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

В далеком 2012 году американская торговая сеть Target стала рассылать своим покупательницам купоны на товары для беременных. До того, как женщины публично сообщали эту радостную новость. Нет, в компании не работали ясновидящие. Алгоритмы машинного обучения анализировали огромный массив данных о предыдущих покупках и «подсказывали» маркетологам, какие клиентки интересовались товарами для беременных.

С тех пор в мире – уже масса успешных примеров использования Big Data. Мировой оборот рынка аналитики больших данных в 2017 году достиг $150 млрд. К 2020-му выручка может превысить $210 млрд, прогнозирует IDC. «Самые высокие темпы роста расходов на Big Data аналитику будут демонстрировать банковский сектор, здравоохранение, страхование, сегмент операций с ценными бумагами и услуг управления инвестициями и телеком-отрасль», – отмечается в исследовании  IDC.

Огромным массивом данных о своих клиентах обладают и украинские крупные компании: банки, страховщики, e-commerce, телеком и т.д. Но пока в большинстве предприятий эта информация лежит мертвым грузом, лишь «выкачивая» деньги на ее надежное хранение.

Первыми осваивать прибыльную нишу в Украине стали мобильные операторы. «Киевстар» начал с «выращивания» дефицитных высококвалифицированных специалистов, открыв Big Data School еще в 2015 году. Когда «кадровый вопрос» был решен – появились и первые клиенты: Monobank, Правэкс банк, Харьковский аэропорт, Prostor, КП «Агентство развития Днепра» Днепровского горсовета, городские и областные администрации Одессы, Ивано-Франковска, Львова  и многие другие. 

«Киевстар» создает полезные Big Data продукты, которые облегчают жизнь не только внешним заказчикам. Оператор использует алгоритмы машинного обучения и для решения собственных потребностей. Как именно? Почему аналитика больших данных может спасти маркетологов от бессонных ночей, оперативно «разрулить»  проблему, сократить затраты на исследования и продвижение новых продуктов. Об этом Mind рассказали сотрудники «Киевстар» и выпускники Big Data School на примере одного из реализованных кейсов.

GoTV: как Big Data отсекла «холостые выстрелы»

Запуск продукта. «Киевстар» создал видеосервис для просмотра фильмов и ТВ перед стартом 4G – в январе 2018 года. «Нам было важно предоставить абонентам возможность смотреть любимые ТВ-каналы с помощью мобильного интернета. А благодаря высокой скорости 4G – еще и в хорошем качестве. К тому же, трафик GoTV не тарифицируется», – рассказывает ведущий специалист развития продуктов «Киевстар» Алена Бондаренко.

Проблема. На старте оператор отобрал около 8 млн абонентов, у которых есть смартфон или планшет, и разослал SMS-сообщение с предложением протестировать GoTV. Но промо-кампания не принесла должного результата: конверсия была низкой. Лишь небольшой процент абонентов откликнулся и скачал мобильное приложение.

Задача. «Киевстар» понимал, что продолжать рассылать новости всем клиентам и «драконить» абонентов, которым не интересен новый продукт, – недопустимо. Такие эксперименты могут негативно отразиться на клиентском опыте. Поэтому решили запускать точечные месседжи для узких групп целевой аудитории GoTV. Но вручную сегментировать все 26,5 млн абонентов по целому ряду критериев – непосильная задача даже для гуру маркетинга.

Менеджер продукта GoTV отправился за помощью к специалистам Big Data-команды оператора. «Для эффективного продвижения сервиса нам важно было «добыть» вводные данные. Во-первых, получить портрет целевой аудитории: гендерное и возрастное распределение, уровень пользования мобильным интернетом, интересы и т.д. Проще говоря, найти абонентов, которым действительно будет интересен новый продукт. Во-вторых, сегментировать выявленную ЦА по группам, чтобы подобрать подходящие пакеты услуг, как для новых, так и для потенциальных пользователей GoTV», – поясняет Алена Бондаренко.

Решение. Отправной точкой для аналитиков стали данные о первых промо-кампаниях и  последующая активность абонентов, которые начали пользоваться GoTV.

«Мы работали по принципу «найди похожих»: проанализировали поведенческие характеристики, тех, кто уже пользуется GoTV, а затем с помощью математического моделирования нашли похожую аудиторию среди всей абонентской базы. Помимо базовых характеристик (пол, возраст, уровень дохода) рассматривали и множество других. К примеру, тип операционной системы, модель девайса, объем потребления мобильного интернета, частоту пользования роумингом и т.п. Алгоритмы машинного обучения «переварили» всю эту глыбу данных и выдали 10-15 ключевых признаков. Найденные закономерности свидетельствовали, что абонент действительно интересуется мобильным видеоконтентом», – поясняет  организатор Big Data School 3.0, менеджер аналитических продуктов Big Data «Киевстар» Ирина Виткова.

На основе этих вводных аналитики создали общий портрет целевой аудитории и построили модель телеком-поведения пользователей. «Поскольку массив данных был огромным, для их быстрой и эффективной обработки мы использовали инструменты Big Data, с которыми познакомились в процессе обучения в Big Data School. Выявили интересные закономерности и решили протестировать разработанную модель в следующих промо-кампаниях по привлечению новых клиентов.  В результате увидели, что уровень конверсии вырос в несколько раз. Также мы неоднократно тестировали новые гипотезы. В случае их подтверждения, добавляли новые характеристики и улучшали модель»,- рассказывает выпускница Big Data School 2.0, data scientist отдела аналитических продуктов «Киевстар» Юлия Пиковец.

Целевую аудиторию «разбили» на три сегмента. В первый попали абоненты, в тарифные планы которых был включен GoTV. У них была возможность бесплатно и без «списания» мегабайтов смотреть фильмы и ТВ на сервисе. Но не все этой возможностью пользовались. Этим клиентам «Киевстар» напомнил о GoTV.

Во второй сегмент вошли абоненты, в тарифные планы которых не включено бесплатное пользование GoTV, но алгоритм машинного обучения «уверял», что их интересует «мобильный телевизор и кинотеатр». Таким клиентам «Киевстар» предложил наиболее востребованный абонентами «Премиум пакет» со 100 ТВ-каналами и большой библиотекой фильмов, сериалов, шоу и т.п.

В третью группу попали клиенты, которые пользуются базовым бесплатным пакетом GoTV, но хотят смотреть больше и получать более расширенный спектр услуг. Им также рассказали о возможностях пакета «Премиум».

Каждый из этих сегментов дополнительно «разбили» на более узкие подгруппы на основе интересов и предпочтений аудитории. «Мы не хотели женщинам пожилого возраста предлагать смотреть ужастики», – шутит Ирина Виткова. 

Результат. Для продвижения GoTV «Киевстар» начал использовать узкотаргетированные рассылки с апреля 2018 года. «Мы сразу заметили скачок спроса. Число установок и пользователей GoTV в первых двух целевых группах возросло в 5-7 раз. Абоненты третьей группы начали переходить на другие платные пакеты, которые предусматривают более расширенные возможности: «Премиум» и «Ультра», – отмечает Алена Бондаренко. В целом же, за последние 10 месяцев пользователи скачали приложение  GoTV более 500 000 раз.

Это лишь один из примеров успешного использования аналитики больших данных. Выпускники Big Data School реализуют различные интересные проекты по внутренним запросам компании и для внешних клиентов. Вскоре «Киевстар» расскажет и о других кейсах – усовершенствованных продуктах компании с помощью Big Data.