Big Data, большие данные, — это массивы информации настолько большого объема, разнообразия и скорости накопления, что их нельзя обработать в обычной таблице или стандартной базе данных. Речь идет о данных, которые постоянно пополняются из множества источников: покупки, клики, переходы по сайту, действия в приложении, записи с датчиков; одним большим файлом тут дело не описать.
В маркетинге Big Data чаще всего складывается из истории покупок, поведения на сайте, реакции на рекламу и данных из CRM. По отдельности каждый источник дает узкую картину, а вместе они позволяют строить куда более точный прогноз поведения конкретного покупателя, чем любой источник в одиночку.
Три признака Big Data
Объем данных доходит до терабайтов и петабайтов, оставляя мегабайты далеко позади: крупный интернет-магазин или мобильное приложение с миллионами пользователей накапливает такие объемы информации о поведении людей за считанные месяцы работы.
Разнообразие форматов означает, что данные приходят строками в таблице, текстом отзывов, фотографиями, аудиозаписями звонков, геолокацией с телефона. Обычная реляционная база данных плохо справляется с таким разношерстным набором информации без специальных инструментов обработки.
Скорость накопления и обработки требует систем, которые успевают анализировать данные почти в реальном времени: рекомендация товара должна появиться на экране за доли секунды после клика, тогда как сутки на выгрузку отчета аналитиком тут непозволительны.
Как Big Data используют в маркетинге
Персонализация рекомендаций строится на анализе поведения похожих покупателей: система замечает, что люди, купившие товар А, часто интересуются товаром Б, и показывает эту связку следующему покупателю с похожим профилем без участия человека в каждом отдельном случае.
Прогнозирование оттока клиентов работает через поиск паттернов в поведении людей, которые уже перестали покупать: снижение частоты визитов, падение среднего чека или долгое отсутствие открытий email за несколько недель до ухода часто повторяется у разных клиентов и позволяет предсказать риск до того, как человек ушел окончательно.
Динамическое ценообразование меняет цену в зависимости от спроса, остатков товара и поведения конкретного посетителя: авиакомпании и агрегаторы такси одними из первых начали строить цену по модели, которая учитывает десятки переменных одновременно, а фиксированный прайс остался в прошлом.
Оптимизация рекламных ставок в аукционах Директа и других систем тоже опирается на большие массивы данных: алгоритм анализирует историю показов и конверсий по множеству похожих пользователей и решает, за какого именно человека и по какой ставке стоит бороться в конкретный момент.
Пример: как большие данные меняют рекламный бюджет
Сеть магазинов бытовой техники собирала данные о покупках, посещениях сайта и обращениях в поддержку по всем точкам продаж. После объединения этих источников в единую систему аналитики выяснилось, что покупатели, которые смотрели страницу товара в приложении, но покупали позже офлайн в магазине, составляли почти треть всех продаж категории.
До объединения данных эта часть покупателей считалась потерянным трафиком сайта, и рекламный бюджет на онлайн-каналы урезали в пользу офлайн-рекламы. После учета полной картины бюджет на цифровые каналы вернули и увеличили, потому что онлайн-активность оказалась первым шагом почти трети реальных офлайн-покупок и бесполезным просмотром без результата уже не выглядела.
Инструменты работы с Big Data
Системы сквозной аналитики собирают данные из рекламных кабинетов, сайта и CRM в одном месте и связывают конкретный визит с итоговой продажей, что дает основу для дальнейшего анализа больших объемов информации.
DMP, платформы управления данными, накапливают информацию о пользователях из разных источников и помогают строить сегменты аудитории для более точного таргетинга рекламы на основе реального поведения, которое говорит больше заявленных интересов.
Модели машинного обучения находят закономерности в данных, которые человек не заметил бы вручную: слишком много переменных и связей между ними, чтобы аналитик мог перебрать все комбинации в обычной таблице за разумное время.
Типичные ошибки при работе с Big Data
Собирают данные без четкой цели, просто потому что это модно и все вокруг говорят про большие данные, а потом не знают, какой вопрос эти данные должны помочь решить.
Держат данные разных отделов и каналов разрозненно: продажи в одной системе, реклама в другой, поддержка в третьей, из-за чего никто в компании не видит полную картину поведения одного и того же клиента.
Путают Big Data с простым увеличением объема отчетов: гигантская таблица с тысячей строк в Excel это не большие данные, если она умещается в обычную программу и не требует специальных инструментов обработки.
Не проверяют качество исходных данных перед анализом: выводы и прогнозы, построенные на неполных или ошибочных данных, только создают иллюзию точности, а на деле уводят решения бизнеса в неверную сторону.
Забывают про требования законодательства о персональных данных при накоплении информации о клиентах: работа с большими данными не отменяет обязанность получать согласие на обработку и хранить данные с учетом требований закона о персональных данных.
Частые вопросы
Нужны ли Big Data небольшому бизнесу? Не всегда: малому магазину с сотней клиентов в месяц обычно хватает обычной таблицы и CRM без специальных систем обработки больших данных, а вопрос становится актуальным при заметном росте числа клиентов, каналов и источников информации.
Чем Big Data отличается от обычной аналитики? Обычная аналитика чаще работает со стандартными отчетами по ограниченному набору метрик, а Big Data подразумевает работу с большими и разнородными массивами, которые требуют специальных инструментов хранения и обработки данных.
С чего начать работу с большими данными? С объединения источников информации о клиенте в одном месте, например через систему сквозной аналитики, а уже потом переходить к сложным моделям прогнозирования и персонализации на основе накопленной истории.
Big Data тесно связана со сквозной аналитикой и когортным анализом: оба инструмента опираются на объединенные массивы данных о клиентах и превращают сырые цифры в конкретные решения по бюджету и продукту.
Разобраться, какие данные бизнес уже собирает и как объединить их в единую систему для принятия решений, помогает аналитика и сквозные отчеты с настройкой сбора данных под конкретные каналы продаж.