Искусство маркетинга возникло, как вспышка, на фоне локальной деятельности компаний, ориентированных на клиента. Первый прорыв произошел с появлением технологий массовой коммуникации, таких как радио и телевидение, которые расширили целевую аудиторию до миллионов людей, находящихся в разных уголках земли. Минусом этого стала необходимость посылать универсальную информацию о продукции для каждого покупателя, что не всегда экономно и оправдано. Маркетинг на некоторое время стал продуктоориентированным. Вторая революция в маркетинге была вызвана быстрым развитием компьютеров и баз данных. Благодаря этому корпорации получили функцию памяти: данные о потребителях и операциях стали храниться для использования в будущем. Идея заключалась в том, чтобы снова создать ориентированный на покупателя рынок, где будут применяться сохраненные данные, что гораздо более эффективно.
Однако вскоре выяснилось, что для получения лучших маркетинговых решений следует обрабатывать такие данные, которые не содержат лишней информации, а это требует применения значительно усовершенствованных автоматических технологий, моделирующих данные. Идея глубокого анализа данных, которая состоит в автоматическом поиске новых, полезных сведений в данных, появилась в девяностые годы. Глубокий анализ данных находится еще на начальной стадии развития, но отрасль многообещающая. Новые технологии, внедренные в сферу автоматического обучения, позволяют переносить сохраненные данные в комплексную Систему Поддержки Принятия Решений (СППР), для прямого маркетинга – это потенциально новый уровень развития маркетинга. Мир возвращается к индивидуальному маркетингу, к индивидуальным перспективам, но в этот раз c возможностью доставлять индивидуальное сообщение каждому из миллиона потенциальных клиентов в один клик.
Новые методы прямого маркетинга позволяют составить индивидуальное сообщение и отправить их тем потенциальным покупателям, которые вероятнее всего заинтересуются предлагаемым продуктом или услугой. Современные маркетологи применяют технологии поддержки принятия решений, чтобы добиться точного совпадения между продуктом и его потенциальным покупателем. Такой подход увеличивает эффективность маркетинговой кампании и экономит средства маркетинговой организации. Это важный залог конкурентоспособности.
Задачи прямого маркетинга включают в себя сегментацию рынка, моделирование ответов, прогнозирование перекрестных продаж, оценку клиентов и анализ потребительской корзины. Чтобы предложить эффективное решение этих задач необходимо, во-первых, применять глубокий анализ данных и методы машинного обучения, с целью выявить отношения и найти модели в сохраненных данных. Во-вторых, использовать эти сведения для прогнозирования реакции потенциального покупателя на будущие ситуации.
Современное поколение маркетологов растет на идеях индивидуального маркетинга и массовой персонализации. Можно было бы ожидать множество надежных приложений по поддержке принятия решений для прямого маркетинга. Но, оказывается, это не так. В чем причина? Какие технологические проблемы замедлили повсеместное использование новых методов маркетинга, нацеленных на покупателя, и как их можно решить?
Чтобы найти ответ, давайте рассмотрим структуру типичного процесса прямого маркетинга, представленного на рисунке 1. В этой структуре акцент делается на том, что прямой маркетинг – не единовременный, а многоступенчатый повторяющийся процесс, который использует отзывы покупателей и с каждым этапом взаимодействия с потребителем получает более точные данные. В цикл прямого маркетинга входят такие этапы, как сбор данных, хранение, моделирование, а так же скоринг, которые сопровождаются управлением текущими акциями и оценкой отзывов покупателей. Эти шаги были в значительной степени скомбинированы и компьютеризированы, поэтому сегодня можно говорить о первом внедрении программного обеспечения для прямого маркетинга. Недостатком этого процесса остается этап моделирования данных и обнаружение нужной информации – на этом этапе требуется значительное вмешательство человека.
Рис.1 Диаграмма процесса прямого маркетинга
Цикл прямого маркетинга начинается со сбора информации о потенциальном покупателе. Наиболее общий источник такой информации, где можно снять копию операций каждого покупателя – это интернет-магазины, сканеры с пунктов торговли и программы лояльности клиентов. Помимо этого существует возможность через поставщика внешних баз данных приобрести дополнительные данные или первичную базу данных. Для того чтобы проанализировать собранную информацию необходимо перенести переходные данные в хранилище данных, что упрощает процесс согласования данных и осуществления различных агрегаций. После этого с помощью инструментов OLAP (англ. online analytical processing, интерактивная аналитическая обработка) создается такой вид данных, который подходит для дальнейшей аналитической обработки данных. Эта часть работ прямого маркетинга была существенно автоматизирована и включена в инструменты управления кампании.
Давайте предположим, что мы знаем, как осуществлять шаг глубокого анализа данных и находить скрытые типовые решения в данных, а так же умеем объяснять и эти решения, и другие достоверные модели, которые прогнозируют итоги будущих ситуаций. Представили? Мы вернемся к этому вопросу через минуту. Следующий шаг – использовать полученную модель, чтобы отметить в базе данных весь объем записей о потребителях, с целью конкретизировать потенциальных клиентов, сегментацию рынка и определить возможность перекрестных продаж. Эти прогнозы лежат в основе будущей маркетинговой стратегии, которая в свою очередь позволит действовать наиболее эффективно и рационально. И, последнее, мы строим общение с потенциальными потребителями и оцениваем их поведение, которое регистрируется в том же самом хранилище данных, благодаря этому шагу наше маркетинговое решение рациональнее с каждым циклом.
Возвращаясь к шагу анализа данных, отметим, что в настоящее время он отображает самый сложный и неинтегрированный этап рассматриваемого цикла бизнес-аналитики. Вмешательство «живого» аналитика во время этапа моделирования данных требуется по нескольким причинам. Во-первых, чтобы из существующей архитектуры хранения данных импортировать для анализа и машинного обучения выборку сохраненных данных в выбранное приложение глубокого анализа данных. Во-вторых, чтобы выбрать лучшую стратегию для анализа данных. В-третьих, чтобы экспортировать полученную модель обратно в приложение прямого маркетинга, где будут зафиксированы новые данные и определены наилучшие решения. Но глубокий анализ данных остается проблемной зоной решений прямого маркетинга, здесь выделяют три основные причины: надежные алгоритмы машинного обучения работают с чистыми моделями (без лишней информации), в типовых решениях на основе данных применяется сложная математика, настоящий метод совсем недавно вышел из академических кругов в деловой мир. Соответствующие программные продукты еще незрелые и не имеют методов простой интеграции с другими этапами цепочки поддержки принятия решений.
На самом деле существуют несколько обособленных аналитических инструментов на рынке. Однако приложениям глубокого анализа данных приходится обрабатывать данные различной природы, которые были взяты из разных архитектур хранения данных, использовать сложные алгоритмы обработки данных и представлять результаты исследований в различных форматах по требованию каждого отдельного пользователя. Как следствие, приложения глубокого анализа данных сегодня представлены на рынке либо как перегруженные по своей функциональности, которые никто никогда не использует в полном объеме, либо как относительно простые и универсальные, но сложно настраиваемые под определенную задачу.
Тем не менее в цикле прямого маркетинга существует ряд вопросов, которые усложняют процесс успешного внедрения методов глубокого анализа данных. Часто системы глубокого анализа данных:
- сложны в использовании
- имеют небольшое количество алгоритмов, подходящих для специфичных задач прямого маркетинга
- не могут быть просто интегрированы в полную цепь поддержки принятия решений
- дорого стоят, стоимость от ста тысяч долларов или более
Все это звучит так, как будто возникнет слишком много проблем за один раз. Рационально ли ожидать быстрого решения проблем? Удивительно, но да – существует стратегия, которая направлена на моментальное решение этих проблем.
Эта стратегия предполагает, что приложения глубокого анализа данных должны работать в направлении конкретизации и унификации, что предустановлено производителями аппаратных средств. Новые программные приложения должны легко конструироваться из стандартных программных компонентов, поскольку компьютеры собираются из разных компонентов. Такая новая парадигма разработки программного обеспечения, которая известна как модель компонентного объекта (англ. component object model, COM) или как технология ActiveX, была изложена компанией Майкрософт в конце 1995 года.
COM определяет стандартный механизм, который позволяет разным компонентам программного обеспечения предоставлять свои услуги друг другу. Этот механизм работает одинаково во всех ситуациях, независимо от природы рассматриваемых компонентов. Новая технология – это основа для программы ориентированной на интерфейс: если пользователь знает, как можно обмениваться данными с компонентом, то может использовать его.
Недавно несколько производителей инструментов глубокого анализа данных построили существующие алгоритмы на основе компонентов ActiveX (или COM), которые включаются в существующую вертикальную СППР, что повышает производительность системы в целом. Здесь шаг глубокого анализа данных становится неотъемлемой частью цикла бизнес-аналитики прямого маркетинга, как показано на Рисунке 2.
Рис. 2 Компоненты глубокого анализа данных на основе COM
Функциональность интегрированного приложения на основе СОМ может быть иллюстрирована при помощи схемы на Рисунке 2. Главный компонент в нашем случае – это интегрированное решение прямого маркетинга и управление маркетинговыми кампаниями, которые зависят от услуг компонентов глубокого анализа данных. Пользователь активирует мощные алгоритмы глубокого анализа данных, затем визуализирует и применяет полученные результаты просмотров данных через знакомый интерфейс, предоставленный интегрированным решением прямого маркетинга.
Запросы для анализа данных обрабатываются совместно различными компонентами. Клиентский компонент отвечает за безукоризненное взаимодействие с другими частями СППР и обращается к компонентам взаимодействия с базой данных, которые отвечают за импорт данных при анализе. Затем Клиентский компонент вызывает методы Серверного компонента, в процессе этого реализуются требуемые исследовательские модули, а так же определяется указатель к настраиваемому Компоненту доступа к данным. Сервер выполняет обработку данных. Промежуточные и итоговые результаты обработки данных передаются Клиентскому компоненту для визуализации и дальнейших операций.
Архитектура COM выполняет аналитический алгоритм, встроенный в компонент глубокого анализа данных, действия с данными, и представленные функции, которые полностью обеспечиваются приложением для поддержки принятия решений. И это замечательно, потому что все, что пользователь захочет теперь – это лишь использовать инструменты глубокого анализа данных в любимом приложении.
Для того чтобы оценить всю красоту решений, основанных на COM, давайте ненадолго встанем на место разработчиков. Компоненты ActiveX стали выглядеть более привлекательно. Сейчас разработчики могут:
- Создавать новые мощные приложения быстро и легко
- Внедрять компоненты третьего лица в созданные приложения
- Выбирать лучшие компоненты от разных продавцов
- Расширять функциональность существующих приложений при помощи простого добавления новых компонентов
- Объединять компоненты, написанные на разном оборудовании и языках, в простое решение
- Выполнять разработку при помощи наиболее простых и распространенных инструментов (таких как Visual Basic для Приложений)
С другой стороны, производители компонентов глубокого анализа данных не станут снова самостоятельно пытаться строить от начала до конца приложение по поддержке принятия решений для вертикального рынка: качественно это у них не получится в любом случае. Сейчас, облегченно вздохнув, они могут сконцентрироваться на создании хорошо документированного компонента глубокого анализа данных, основанного на COM. А внедрение в вертикальные решения оставить для тех профессионалов, которые в этом бизнесе со времен каменного века. Разработчикам компонентов глубокого анализа данных следует быть готовыми приветствовать бывших конкурентов в качестве новых клиентов.
Рис. 3 Интегрированный прямой маркетинг и решения в управлении кампании
Подводя итоги, можно сказать, что использование алгоритмов глубокого анализа данных на основе COM во время моделирования данных интегрированной цепи прямого маркетинга удовлетворяет нужды всех заинтересованных сторон. Пользователи получают гибкую архитектуру индивидуальных мощных алгоритмов глубокого анализа данных, гармонично включенных в их СППР. Разработчики и интеграторы вертикальных приложений могут нанять более дешевых VBA программистов, чтобы заменить своих С++ гуру, и сконцентрироваться на совершенствовании интерфейса пользователя, а в это время выводить на аутсорсинг более результативные компоненты машинного обучения. Помимо этого разработчики алгоритмов глубокого анализа данных могут продавать свои компоненты на широком рынке, развивая новое стратегическое партнерство с разработчиками лучших решений в этой сфере. Решения бизнес-аналитики становятся гибкими, легко модернизируемыми и рентабельными. Комбинация этих характеристик увеличивает ценность персональных настроек приложений, которые строятся благодаря COM технологиям, и в то же время расширяет рынок созданных компонентов до максимального уровня.
И, наконец, последнее, но не менее важное: существует еще одна очень важная группа людей, которая получит свою выгоду от новых технологий – это целевая аудитория. Новые интегрированные решения прямого маркетинга обеспечат более качественный процесс сегментации и выявления потенциальных клиентов в ходе маркетинговой кампании. Нам всем будет приходить меньше ненужной рекламы, а взамен мы будем получать больше информации о полезных акциях. Именно так мы поймем, что новые технологии начали работать!