Ключевые цифры. Как заработать больше, используя данные, которые у вас уже есть

Крупная компания, занимавшаяся рекламной деятельностью путем адресной рассылки по почте, размышляя о новых принципах маркетинговой коммуникации, пыталась понять, на какие клиентские группы следует ориентироваться. Сотрудники компании хотели исследовать интенсивность пользования товаром, особенно их интересовало, какие продукты покупаются вместе, а какие – нет и почему. Естественно, полученные выводы они собирались использовать для работы с потребителями и корректировки рекламных рассылок.

В базе данных компании значилось 3360 различных продуктов. Итак, наш первый шаг состоял в том, чтобы рассортировать их по сходным группам. Для пущей простоты мы использовали двухуровневую классификацию. На первом уровне продукты были разделены по двадцати продуктовым семействам; на втором – получилось сто пятьдесят девять семейств, меньших по размеру. Мы проанализировали каждый отдельно взятый продукт, который можно было купить вместе с другим. Как вы уже догадались, количество возможных комбинаций для анализа увеличивалось со скоростью экспоненциального роста в зависимости от количества продуктовых групп (семей).

После завершения этой работы мы перешли к созданию модели, способной предсказать вероятность совместной покупки двух различных продуктов (в рамках той же сделки или в течение определенного времени). Мы протестировали модель, отправив двум группам клиентов единственный элемент маркетинговой коммуникации – памятную монету номиналом в 50 центов с портретом президента Кеннеди. Первая группа была отобрана из базы данных с помощью анализа потребительской корзины. Мы искали людей, уже купивших похожие памятные монеты. Вторая группа была отобрана случайным образом, без применения особых правил. Формула для анализа корзины выглядела следующим образом:

A = B  C  D -> N, P, S

На первый взгляд формула выглядит крайне запутанной, но на самом деле она довольно проста.

• A – продукт (или семейство продуктов), для которого я разрабатываю правило. Иными словами, я пытаюсь предсказать, купит ли определенный клиент сувенирные монеты при условии, что он активно покупает другие сходные вещи на сайте этой компании. В данном случае мой продукт – монета номиналом 50 центов.

• B, C, D – прогностические параметры (факторы, позволяющие предсказать, будет ли куплен продукт A). К ним относятся также такие продукты, как другие памятные монеты либо сувениры с определенной исторической тематикой – короче, продукты, дающие основания считать, что клиент купит и монеты с портретом Кеннеди.

• N – охват в абсолютных показателях (общее количество клиентов, купивших продукты B, C и D в рамках одной покупки).

• P – вероятность того, что кто-то купит A, при условии, что уже купил B, C и D.

• S – поддержка (процент от общего числа людей, купивших B, C, D и A).

Чтобы понять, идем ли мы по верному пути, мы протестировали модель, отправив один и тот же элемент маркетинговой коммуникации двум группам клиентов. Первая группа была отобрана из базы данных с помощью правил анализа потребительской корзины. Вторая группа была отобрана случайным методом, без применения особых правил. Показатель эффективности рекламы для первой группы оказался в пять раз выше, чем для второй, – что отлично демонстрирует потенциал этого метода с точки зрения дохода.

Если вам нравится одно, то понравится и другое

Инструменты автоматической рекомендации, такие как анализ потребительской корзины, стали крайне популярными в интернет-среде. Лучше всего на рынке известны рекомендационные механизмы Amazon и Netflix. Они предлагают продукты – если вам понравилась определенная книга или фильм, то вам наверняка понравятся и вот эти, – сравнивая ваш выбор с выбором других людей, читавших те же книги (или смотревших тот же фильм). Разумеется, это имеет вполне реальную ценность в глазах потребителей. Мне очень нравится, когда Netflix рекомендует мне кинофильм, о котором я даже раньше не слышал. Это основная причина, по которой я готов подписаться на услуги сайта, и Netflix отлично это понимает. Работающие там люди отслеживают, как часто я арендую диски с фильмами, основываясь на их предложениях. В сущности Amazon и Netflix делают то же самое, что и супермаркеты, пытающиеся предсказать, захотите ли вы купить яблоки и бананы за один поход в магазин, или почтовое ведомство, пытающееся понять, какая комбинация продуктов окажется наиболее интересной для коллекционеров марок.