ПРЕДИКТИВНАЯ АНАЛИТИКА КАК БАЗА ПОСТРОЕНИЯ СТРАТЕГИЧЕСКОГО МАРКЕТИНГОВОГО ПЛАНА

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)