Предсказательная аналитика: гид для B2B маркетологов

Многие маркетологи слышали термин “предсказательная аналитика”. Но мало кто полностью понимает, что он означает.

Поэтому сегодня мы решили поделиться с вами гидом, который ответит на все основные вопросы: Что это? Как ее использовать? Для кого она?

В этой статье мы подробно остановимся на том, что такое предсказательная аналитика и почему качество данных имеет решающее значение.

Что такое предсказательная аналитика

У термина предсказательная аналитика множество определений. Одно из самых технически точных звучит так: “предсказательная аналитика сочетает в себе большие объемы исторических и контекстуальных данных и используется для создания моделей вероятностей, которые предсказывают, какие действия скорее приведут к успеху, а какие к провалу”.

Проще говоря, это система, которая использует имеющиеся у вас данные для предсказания результатов действий.

Swift Capital сводят предсказательную аналитику к правилу 80/20. Мы знаем, что 80% нашего дохода приносят 20% потенциальных клиентов. И 80% лидов обеспечивается 20% кампаний. Предсказательная аналитика и призвана определять эти 20%.

Чем предсказательная аналитика отличается от других форм аналитики

Учитывая растущую популярность искусственного интеллекта, Big Data и машинного обучения, сложно понять, чем предсказательная аналитика отличается от других форм аналитики. Эта наглядная схема от Gartner поможет разобраться:

К сожалению, многие современные модели маркетинга основываются на предположениях – что уже происходило раньше, будет происходить и в будущем.

Но целью предсказательной аналитики является не только понимание прошлых действий, но и определение предстоящих событий. Однако при предсказании будущего точность гарантировать невозможно. Поэтому предсказательная аналитика может дать только частичную уверенность в результате.

Чтобы проиллюстрировать отличие предсказательной аналитики, рассмотрим одну из самых популярных форм ее использования – прямой маркетинг.

Прямой маркетинг определяет вероятность положительного ответа на предложение от определенного клиента при помощи анализа прошлых реакций всех похожих клиентов.

В результате использования этого подхода маркетологи смогут устанавливать контакт только с теми потенциальными клиентами, вероятность положительного ответа которых выше определенного показателя.

Алгоритмы, которые делают предсказания, могут быть самыми совершенными, но качество результатов полностью зависят от качества данных. Например, нельзя забывать о внешних данных, которые значительно влияют на точность предсказаний. Если ваши предыдущие данные содержат ошибки или являются неполными, необходимо исправить все недочеты, прежде чем приступать к предсказательному анализу.

Почему данные так важны

Прежде чем преступить к использованию предсказательной аналитики, необходимо обратить особое внимание на данные (сигналы), которые влияют на качество выводов и лидов. Представьте, что данные – это айсберг.

Вершина айсберга – традиционные сигналы – фирмографика (локация, индустрия и т.д.). однако точность даже этих данных может быть под вопросом. Собирать и сегментировать их помогают CRM и MAT – технологии автоматизации маркетинга.

Платформа предсказательной аналитики, в свою очередь, может работать со всеми сигналами, которые находятся “под водой”. К ним относятся мотивации и проблемы потенциальных клиентов, которые создают дополнительный контекст и помогают принимать более точные маркетинговые решения.

Получая больше сигналов, маркетологи могут отслеживать определенные индикаторы готовности к совершению покупки или реагированию на маркетинговую кампанию. Эти выводы можно далее использовать для персонализации и оптимизации послания кампаний и каналов. Вот пример трех профилей клиентов, которые помогают определить скрытые сигналы:

• Индикаторы роста и бюджета: компании вкладывают средства в свое присутствие в сети и рекламу, новые технологии, сотрудников, открытие новых офисов, что является отличным индикатором актуальности для них вашего продукта или услуги.
• Определение необходимости: сигналы или их отсутствие могут указать на необходимость вашего продукта или предложения.
• Интеграция и партнерство: сигналы могут помочь определить сегменты с определенными технологиями, которые уже работают с вашими нынешними или потенциальными клиентами.

Качество данных

Качество данных важно не меньше их количества. По мнению 80% B2B маркетологов проблемы с качеством данных ограничивают потенциал роста прибыли.

Команда Radius работает с данными уже более 7 лет, в их распоряжении было более 600 миллионов CRM записей и более 50 миллиардов динамических сигналов. Проанализировав свой опыт, они пришли к ошеломляющим выводам. В среднем только 70-75% CRM данных является точными.

Выводы и потенциальные клиенты будут настолько качественными, насколько точными и полными будут ваши данные. Понимание этого факта позволит маркетологам эффективно применять предсказательную аналитику на практике.

Источник rusability.ru/