Данные выходят из изоляции: как объединение Big Data помогает бизнесу
Управляющий директор департамента анализа данных и моделирования ВТБ Сергей Карпович говорит о пользе объединения данных и рассказывает о том, как лучше узнать своего клиента.
Еще пять лет назад работа с большими данными казалась революционной технологией, которую использовали только 17% компаний по всему миру. В числе первых оказались IT, банки и телекоммуникационные компании во многом потому, что именно эти сектора аккумулировали наибольшие массивы данных. Банки собирали информацию о транзакциях, телекомы — о коммуникацих своих абонентов , а IT об интересах клиентов в интернете и реакциях на контент.
Сегодня более половины мировых компаний работает с большими данными. В России этот рынок пока немного уступает западному, но 54% компаний уже инвестируют в аналитику данных. Среди лидеров — крупные финансовые компании, IT и телекомы, маркетинговые компании. Инвестиции составляют до нескольких сотен миллионов долларов в зависимости от размера компании и задач, которые стоят перед специалистами по Big Data. Это долгосрочные инвестиции, их окупаемость наступает только через несколько лет.
Источниками больших данных становится фактически любое соприкосновение пользователя с цифровым пространством. Например, кроме данных из интернета (просмотры контента, данные соцсетей) учитываются даже время просмотра и скорость закрытия рекламных объявлений, структура потребляемого контента, и другие данных, позволяющие определить не только интересы пользователя, но и черты его характера, позволяющие предугадать его реакции и поступки.
Еще в 2007-ом году американские маркетологи изучали цифровой след пользователей и выяснили, что он позволяет не только понять историю покупок, предпочтения, уровень дохода и другие базовые метрики, но и помогает определить причину покупки, глубинную мотивацию потребителя.
Сейчас основной способ использования собираемых данных — это операционная аналитика, предиктивная аналитика и маркетинг. Основная задача бизнеса — предсказать поведение потребителя и предложить ему ту услугу или товар, которые ему с наибольшей вероятностью нужны.
Так пользователь совершает покупку и не испытывает раздражения от нецелевых предложений.
Однако на сегодняшний день компания имеет в распоряжении только данные, собранные на своих ресурсах. Это позволяет сделать выводы о поведении пользователя в момент потребления услуги, но не дает возможность понять, что предшестовало этому и как это отразится на дальнешейшем поведении клиента.
Давайте рассмотрим пример с покупками в магазинах. Крупные магазины собирают данных об истории покупок держателей собственных карт лояльности и формируют потребительскую корзину каждого из клиентов. Таким образом модели понимают, что если клиент покупает один товар из своей стандартной потребительской корзины (например, молоко), то зачастую он покупает и все остальные товары своей стандартной потребительской корзины (например, творог, йогурт, фрукты, хлеб и так далее). Запустив бонусную программу всего на 1-2 товара, магазин с высокой вероятностью продаст намного больше товаров. При этом один магазин не владеет полной информацией о потребностях своего клиента, а значит не может предложить все необходимые клиенту товары.
Другой пример с банками — чтобы предложить клиентам новый финансовый продукт, знания о текущих финансовых продуктах может быть недостаточно. Важно понимать те изменения в повседневной жизни своих клиентов, которые способствуют возникновению самой потребности в новом продукте, специфику поведения, стиль принятия решений и комфортный способ коммуникации. При наличии такого массива данных, банк может создавать персонифицированные предложения и таргетировать их на узкосегментированную аудиторию.
Сегодня каждая вторая компания в мире собирает данные о своих клиентах или пользователях, но эти данные составляют только фрагмент полноценного цифрового профиля.
Модели, построенные на этих данных, позволяют делать предсказания о последствиях изменений в поведении клиента, но не могут предсказать сам факт такого изменения.
В таких случаях у компаний разработаны различные стратегии коммуникации с клиентами, позволяющие своевременно отреагировать на такое поведение. Но всегда проще работать с причинами чем с последствиями, и намного эффективнее заранее предсказывать изменение в поведении клиентов и предлагать им тот набор сервисов и услуг, который удовлетворит его новые потребности. Сквозное объединение данных можно сравнить с работой мозга, который комбинирует данные с рецепторов (обоняние, вкус, зрение, слух) и учитывает различные другие факторы: голод, настроение, здоровье. Принимая решение о выборе еды, мозг учитывает не одно чувство. Так же происходит с данными.
Сквозное объединение становится следующим шагом в предиктивной аналитике. Помимо потребностей, интересов, импортированных из соцмедиа, компании получают модель поведения пользователя, основанную на его действиях в ряде сервисов: передвижения, покупки, досуг, уровень дохода, профессиональные и личные интересы, реакция на рекламные сообщения, банковские операции, данные с домашней техники, работающей по принципу интернета вещей (IoT).
Объединение данных позволяет проследить цикл продукта от производства, то попадания в квартиру покупателя. Анализ этих данных выявляет неэффективные участки бизнес-процессов, открывая возможности оптимизации, повышая качество сервисов.
Сейчас модель слияния данных, предложенная Data Fusion Information Group, состоит из шести шагов: предварительная обработка исходных данных, оценка объекта, оценка ситуации, оценка влияния, усовершенствование процесса и пользовательские улучшения. Data Fusion позволяет создавать точные модели потребительского поведения и не только выстраивать персонифицированную коммуникацию, но и формировать продукты под точечные потребности.
Пионеры Data Fusion в России — ВТБ, Сбер , Ростелеком, Mail.ru и Яндекс, телеоператоры. С целью повышения эффективности продвижения некоторых продуктов ВТБ разрабатывает более 10 вариантов коммуникации в зависимости от характера и поведения потенциальных клиентов. Они отличаются tone-of-voice, визуалом, креативами, форматами — баннеры или видео.
Если пользователь позиционирует себя как человек с управленческими качествами, а его поведение в интернете указывает на рациональное принятие решений, в коммуникации акцент будет сделан на конкретную выгоду от продукта, подкрепленную цифрами, а tone-of-voice будет кратким, строгим и рациональным. Для более «эмоциональных» клиентов коммуникация выстраивается уже по-другому: апеллирует к самоощущениям, причастности к группе, эмоциональным ощущениям от продукта. В итоге конверсия может увеличиться более чем на 40%. Помимо этого, повышается уровень узнаваемости бренда даже среди пользователей, которые не отреагировали на сообщение.
Многие пользователи услуг негативно относятся к хранению цифровых следов, но правда ли это так страшно?
Ошибочно думать, что компании интересуют персональные данные или платежная информация. Намного более ценна поведенческая модель, и чем больше параметров из разных источников можно учесть при ее формировании, тем более персонифицировано можно выстроить коммуникацию с пользователем.
По этой причине Data Fusion кроме бизнеса широко используется в социальных и научных проектах: программирование роботов, системах аналитики, тестирования различных автопилотируемых систем или изучение городов для составления стратегий пространственного развития. На международном рынке о социальных проектах по охране объектов ЮНЕСКО с помощью технологий объединения данных недавно заявили в BOSСH. В октябре 2019 года президент России Владимир Путин подписал указ «О развитии искусственного интеллекта в Российской Федерации» и определил национальную стратегию развития искусственного интеллекта на период до 2030 года. Для реализации утвержденной стратегии в 2020 году Минэкономразвития России разработало паспорт федерального проекта «Искусственный интеллект» и программу стандартизации по направлению «искусственный интеллект» на период 2021-2024. Наличие подобных инициатив говорит о том, что и в нашей стране крайне серьезно относятся к развитию технологии искусственного интеллекта.
На сегодняшний день очевидны огромные перспективы использования цифрового профиля во многих сферах. В первую очередь, это клиентоориентированность, персонификация, более таргетированный маркетинг. Наблюдения показывают, что иногда модели настолько точно предсказывают поведение, что буквально угадывают потребность клиента до ее осознания только на основе поведения в интернете. Если вспомнить, что в Москве уже начались испытания системы FacePay, при помощи которой пассажиры смогут оплачивать проезд в метро по скану лица, а Tesla вот-вот выпустит на улицы автомобили без водителей, можно сказать, что будущее уже наступило.