Маркетинг, основанный на данных. 15 показателей, которые должен знать каждый.
Первый основной прием аналитического маркетинга: предрасположенность.
Компания Меrеdith Соrроrаtiоn с годовым оборотом в 1,6 миллиарда долларов – лидер среди американских маркетинговых компаний и медиаресурсов для женщин. Она владеет несколькими хорошо известными национальными брендами – в том числе журналами Веttеr Ноmеs аnd Gаrdеns, Раrеnts, Lаdiеs’ Ноmе Jоurnаl, Fаmilу Сirсlе, Аmеriсаn Ваbу и Fitnеss, – а также несколькими местными телеканалами на быстрорастущих рынках. Также Меrеdith обеспечивает корпоративным рекламодателям и их агентствам доступ к своему обширному портфелю медиапродуктов – за это отвечает стратегическое подразделение Меrеdith 360.
Меrеdith применяет маркетинг, основанный на данных, уже более 25 лет. Компания активно использовала директ-мейл для организации подписки на свои издания и хотела заняться рассылками по электронной почте. Поначалу она ограничивалась стихийными разовыми рассылками по электронной почте, но знала, что способна на большее. У маркетинга с использованием электронной почты есть одно важное отличие от директ-мейла. Во втором случае потребитель не против трех-четырех различных сообщений по почте (например, четырех разных открыток). Однако когда речь заходит об электронной почте, вы должны сформулировать одно-единственное лаконичное предложение, позволяющее достичь целей и избежать переполнения клиентских почтовых ящиков. Команда Меrеdith, работавшая над электронным маркетингом, задала себе вопрос: «Какой продукт лучше всего предлагать по электронной почте нашим клиентам?». Для ответа на него требуется создание модели предрасположенности.
Меrеdith создала 20 различных моделей (с помощью метода логистической регрессии{47}), по одной для каждого журнала. Компания использовала максимально широкий подход и включила в модель все возможные переменные. Анализировались не менее 1000 элементов данных, причем все они были признаны статистически важными. К ним относились и регистрация на сайте Меrеdith, и возраст клиентов, и их хобби и интересы, и возраст их детей, и информация о подписке на другие издания, и тип района проживания, и многое другое. Затем модель оценивала предрасположенность каждого индивидуального клиента к покупке определенного продукта, а самый высокий балл показывал, какой продукт будет товаром недели.
Рис. 9.1. Предрасположенность к покупке того или иного продукта (1–12-я недели)
Источник: Меrеdith Соrроrаtiоn
На рис. 9.1 изображены разные продукты Меrеdith и количество клиентов, для которых (по прогнозам модели) велика вероятность покупки товара в конкретную неделю. Иными словами, для каждого клиента создавался личный рейтинг, позволявший понять, какие именно продукты он вероятнее всего купит. Эта иллюстрация – часть панели мониторинга, которую руководители Меrеdith используют для отслеживания результатов.
Модели обновляются каждые 9–12 месяцев, а также еженедельно тестируются, чтобы определить степень соответствия прогнозов реальности. В некоторых случаях данные о потребителях меняются ежедневно, поэтому для достижения наилучших результатов необходим еженедельный пересчет рейтингов для 14 миллионов клиентов. Электронные письма направляются каждому клиенту не чаще одного раза в неделю, при этом частота контакта основана на реакции клиента на предыдущую кампанию: если он открыл письмо или перешел по ссылке, то он может получить сообщение и на следующей неделе. При отсутствии реакции с его стороны Меrеdith может выждать четыре недели, а затем направить по электронной почте очередное сообщение.
На рис. 9.2 приведен пример индивидуализированной и таргетированной рекламы по электронной почте с учетом результатов модели. К предложению о подписке на журнал Веttеr Ноmеs аnd Gаrdеns бесплатно прилагается книга рецептов блюд, приготовляемых на гриле. Эта таргетированная маркетинговая акция, основанная на аналитических моделях, привела к росту коэффициента отклика на предложение с 29 до 50 %. Если сравнить количество подписок после электронной рассылки с результатами предыдущего года (без моделирования таргетинга), то уровень отклика вырос на 20–40 %. Меrеdith в этом примере (см. рис. 9.2) использовала интересные показатели для дальнейшей сегментации. Иными словами, модели предрасположенности позволяли выбрать продукт, а затем подсказывали, какой бесплатный подарок лучше всего с ним сочетается. Например, если клиенты интересовались приготовлением еды, они получали выгодное предложение на покупку гриля. Те, кто интересовался обустройством дома, получали подарок, связанный с декорированием. То же относилось и к любителям садоводства. Меrеdith утверждает, что смогла добиться 15 %-ного роста за счет сегментированного предложения подарков (основанного на знании интересов той или иной группы клиентов) – и это не считая среднего 40 %-ного прироста конверсии вследствие применения моделей предрасположенности.
Эрин Хоскинс, директор компании Меrеdith по вопросам электронной торговли и онлайн-маркетинга, рассказала мне, с чего надо начинать работу и как важно иметь в команде хорошего аналитика:
Я как маркетер знала, что мы можем значительно повысить результативность массовой электронной рассылки. Когда я только пришла в компанию, у меня фактически не было бюджета, баз данных или инструментов для электронного маркетинга. Для начала я подружилась с Келли [Тэгтоу], в то время ведущим аналитиком компании. Когда мы только начинали работать вместе, я часто не понимала, о чем она говорит, но знала, что если нам удастся применить принципы анализа к нашей маркетинговой электронной рассылке, то успех нам обеспечен.
Рис. 9.2. Целевая реклама журнала Веttеr Ноmеs аnd Gаrdеns с приложением бесплатной кулинарной книги
Источник: Меrеdith Соrроrаtiоn
Самой сложной задачей для Хоскинс стало проведение более подробной сегментации и таргетирования, связанных с большим количеством продуктов при тех же ресурсах. Этим делом занимались один человек в отделе маркетинга и один сотрудник производственного подразделения (причем не полный день). Однако у Меrеdith уже была хорошая инфраструктура для работы с данными. Раньше с маркетинговыми базами данных компании работали подрядчики, но руководство всегда признавало стратегическую важность данных и в какой-то момент решило, что эту работу могут выполнять и сотрудники Меrеdith. Данные о потребителях были сведены в новую корпоративную базу. Меrеdith собирала электронные адреса своих клиентов, однако не имела нужных инструментов для проведения целевых рассылок по электронной почте.
Келли Тэгтоу, директор Меrеdith по вопросам бизнес-аналитики, рассказала мне: «Данные для первых целевых кампаний мы собирали вручную – это отнимало много времени. Сначала было сложно. Однако мы доказали, что модели предрасположенности действительно эффективны, и результаты работы позволили оправдать инвестиции в инструменты автоматизированного маркетинга с использованием электронной почты». Эта инвестиция многократно окупилась за счет повышения коэффициента отклика и более чем 20 %-ного прироста количества подписок после получения письма.