Маркетинг, основанный на данных. 15 показателей, которые должен знать каждый - Марк Джеффри

Ошибка, связанная с невозможностью масштабирования, возникает очень часто, а ее последствия получают широкую огласку. В 2001 году AT&T[50] начала брендинговую кампанию для mLife, пакета услуг мобильной связи. Кампания, запущенная в период проведения Суперкубка по американскому футболу в 2001 году, обошлась фирме более чем в 20 миллионов долларов. Телевизионные ролики были очень простыми: адрес сайта www.mLife.com на белом фоне. Однако в итоге более 100 миллионов зрителей Суперкубка ожидало разочарование: когда на сайт зашло одновременно огромное количество пользователей, он рухнул, и никто не смог понять ни что такое mLife, ни каким образом сайт связан с AT&T. Так погиб только что родившийся бренд. Это классический пример того, что происходит, когда сотрудники отдела маркетинга не общаются с IT-специалистами.

Приведу еще один пример. Специализированная сеть продуктовых магазинов, включавшая несколько сотен магазинов с годовым доходом более 10 миллиардов долларов, решила внедрить новую систему для снижения числа ситуаций нехватки товара на складе. Ретейлер, торговавший свежими натуральными продуктами, знал из результатов исследования рынка, что снижение дефицита на складах помогает значительно повысить и прибыльность, и уровень удовлетворенности клиентов. Идея состояла в том, чтобы анализировать данные о запасах в каждом магазине и вычислять, какие продукты необходимо довозить каждый день (свежие фрукты, йогурт, рыбу, говядину и т. п.). Магазины начинали работу каждый день в 9 утра, а с полуночи до 5 утра грузовики загружались на центральном складе, чтобы товары попали в магазины уже к 6 часам.

Создав EDW, IT-команда поняла, что возможностей используемой системы хватает только на обработку данных по одному магазину (причем процесс будет длиться всю ночь). Однако компании нужно было решение, способное просчитать данные по сотням магазинов за три часа (с 9 вечера до полуночи). Управленческая команда неправильно поняла требования. Система была логически верной, однако не могла выполнять свою функцию: никто не подумал о том, чтобы просчитать объем мощности, необходимый для управления значительными массивами данных. Как рассказал мне Уинтер:

Проблемы с масштабируемостью хранилищ данных возникают в самый неподходящий момент. Они могут появиться на этапе проектирования или создания технических решений – часто из-за того, что требования к системе слишком расплывчаты или платформа выбрана неверно. Однако вы не узнаете о проблеме до момента полной загрузки системы. Проблемы с масштабируемостью, которые выявляются на ранних этапах, легко исправить, однако проблемы, возникающие на поздних этапах, способны уничтожить проекты, карьеры и целые фирмы.

Вы как руководитель маркетинговой команды можете испытывать серьезные проблемы при работе с IT, так как, скорее всего, это не ваша область. В каком-то смысле владельцы бизнеса, где применяется маркетинг, основанный на данных, напоминают владельцев футбольных клубов. Владельцы не тренируют футболистов. Они только оплачивают счета, но при этом им нужны результаты, чтобы продавать билеты на стадионы.

Как же маркетеру решить эту задачу? Предлагаю обратиться к теме, которая хорошо знакома специалистам по маркетингу. Что если кто-то из сотрудников вашей компании представляет вам нереальный план продаж? Скорее всего, вы начнете задавать вопросы, позволяющие понять, каким образом он хочет достичь желаемой цели: каковы прогнозы, что говорят данные исследований рынка, какие меры предпринимаются для реализации плана и т. п.

То же справедливо для инфраструктуры маркетинга, основанного на данных.

Если вам сложно найти общий язык с IT-командой, попросите ее представить вам собственный план создания программы для обработки большого массива данных. В приведенном выше примере (дефицит на складе ретейлера) маркетер должен задать команде вопрос: «Способны ли вы собрать данные со всех 500 торговых площадок, импортировать их в EDW и проанализировать к полуночи, с тем чтобы мы могли загрузить грузовики продуктами к 5 утра?». Пусть она предоставит инженерные выкладки, показывающие, что это возможно. Можно также попросить независимых экспертов оценить представленный план.

Вам, как и владельцу футбольного клуба, необходимо знать, что ворота установлены в правильном месте на поле, что команда решает грамотно поставленную задачу и у нее есть разумный план по перемещению мяча в нужном направлении и зарабатыванию очков. Следовательно, вы должны принимать во внимание масштаб решаемых проблем, а это даст возможность понять, нужна ли вам инфраструктура размером с домик для фермера или Эмпайр-стейт-билдинг. Как я уже говорил, технологии для маркетинга, основанного на данных, – слишком важный вопрос, чтобы оставлять его на откуп IT-отделу.

Сложность требований

Объем клиентской базы определяет размер хранилищ данных для маркетинга, основанного на данных. Второе важное измерение – степень сложности требований. На рис. 10.3 приведена методика, позволяющая понять, какая инфраструктура хранилища данных нужна (с учетом этих измерений). Как я уже говорил в предыдущем разделе, сложность требований к данным определяется тем, какие вопросы вы хотите задать и какие ответы получить.

Низкой степени сложности соответствует модель, приведенная на рис. 10.4. В данном случае нужно ответить на достаточно простые вопросы: какие продукты, где и когда продаются в ваших магазинах. Анализ проводится по одному набору фактов (данным о продажах) и четырем аналитическим измерениям: продукты, клиент, магазин и дата. Анализ в данном случае довольно прост, его можно провести за ночь. Если другая информация вам не нужна, то создание системы для небольшой клиентской базы («фермерского домика») обойдется недорого. В случае большой клиентской базы можно без особых проблем масштабировать инфраструктуру с помощью простой модели, изображенной на рис. 10.4. В данном случае, невзирая на большой объем данных, анализ достаточно прост. Вы работаете с единственной таблицей и вполне можете воспользоваться для этой цели обычными программами для витрин данных.

Рис. 10.3. Сложность требований

Рис. 10.4. Связи между данными для ретейла с низким уровнем сложности

Источник: Ричард Уинтер, www.wintercorp.com

Что это за оборудование? Оно помогает создать недорогую информационную систему, способную выполнять одну-единственную функцию (подобно микроволновой печи на вашей кухне, которая только разогревает еду). Витрина данных для маркетинга требует сравнительно простой модели, наподобие приведенной на рис. 10.4; при этом она способна обрабатывать большие массивы данных. Этот пример с небольшой сложностью и большим объемом данных соответствует верхнему левому квадранту на рис. 10.3. В данном случае вместо домика для фермера вы строите большую, но простую структуру. Например, огромную парковку, для повышения емкости которой нужно добавить дополнительные места.