U prethodnim postovima upoznali smo se sa Data Science-om i nekim od najpoznatijih primena od strane najvećih lidera u industriji. U našim budućim postovima govorićemo o primenama u određenim industrijama. Danas na meniju – marketing.

Marketing je jedno od najplodnijih polja za Data Science. Mnogo je različitih tehnika i pravaca kojima marketinški timovi teže da shvate, ali dve najčešće diskutirane su: up up i cross sell. Za one od vas koji su manje upoznati sa uslovima, up prodaja štandova je akcija ubeđivanja kupca da kupi (ili nadogradi na) skuplji proizvod / uslugu i na taj način – troši više novca, dok cross prodaja predstavlja za izradu kupac kupuje još jedan raznovrstan proizvod / uslugu pored već odabranog i tako troši više novca. Daljnje objašnjenje ću ostaviti ovde, kao referencu.

Međutim, postoji li neka veza koja nedostaje, a koja bi mogla poboljšati ovaj proces „ubeđivanja“ kupca u kupovinu i povećati prodajnu (up sell) i unakrsnu (cross sell) prodaju? Ako mene pitate – to je Data Science. Da budem iskrena – decenijama smo udaljeni od perioda kada nije bio preveliki problem ako izgubimo kupca. U današnje vreme stvari su drugačije. Situacija na tržištu je sledeća – brojni i jaki konkurenti, masovna proizvodnja, visoki troškovi privlačenja novih kupaca, visoki troškovi i – loši lojalni odnosi. A tu je i dobro poznata kovanica – jeftinije je zadržati trenutnog kupca, nego pridobiti novog.

Na atraktivnost Data Science-a za marketinške timove utiče nekoliko faktora, a svi se stapaju u jedan levak: prilagođeni marketing (tailor-made marketing). Život bi bio mnogo lakši kada biste znali šta kupac želi da kupi, zar ne? Ali opet, nije stvar samo u preferencama, već i u mogućnosti da se nešto priušti (sa finansijskog aspekta). Pored toga, možda to što se nešto trenutno ne može priuštiti, ne znači da će tako ostati i krajem meseca, kada se prima plata. Sa druge strane, možda se čekaju neki posebni popusti i akcije… Kako biste mogli to da znate? Lista se nastavlja i proširuje. Šta učiniti sa tolikim pritiscima? Pa, potražite među podacima – tu se krije odgovor.

Glavne prednosti primene napredne analitike i mašinskog učenja u marketingu su:

• personalizacija – razumevanje preferenci i potreba kupaca, kako bi se odredili sadržaj, učestalost i kanal kojima će se oni targetovati, i putem kojih će se negovati njihovo putovanje
• prioretizacija – identifikacija kupaca velike vrednosti i poboljšavanje procesa donošenja odluka, uključujući alokaciju vremena, resursa i budžeta
• performanse – nadgledanje i procena prelaska i napretka tokom vremena, kako bi se kvantifikovalo kako promoteri (promoters) i ometači (detractors) rastu ili se smanjuju tokom vremena
• predviđanje – mogućnost projektovanja i uticaja na buduće ponašanje kupca, zasnovano na njihovim istorijskim obrascima ponašanja, preferencama i navikama

Jasno je da ne postoji svemoćan algoritam ili alat koji vam može dati odgovor na sva ova pitanja na takav način da biste mogli da koristite te informacije za rešavanje svih problema. Međutim, evo nekoliko ideja kako marketing može unaprediti pripadajuće procese kreiranja kampanja.

Sistemi za preporuku

Sistemi za preporuku (rekomender sistemi) su možda najmoćnije, premda svakako najatraktivnije oruđe, koje se može integrisati u alate za kampanju. Glavna svrha korišćenja sistema za preporuku je analiza preferenci i sličnosti kupaca, kako bi se procenilo koje proizvode bi verovatno dati kupac želeo da kupi. Ovo čini rekomender sisteme dobrim izborom u kampanjema za unakrsnu prodaju (cross sell). Korišćenjem ovih sistema imate mogućnost izvlačenja ocena koje opisuju nivo afiniteta kupca prema svakom proizvodu i pomoću tih informacija kreirate „sledeću najbolju ponudu“.

Segmentacija

Segmentacija (ili u rečnikom mašinskog učenja – klasterovanje) koristi se za grupisanje kupaca sa sličnim karakteristikama i kupovnim navikama u male segmente. Postoji puno tipova segmentacija koje se mogu razviti – segmentacija bazirana na aktivnosti, segmentacija ponašanja, segmentacija po brand awareness-u, itd. Vrsta segmentacije zavisi od informacija koje želimo da dobijemo i načina na koji bismo ih želeli koristiti. Podela kupaca na male segmente znatno olakšava proces prioretizacije i fokusiranog targetovanja (na primer,  definisala bi se jedna kampanja za segment “šampioni“, a druga za „uspavane“ kupce).

Sklonost kupovini

Analiza verovatnoće da će kupac u budućnosti izvršiti kupovinu može dalje usmeravati preduzete marketinških mera. Ukratko, na osnovu istorijskih podataka o nivou aktivnosti, navikama potrošnje, periodičnosti, preferencijama i krajnjem ishodu (izvršena kupovina, nije izvršena kupovina) – algoritam se može istrenirati kako bi se dobila verovatnoća ili flag koji ukazuju na sklonost ka izvršavanju kupovine u budućnosti, imajući u vidu trenutno stanje koje opisuje karakteristike nekog kupca.

Analiza preživljavanja

Skriveni heroj tailor-made marketinga svakako je – analiza preživljavanja (survival analysis). Glavni cilj ove analize je procena vremena do određenog događaja (npr. kupovine) i izvlačenje kvantitativne mere koja govori kako ovo vreme zavisi od različitih svojstava tretmana (kampanje), samih kupaca i drugih promenljivih. Ponekad, procena sklonosti ka samoj kupovini nije dovoljna. Ako želimo da kreiramo i pošaljemo promociju – moramo znati kada je pravo vreme za to. Zašto poslati promociju, ako će kupac svakako doći i obaviti kupovinu? S druge strane – ako predugo čekate, kupac će odustati. Ova procena vremena može da pomogne da se kupci targetuju u pravo vreme.

Procena novčane vrednosti kupca

Procena novčane vrednosti kupca (customer lifetime value) vrši se uzimajući u obzir sve prethodno spomenute karakteristike – navike potrošnje, periodičnosti, nivo aktivnosti, trend potrošnje, demografske karakteristike itd. Informacije o očekivanom prihodu od datog kupca u nekom budućem periodu mogu pomoći u identifikovanju kupaca velike vrednosti i potencijala koji se mogu dostići (i prestići), ako se kupac neguje i targetuje. CLV može biti dragocen uvid za održavanje novčanog toka i strateško planiranje marketinških i prodajnih kampanja.

I još mnogo drugih…

Integrisanje svih ovih use case-eva i spajanje njihovih rezultata moglo bi biti od velike pomoći u pronalaženju odgovora na sledeća pitanja:

• sa kojom ponudom targetovati kupca?
• koliko je ovaj kupac važan za naše poslovanje?
• da li će ovaj kupac obaviti kupovinu u budućem vremenskom periodu?
• kada se očekuje da ovaj kupac izvrši kupovinu?
• koliko novca će klijent verovatno potrošiti u nekom narednom periodu?
• koliko je ovaj kupac osetljiv na određenu vrednost popusta / tip promocije?

Imati odgovore na sva ova pitanja znači biti u stanju definisati i usmeriti buduće marketinške aktivnosti, kako bi se diverzifikovali od drugih i negovali lojalne odnose sa kupcima, plasirajući im proizvode, sadržaj i promocije za koje bi zaista bili zainteresovani. Glavni preduslov za pronalaženje odgovora na ova pitanja su jasno definisani use case-evi, i dobro dizajnirani i razvijeni algoritmi mašinskog učenja.

Postoji puno drugih primera primene koji se mogu definisati i razviti kako bi se podstakli marketinški procesi usmereni na povećanje i unakrsnu prodaju. Nadam se da će ovaj post probuditi neke nove ideje o tome kako bi se Data Science mogao primeniti u marketingu.