Маркетологи можуть спати спокійно: чому аналітика великих даних рятує від ворожіння на кавовій гущі
 
Матеріал у партнерстві з Київстар
Партнерський матеріал

Маркетологи можуть спати спокійно: чому аналітика великих даних рятує від ворожіння на кавовій гущі

Як Big Data допомагає достукатися до цільової аудиторії, залучити нових і не «драконити» існуючих клієнтів

Цей матеріал також доступний російською
Маркетологи можуть спати спокійно: чому аналітика великих даних рятує від ворожіння на кавовій гущі
Фото: unsplash.com

У далекому 2012 році американська торговельна мережа Target стала розсилати своїм покупцям купони на товари для вагітних. До того, як жінки публічно повідомляли цю радісну новину. Ні, в компанії не працювали ясновидці. Алгоритми машинного навчання аналізували величезний масив даних про попередні покупки і «підказували» маркетологам, які клієнтки цікавилися товарами для вагітних.

З тих пір у світі – вже купа успішних прикладів використання Big Data. Світовий оборот ринку аналітики великих даних у 2017 році досяг $150 млрд. До 2020-го виручка може перевищити $210 млрд, прогнозує IDC. «Найвищі темпи зростання витрат на Big Data аналітику демонструватимуть банківський сектор, охорона здоров'я, страхування, сегмент операцій із цінними паперами та послуг управління інвестиціями і телеком-галузь», – наголошується в дослідженні IDC.

Величезним масивом даних про своїх клієнтів володіють і українські великі компанії: банки, страховики, e-commerce, телеком тощо. Але поки в більшості підприємств ця інформація лежить зайвим тягарем, лише «викачуючи» гроші на її надійне зберігання.

Першими освоювати прибуткову нішу в Україні стали мобільні оператори. «Київстар» розпочав з «вирощування» дефіцитних висококваліфікованих фахівців, відкривши Big Data School ще в 2015 році. Коли «кадрове питання» було вирішене – з'явилися і перші клієнти: Monobank, Правекс банк, Харківський аеропорт, Prostor, КП «Агентство розвитку Дніпра» Дніпровської міськради, міські та обласні адміністрації Одеси, Івано-Франківська, Львова та багато інших.

«Київстар» створює корисні Big Data продукти, які полегшують життя не лише зовнішнім замовникам. Оператор використовує алгоритми машинного навчання і для вирішення власних потреб. Як саме? Чому аналітика великих даних може врятувати маркетологів від безсонних ночей, оперативно «розрулити» проблему, скоротити витрати на дослідження і просування нових продуктів. Про це Mind розповіли співробітники «Київстар» і випускники Big Data School на прикладі одного з реалізованих кейсів.

GoTV: як Big Data відсікла «холості постріли»

Маркетологи могут спать спокойно: почему аналитика больших данных спасает от гадания на кофейной гуще

Запуск продукту. «Київстар» створив відеосервіс для перегляду фільмів і ТБ перед стартом 4G – у січні 2018 року. «Нам було важливо надати абонентам можливість дивитися улюблені ТВ-канали за допомогою мобільного інтернету. А завдяки високій швидкості 4G – ще і в хорошій якості. До того ж, трафік GoTV не тарифікується», – розповідає провідний спеціаліст розвитку продуктів «Київстар» Олена Бондаренко.

Проблема. На старті оператор відібрав близько 8 млн абонентів, у яких є смартфон або планшет, і розіслав SMS-повідомлення з пропозицією протестувати GoTV. Але промо-кампанія не принесла належного результату: конверсія була низькою. Лише незначний відсоток абонентів відгукнувся і скачав мобільний додаток.

Завдання. «Київстар» розумів, що продовжувати розсилати новини всім клієнтам і «драконити» абонентів, яким не цікавий новий продукт, – неприпустимо. Такі експерименти можуть негативно відбитися на клієнтському досвіді. Тому вирішили запускати точкові меседжі для вузьких груп цільової аудиторії GoTV. Але вручну сегментувати всі 26,5 млн абонентів за цілою низкою критеріїв – непосильне завдання навіть для гуру маркетингу.

Менеджер продукту GoTV звернувся по допомогу до фахівців Big Data-команди оператора. «Для ефективного просування сервісу нам важливо було «добути» ввідні дані. По-перше, отримати портрет цільової аудиторії: гендерний і віковий розподіл, рівень користування мобільним інтернетом, інтереси і т.д. Простіше кажучи, знайти абонентів, яким дійсно буде цікавий новий продукт. По-друге, сегментувати виявлену ЦА по групах, щоб підібрати відповідні пакети послуг як для нових, так і для потенційних користувачів GoTV», – пояснює Олена Бондаренко.

Маркетологи могут спать спокойно: почему аналитика больших данных спасает от гадания на кофейной гуще

Рішення. Відправною точкою для аналітиків стали дані про перші промо-кампанії і подальшу активність абонентів, які почали користуватися GoTV.

«Ми працювали за принципом «знайди схожих»: проаналізували поведінкові характеристики тих, хто вже користується GoTV, а потім за допомогою математичного моделювання знайшли схожу аудиторію серед усієї абонентської бази. Крім базових характеристик (стать, вік, рівень доходу) розглядали і безліч інших. Наприклад, тип операційної системи, модель девайса, обсяг споживання мобільного інтернету, частоту користування роумінгом і т.п. Алгоритми машинного навчання «переварили» всю цю брилу даних і видали 10-15 ключових ознак. Знайдені закономірності свідчили, що абонент дійсно цікавиться мобільним відеоконтентом», – пояснює організатор Big Data School 3.0, менеджер аналітичних продуктів Big Data «Київстар» Ірина Виткова.

На основі цих ввідних аналітики створили загальний портрет цільової аудиторії і побудували модель телеком-поведінки користувачів. «Оскільки масив даних був величезним, для їх швидкої та ефективної обробки ми використовували інструменти Big Data, з якими познайомилися в процесі навчання в Big Data School. Виявили цікаві закономірності і вирішили протестувати розроблену модель в наступних промо-кампаніях із залучення нових клієнтів. У результаті побачили, що рівень конверсії зріс у кілька разів. Також ми неодноразово тестували нові гіпотези. У разі їх підтвердження додавали нові характеристики і покращували модель», – розповідає випускниця Big Data School 2.0, data scientist відділу аналітичних продуктів «Київстар» Юлія Пиковець.

Цільову аудиторію «розбили» на три сегменти. До першого потрапили абоненти, в тарифні плани яких був включений GoTV. У них була можливість безкоштовно і без «списання» мегабайтів дивитися фільми і ТБ на сервісі. Але не всі цією можливістю користувалися. Таким клієнтам «Київстар» нагадав про GoTV.

До другого сегменту увійшли абоненти, в тарифні плани яких не включено безкоштовне користування GoTV, але алгоритм машинного навчання «запевняв», що їх цікавить «мобільний телевізор і кінотеатр». Таким клієнтам «Київстар» запропонував найбільш затребуваний абонентами «Преміум пакет» з 100 ТБ-каналами і великою бібліотекою фільмів, серіалів, шоу і т.п.

До третьої групи потрапили клієнти, які користуються базовим безкоштовним пакетом GoTV, але хочуть дивитися більше і отримувати більш розширений спектр послуг. Їм також розповіли про можливості пакету «Преміум».

Кожен з цих сегментів додатково «розбили» на більш вузькі підгрупи на основі інтересів і уподобань аудиторії. «Ми не хотіли жінкам похилого віку пропонувати дивитися фільми жахів», – жартує Ірина Виткова.

Маркетологи могут спать спокойно: почему аналитика больших данных спасает от гадания на кофейной гуще

Результат. Для просування GoTV «Київстар» почав використовувати узкотаргетовані розсилки з квітня 2018 року. «Ми відразу помітили стрибок попиту. Кількість закачувань і користувачів GoTV у перших двох цільових групах зросла в 5-7 разів. Абоненти третьої групи почали переходити на інші платні пакети, які передбачають більш розширені можливості: «Преміум» і «Ультра», – зазначає Олена Бондаренко. В цілому ж, за останні 10 місяців користувачі скачали застосунок GoTV понад 500 000 разів.

Це лише один із прикладів успішного використання аналітики великих даних. Випускники Big Data School реалізують різні цікаві проекти за внутрішніми запитами компанії і для зовнішніх клієнтів. Незабаром «Київстар» розповість і про інші кейси – удосконалені за допомогою Big Data продукти компанії.

Стежте за актуальними новинами бізнесу та економіки у наших Telegram-каналах Mind.Live та Mind.UA, а також Viber-чаті