Data Science, avagy hogyan erősítsd az adatvezérelt digitális marketinged

Olvasási idő: 7 perc
Share Button

A folyamatosan végbemenő információrobbanás olyan lehetőségeket teremt, amelyben rengeteg hasznos adat és eszköz segítségével növelhetjük a digitális marketing teljesítményét. Több példát is találni a világhálón, amely arról ír, hogy milyen eredményeket érhetünk el a data science (adattudomány) segítségével. De vajon mi kell hozzá? Egyáltalán hogyan fogjunk neki? E heti cikkünkben ennek jártunk utána.

 

 

A The New York Times Magazine online felületén egy olyan példa került publikálásra, amelyben elképesztően pontos előrejelezéssel tudták megmondani, hogyha egy nő 25 konkrét terméket megvásárol, akkor nagy valószínűséggel gyermeket vár. Ennek kapcsán létrehoztak egy várandóság-előrejelző modellt, mely egy bonyolult algoritmuson alapul.

Jelen cikkünk ebből a feltevésből indul: miként használhatjuk az adattudományt és az adatelemzéseket:

  • a jelenlegi vásárlóink szegmentálására, értékelésére;
  • hogyan indítsunk adatvezérelt e-mail marketing kampányokat;
  • valamint hogyan hozhatunk létre vásárlói hűséget.

 

Vásárlók szegmentálása

A sikeres üzlet a vásárlók megismerésével kezdődik. Nagyon fontos a szegmentálás első lépése: a vásárlói bázist hasonló karakterisztikával rendelkező egyének csoportjaiba kell beosztani. Mindenképpen a marketing szempontjából fontos karakterjegyekre kell itt gondolni, például kor, nem, érdeklődési kör, foglalkozás és költési szokások. Ha ez megvan, akkor az egyes szegmenseket személyreszabott ajánlatokkal javasolt megszólítani.

A legnagyobb kihívás a vásárlói szegmentálásban a leggyakrabban a minőségi és tisztított adatok meglétének a hiánya. Ha például valaki feliratkozik az e-mail listádra, nem feltétlen kérsz el az e-mail és a nevén kívül további adatokat. De még ha el is kérsz, akkor sem biztos, hogy a valós adatokat fogja megadni a korára, párkapcsolati állapotára stb. vonatkozóan. Ez azért van, mert a legtöbb esetben csak például a feliratkozásért járó kedvezményt akarják besöpörni és nem törődnek azzal, hogy a cégnek valós adatok kellenek.

És itt jön képbe a haladó adatelemzés. A modern és leleményes marketinges ahelyett, hogy közvetlenül kérné meg a felhasználókat, hogy írják körbe magukat, inkább külső adatforrásokat és haladó analitikai eszközöket használhat, hogy kikövetkeztesse azokat. Már abból is sokat lehet megtudni, ha a vásárlók vásárlási viselkedését megfigyelik és monitorozzák.

Az adatok begyűjtése után a klaszterelemzést javasoljuk, hogy megtaláljuk azokat a homogén csoportokat, amelyek hasonló viselkedési és demográfiai, geográfiai mintázattal bírnak. A klaszterelemzésnél mindig szem előtt kell tartani az adatok típusát és a célokat. A klaszterek kívülről bizonyos távolságra állnak egymástól, míg a klaszter tagjai bizonyos változók alapján hasonlítanak egymáshoz. Tehát a klaszterelemzés segítségével nemcsak homogén szegmenseket hozhatunk létre, hanem olyan változókra lelhetünk rá, amelyek kimutathatóan megkülönböztetik az egyik vásárlót a másiktól.

 

A vásárlók szegmentálása klaszteranalízis segítségével

Egy másik hasznos módszer a szegmentálásra a döntési fák készítése. A döntési fa könnyen értelmezhető és könnyen vizualizálható egy rendszerezett formában. Főként arra használhatók, hogy a magas üzleti értékkel bíró vásárlók közös karakterisztikáját ábrázolni tudjuk. Lényegében a ha-akkor szabályokat alkalmazza az adatok csoportokba rendezésére (például esetünkben magas vs. alacsony üzleti értékkel bíró vásárlók).

 

Döntési fa diagram a szegmentálás ábrázolásához

 

A fenti módszerek mellett regressziós modellezést is alkalmazhatunk, aminek segítségével kvantitatív módon értékelhetjük (pontozhatjuk) a vásárlókat.

Ha már kiválasztottad és felállítottad a megfelelő szegmentációs modellt, onnantól kezdve már nagyon könnyű azt az új vásárlók értékelésére, szegmentálására alkalmazni – akár automatizáltan is.

 

Indíts adatvezérelt e-mail marketing kampányokat

A 2015-ös évet az “adat okos használatának” évének jósolta meg az EMarketer. Ez a trend folytatódik és a perszonalizált e-mail kommunikáció a trend egyik alapját képezi. A perszonalizáció eléréséhez először értékes demográfiai és viselkedési adatokat kell begyűjtened.

A következőkben felsorolunk néhány fontos mutatót és információt, amelyek segítenek jobban megérteni és megismerni a vásárlóidat:

  • demográfiai információk: nem, kor, foglalkozás, érdeklődési kör,
  • geográfiai adatok: lakóhely, tartózkodási hely, látogatott földrajzi helyek,
  • átkattintási arány (click-through rate, CTR), konverziós arány (conversion rate) és kattintás/megnyitás arány (click-to-open rate),
  • vásárlási aktivitás speciális termékek esetén,
  • letöltött e-könyvek, webinárokon való részvétel,
  • feliratkozott a hírleveledre vagy egy e-mail listádra,
  • interakcióba lépett a közösségi média oldalaiddal (például Facebook, YouTube, LinkedIn),
  • megnézte a promóciós videódat.

A fent felsorolt néhány példa alapján gyűjtött adatok lehetővé teszik a vásárlók szegmentálását, majd az egyes szegmensek számára perszonalizált és a számukra releváns tartalommal hatékonyabb üzenetet küldhetsz. Például küldhetsz promóciókat kapcsolódó termékekről (cross-sell) azoknak, akik már vásároltak hasonló kategóriájú termékeket tőled, vagy emlékeztetheted őket a vásárolt szolgáltatás közelgő lejártára.

A megnyitási arány szempontjából nagyon fontos az időzítés. A MailChimp kutatása alapján elmondható, hogy az olvasók 12:00 után nagyobb valószínűséggel fogják megnyitni az e-mailt, valamint az e-mail megnyitások 23%-a a kézbesítés utáni első órában történik. 24 óra eltelte után pedig az e-mail megnyitási esélye 1% alá zuhan.

Az eDM fogalmáról a fontosabb KPI-okról ebben a cikkünkben olvashatsz részletesebben.

A Get Response kutatása bebizonyította, hogy  az e-mailküldésre a megnyitások szempontjából a legjobb nap a kedd.

A fenti említett adatokat a magyar piacra vonatkozóan fenntartásokkal kell kezelni, viszont kiindulópontnak megfelelnek. Mindenképpen érdemes tesztelned a saját célközönségedet A/B tesztekkel mind a tárgymező, a levélszöveg, mind a kiküldés időpontjára vonatkozóan.

Ha már vannak saját adataid arra vonatkozóan, hogy a célközönségeid mikor nyitják meg főként az e-maileket, akkor a későbbiekben a viselkedési szokásaik alapján időzítheted a kiküldést. De A/B tesztet is használhatsz a különböző szegmensek szokásainak összehasonlítására: például a 25 és 35 év közöttiek éjszaka nyitják meg a leveleidet, míg a 45 fölöttiek inkább reggel. Tesztelj, tesztelj és optimalizálj! 🙂

 

Alakíts ki vásárlói hűséget

A Forrester Research kutatása szerint ötször többe kerül az új vásárlók megszerzése, mint a jelenlegiek elégedettebbé és visszatérővé tétele. Éppen ebből a tényből kiindulva az okosabb cégek megnövelik a fókuszt a visszatérő vásárlók hűségének kialakítására. A vásárlói hűség kialakításának folyamata két részre bontható:

  • vásárlói viselkedési mintázatok megértése,
  • lemorzsolódás (churn) előrejelzése.

 

A vásárlói hűség kialakítás az adatvezérelt marketing segítségével

 

Vásárlók viselkedési mintázatainak megértése

Ha szeretnéd az ajánlataidat, üzeneteidet minél jobban személyre szabni és célozni, akkor integrálnod, illetve elemezned kell a különböző adatforrásokból érkező strukturálatlan és folyamatosan bejövő adatokat. Ilyen források lehetnek például:

  • szöveges üzenetek
  • e-mailek
  • call center feljegyzései
  • hangfelvételek
  • kérdőívek
  • GPS eredmények
  • közösségi média adatok

Ha szeretnéd ezeket az adatok az analitikai eszközökbe integrálni és prediktív modelleket létrehozni, akkor mindenképpen szükséged van adattudósokra (data scientist), akik segítenek a folyamat előkészítésében és felállításában. Ha ez sikerült, akkor egy felületen akár több gigabájtnyi adatot percek alatt tudsz elemezni, hogy használható és releváns információkhoz juss a vásárlókkal kapcsolatban.

 

Lemorzsolódás (churn) előrejelzése

A vásárlók visszatérésének optimalizálásához elengedhetetlen azon vásárlók arányának előrejelzése, akik lemorzsolódnak. Ehhez olyan statisztikai modelleket kell létrehozni, amelyek megbecsülik ezen vásárlók lemorzsolódásának valószínűségét. Azonban azt nem elég tudni, hogy milyen típusú vásárlók vonulnak vissza a márkádtól, azt is kell tudnod, hogy miért teszik azt.

Ahogy azt a vásárlók szegmentálása fejezetben is bemutattuk, itt is használható a döntési fa modell a prediktív analitikához. Prediktív analitika témában angol nyelven itt olvashatsz bővebben. A döntési fa modell segítségével rájöhetünk a lemorzsolódás miértjére. Ha megvan az ok, akkor már tudni fogjuk, hogyan kezeljük ezt a problémát személyre szabott üzenetekkel.

Adatvezérelt digitális marketing és data science

 

Bár a döntési fa nem a legpontosabb előrejelző modell, azonban használatát azért javasoljuk, mivel könnyen értelmezhető és általa hamar rátalálhatunk a változtatandó pontokra.

 

Konklúzió

Reméljük, sikerült rávilágítani azokra a területekre, melyekre például érdemes alkalmazni a statisztika-matematika-marketing hármas alapon működő adattudományt (data science-t). Az adatvezérelt marketing alapjait így tudjuk csak lefektetni. Ha a fenti három területen bemutatott tanácsokat megfogadod, akkor már közelebb jutsz a digitális marketing sikeréhez és egyúttal a kitűzött célokhoz is.


Nem tudod, mi a helyes döntés? Nem tudod, vajon melyik a helyes út? Stratégiatervezés segítségével meghatározhatod a hosszútávú mérföldköveket és így az üzletileg legfontosabb feladatokra koncentrálhatsz. Ne habozz, válaszd a Stratégiatervezés szolgáltatásunkat!

 


Tetszett a cikk? Akkor oszd meg, hogy másokhoz is eljusson az üzenet!

Ha van véleményed a cikkel kapcsolatban, írd le azt a lent található kommentekben!

Share Button

Hozzászólások