{"id":3590,"date":"2020-07-06T09:55:57","date_gmt":"2020-07-06T08:55:57","guid":{"rendered":"https:\/\/bcoaching.online\/?p=3590"},"modified":"2020-07-27T09:34:15","modified_gmt":"2020-07-27T08:34:15","slug":"data-science-u-marketingu","status":"publish","type":"post","link":"https:\/\/bcoaching.online\/sr\/data-science-u-marketingu\/","title":{"rendered":"Data Science u marketingu"},"content":{"rendered":"\n
U prethodnim postovima upoznali smo se sa Data Science-om i nekim od najpoznatijih primena od strane najve\u0107ih lidera u industriji. U na\u0161im budu\u0107im postovima govori\u0107emo o primenama u odre\u0111enim industrijama. Danas na meniju – marketing.<\/p>\n\n\n\n
Marketing je jedno od najplodnijih polja za Data Science. Mnogo je razli\u010ditih tehnika i pravaca kojima marketin\u0161ki timovi te\u017ee da shvate, ali dve naj\u010de\u0161\u0107e diskutirane su: up up i cross sell. Za one od vas koji su manje upoznati sa uslovima, up prodaja \u0161tandova je akcija ube\u0111ivanja kupca da kupi (ili nadogradi na) skuplji proizvod \/ uslugu i na taj na\u010din – tro\u0161i vi\u0161e novca, dok cross prodaja predstavlja za izradu kupac kupuje jo\u0161 jedan raznovrstan proizvod \/ uslugu pored ve\u0107 odabranog i tako tro\u0161i vi\u0161e novca. Daljnje obja\u0161njenje \u0107u ostaviti ovde, kao referencu.<\/p>\n\n\n\n
Me\u0111utim, postoji li neka veza koja nedostaje, a koja bi mogla pobolj\u0161ati ovaj proces \u201eube\u0111ivanja\u201c kupca u kupovinu i pove\u0107ati 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 dana\u0161nje vreme stvari su druga\u010dije. Situacija na tr\u017ei\u0161tu je slede\u0107a – brojni i jaki konkurenti, masovna proizvodnja, visoki tro\u0161kovi privla\u010denja novih kupaca, visoki tro\u0161kovi i – lo\u0161i lojalni odnosi. A tu je i dobro poznata kovanica – jeftinije je zadr\u017eati trenutnog kupca, nego pridobiti novog.<\/p>\n\n\n\n
Na atraktivnost Data Science-a za marketin\u0161ke timove uti\u010de nekoliko faktora, a svi se stapaju u jedan levak: prilago\u0111eni marketing (tailor-made marketing). \u017divot bi bio mnogo lak\u0161i kada biste znali \u0161ta kupac \u017eeli da kupi, zar ne? Ali opet, nije stvar samo u preferencama, ve\u0107 i u mogu\u0107nosti da se ne\u0161to priu\u0161ti (sa finansijskog aspekta). Pored toga, mo\u017eda to \u0161to se ne\u0161to trenutno ne mo\u017ee priu\u0161titi, ne zna\u010di da \u0107e tako ostati i krajem meseca, kada se prima plata. Sa druge strane, mo\u017eda se \u010dekaju neki posebni popusti i akcije… Kako biste mogli to da znate? Lista se nastavlja i pro\u0161iruje. \u0160ta u\u010diniti sa tolikim pritiscima? Pa, potra\u017eite me\u0111u podacima – tu se krije odgovor.<\/p>\n\n\n\n
Glavne prednosti primene napredne analitike i ma\u0161inskog u\u010denja u marketingu su:<\/p>\n\n\n\n
personalizacija – razumevanje preferenci i potreba kupaca, kako bi se odredili sadr\u017eaj, u\u010destalost i kanal kojima \u0107e se oni targetovati, i putem kojih \u0107e se negovati njihovo putovanje<\/li>
prioretizacija – identifikacija kupaca velike vrednosti i pobolj\u0161avanje procesa dono\u0161enja odluka, uklju\u010duju\u0107i alokaciju vremena, resursa i bud\u017eeta<\/li>
performanse – nadgledanje i procena prelaska i napretka tokom vremena, kako bi se kvantifikovalo kako promoteri (promoters) i ometa\u010di (detractors) rastu ili se smanjuju tokom vremena<\/li>
predvi\u0111anje – mogu\u0107nost projektovanja i uticaja na budu\u0107e pona\u0161anje kupca, zasnovano na njihovim istorijskim obrascima pona\u0161anja, preferencama i navikama<\/li><\/ul>\n\n\n\n
Jasno je da ne postoji svemo\u0107an algoritam ili alat koji vam mo\u017ee dati odgovor na sva ova pitanja na takav na\u010din da biste mogli da koristite te informacije za re\u0161avanje svih problema. Me\u0111utim, evo nekoliko ideja kako marketing mo\u017ee unaprediti pripadaju\u0107e procese kreiranja kampanja.<\/p>\n\n\n\n
Sistemi za preporuku<\/h1>\n\n\n\n
Sistemi za preporuku (rekomender sistemi) su mo\u017eda najmo\u0107nije, premda svakako najatraktivnije oru\u0111e, koje se mo\u017ee integrisati u alate za kampanju. Glavna svrha kori\u0161\u0107enja sistema za preporuku je analiza preferenci i sli\u010dnosti kupaca, kako bi se procenilo koje proizvode bi verovatno dati kupac \u017eeleo da kupi. Ovo \u010dini rekomender sisteme dobrim izborom u kampanjema za unakrsnu prodaju (cross sell). Kori\u0161\u0107enjem ovih sistema imate mogu\u0107nost izvla\u010denja ocena koje opisuju nivo afiniteta kupca prema svakom proizvodu i pomo\u0107u tih informacija kreirate \u201eslede\u0107u najbolju ponudu\u201c.<\/p>\n\n\n\n
Segmentacija<\/h1>\n\n\n\n
Segmentacija (ili u re\u010dnikom ma\u0161inskog u\u010denja – klasterovanje) koristi se za grupisanje kupaca sa sli\u010dnim karakteristikama i kupovnim navikama u male segmente. Postoji puno tipova segmentacija koje se mogu razviti – segmentacija bazirana na aktivnosti, segmentacija pona\u0161anja, segmentacija po brand awareness-u, itd. Vrsta segmentacije zavisi od informacija koje \u017eelimo da dobijemo i na\u010dina na koji bismo ih \u017eeleli koristiti. Podela kupaca na male segmente znatno olak\u0161ava proces prioretizacije i fokusiranog targetovanja (na primer, definisala bi se jedna kampanja za segment \u201c\u0161ampioni\u201c, a druga za \u201euspavane\u201c kupce).<\/p>\n\n\n\n<\/figure>\n\n\n\n
Sklonost kupovini<\/h1>\n\n\n\n
Analiza verovatno\u0107e da \u0107e kupac u budu\u0107nosti izvr\u0161iti kupovinu mo\u017ee dalje usmeravati preduzete marketin\u0161kih mera. Ukratko, na osnovu istorijskih podataka o nivou aktivnosti, navikama potro\u0161nje, periodi\u010dnosti, preferencijama i krajnjem ishodu (izvr\u0161ena kupovina, nije izvr\u0161ena kupovina) – algoritam se mo\u017ee istrenirati kako bi se dobila verovatno\u0107a ili flag koji ukazuju na sklonost ka izvr\u0161avanju kupovine u budu\u0107nosti, imaju\u0107i u vidu trenutno stanje koje opisuje karakteristike nekog kupca.<\/p>\n\n\n\n
Analiza pre\u017eivljavanja<\/h1>\n\n\n\n
Skriveni heroj tailor-made marketinga svakako je – analiza pre\u017eivljavanja (survival analysis). Glavni cilj ove analize je procena vremena do odre\u0111enog doga\u0111aja (npr. kupovine) i izvla\u010denje kvantitativne mere koja govori kako ovo vreme zavisi od razli\u010ditih svojstava tretmana (kampanje), samih kupaca i drugih promenljivih. Ponekad, procena sklonosti ka samoj kupovini nije dovoljna. Ako \u017eelimo da kreiramo i po\u0161aljemo promociju – moramo znati kada je pravo vreme za to. Za\u0161to poslati promociju, ako \u0107e kupac svakako do\u0107i i obaviti kupovinu? S druge strane – ako predugo \u010dekate, kupac \u0107e odustati. Ova procena vremena mo\u017ee da pomogne da se kupci targetuju u pravo vreme.<\/p>\n\n\n\n
Procena nov\u010dane vrednosti kupca<\/h1>\n\n\n\n
Procena nov\u010dane vrednosti kupca (customer lifetime value) vr\u0161i se uzimaju\u0107i u obzir sve prethodno spomenute karakteristike – navike potro\u0161nje, periodi\u010dnosti, nivo aktivnosti, trend potro\u0161nje, demografske karakteristike itd. Informacije o o\u010dekivanom prihodu od datog kupca u nekom budu\u0107em periodu mogu pomo\u0107i u identifikovanju kupaca velike vrednosti i potencijala koji se mogu dosti\u0107i (i presti\u0107i), ako se kupac neguje i targetuje. CLV mo\u017ee biti dragocen uvid za odr\u017eavanje nov\u010danog toka i strate\u0161ko planiranje marketin\u0161kih i prodajnih kampanja.<\/p>\n\n\n\n<\/figure>\n\n\n\n
I jo\u0161 mnogo drugih…<\/h1>\n\n\n\n
Integrisanje svih ovih use case-eva i spajanje njihovih rezultata moglo bi biti od velike pomo\u0107i u pronala\u017eenju odgovora na slede\u0107a pitanja:<\/p>\n\n\n\n
sa kojom ponudom targetovati kupca?<\/li>
koliko je ovaj kupac va\u017ean za na\u0161e poslovanje?<\/li>
da li \u0107e ovaj kupac obaviti kupovinu u budu\u0107em vremenskom periodu?<\/li>
kada se o\u010dekuje da ovaj kupac izvr\u0161i kupovinu?<\/li>
koliko novca \u0107e klijent verovatno potro\u0161iti u nekom narednom periodu?<\/li>
koliko je ovaj kupac osetljiv na odre\u0111enu vrednost popusta \/ tip promocije?<\/li><\/ul>\n\n\n\n
Imati odgovore na sva ova pitanja zna\u010di biti u stanju definisati i usmeriti budu\u0107e marketin\u0161ke aktivnosti, kako bi se diverzifikovali od drugih i negovali lojalne odnose sa kupcima, plasiraju\u0107i im proizvode, sadr\u017eaj i promocije za koje bi zaista bili zainteresovani. Glavni preduslov za pronala\u017eenje odgovora na ova pitanja su jasno definisani use case-evi, i dobro dizajnirani i razvijeni algoritmi ma\u0161inskog u\u010denja.<\/p>\n\n\n\n
Postoji puno drugih primera primene koji se mogu definisati i razviti kako bi se podstakli marketin\u0161ki procesi usmereni na pove\u0107anje i unakrsnu prodaju. Nadam se da \u0107e ovaj post probuditi neke nove ideje o tome kako bi se Data Science mogao primeniti u marketingu.<\/p>\n","protected":false},"excerpt":{"rendered":"
![\"\"](\"https:\/\/bcoaching.online\/wp-content\/uploads\/2020\/07\/christiann-koepke-0jPuWm8_9wY-unsplash-1024x683.jpg\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/bcoaching.online\/wp-content\/uploads\/2020\/07\/campaign-creators-pypeCEaJeZY-unsplash-1024x741.jpg\")
<\/figure>\n\n\n\n