Реклама и маркетинг: как сократить расходы и повысить выручку с помощью Big Data — 5 практических кейсов от российских и зарубежных компаний

Оптимизация расходов на маркетинг: как Big Data позволит вам повысить эффективность затрат на рекламу, наладить стабильную лидогенерацию, превратить посетителей в покупателей и увеличить выручку.

Продуктивная реклама: 3 простых способа оптимизации рекламного бюджета

Чтобы реклама стала двигателем торговли, она должна быть эффективной, т.е. обеспечивать высокую конверсию. Этот показатель описывает отношение целевого результата к затратам на его достижение. Например, сколько процентов посетителей сайта оставили заявку на товар/услугу, какова доля полученной выручки с продаж от потраченного рекламного бюджета и т.д. При этом эффективность рекламного бюджета зависит не столько от инвестиций в него, сколько от точности соответствия рекламных предложений потребностям потенциальных покупателей [1].

А поскольку рекламные бюджеты всегда ограничены, работа маркетолога сводится к увеличению отклика (заявок, продаж и прочих целевых действий) в условиях минимизации затрат на привлечение покупателей. Это возможно за счет следующих вариантов:

  1. специальное таргетирование – реклама показывается только той целевой аудитории (ЦА), которая действительно заинтересована в товаре/услуге. Например, гостиничные предложения для тех, кто ищет билеты на самолет или поезд в другой город.
  2. персонализация рекламного предложения – индивидуальное звучание ключевой фразы для узкого сегмента ЦА. К примеру, luxury-отели для премиум-клиентов и бюджетные хостелы для тех, кто хочет сэкономить.
  3. выбор оптимального рекламного канала – контекстная реклама в поисковых системах, социальных сетях, звучные/зрелищные ролики по радио или телевидению, красочные плакаты на биллбордах вдоль автомагистралей или раздача бумажных промоматериалов на улице. Не нужно пытаться охватить все каналы доставки информации потенциальному клиенту, достаточно сосредоточиться на тех, которые приносят максимальный трафик. Сегодня практически для всех отраслей экономики таким каналом становится интернет: контекстная реклама, соцсети и поисковое продвижение через полезный контент на сайте.

Таким образом, оптимизация рекламного бюджета сводится к отказу от непродуктивных каналов и нецелевых показов. Эти меры позволят наладить стабильную лидогенерацию, т.е. привлечь новых посетителей и превратить их в покупателей.

маркетинг, реклама, оптимизация с помощью Big Data
Отказ от непродуктивных каналов и нецелевых показов — шаг к оптимизации рекламного бюджета

Эффективный маркетинг: 3 способа повысить продажи и увеличить выручку

Привлечение новых клиентов – важная маркетинговая задача, однако это стоит примерно в 5 раз дороже возврата старого покупателя. При этом вероятность продажи товаров и услуг старому клиенту равна 60-70%, тогда как новому – всего 5-20% [2]. Поэтому для увеличения прибыли компании необходимо увеличивать выручку или средний чек с продажи за счет следующих мероприятий:

  1. стимуляция повторных обращений – карты лояльности, подарочные сертификаты и промоакции с персональным рекламным предложением и ограниченным сроком действия, направленные по наиболее значимому для клиента каналу, побудят его к новой покупке;
  2. организация дополнительных продаж – рекомендации товаров/услуг, сопутствующих основной, например, страховка для выезжающих за рубеж при покупке турпутевки;
  3. превентивная генерация спроса – реклама, опережающая текущие потребности клиента и побуждающая его к желанию приобрести товар/услугу. К примеру, предложения эно-\гастропутешествий в Италию на страницах сайтов с описанием блюд итальянской кухни.

Как все эти меры на практике использует интернет-магазин Ozon.ru, мы подробно рассказывали здесь, когда описывали технологию снижения оттока клиентов (Churn Rate) с помощью анализа больших данных (Big Data) и алгоритмов машинного обучения (Machine Learning).

Big Data, Большие данные, машинное обучение, Machine Learning, реклама, маркетинг, ритейл, e-commerce, churn rate
Персонализация рекламных предложений — эффективная стратегия современного маркетинга

Big Data в рекламе и маркетинге: 5 практических примеров

  1. Крупнейший телеком-оператор Испании, Telefónica Spain, в 2016 году добился роста продаж на 17% за счет генерации персонализированных рекомендаций клиентам в реальном времени. Было собрано около 3 200 терабайт актуальных данных о всей аудитории оператора, включая мобильный трафик и использование кабельного ТВ. Процесс анализа изменений в увлечениях пользователей был автоматизирован: по каждому абоненту была составлена карта предпочтений на основе всей истории пользования, учтены отказы от услуг в разных сегментах аудитории. В итоге время телепросмотров выросло на 20% за счет автоматического показа пользователю предложений по будущим телепрограммам, тематика которых интересна клиенту [3].
  2. Российский мобильный оператор, компания МТС, аналогичным образом повысила эффективность своих рекламных кампаний на 20% по сравнению с традиционным таргетингом. Собственные алгоритмы машинного обучения (Machine Learning) анализируют историю абонента и прогнозируют его потребность в будущих услугах. Например, если пользователь часто удаляет данные со своего устройства, вероятнее всего, ему не хватает памяти и целесообразно предложить ему облачный сервис для хранения информации. Персонализированное рекламное предложение автоматически поступает клиенту, экономя таким образом его время [4].
  3. Другой отечественный телеком-гигант, Билайн, за счет узкой сегментации целевой аудитории, персонализации рекламных предложений и отсечения нецелевого трафика в 33 раза сократил рекламный бюджет по направлению «Деловой интернет». При этом количество заявок выросло в 1,7 раз, конверсия увеличилась в 100 раз, а стоимость самой заявки сократилась 57,7 раз [5].
  4. В оффлайн-ритейле наиболее сильно впечатляет опыт американской торговой сети Macy’s, которая решила персонализировать коммуникацию с каждым клиентом во всех 840 магазинах в 45 штатах США. Как только клиент с мобильным приложением магазина входит в торговый зал, ему приходит уведомление с персональной скидкой и рекламным предложением, сформированным автоматически на основе всей истории его покупок и просмотренных товаров в онлайн-каталоге. В каждом магазине расположены десятки Bluetooth-маячков для определения местоположения посетителя с точностью до нескольких сантиметров. Эти устройства подают сигнал в корпоративную CRM-систему, которая направляет клиенту на смартфон предложение со скидкой на товар, ближайший к нему в данный момент. Кроме того, благодаря глубокой аналитике Big Data, Macy’s удалось персонализировать текущий email-маркетинг: число уникальных вариантов письма для одного пользователя достигает 500 тысяч. По результатам первого года работы инструментов Big Data в рекламе и маркетинге сеть Macy’s повысила продажи на 10% и планирует увеличивать этот показатель и дальше за счет более глубокого внедрения технологий [3].
  5. Российский ритейлер, сеть гипермаркетов «Лента», благодаря анализу больших данных о своих клиентов за год увеличила число пользователей карт лояльности сети на 24%. Теперь торговая сеть насчитывает более 10 миллионов лояльных клиентов, которые совершают 93% всех покупок. Данные о потребительском поведении оперативно собираются и анализируются, чтобы выявлять пользовательские предпочтения и стимулировать клиента к дополнительным покупкам с помощью промоакций на те продукты, которые ему интересны [3].
Big Data, Большие данные, машинное обучение, Machine Learning, реклама, маркетинг, ритейл, e-commerce, churn rate
Big Data и Machine Learning — рабочие инструменты современного маркетолога

Хотите оптимизировать свой рекламный бюджет, сократив маркетинговые расходы, но увеличив выручку и общую прибыль компании? Не бойтесь собирать и анализировать данные о своих клиентах – текущих и потенциальных. А как это сделать наиболее эффективно с помощью технологий больших данных (Big Data) и машинного обучения (Machine Learning), мы расскажем вам на наших практических курсах.

На занятиях для Data scientists, аналитиков по работе с большими данным и специалистов по машинному обучению, вы узнаете, как выбрать, настроить и использовать конкретные методы, средства и аналитические инструменты для решения прикладных маркетинговых задач. В частности, как сегментировать целевую аудиторию, спрогнозировать и предупредить отток клиентов (Churn Rate), мы разбираем на курсе машинного обучения на Python. Подробную информацию и расписание занятий смотрите здесь. До встречи в классе!

Источники

  1. https://elama.ru/blog/koefficient-konversii-v-kontekstnoy-reklame/
  2. https://bigdataschool.ru/blog/machine-learning-в-онлайн-маркетинге.html
  3. https://www.sostav.ru/publication/big-data-razmer-ne-imeet-znachenie-31028.html
  4. https://vc.ru/future/25645-ai-business
  5. https://m.habr.com/ru/company/yagla/blog/303036/
One Comment

Комментарии закрыты.

Поиск по сайту