Какая информация собирается с помощью Big Data?
Вся информация, которую может накапливать сайт, делится на два типа: данные о совершенных покупках и информация о клиентах.
| Данные о покупках и посещениях | |||
|
История покупок (что заказывали, время и дата, частота заказов, цена товара, использование акций и скидок) |
Предложение клиенту в нужное время похожих товаров по подходящим ценам (или со скидкой), информирование об акциях на сайте в SMS и email-рассылках |
||
|
Пользователь совершает покупки с мобильного телефона |
Использование мобильных приложений интернет-магазина для большего взаимодействия с покупателем |
||
|
Поведение покупателя на сайте: что понравилось и нет при выборе, на каких страницах задержался, какие товары смотрел и что откладывал в корзину, на каком этапе покинул веб-ресурс |
Возможность предлагать конкретному посетителю интересный ему контент на страницах и понравившиеся ему товары, персонализировать формы сообщений, товарные рекомендации и оповещения |
||
|
Информация о том, с какого сайта пришел клиент |
Выявление наиболее и наименее эффективных каналов для рекламы сайта, использование самых эффективных площадок |
||
|
Использование сервисов (например, «Онлайн-консультант», «Обратный звонок») |
Своевременное предложение воспользоваться теми сервисами, которые пользователь оценил ранее |
||
| Данные о клиенте | |||
|
Адрес |
Внедрение геотаргетинга рекламных и сервисных объявлений на сайте, подстройка каталогов и контента страниц под определенные регионы |
||
|
Возраст, пол, семейное положение, наличие детей, дата рождения, владение автомобилем или недвижимостью, профессия, интересы |
Индивидуальные предложения клиенту на основе его данных в интернет-магазине и в рассылках, скидки на праздники (день рождения, профессиональные праздники и т. д.), персонализация товарных рекомендаций |
||
|
Поведение пользователя в сети, его присутствие в соцсетях, круг друзей и сообщества |
Поиск новой похожей аудитории на тех ресурсах, где бывает клиент, среди его знакомых, друзей по интересам |
||
|
Тип личности, особенности восприятия информации |
Индивидуальность подачи информации на сайте, формата оповещений, анкетирования, подстройка сервиса с учетом особенностей каждого посетителя |
||
Продвижение медцентров и клиник: три кейса о SEO, TikTok и Instagram*
Как получить измеримые результаты в фарммаркетинге.
Показываем на примерах →
Спецпроект
Источники информации и методы ее обработки
Сам веб-ресурс является основным источником данных о покупателях. Регистрационная информация, ответы пользователя на вопросы в анкетах и опросах, отзывы, — эти данные сегодня собираются и анализируются практически каждым интернет-магазином. Использование счетчиков и систем аналитики («Яндекс.Метрика», Google Analytics и другие) дает возможность оценить посещаемость сайта, наиболее частые маршруты, самые популярные разделы, глубину интереса и поведение посетителей. Социальные сети, форумы, блоги, мобильные приложения и внешние поставщики информации (например, продавцы клиентских баз) также являются источниками больших данных.
Современные автоматизированные технологии позволяют обрабатывать огромные неструктурированные потоки информации. Вот основные решения рынка Big Data:
1. Системы управления базами данных (Sap, Oracle, Microsoft, IBM и другие).
Решают задачи хранения и обработки информации, анализируют динамику показателей и предоставляют результаты в статистических отчетах. На их основе системы осуществляют прогнозную аналитику и дают рекомендательные заключения (например, прогноз количества заказов, степень эффективности конкретной рекламной кампании).
2. Алгоритмы, которые занимаются анализом Big Data, извлекая полезные данные (интересы, намерения, предпочтения потребителей). Они выстраивают прогнозные аналитические модели для подготовки маркетинговых кампаний и выявляют наиболее релевантные методы рекламы (например, Yandex Data Factory, CleverDATA).
3. Готовые сервисы, которые позволяют персонализировать рекламные кампании:
- Сервисы управления закупками RTB-рекламы, которые на основе данных предсказывают действия целевых пользователей и таргетируют рекламу во всех онлайн-каналах (например, Segmento, RTB-Media);
- Сервисы товарных рекомендаций, которые показывают на сайте товары, способные максимально заинтересовать конкретного посетителя (RetailRocket, «1С-Битрикс BigData»);
- Сервисы персонализации контента, показывающие пользователям наиболее подходящие для них версии страниц веб-ресурса (Personyze, Monoloop, Crosss);
- Сервисы персонализации рассылок, которые на основе информации о клиентах отправляют таргетированные письма (например, Vero, Personyze);
- Сервисы таргетированной рекламы в соцсетях, которые решают задачи привлечения потенциальных покупателей и повышения продаж (регистраций), охвата целевой аудитории, анонсирования новых продуктов и акций, а также повышения имиджа компании (например, HiConversion, myTarget).
На деле границы между этими разработками и сервисами не такие четкие, так как они активно друг с другом сотрудничают, постоянно совершенствуются и добавляют новый функционал. Кроме того, в настоящее время появляются все больше стартапов, работающих с Big Data.
Например, новые системы для таргетирования рекламы в соцсетях Рунета (SocialKey Ads) или сервис Persuasion API, который при персонализации веб-ресурса основывается на психологии убеждения.
Как эффективно использовать Big Data для сайта
Владелец любого сайта обязан постоянно заниматься оптимизацией его конверсии, иначе он просто не выживет в конкурентной борьбе. Персонализация позволяет бизнесу всегда быть на волне клиентов, строить правильные коммуникации с ними и повышать отдачу сайта. К примеру, клиент, получив рассылку, перешел в интернет-магазин, просмотрел определенные товары, но ничего не купил. Узнав об этом, можно отправить ему письмо с иллюстрацией того самого товара и предложить на него скидку. На основе информации о посещениях веб-ресурса также можно улучшить поведенческие метрики, сделать сайт удобнее и интереснее для клиентов и тем самым способствовать его продвижению в поиске.
С помощью анализа друзей, сообществ и активности самого пользователя в соцсетях откроются новые источники схожей аудитории и каналы рекламы бренда (к примеру, объявления интернет-магазина подарков эффективно показывать окружению тех пользователей, у которых скоро день рождения). Кроме того, зная об увлечениях посетителя и используемых им гаджетах, можно будет создавать приложения и сервисы, которые будут ему реально интересны. Например, если покупатель использует для заказа мобильный телефон, будет здорово, если вы предложите ему скачать приложение для покупок в интернет-магазине. Это позволит вам более эффективно размещать рекламу, выйти на близкий контакт с клиентом и получать о нем больше информации.
Не существует единой схемы использования больших данных. Многое зависит от финансов и готовности руководства внедрять новые технологии для развития бизнеса. Крупные интернет-порталы, имеющие огромные объемы информации и возможность выделить экспертов для работы с ними, пользуются системами управления данными (напрямую или через посредников). Готовые сервисы не требуют затрат на инфраструктуру, и их довольно просто внедрить в работу сайта. Это делает их доступными для владельцев веб-ресурсов, которые не располагают бюджетом на системные решения Big Data, но хотят более четко сегментировать аудиторию и повысить точность попадания рекламы в цель.
Следует помнить о важности выбора обрабатываемых данных. Вся поступающая информация не может оказаться полезной для бизнеса, не стоит бездумно пытаться накапливать и анализировать все подряд, это может привести к пустой трате времени и денег. Например, может оказаться неважной информация о посещениях сайта в других городах (если ресурс не нацелен на продажи по всей стране). Сайту, продающему телевизоры, не обязательно знать о наличии у клиента домашних животных или его увлечении марками. Информацию необходимо тщательно отбирать, сортировать и разделять на ту, которую нужно хранить и анализировать, и ту, которую можно не принимать во внимание. Залог успеха — правильная формулировка целей и задач, для которых будут использоваться технологии больших данных.
Источник картинки на тизере: trendreport.betterplace-lab.org
Источник: