Matematika moderního marketingu: jak prediktivní analýza zefektivňuje marketing

WHITE PAPER

Matematika moderního marketingu: jak prediktivní analýza zefektivňuje marketing Sponzor: SAP Gerry Murray June 2014

Mary Wardley

NÁZOR IDC V současném vysoce konkurenčním tržním prostředí musejí organizace vytvářet přesvědčivé zákaznické zkušenosti. Velké objemy dat a analytické nástroje podporují tento proces vytvářením přehledů z interakcí v rámci CRM, sociálních sítí, marketingu, prodeje a poskytování služeb a propojují je s transakčními daty. Kombinace strukturovaných a nestrukturovaných dat pomáhá získat ucelenější přehled o zákazníkovi, podporuje následnou komunikaci, odhaluje pravděpodobné záměry zákazníka a poskytuje rady pro lepší predikci jeho budoucího chování. Tyto predikce umožňují sladit podnikové cíle s očekáváním zákazníka a vytvořit tak nejlepší možnou zákaznickou zkušenost. Klíčové aspekty získávání ucelených poznatků o zákazníkovi z dostupných dat: 

Za zákaznické zkušenosti nezodpovídá pouze jedno oddělení. Jedná se o ucelenou iniciativu celé organizace, která vyžaduje spolupráci všech oddělení přicházejících do styku se zákazníkem (například marketing, prodej, finance, vyřizování zakázek, servis a podpora) a oddělení, která zajišťují podpůrné procesy (finance, řízení zásob, distribuce a logistika).



Úspěch marketingu založeného na datech závisí na podpoře vyššího managementu, úzkém propojení s podnikovou strategií, jasných a měřitelných cílech a na firemní kultuře, která podporuje rozhodování na základě dat.



Kompletní přehled o zákazníkovi nezískáme pouze z interních transakčních dat, z informací ze sociálních sítích nebo ze záznamů zákaznického servisu/kontaktního centra. Ve vytváření celkového přehledu o zákazníkovi hrají roli všechny zdroje dat. Ty je potřeba propojovat, upravovat a brát ohled na konkrétní případy jejich použití.



Ze samotných čísel si kompletní obrázek neuděláme. Data nám pomáhají, ale nemusí určovat naše rozhodnutí. Mnohem více potřebujeme dobrý odhad, odbornou interpretaci a zdravý selský rozum.

OBSAH TOHOTO STRATEGICKÉHO DOKUMENTU Tento strategický dokument seznamuje čtenáře s nezbytnými kroky, které marketingové organizace musí učinit, aby mohly vytvářet uspokojivé zákaznické zkušenosti. Moderní marketér může této výzvě čelit jedině tím, že transformuje marketingovou organizaci na model, který je založen na datech. Díky marketingu řízenému daty se orientace marketingové organizace postupně mění – namísto pouhé intuice

June 2014, IDC #248896

se soustředí na hmatatelné výsledky. Poznatky získané z analytických modelů chování zákazníků v kampaních a z dalších aktivit zaměřených na zákazníka pomáhají marketingu budovat účinný a efektivní proces utváření vztahu se zákazníkem. Snižují také riziko, že je odradí irelevantní a nežádoucí komunikace. Výsledkem je schopnost vytvářet takové vztahy se zákazníkem, které jsou ziskovější pro dodavatele a uspokojivější pro zákazníka. Po přečtení tohoto strategického dokumentu získají marketéři přehled o následujících aspektech: 1) jak co nejefektivněji přispívat k pozitivním zákaznickým zkušenostem, 2) nejčastější využití prediktivní analýzy v marketingu a 3) seznámí se s praktickými příklady prediktivní analýzy.

PŘEHLED

Nové zákaznické prostředí Zákazníci, kteří se účastní nákupního procesu, jsou dnes mnohem vzdělanější než kdykoli předtím. Některé studie udávají, že 40-60 % rozhodnutí o nákupu padne ještě předtím, než se zákazník dostane do styku s oddělením prodeje. To je pro značky dobrá i špatná zpráva. Informovanější zákazníci mají sice větší potenciál, ale přinášejí také určitá rizika. Protože se zapojují do dialogu na tak vysoké úrovni a mají určitou kupní sílu, je pro ně mnohem snadnější změnit dodavatele, pokud ten dosavadní nesplňuje jejich potřeby a očekávání. S mnohem větší pravděpodobností dají také najevo svou nespokojenost a jsou schopni se o ni velmi rychle podělit s ostatními. Co se od organizace očekává? Organizace jsou pod tlakem, aby uspokojovaly potřeby tohoto nového informovaného a silného zákazníka. Marketing musí: 

Reagovat na změny trhu v reálném čase



Komunikovat se zákazníky ve chvíli, na místě a způsobem, jaký vyžadují



Koordinovat více kanálů: kamenné prodejny, masmédia, internet, sociální sítě, mobilní zařízení atd.



Přijmout nový model zákaznických zkušeností založený na datech a prediktivní analýze

Marketing založený na datech Díky marketingu založeném na datech se orientace marketingové organizace postupně mění - namísto pouhé intuice se soustředí na hmatatelné výsledky. Poznatky získané z analytických modelů zákaznického chování v kampaních a z dalších aktivit zaměřených na zákazníka pomáhají marketingu účinně a efektivně budovat vztahy se zákazníky. IDC definuje marketing založený na datech následovně: 

Co nejrychlejší poskytování těch nejlákavějších nabídek těm nejlepším zákazníkům.



Vytváření těch nejlákavějších nabídek vyžaduje dostatek poznatků o zákaznících, například: Co o těchto jedincích vlastně víme? Jaká potřeba je motivuje k nákupu? V jaké fázi nákupní cesty se nacházejí? Kdo je ovlivňuje? Koho ovlivňují oni? Jaké další informace potřebují znát?



Abychom mohli určit ty nejlepší zákazníky, musíme získat dobrý přehled o našich současných vztazích: Kteří zákazníci toho nakupují nejvíce a nejrychleji? Kteří zákazníci mají pro nás nejvyšší hodnotu z hlediska životního cyklu?

©2014 IDC

#248896

2



Chceme-li se rychle posunout kupředu, musíme tyto otázky (a mnoho dalších) umět zodpovědět mezi okamžikem, kdy zákazník klikne na odkaz, a momentem, kdy se náš obsah objeví na jeho displeji, případně ve chvíli, kdy zjistíme, že cenný zákazník právě vstoupil do kamenného obchodu a my mu můžeme příslušný obsah dodat do jeho zařízení.

Implementace marketingu založeného na datech proto vyžaduje zásadní změny v infrastruktuře, procesech a zaměření organizace na data. Podle Chrise Sherlocka, CEO společnosti Global Social Digital, bude v budoucnosti jedním ze základních principů marketingu požadavek na „personalizaci v reálném čase, která závisí na shromažďování a zpracování dat v reálném čase“. To je velmi těžký úkol, jehož dosažení bude většině velkých organizací trvat léta. Je však mnohem těžší začít než zrychlit potom, co byly učiněny počáteční kroky. V tomto ohledu nesmí marketéři zůstat pozadu, protože mezera mezi vůdci a jejich následovníky se bude jen zvětšovat. V momentě, kdy výhody marketingu založeného na datech začnou používat vaši konkurenti, už bude pozdě. Pak je budete hodně dlouho dohánět.

Prediktivní analýza pro marketing Prediktivní analýza je jednou z nejvýkonnějších metod používaných v marketingu založeném na datech. Prediktivní modely s využitím vícerozměrné analýzy odhalují, jak se vzorce chování v různých fázích procesu utváření vztahu se zákazníkem vzájemně ovlivňují (či naopak neovlivňují). Organizace IDC zjistila, že prediktivní analýza se v marketingu nejvíce využívá v následujících oblastech: 

Vytváření marketingového mixu: Které marketingové prostředky jsou nejlepší pro generování poptávky po různých typech produktů? Významná společnost působící v oblasti sportu a zábavy nedávno analyzovala marketingové kanály, které využila pro podporu dvou různých nabídek. V prvním případě se jednalo o špičkový produkt v dobře známé kategorii, druhá nabídka byla zcela nová. Společnost investovala do obou své standardní náklady na propagaci v médiích - přibližně 50 % šlo do běžné reklamy, zbytek do digitální. Hlubší analýza ukázala, že produkt v dobře známé kategorii vzbuzoval největší zájem v digitálních médiích, nový produkt však nikoliv. V důsledku toho společnost změnila strukturu svého marketingu - u stávajících produktů začala využívat převážně digitálních nástrojů, u nových produktů zůstala u těch tradičních, aby je lépe dostala do povědomí zákazníků. Výsledkem byl 40% nárůst měsíčních předplatných s nulovými dodatečnými náklady.



Snadnější získávání leadů: Jaké reakce jsou nejlepší pro posuzování leadů? Středně velká společnost z oboru hi-tech nedávno zdvojnásobila svůj poměr přeměny leadů na obchodní příležitosti díky analýze své metodiky pro hodnocení leadů. Firma zjistila, že původní model byl lineární, takže každá další návštěva nebo stažení souboru zvyšovalo hodnocení leadu. Po analýze toho, jak si marketingem vytvořené leady vedly mezi obchodními příležitostmi, firma dospěla ke dvěma poznatkům, které vše změnily. Relevantní bylo pouze několik klíčových faktorů a návratnost komunikace výrazně klesala. Dále se ukázalo, že počet leadů, u nichž se mohl uskutečnit prodej, byl omezený a další nehrály roli. Společnost tak mohla přiřadit každému obchodnímu zástupci správný počet těch správných leadů.



Up-selling a cross-selling: Společnost zabývající se online hrami dokázala přeměnit zdarma hrající hráče na hráče generující zisk. Analyzovala data, aby pochopila jejich vzorce chování a

©2014 IDC

#248896

3

preference a aby zjistila, v jaký moment je nejlepší s hráči komunikovat a vytvářet pro ně personalizované a relevantní nabídky lepších a doplňkových virtuálních objektů. 

Optimalizace webu: Jak optimalizovat zkušenosti a interakce zákazníků na naší webové stránce? Jedna z největších a nejdéle fungujících webových stránek zaměřených na informace z oblasti financí zjistila, že návštěvníky svého webu může rozdělit do několika segmentů. Někteří tráví hodně času na velmi malém počtu stránek, jiní navštíví velké množství stránek, ale zabere jim to jen minimum času, a další tráví přiměřenou dobu na přiměřeném množství stránek. Díky rozpoznání vzorců prohlížení stránek dokázala firma v reálném čase zakročit prostřednictvím online chatu a navést uživatele prvních dvou zmíněných neproduktivních skupin správným směrem. V důsledku toho firma zvýšila svůj příjem z webových stránek o více než 10 miliónů dolarů ročně.

Síla a rozsah využití prediktivních funkcí se dá dobře demonstrovat na příkladu společnosti Mobilink. Mobilink je telekomunikační společnost se sídlem v Islámábádu v Pákistánu. Podniká na vysoce konkurenčním telekomunikačním trhu a dělá více než 800 propagačních kampaní za měsíc. Z těchto kampaní je nyní přibližně 60–70 % založeno na prediktivní analýze. Společnost Mobilink uvádí, že je jasně patrné, že kampaně založené na prediktivních modelech generují větší zisky než ostatní makrosegmentované kampaně, které tyto modely nepoužívají. Firma zaznamenala výrazný nárůst obchodních ukazatelů, včetně osminásobného nárůstu využívání nabídek zaměřených na udržení zákazníků (z 0,5 % na cca 4 %) a dočkala se za zlomek nákladů i 380% nárůstu míry reakce na kampaně díky analýze sociálních sítí. Mezi ostatní možnosti využití prediktivní analýzy, které se mohou v marketingu v závislosti na vašem obchodním modelu výrazně vyplatit, patří: 

Získávání nových zákazníků: Přehled o stávajících profilech zákazníků a jejich nákupních zvycích lze využít k analýze nových skupin populace za účelem predikce nejpravděpodobnějších potenciálních i vysoce ziskových zákazníků.



Optimalizace kampaní, propagačních akcí a věrnostních programů: Společnost zabývající se pojištěním vozidel dokázala zvýšit loajalitu zákazníků a snížit počet případů přechodu ke konkurenci. Díky analýze nákupního chování zákazníků dokázala zájemcům nabídnout ty správné produkty a služby ve správný čas. Tím, že zprostředkovala cílené nabídky i nepříliš aktivním zákazníkům, snížila jejich ztráty a zvýšila celkovou hodnotu životního cyklu zákazníka. Optimalizace kampaní jí navíc přinesla zisky z prodeje ve výši několika miliónů dolarů.



Propagace produktů dle preference kanálu: Významná evropská telekomunikační společnost působící ve více kanálech poskytuje svým zákazníkům konzistentní zkušenosti díky lepší segmentaci zákazníků a přizpůsobeným nabídkám na základě jejich preference kanálu. Společnost snížila míru reklamací zákazníků o 1 %, což přineslo zisk přes 1 milión dolarů.



Balíčky produktů založené na chování zákazníka: Když najdeme zákazníky podobné těm, kteří koupili produkty A a B, ale koupili jenom produkt A nebo produkt B, marketing může vytvořit seznam hlavních adeptů pro doplňkový prodej a poskytnout jej zákaznické podpoře. Takový postup může mít okamžitý vliv na B2B marketing. Jedna ze světově nejúspěšnějších kosmetických firem díky této technice umožňuje svým zástupcům zákaznického servisu nabízet zákazníkům po vyřešení telefonátu podpory případně další produkty. Díky tomu se call centrum transformovalo z nákladového střediska na středisko ziskové.

©2014 IDC

#248896

4



Optimalizace ceny: Sem patří simulace změn ceny na základě různých atributů, které pomáhají redukovat nadměrné hromadění zásob a co nejvíce snížit marže, aby se produkty mohly prodávat s vysokou slevou.

Kterou z těchto možností využijete jako první závisí na vašem obchodním modelu, stavu marketingových dat, kvalitativní úrovni vaší analýzy a na poslání vašeho marketingového týmu. Důležité je dívat se dopředu, nikoli nazpátek. Predikce bude vyžadovat další sady technologických i organizačních nástrojů. Viliah Overwater, vedoucí informační architekt společnosti Vodafone v oddělení BI Strategy & Architecture, prohlásil: „Nemůžete po lidech chtít, aby dělali reporty, a očekávat od nich modely. To jsou dvě zcela odlišné dovednosti. Přechod od reportování k modelování a prediktivní analýze není snadný.“

Výzvy/příležitosti Analytické nástroje a datové analýzy se v souvislosti s prudkým nárůstem dat ze sociálních sítí a rostoucím povědomím o velkých objemech dat staly aktuálními tématy a módními pojmy. Mnoho organizací začalo využívat analytické nástroje nebo rozšířilo stávající postupy, nepřineslo jim to však výrazný úspěch. Mnohem větších úspěchů můžete dosáhnout, pokud vyřešíte několik problémů. Mezi ty patří: 

Nejasné definování požadovaných výsledků. Kvalita rozhodování na základě získaných poznatků závisí na tom, jak dobře jsou tyto poznatky integrovány do rámce řízení rozhodování jednotlivých procesů.



Pochopení potřeby širšího datového souboru. „360stupňový přehled o zákazníkovi“ je ve skutečnosti omezen na max. 180 stupňů, které tvoří známá strukturovaná data, organizace postupem času shromáždila. Postrádá externí, nestrukturovaná a často i nerozšířená data. Získání opravdu užitečných poznatků závisí na schopnosti shromažďovat, organizovat a analyzovat data z různých zdrojů.



Technologie má přednost před kulturou a dovednostmi. Z historického hlediska analytické týmy pracovaly samostatně ve svých vlastních odděleních, takže bylo poměrně složité dosáhnout jejich souladu s obchodními týmy. Aby data byla efektivně využita a byla pro firmu přínosem, musí být aplikována napříč interními odděleními a systémy a týmy musí vědět, k čemu je využít.

Ammar Karim, zástupce vedoucího pokročilé analýzy ve společnosti Mobilink, uvádí: „Marketingovou analýzu nemá na starosti jen analytický tým. Je to práce celého marketingového oddělení.“ Nejjednodušší způsob zjištění, jak si v prediktivní analýze stojíte, je následující experiment. Rozešlete svým nejlepším zákazníkům děkovné dopisy a přiložte k nim slevu na konkrétní produkt nebo službu, kterou si podle vás příště koupí. Dokážete identifikovat své nejlepší zákazníky? Jsou to ti, kteří nakupují nejvíce, nejrychleji, vyžadují nejmenší podporu a jsou s vaší značkou spokojeni. Abyste našli data, která potřebujete, budete se muset porozhlédnout i mimo marketing. Jaké nabídky tito zákazníci příště asi využijí? Odpověď naleznete, pokud je porovnáte s podobnými zákazníky, kteří nakoupili stejný typ zboží a poté si koupili i něco jiného. Skutečnost, zda pro vás bude obtížné či naopak snadné shromáždit ta

©2014 IDC

#248896

5

správná data, je dobrým indikátorem toho, jak dobře je vaše organizace připravena na prediktivní analýzu.

ZÁVĚR Představte si, že byste lépe než konkurence rozuměli tomu, jak se chování vašich zákazníků promítá do zisků společnosti. Představte si, jak jednoduché by bylo mít několik týdnů nebo měsíců na budování vztahů se zákazníky bez toho, aby se vám do toho pletli ostatní dodavatelé. Dema, návrhy a dokonce i smlouvy byste mohli mít připravené mnohem dříve, než zákazníka kontaktuje vaše konkurence. Nyní si představte, že takový přehled má váš konkurent. Není jen o krok napřed - získává nad vámi totální převahu. S každým zákazníkem máte den zpoždění a dolar ztrátu. Prediktivní analýza má v konkurenčním prostředí jednoznačné důsledky. Skutečnost, že vyžaduje nástroje a lepší dovednosti, z ní dělá mocnou zbraň v konkurenčním boji. A je to také další důvod, proč byste ji měli začít používat už teď - pokud jste ještě nezačali.

PŘÍPADOVÉ STUDIE

Mobilink Společnost Mobilink je nejvýznamnějším poskytovatelem telekomunikačních služeb v Pákistánu. Byla založena v roce 1994 a své služby poskytuje více než 20 000 měst a vesnic po celém Pákistánu. Společnost oznámila odvážný plán na vytvoření největší 3G sítě tvořené 9 000 jednotkami po celé zemi do července 2014. Společnost Mobilink modernizuje nejen svou telekomunikační infrastrukturu, ale také způsob provádění analýz a oslovování zákazníků s nabídkami služeb. V prostředí, kde společně fungují jak síť GPRS (General Packet Radio Service), tak i 2G a 3G sítě, poskytuje Mobilink své služby mnoha různým typům zákazníků. Díky sofistikovanému modelování, vytváření zákaznických profilů a prediktivních analýz v kombinaci s interdisciplinárním obchodním týmem tvořeným datovými analytiky a marketingovými pracovníky dosahuje Mobilink ze svých cílených kampaní měřitelné návratnosti investic.

Výzvy Vysoce konkurenční telekomunikační průmysl je pod neustálým tlakem, protože musí dosahovat dvou cílů současně: musí 1) generovat vyšší zisky, a zároveň 2) snižovat odliv zákazníků. V roce 2009 si společnost ke zlepšení svých analytických schopností vybrala řešení SAP InfiniteInsight (dříve známé jako KXEN InfiniteInsight; společnost SAP koupila KXEN v roce 2013). Společnost Mobilink využívala InfiniteInsight v kampaních. Chyběly jí však detailní informace a přehledy týkající se výběru zákazníků pro kampaně. V roce 2013 společnost Mobilink zjistila, že k tomu, aby mohla vytvářet cílenější kampaně, potřebuje lepší přehled o jednotlivých zákaznících. Skupina zabývající se rozšířenou analýzou se pustila do sestavování komplexního přehledu o jednotlivých zákaznících. Pro podporu obchodních rozhodnutí bylo potřeba vyřešit následující specifika: 

Zlepšit prediktivní schopnosti a identifikovat celou řadu obchodních indikátorů, jako je sklon zákazníků k odchodu nebo potenciální zákazníky s vysokou hodnotou životního cyklu

©2014 IDC

#248896

6



Porozumět chování zákazníků prostřednictvím shlukové analýzy



Pochopit vzájemné propojení zákazníků prostřednictvím analýzy sociálních sítí

Řešení Společnost Mobilink dělá více než 800 propagačních kampaní měsíčně. Z těchto kampaní je nyní přibližně 60–70 % založeno na prediktivní analýze. Společnost Mobilink uvádí, že jejasné, že kampaně vytvořené pomocí nástroje SAP InfiniteInsight generují mnohem větší zisky než ostatní kampaně na bázi makro-segmentace, které prediktivní modely nepoužívají. Firma zaznamenala výrazný nárůst obchodních ukazatelů, včetně osminásobného nárůstu využití nabídek zaměřených na udržení zákazníků (z 0,5 % na cca 4 %), a dočkala se za zlomek nákladů i 380% nárůstu míry reakce na kampaně, což bylo zjištěno prostřednictvím analýzy sociálních sítí. Zde je několik příkladů, jak společnost Mobilink úspěšně využívá nástroj SAP InfiniteInsight: 

Růst zisků: Společnost Mobilink využívá ke zvyšování tržeb různé prediktivní modely, jako je například model predikce vysoké hodnoty. Výstup této analýzy jí pomáhá odhalit zákazníky, kteří společnosti s největší pravděpodobností přinesou časem vysoké zisky, zatím však ještě tak hodnotní nejsou. Na základě získaných informací si společnost Mobilink může takové zákazníky „předběžně pojistit“ tím, že jim poskytne atraktivní nabídky a pokud je tito zákazníci využijí, skutečně se stanou pro firmu vysoce hodnotnými zákazníky.



Snižování odlivu zákazníků díky identifikaci „neznámých“ uživatelů sítě: Společnost Mobilink řeší na pákistánském telekomunikačním trhu významný problém, protože většina uživatelů sítě začala používat předplacené telefonní karty. Společnost Mobilink tyto uživatele ve své síti vidí a ví, jakým způsobem telefonují a posílají SMS zprávy, ale chybí jí dostatečné demografické informace k jejich identifikaci (např. pohlaví a adresa). Z tohoto důvodu je velmi složité sestavovat pro tyto jedince cílené nabídky za účelem snížení rizika jejich odchodu. Na trhu s rostoucí mírou personalizace byla tedy společnost Mobilink v nevýhodě. Společnost Mobilink využívá SAP InfiniteInsight k analýze sociálních grafů uživatelů sítě (těch, se kterými dotyční komunikují) a poté na základě informací o komunitě a sociální roli vytváří odvozené proměnné, které se používají i v jiných modelech. Ostatní modely se tímto způsobem obohacují o data ze sociálních sítí. Čím jsou tato data ucelenější, tím podrobnější jsou modely, a tím lépe mohou sloužit k zacílení na jednotlivce a jejich chování. (Poznámka pro čtenáře: Pojem „sociální síť“ v tomto případě označuje osobní sociální graf uživatele zobrazující jeho osobní vztahy, nikoli veřejnou sociální síť jako je Facebook.) Společnost Mobilink zaznamenala úspěch ve dvou oblastech: 

Identifikace vlivných jedinců: V rámci interní analýzy odlivu zákazníků si společnost Mobilink v grafech povšimla, že určité komunity ze sítě dočasně zmizely, ale pak se opět objevily. Profil těchto komunit na základě spojení ukázal, že členové byli obvykle z jedné rodiny a vyskytovali se v konkrétních oblastech. Za použití sociálního grafu společnost Mobilink dokázala identifikovat vlivnou osobu v těchto komunitách a pokud se podařilo odvrátit její odchod, ostatní ji následovali.



Identifikace uživatelů, kteří si z každé nabídky vybírají to nejlepší: Za použití sociálního grafu se společnosti Mobilink podařilo identifikovat a cíleně oslovit jedince, kteří přecházejí mezi nabídkami a z každé si vybírají to nejlepší. Za použití proměnných „volající“ a „volaný“ dokázala společnost Mobilink identifikovat jedince podle vzorce volání a zjistila, že SIM karta dotyčného jednotlivce ze sítě dočasně zmizela a tato osoba se posléze

©2014 IDC

#248896

7

vrátila do sítě s jinou SIM kartou. Ačkoli společnost Mobilink neznala totožnost dotyčného uživatele, mohla jej cíleně oslovit s takovým typem nabídky, která by pro jeho profil mohla být atraktivní a snížit riziko jeho odchodu.

Ponaučení Interdisciplinární tým Společnost Mobilink sice vypracovávala odborné posudky v oblasti IT za účelem analýzy a marketingové oddělení dostávalo výsledky, sdílení znalostí však vykazovalo určité nedostatky. Rok 2013 byl pro společnost Mobilink nejúspěšnější, protože se rozhodla spojit analytický a marketingový tým. Analytiky organizačně přesunula do obchodní skupiny a fyzicky blízko k marketérům. Organizace IDC udělala společný rozhovor s Ammarem Karimem, zástupcem ředitele rozšířené analýzy, a Kaleemem Ullahem, ředitelem správy zákazníků, do jehož působnosti spadají veškeré propagační akce realizované prostřednictvím hlasových hovorů, SMS a kontaktního centra. Dnes oba týmy sídlí na stejném poschodí a pravidelně se setkávají, aby prodiskutovaly výsledky stávajících kampaní a nové obchodní potřeby. Karim uvádí: „Marketing je hnací silou analytiky a dává jí směr; funguje jako motivace pro úspěšné analýzy.“ Marketing navrhuje obchodní případy, na jejichž základě analytici vytváří své modely. Poté se tyto dva týmy sejdou a selektivně rozhodnou, které modely se budou sestavovat. Základem všeho je ale nějaký obchodní problém. Podobně i obchodník musí disponovat určitou úrovní technických znalostí.

Rada pro ostatní Mobilink vnímá velmi intenzivně propojení mezi obchodním a analytickým týmem a doporučuje ostatním, aby se vydali podobnou cestou a investovali do multifunkčního týmu. Ačkoli si společnost Mobilink ve finále úspěšně sestavila své modely a prediktivní rámce, cítila, že počáteční zaučení jí trvalo poměrně dlouho. Společnost Mobilink tak doporučuje ostatním, aby vyhledali pomoc v podobě podnikového poradenství od svých dodavatelů.

Global Social Digital Společnost Global Social Digital (GSD) poskytuje marketingové služby na základě svých zkušeností v oblasti prediktivní analýzy pro marketing. Mezi její klienty patří velké evropské značky z oblasti vysílání, sportovního marketingu, hudby a zábavy a dalších B2C oblastí, které se snaží reagovat na chování zákazníků v reálném čase. Společnost GSD využívá SAP InfiniteInsight k vytváření prediktivně analytických modelů, které jejím klientům pomáhají lépe segmentovat, zacílit a alokovat marketingové výdaje. Její konkurenční výhody jsou založeny na kvalitě a rychlosti detailních přehledů, které zákazníkům poskytuje. CEO, Chris Sherlock, založil společnost na třech základních principech pro budoucnost marketingu: 1. Návratnost investic: Marketingový rozpočet je potřeba investovat efektivně. 2. Digitální technologie: Mobilní a digitální zařízení, zacílení, jeho změny, správa obsahu a sociální sítě představují revoluci v marketingové praxi.

©2014 IDC

#248896

8

3. Analýza: Personalizace v reálném čase je závislá na shromažďování a zpracování dat v reálném čase. Obchodní model společnosti je založen na schopnosti velmi rychle vytvářet analytické modely z dat ze sociálních sítí a doplňujících dat ostatních subjektů. Jedním z klientů je vysílací společnost, která musí zpracovávat v reálném čase data o divácích, kteří používají set-top boxy. Když je set-top box zapnutý, vysílací společnost dokáže sledovat všechny programy, na které se lidé dívají, ale neví, kdo tito lidé jsou, ani zda mají televizi opravdu zapnutou. Má k dispozici pouze jméno majitele účtu. Kdo se tedy dívá (pokud vůbec někdo)? Na základě skenování příspěvků na sociálních médiích, jako jsou tweety nebo příspěvky na Facebooku, a jejich přiřazení ke známým IP adresám dokáže společnost GSD zjistit, že určití lidé komentují show, kterou právě sledují a dokáže tyto údaje přiřadit ke konkrétní domácnosti. Společnost GSD obohacuje svou analýzu o celou řadu dalších dimenzí, jako jsou demografické, finanční i úvěrové informace a nákupní historie, a dokáže zjistit, kteří diváci si pravděpodobně zakoupí konkrétní produkty. Díky těmto poznatkům může vysílací společnost prodávat cílenou reklamu pro konkrétní set-top boxy za prémiovou cenu. Aktuálně je tato funkce k dispozici pouze na týdenní bázi, protože proces mezi vysílacími společnostmi a reklamními agenturami není automatizovaný. Budoucnost je však o jejím využívání v reálném čase.

Výzvy Služby GSD musí být poskytovány velmi rychle. Sherlock při založení společnosti identifikoval tři klíčové problémy, které musí firma řešit: 

Infrastruktura: Navržená speciálně pro rychlé analýzy velkých objemů dat



Analýza sociálních sítí: Shromažďování příspěvků z maximálního množství strukturovaných i nestrukturovaných zdrojů v reálném čase



Tým: Schopnost vytvořit infrastrukturu, navrhnout analytické modely, optimalizovat tok dat a komunikovat se zákazníky

Infrastruktura Jako malá společnost poskytující služby velkým podnikům potřebovala GSD flexibilní řešení, které by začínalo u velmi malé uživatelské základny, ale dokázalo podporovat i rozsáhlé vztahy se zákazníky. Proto si vytvořila vlastní infrastrukturu pro zpracování dat — jediným komerčním softwarem, který je její součástí, je analytické jádro SAP InfiniteInsight. Ten si společnost vybrala z několika důvodů: 

Je ekonomicky výhodný z hlediska licencování



Ovládání rozhraní nevyžaduje odborníky, kteří jsou drazí – základy se mohou naučit všichni podnikoví uživatelé



Rychlé získávání sémantických dat ze sociálních sítí a analýza uzlů byly klíčem k eliminaci falešných účtů



Možnost v budoucnu přidávat další aplikace/funkce

Analýza sociálních sítí Společnost GSD zjistila, že prostřednictvím analytických technik v sociálních sítích může identifikovat jedince a vytvořit si strukturovaný přehled o složení cílové skupiny. Vyžadovalo to však kombinaci obrovského množství osobních demografických dat a digitálního obsahu (tweety, blogy, fotografie atd.)

©2014 IDC

#248896

9

se strukturovanými zdroji. Celý datový soubor měl několik terabajtů. Ke zrychlení analýzy zvolil tým jen ty nejvýznamnější atributy a poskytl datové soubory o velikosti několika gigabajtů. Jeden z nejefektivnějších způsobů předběžného filtrování je založen na otázkách, které mají vyřadit konkrétní záznamy ze souboru pro analýzu: 

Jak vnímáme marketing na sociálních médiích a sociální média samotná ve smyslu sledování lidí?



I když lidé mají vaši značku rádi a propagují ji, jak rozlišujete potenciální zájemce, kteří by si mohli vaše produkty koupit, a pouhé fanoušky, kterým se jen líbí vaše logo a design?



Jak víte, zda je nabídka relevantní?



Jak poznáte nejvhodnější osobu, kterou byste měli cíleně oslovit, a nejvhodnější dobu k propagaci?

Tým Jak říká Sherlock: „Každý ve společnosti musí znát své klienty. Potřebujeme klientům vysvětlovat, odkud naše poznatky a informace pocházejí. Datoví analytici se musejí účastnit schůzek s klienty.“ Jedině tak bude zajištěno, že obchodní zástupci a projektoví manažeři uslyší stejné informace a během prodejního i nákupního procesu potáhnou za jeden provaz. Každý v organizaci musí vědět, jak má komunikovat s klienty. Interakce s klienty jsou nejlepším způsobem budování kultury zaměřené na zákazníka. Jak prohlásil jeden datový analytik po setkání s klienty: „Hledal jsem odpověď v datech, ale dostal jsem ji přímo od klienta.“

Ponaučení 

Kultura: Zajistěte, aby se lidé učili jeden od druhého a aby všichni věděli, co se děje. Společnost využívá tzv. „výměnných setkání“, což jsou každodenní ranní posezení u kávy, kde si zaměstnanci vyměňují informace o tom, co ve své práci dělají a zažívají. Co zpracovávají? K jakým poznatkům došli? Klíčovým tématem jsou způsoby vylepšování předběžného filtrování pro získávání lepších datových sad pro analýzu.



Vzdělání: Klienti se stále potřebují vzdělávat o tom, co všechno lze dělat s velkými objemy dat. Velké značky se vrhly po hlavě do sociálních sítí, ale tím jejich cesta nekončí - v tom chaosu musí najít důležité informace o nákupním chování zákazníků a o tom, co je ovlivňuje.



Hodnota: Je velmi obtížné dopředu rozpoznat, jaké výhody přinese analytický projekt, protože nové poznatky je obvykle potřeba otestovat. Tam, kde jsou zdroje dat k dispozici, je důležité sledovat zavedené ukazatele.

©2014 IDC

#248896

10

About IDC International Data Corporation (IDC) is the premier global provider of market intelligence, advisory services, and events for the information technology, telecommunications and consumer technology markets. IDC helps IT professionals, business executives, and the investment community make factbased decisions on technology purchases and business strategy. More than 1,100 IDC analysts provide global, regional, and local expertise on technology and industry opportunities and trends in over 110 countries worldwide. For 50 years, IDC has provided strategic insights to help our clients achieve their key business objectives. IDC is a subsidiary of IDG, the world's leading technology media, research, and events company.

Global Headquarters 5 Speen Street Framingham, MA 01701 USA 508.872.8200 Twitter: @IDC idc-insights-community.com www.idc.com Copyright Notice External Publication of IDC Information and Data — Any IDC information that is to be used in advertising, press releases, or promotional materials requires prior written approval from the appropriate IDC Vice President or Country Manager. A draft of the proposed document should accompany any such request. IDC reserves the right to deny approval of external usage for any reason. Copyright 2014 IDC. Reproduction without written permission is completely forbidden.