Телефон: +7 (383)-202-16-86

Статья опубликована в рамках: Научного журнала «Студенческий» № 9(29)

Рубрика журнала: Экономика

Секция: Маркетинг

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4

Библиографическое описание:
Гирш Л.В. ПРЕДИКТИВНАЯ АНАЛИТИКА КАК БАЗА ПОСТРОЕНИЯ СТРАТЕГИЧЕСКОГО МАРКЕТИНГОВОГО ПЛАНА // Студенческий: электрон. научн. журн. 2018. № 9(29). URL: https://sibac.info/journal/student/29/106288 (дата обращения: 13.11.2019).

ПРЕДИКТИВНАЯ АНАЛИТИКА КАК БАЗА ПОСТРОЕНИЯ СТРАТЕГИЧЕСКОГО МАРКЕТИНГОВОГО ПЛАНА

Гирш Линда Валерьевна

студент, кафедра маркетинга ЮУрГУ,

РФ, г. Челябинск

Ежедневно на нас обрушиваются бесконечные потоки информации. Для бизнеса большие объемы информации могут играть двоякую роль: они могут запутать незнающих, а могут и предсказывать верные стратегические решения тем, кто умеет этим управлять. Актуальность данной темы обусловлена тем, что аналитика сейчас выходит на новый этап развития: данных становится все больше, но вместе с тем появляются новые методы, способы и решения для их анализа.

Предиктивная аналитика пока только внедряется в маркетинг, однако в здравоохранении, страховании, финансах, информационной безопасности и других областях она заняла главное место давно и прочно. Так с помощью сортировки больших данных, предиктивная аналитика помогает прогнозировать будущие события и принимать правильные решения. Подобная аналитика совсем скоро станет привычным явлением в инструментах каждого маркетолога из-за активного вмешательства информационных технологий в нашу жизнь.

Предиктивная аналитика (или предсказательная аналитика, англ. predictive analytics) – класс методов анализа данных, концентрирующийся на прогнозировании будущего поведения объектов и субъектов с целью принятия оптимальных решений.

Предиктивная аналитика использует статистические методы, методы интеллектуального анализа данных, теории игр, анализирует текущие и исторические факты для составления предсказаний о будущих событиях.

Аналитики полагают, что дальнейшее развитие мирового рынка бизнес-анализа пойдет по пути активного освоения продвинутой аналитики, в том числе предиктивного анализа, построения симуляторов и вариативных моделей [2]. Наиболее востребована предиктивная аналитика в отраслях, работающих с конечными потребителями, таких как банковские и финансовые сервисы, страхование, госсектор, фармацевтика, телеком, ИТ и ритейл. На эти сегменты пришлось 71,8% объема внедрений в 2012 году. На протяжении прогнозного периода максимальная доза проектов придется на банковский сектор, финансовые сервисы, страхование. Впрочем, наиболее быстрым будет рост проектов число в рознице и на производстве.

Аналитики отмечают, что рост случаев мошенничества, неплатежей, угрозы несоответствия многочисленным правилам и регламентам вынуждают бизнес все чаще обращаться к предиктивному анализу с целью построения футуристических моделей, позволяющих принимать предупреждающие меры по отношению к неблагоприятным событиям.

Существует немало методов предиктивной аналитики, но рассмотрим те, что могут быть полезны маркетологу. Среди таких методов:

· метод использования скоринговых моделей – оценочная модель, которая строится на исторических данных. Самый яркий пример это оценка платежеспособности клиента при выдаче кредита. Например, если человек, пришедший за кредитом, схож по характеристикам с группой, которая не своевременно погашает кредиты, то ему откажут.

· множество методов Data mining – выявление скрытых закономерностей между переменными в больших массивах необработанных данных. Data Mining позволяет применять статистические методы для предварительной обработки входящих данных и поиска скрытых закономерностей. На одних и тех же выборках могут применяться разные методы, и результирующие модели будут иметь разную силу предсказания. Хорошая аналитическая система сама оценивает качество полученных моделей и по определенным критериям выбирает лучшую.

Главная задача всех методов предиктивной аналитики – определение предикторов или параметров, которые влияют на прогнозируемое событие. Например, в интернет-магазине могут быть такие предикторы, как пол, возраст, город покупателя. Множество предикторов образует модель предиктивной аналитики, которая предсказывает событие с определенной степенью вероятности.

К примеру, магазин имеет большой ассортимент товара, в этом случае можно определить и повысить вероятность его покупки посетителем. Такая вероятность может быть рассчитана с помощью статистической модели, которую строят в процессе работы на основе поведения аудитории магазина. Для этого в статистическую модель надо регулярно передавать сведения о покупателях изучаемого товара.

В качестве входных параметров могут использоваться большое количество параметров посетителя. Эти параметры можно взять из системы веб-аналитики (если магазин представлен в интернете) или из анкеты покупателя (если необходимо изучить потребителя в самом магазине). Прежде всего это демографические параметры: возраст, образование, сфера деятельности. Другую группу параметров составляют поведенческие характеристики: средний чек покупок, количество покупок, время между покупками. Поведенческие характеристики имеют свойство меняться с течением времени, поэтому необходимо не только брать как можно больше параметров для точности модели, но и регулярно пересчитывать модель. Обычно данные берут на основе загружаемой CRM информации (Customer Relationship Management System – система управления взаимодействием с клиентами.) Цель данной системы в повышении уровня продаж и улучшении качества обслуживания клиентов.

Прогресс не стоит на месте, и уже появляются специальные бизнес-приложения, загружая данные в которые, маркетолог сможет не производить сложные расчеты самостоятельно. Также самый простой прогнозный алгоритм можно реализовать и в Excel, однако в специальном приложении есть возможность создавать персонализированные и автоматические ответы на действия (триггеры) каждого потенциального клиента.

Мною было проведено мини-анкетирование для предприятий на тему предиктивной аналитики в деятельности компаний. Были опрошены 21 предприниматель, топ-менеджеры и бизнесмены в таких сферах как промышленность, FGMC, сфера красоты, электроэнергетика, производственные компании.

По результатам анкетирования выяснилось, что 86% респондентов используют аналитику на предприятии. 71% это помогает в предсказании будущей ситуации на рынке. Также 71% использует профессиональные продукты для анализа больших данных, а 29% не знают, что это за продукты. Все респонденты ответили, что им была бы полезна подобная аналитика. Для подтверждения данной гипотезы было проведено глубинное интервью с директором по развитию производственной компании. В ходе интервью выяснилось, что сейчас предприятие использует аналитические программы для прогнозирования спроса и изменения потребностей покупателей. Однако минусом выделяют дороговизну таких программ, поэтому до профессиональных аналитических устройств компания старалась предсказывать спрос своими силами.

Предиктивная аналитика позволяет маркетологу находить в большом массиве данных зависимые друг от друга области. Это позволяет систематизировать и анализировать данные с помощью специальных методов. Кроме того, предиктивная аналитика умеет находит стандартные типы закономерностей: ассоциация, последовательность, классификация, сегментирование и прогнозирование.

По мнению Эрика Сигеля (Eric Siegel), эксперта по предиктивному анализу, область применения такого анализа в действительности весьма широка [1]. В маркетинге ее можно использовать по-разному. В директ маркетинге с помощью предиктивной аналитики можно повысить число откликов путем интеграции данных о клиентах из различных веб и социальных источников. Также можно определять эффективность промо кампаний, разделяя потенциальных клиентов по сегментам, местоположению или каналам доставки. одно из перспективных направлений: предиктивный таргетинг рекламы, где любой рекламодатель выяснит, какое сообщение станет наиболее эффективным. Предиктивный анализ позволяет рассчитать поведение клиентов, а также учесть негативные факторы, влияющие на их решения для их удержания.

Всё это помогает выстроить наиболее прочные связи со своими клиентами, а также быстро реагировать на их действия благодаря предсказаниям. Уже сейчас можно точно сказать, что в ближайшем будущем все коммуникации брендов с клиентами станут персонализированными, а предиктивные технологии будут первыми характеристиками этого тренда. Мощности, необходимые для анализа больших данных, ранее были доступны только избранным, но ситуация стремительно меняется. И если сейчас не обратить внимание на надвигающийся тренд, который скоро станет важной составляющей бизнеса, то можно упустить большую часть своей прибыли. Ведь много данных не бывает, их ценность нужно понимать и управлять ими, чтобы бизнес приносит прибыль.

 

Список литературы:

  1. Сигель Э. Просчитать будущее. Кто кликнет, купит, соврет или умрет (Predictive Analytics) – Альпина Паблишер, 2017. – 374 с.
  2. Предикативная (предиктивная) аналитика Predictive Analytics – 2015. [электронный ресурс] – Режим доступа. – URL: http://tadviser.ru/a/180866 (дата обращения 1.05.2018)

Оставить комментарий