Сегодня мы поговорим о сочетании, которое позволяет делать значительный прорыв в продажах и маркетинге при том же маркетинговом бюджете.

Что такое целевой маркетинг мы с вами разобрались здесь.

Что такое Data mining и типы закономерностей, выявляемых методами здесь.

Теперь, если смешать эти 2 понятия, то что мы получим:

1. Data mining применять для выявления тех клиентов, которые наиболее склонны к покупке или выявлять те группы товаров, которые могут быть в большей степени приобретены конкретным клиентом.

2. Проводить целевые маркетинговые кампании на те группы абонентов, которые мы выявили с помощью методов Data mining-а.

3. Результат будет отражаться в дополнительном числе клиентов, которые купят у Вас товары.

Все дело в том, что Вы будете коммуницировать лишь с теми группами абонентов, контакт с которым может иметь наибольшую вероятность на успех или выбирать те группы товаров, которые могут пользоваться большей популярностью у данной группы клиентов.

Давайте рассмотрим несколько примеров, чтобы было понятно, о чем я говорю. Вот, например, представим, что пользователь выбирает бытовую технику. Пусть будет холодильник. Что мы можем сделать с помощью методов Data mining? Ну во-первых проанализировать поведение абонентов, которые покупают холодильник. Что еще они могут купить? Дополнительные формы для льда, формы для заморозки фруктов, и т.д. Т.е. сопутствующие товары. Соответственно, если Вы расширяете свой ассортимент именно этих принадлежностей, то Вы увеличиваете вероятность дополнительной покупки, следовательно увеличиваете чек. Но заметьте, что в данном случае Вы коммуницировали именно с тем клиентом, который с большей вероятностью купит этот товар. Если Вы начнете предлагать формы для заморозки льда или заморозки фруктов клиенту, который смотрит микроволновые печи, то с большей долей вероятности Вы получите отказ.

Удачное сочетание товаров позволяют выявлять методы Data mining-а. Конечно в примере Выше я привел пример более простой. Т.е. для его выявления не обязательно использовать сложный инструментарий. Теперь давайте посмотрим другой пример. Более изящный. Вы, например, продали водоочиститель со сменными фильтрами. Вы знаете, например, что рекомендуемый срок использования фильтра 1 месяц. Если Вы ведете базу таких клиентов, их контактные телефоны. То позвонив через месяц своему клиенту и Вы можете ему мягко напомнить о том, что рекомендуемый срок использования фильтра заканчивается, не хотите ли Вы его поменять, а звоните Вы ему только потому что у Вас в магазине проходит акция на данный тип фильтров. Звонок дорогой канал коммуникации, достаточно прислать СМС с уведомлением и можете быть уверены, клиенты будут рады этому напоминанию. И непременно заглянут в Ваш магазин в ближайшее время. Заодно может быть еще что-то приобретут.

А что если клиент, который зашел к Вам в магазин и смотрит детские товары? Пара наводящих вопросов и Вы уже точно знаете, покупается товар собственному ребенку или в подарок племяннику. А если ребенок свой. То тут можно рекомендовать сколько угодно товаров —  от детского порошка, до развивающих комплексов по возрастам. А если Вы ведете базу таких клиентов, представляете какой это кладезь информации? Если ребенку берут игрушки для возраста 3+? О чем Вы уже знаете, правильно, что через год точно будут брать 4+? А что в это время дети изучают?  … Пара книжек по воспитанию детей и Вы уже гуру по продаже детских товаров.

Надеюсь на продемонстрированных примерах стало немного понятнее, как используются методы Data mining? В первом случае это ассоциация, во втором ассоциация + классификация, в третьем классификация и кластеризация, если мы формируем набор товаров под определенные возрастные группы детей.

В чем может быть ошибка применения этого сочетания?

В отсутствии заранее разработанного сценария маркетинговой коммуникации, раз; неправильном целеполагании, два; некорректном применении самих методов Data mining.

Конечно, дело может не касаться даже правильности или неправильности применения конкретного метода, проблема может заключаться в неправильном отборе обучающей выборки и т.д. То есть вроде все делали правильно, а отклик лишь на доли процентов выше. Для крупных компаний, конечно и сотые доли процентов, это результат. Но по большей степени это может наталкивать на мысль, что некорректно применяются сами методы.

Поэтому правильно проводите отбор данных для «обучения»:

1. Выборка для обучения не должна содержать выбросов и аномалий. Аномалии требуют тщательного изучения. А выбросы в данном случае это некое нехарактерное для большинства клиентов поведение. Их лучше исключить.

2. Выборка для обучения должна иметь схожие характеристики с общей клиентской базой. Например, те же средние, медиану, доли покупаемых товаров и т.д. Если это будет не так, то вероятность отклика может снижаться. Результат непредсказуем. Но с большей долей вероятности положительная реакция будет много ниже, чем при правильном применении метода.

Применяйте проверенные инструменты, пытайтесь понять, что за параметры стоят по умолчанию. Чем проще метод, тем проще интерпретировать результат. В большинстве случаев результат моделирования никак не зависит от применяемого инструментария. Но многие аналитики считают, что чем больше «наворотов» имеет инструмент, тем лучше результат. Заблуждаются. К сожалению, если была бы прямая зависимость, то все компании в очередь стояли бы за SAS и SPSS. Действительно, инструментарий здесь один из наиболее навороченных. Процесс применения методов интуитивно понятен. Согласно аналитиков Gartner, эти инструменты одни из наилучших в мире.Но это вовсе не означает, что применение любых других инструментов даст худший результат, вовсе нет. Вопрос может быть во времени, требуемом на анализ информации. Если время принятия решения не критично, не обязательно смотреть дорогие инструменты.

Если у Вас будут вопросы по применению методов, Вы можете направить их на адрес электронной почты cases@fsecrets.ru.

О других способах применения инструментов Data mining и о самих инструментах, читайте на страницах моего блога.

Удачи Вам в моделировании!