Бигдатый маркетинг

Большие данные и маркетинг отлично работают вместе — любой #кейс из канала это подтверждает. Давайте обобщим, на что способна бигдата: ловите 5 маркетинговых задач, которые она поможет решить. #какэтоделать #инструкции #чеклист

Кейс «Магнита»: как утащить клиентов из магазина в интернет Что сделали. «Магнит» создал модель машинного обучения, которая помогает привлекать клиентов из офлайна в онлайн. Как работает. Чтобы найти покупателей, которые готовы заказывать на сайте, «Магнит» сперва делает «ковровые рассылки» по всей офлайн-базе, без сегментации. На полученном отклике обучают look-alike-модель, которая ищет склонных к заказу клиентов. Затем второй раунд обучения: отобранным людям снова уходит письмо, специалисты собирают отклики и отдают модели. И так по кругу: систему всё время дообучают и вносят корректировки. Результат. Отбор клиентов с помощью модели машинного обучения повышает отклик на письма: после первого обучения модели отклик выше в три раза, а после второго — в восемь раз по сравнению с первой рассылкой. #новости #кейс

Каждый раз придумывать, что купить на ужин, — настоящее мучение. Магазины пытаются помочь и предлагают товары, которые нам, скорее всего, понравятся. А наши вкусы у них как на ладони — благодаря истории покупок и данным, которые мы сами раскидываем по всему интернету. Читайте в карточках, как «ВкусВилл» запустил рекомендательную систему на основе бигдаты. #разбор #кейс

Что сделали. Platforma и Nielsen составили профили клиентов разных АЗС на основе больших данных. Компании взяли анонимизированные данные 53 тысяч клиентов АЗС за сентябрь 2021 года и скормили ИИ. Результат. В итоге исследователи получили не только средние чеки клиентов АЗС, но ещё распределили покупателей по доходу, возрасту и интересам. Выяснилось много любопытного. 🧒 Молодёжь чаще заправляется в «Лукойле», а взрослые — в BP и «Башнефти». 💸 Наиболее состоятельные клиенты у BP и Shell, а люди с меньшим доходом выбирают «Лукойл» и «Башнефть». 🥛 41% клиентов покупают только один товар на АЗС — чаще всего это вода. 🍩 Те, кто покупает два товара, обычно берут что-то сладкое и воду или сладкую газировку. 🎭 Самые частые клиенты АЗС — любители ресторанов и путешествий, а реже всего заправляется «интеллигенция» — так назвали людей, которые раз в месяц покупают билеты в театры и музеи. #исследование #кейс

Вчера был пост о пользе автоматизации — теперь держите наглядный кейс. Туристический сервис аренды жилья годами копил данные о бронированиях, предпочтениях и поведении клиентов в бесконечных табличках и ничего с ними не делал. А потом взял, залил всё это в облако, настроил аналитику — и начал больше зарабатывать. Как это получилось — смотрите в карточках. #кейс #ворлдвайд

Большие данные без автоматизации и алгоритмов — чемодан без ручки: нести можно, но труда больше, чем пользы. Автоматизация превращает данные в живой ресурс для бизнеса — о том, как она это делает, читайте в карточках. #какэтоработает

Кейс «Ленты»: меньше очередей, больше товарооборот — всё с помощью бигдаты Что сделали. «Лента» запустила систему видеораспознавания, которая отслеживает очереди на кассах и прогнозирует трафик покупателей. Как работает. ИИ анализирует количество людей на кассах и отправляет уведомление сотруднику, который зовёт ещё кассиров или советует покупателям менее загруженные кассы по громкой связи. Вдобавок программа анализирует входные камеры и с помощью математической модели предсказывает появление очередей за 20 минут. Результат. В пилотных магазинах очереди сократились на 13%, а товарооборот вырос на 1,2% — для одного гипермаркета это 2–3 миллиона рублей. А ещё в этих магазинах на 11% увеличилось число покупателей. #кейс

Big data, big idea. Расчётливый футбол Как вам такое: цена билета на матч зависит от успехов и состава команды? Такую систему динамического ценообразования внедрила Национальная футбольная лига США. Там подумали: почему одно и то же место стоит одинаково на популярных играх с топовыми командами и на матчах команд-аутсайдеров? Решение — прогнозировать спрос на матч и менять цену в зависимости от прогноза. Для этого НФЛ построила предиктивную модель, которая анализирует кучу данных: в какой фазе сезона пройдёт игра, какие успехи у команд-соперников, будут ли на поле известные игроки, какие ставки делают на игру. Дальше модель строит прогноз, и если спрос на игру высокий, цены на билеты повышают. А если спрос небольшой, цены снижаются — и это не только повышает продажи, но и помогает собрать аудиторию командам, которые переживают трудный период. Огонь?

Кейс: ИИ составил профили пользователей и увеличил кросс-продажи супермаркета Что сделали. Агентство CleverData помогло сетевому гипермаркету увеличить кросс-продажи с помощью AI-модели. Модель сводит воедино данные об офлайн- и онлайн-покупках, анализирует профили пользователей и составляет рекомендации. Человек делает покупку в магазине и получает триггерное письмо с персональным предложением. Все данные анонимизируются: грубо говоря, система знает, что человек часто покупает бананы, но не знает, кто он и где он живёт. Результат. Рекомендации AI-модели увеличили кросс-продажи похожих товаров на 12%. Конверсия из открывших персональные письма на 67% больше, чем из общей рассылки. #кейс

Кейс: ИИ составил профили пользователей и увеличил кросс-продажи супермаркета Что сделали. Агентство CleverData помогло сетевому гипермаркету увеличить кросс-продажи с помощью AI-модели. Модель сводит воедино данные об офлайн- и онлайн-покупках, анализирует профили пользователей и составляет рекомендации. Человек делает покупку в магазине и получает триггерное письмо с персональным предложением. Все данные анонимизируются: грубо говоря, система знает, что человек часто покупает бананы, но не знает, кто он и где он живёт. Результат. Рекомендации AI-модели увеличили кросс-продажи похожих товаров на 12%. Конверсия из открывших персональные письма на 67% больше, чем из общей рассылки. #кейс

Как большие данные помогли НКО для пенсионеров расширить аудиторию Чтобы привлечь людей определённой возрастной группы, недостаточно смотреть только на возраст — в этом убедилась американская НКО, которая решила привлечь посетителей чуть моложе основной ЦА. Агентство Merkle проанализировало данные и достучалось до них с помощью персонализированной рекламы. Проблема. Клиент — организация, которая помогает пожилым людям улучшать качество жизни. Организация решила вырастить число членов на 5% к 2028 году и для этого нацелилась на аудиторию 50–59-летних. Проблема в том, что люди в этом возрасте ещё не считают себя пожилыми, а услуги организации актуальными, хотя у неё есть предложения для всех возрастов. Решение. Чтобы привлечь больше 50–59-летних участников, агентство предложило клиенту составить портрет аудитории. Для анализа взяли базу данных 200 000 жителей США 50–59 лет и с помощью математической модели разделили их на сегменты, основываясь на 540 признаках. Эти сегменты наложили на имеющуюся базу членов организации — так удалось выяснить, через какие каналы приходят люди из разных сегментов и какими услугами они пользуются. Для каждого сегмента агентство подготовило отдельные креативы и предложения. Чтобы проверить, как ЦА реагирует на «свои» рекламные сообщения, людям из разных сегментов показывали также сообщения для других сегментов и общее сообщение для аудитории 50–59 лет. Результаты. Сегментированная реклама привлекла новых участников в организацию клиента: конверсия с рекламных сообщений выросла на 48%, при этом каждый новый участник стоил клиенту на 73% меньше. #разбор #кейс

Цифровой двойник — это не ваш аватар в кожаном плаще, как в «Матрице», а полезная технология, которая помогает контролировать сложные системы. Как она устроена и как компании с её помощью экономят и зарабатывают — читайте в карточках. 👆

Поженить неженимое: российские разработчики опробовали решение для безопасного мэтчинга данных Что случилось. Специалисты Platforma и HFLabs протестировали новое решение для мэтчинга данных. Оно помогает объединять базы из разных источников и находить пересечения — и всё это с соблюдением конфиденциальности. Как сделали. В пилотном проекте объединили данные ВТБ и «Ростелекома» — всего 250 миллионов записей. Выявили пересечения, не используя персональные данные: работали только с синтетическими идентификаторами. Алгоритм при этом учитывает дубли, синонимы, опечатки и всё такое: если одно и то же имя в разных базах записано как «Наталья» и «Наталия», он поймёт. И что теперь. Новая технология поможет быстро и безопасно соединять базы разных компаний или просто в разных форматах. А в перспективе Platforma сможет работать как дата-банк, участники которого смогут хранить, объединять и анализировать данные, строить модели и создавать совместные сервисы. #новости

Если магазин предлагает скидку на ваш любимый творожок — не обошлось без ИИ. Кейс «Магнита» Что сделали. Сеть супермаркетов «Магнит» использовала машинное обучение для персонализации промопредложений и увеличила эффективность кампаний. Как работает. Для обучения системы использовали данные держателей карт лояльности «Магнита» — их 61 миллион человек. На основе данных искусственный интеллект научился выделять сегменты с учётом сотен параметров и предлагать индивидуальные скидки группам и даже отдельным покупателям. Как использовали. «Магнит» провёл несколько тестовых кампаний: пробовали увеличить частоту покупок, размер корзины, повторные покупки. Людям предлагали индивидуальные скидки и бонусы за приобретения в любимой категории. Результат. Конкретные цифры не раскрывают, но ROI тестовых кампаний оказался в три раза выше, чем ROI кампаний без использования ИИ. Победа? Конечно. #новости #кейс

В одном из прошлых опросов оказалось, что среди вас не так много маркетологов 🤔 Расскажите в комментариях, чем вы занимаетесь?

Данные рассказывают о людях даже то, что они сами о себе никогда не сформулируют: например, что обновить карты в навигаторе им не так важно, как заменить масло. Это выяснил навигатор Here и с помощью предиктивной модели убедил владельцев машин, что за обновление карт стоит заплатить. Подробнее — в карточках. #ворлдвайд #кейс

Из-за слова «большой» в больших данных может показаться, что это инструмент только для больших компаний. Отчасти это правда: небольшие компании чаще всего просто не генерируют достаточно информации. Но зато они могут извлечь пользу из данных, которые собирают те самые гиганты, — ловите чек-лист таких источников. #какэтоделать #инструкции #чеклист

Из-за слова «большой» в больших данных может показаться, что это инструмент только для больших компаний. Отчасти это правда: небольшие компании чаще всего просто не генерируют достаточно информации. Но зато они могут извлечь пользу из данных, которые собирают те самые гиганты, — ловите чек-лист таких источников. #какэтоделать #инструкции #чеклист

Ювелирные магазины Sunlight проверили мощь big data и снизили стоимость скачивания приложения на 18%. Большие данные мобильного оператора оказались точнее, чем look-alike-аудитории, которые предлагают всякие там фейсбуки (запрещённые в России). #новости #кейс