásárolt utoljára (Recency), milyen gyakran vásárol (Frekvency), és mennyit költ (Monetary value) – sem ment feledésbe a felmérés szerint. Ugyanakkor az Aberdeen szerint már megjelentek a sokkal dinamikusabb, a vásárlói profilokat alapul vevő analitikus módszerek is az RFM kiegészítéseként. A piacvezető vállalatok igen nagy valószínűséggel kialakítanak viselkedési profilokat a valós idejű klikkelési analízis alapján.
Miközben a viselkedésalapú elemzések elfogadottsága az egész piacot tekintve még 50 százalék alatt van, az élenjáró társaságok már nagyon is építenek rájuk, az alkalmazásuk ezeknél evidensnek számít. Az ilyen eszközök bevezetése ott is előrehaladottabb, ahol a vásárlói magatartás elmozdulása nagy, s ez a cégekre különösen komoly nyomást gyakorol. Ez manapság egyben azt is jelenti, hogy megfigyelik a vásárlók online magatartását a meglátogatott weboldalaktól kezdve az ott található tartalmak jellegén át, a tapasztalataik megosztásának intenzitását a barátaikkal és kollégáikkal a közösségi hálózatokon.
Az élenjárók majdnem kétszer akkora valószínűséggel optimalizálják a marketingajánlataikat vagy webes megjelenésüket a vásárlók közösségi profilja alapján, mint a többiek. Sőt ezek a cégek szintén kétszer akkora (30 százalékos) valószínűséggel integrálják az online viselkedési adatokat a CRM-mel a digitális ügyfél- vagy vásárlói tapasztalatok optimalizálása érdekében, mint a többiek.
A statikustól a dinamikus felé
A trend, amely a statikustól a dinamikus információmenedzsment alkalmazása felé mutat, szintén megfigyelhető azoknál a társaságoknál, amelyek az adatokból pénzt akarnak kicsiholni. Ezek a cégek sokkal erőteljesebben törekszenek a szegmentált piacokra való speciális ajánlatok kialakítására a többieknél, és különösen igyekeznek testreszabott ajánlatokkal élni az egyéni vásárlók esetében. Ebből az következik, hogy a legjobb cégek képesek megérteni a vásárlókat individuális szinten is. Ez pedig szinte lehetetlen a tradicionális marketingeszközök, a listás szegmentálás alkalmazása mellett.
Elméletileg a cégek képesek egyetlen emberre leszűkített szegmenseket létrehozni, amit azonban elég nehéz kivitelezni a gyakorlatban. De ez a képesség a marketing számára lehetővé teszi a sokkal precízebb munkát a profilalapú ajánlatok széles tárházának bevetésén keresztül.
Emellett olyan prediktív modelleket használnak, amelyek elkülönítik a kreatív anyagok és az ajánlatok elemeit, amelyek sokkal nagyobb valószínűséggel illeszkednek egy-egy vásárló igényeihez. Az élenjáró cégek szintén komoly erőfeszítéseket tesznek, hogy a „belső” ajánlataikat menedzseljék, azaz a weboldalukon található tartalom és termékpromóció a leginkább megfeleljen a látogatói igényeknek. Ezt pedig a kattintási elemzés, a látogatások és a böngészés története, vagy az email-marketing-előzmények határozzák meg valós időben.
A jóslásoknak, előrejelzéseknek nem kell tökéletesen pontosnak lenniük, elég, ha közelebb visznek az üzleti célokhoz. Ha például az elemzés azonosít egy olyan szegmenst, amelyben háromszor nagyobb a sikertelenség esélye, mint átlagosan, akkor az ügyfelek megtartására fókuszáló ajánlatot lehet kidolgozni, s a bevételkiesés megelőzésére a kedvezményt annak adni, akire ez hatással lehet, nem pedig annak, aki egyébként is megtartható.
Ezeket az analitikákat mindenféle rendű és rangú szervezetek alkalmazzák, hogy automatizálhassák a működési döntéseiket online és offline, a marketingtől a kereskedelemig. Hogy melyik prediktív elemzést lehetővé tévő üzleti applikáció felel meg leginkább az adott szervezetnek, az stratégiai kérdés, és attól függ, hogy milyen típusú döntést kívánnak automatizálni, azaz milyen előre jelzett eredmény fogja legjobban szolgálni a döntéshozatalt az adott vállalkozásban. Lehet szó a vásárlók megtartásáról, direkt marketingről, termékek kiajánlásáról, a viselkedésmintákon alapuló marketingről, email-targetálásról, a hitelezés kockázatainak csökkentéséről, nonprofit szervezetek adománygyűjtésének tervezéséről, biztosítási termékek kiválasztásáról és árazásáról, az ellátási lánc optimalizálásáról, a humántőke megtartására irányuló döntésekről, piackutatások eredményeinek elemzéséről stb.
Mi volt, és mit kéne tenni?
A prediktív analízis a szőnyegbombázás és a precíziós csapás közötti különbséget jelenti a vállalatok számára. Ha például a cég nem tudja, hogy mely friss ügyfelei fognak visszatérni és melyek nem, hagyományosan mindegyiknek diszkontot ad – annak reményében, hogy többet tarthat meg közülük, mint engedmény nélkül.
De ez drága mulatság, hiszen azok esetében is lemond a bevétel egy részéről, akik mindenképpen visszatértek volna. A prediktív modell azonban megmondja, hogy valószínűleg melyik ügyfél jön vissza és melyik néz be csak egy alkalommal. Ezt az adatbányászat „kollektív bölcsesség”-módszerével teheti meg, amely a cég értékesítési tapasztalataira és adataira támaszkodva dolgozik. A modell akkor alkalmazható eredményesen, ha a cég már megtanulta, hogy miként adjon prediktív pontszámot minden új ügyfélnek valós időben.
Ekkor lehetővé válik, hogy azt az ügyfelet célozzák meg csábító ajánlattal, akit különben soha többé nem látnának viszont, s arra, aki visszajönne, ne pazaroljanak forrásokat. Ha a mutatókat jól dolgozták ki, akkor a növekedési ráta és a profit már középtávon felszökhet, és a rövidtávú nyereség sem kerül veszélybe.
A módszer hatásossága egy példán még jobban nyomon követhető. Ha egy cég új vásárlóinak 80 százaléka nem tér vissza, akkor ennek csak 3 százalékos javulása esetén 12 százalékkal fog emelkedni az összes ügyfélszám. Feltételezve, hogy ezek átlagosan költenek, úgy a forgalom is 12 százalékkal bővül.
Mire egy cég elérkezik az ügyfélszám ilyenfajta tudatos növeléséhez, egy sor adatokat kezelő eszközt használ. Közülük az adatbányászat és az üzleti intelligencia eszközei sokkal inkább felderítő, kutató jellegűek, mint cselekvésorientáltak. Az üzleti intelligencia segít megérteni az üzleti teljesítmény mozgatóerőit és a trendeket. Az adatbányászat pedig hasznos mintázatokat keres a nagy adattömegben. Ezért mindkettő a múltra fókuszál. A prediktív analízis viszont adatmintázatokat használva előre jelzi a viselkedést és az eredményt annak érdekében, hogy elősegítsen bizonyos döntéseket. Az üzleti intelligencia megmondja, hogy mi történt, a prediktív analízis meg azt, hogy mit kéne tenni, hogy a cég elkerülje a szükségtelen veszteségeket, vagy keressen egy kis plusz pénzt.
