Big data, ciasto truskawkowe i huragan

W pierwszej części wpisu poświęconego tematyce Big Data, głównie skupiliśmy się na jego teoretycznym wymiarze, a to, co wybrzmiało najmocniej to fakt, że dane napędzają biznesowe decyzje. Teraz sprawdźmy, jak wygląda to w praktyce, bo sami jako klienci korzystamy z nich każdego dnia.

McDonalds analizuje informacje o ruchu w sklepie, zamówieniach drive-thru czy przez  aplikację. Zebrana wiedza w godzinach ruchu klientów, preferencjach pozwala dostosować ofertę do realnych potrzeb, poprawić wydajność, przebudować ofertę czy zaprojektować kampanię promocyjną. A nawet wybrać nową lokalizację kolejnego sklepu.

Aplikacje, karty lojalnościowe, czy zachęcanie do subskrypcji newslettera w sieciach restauracji czy kawiarni służy tak poznaniu potrzeb klientów, jak również  tworzeniu spersonalizowanych ofert, kampanii reklamowych czy zaproszeniu dawno niewidzianego klienta na nowe menu.

Amazon w oparciu o dane analizowane na bieżąco, zmienia ceny nawet 2,5 mln produktów dziennie, biorąc pod uwagę zachowanie klientów, popularność produktów czy ceny konkurencji. Duże sieci hoteli również ustalają ceny analizując szereg czynników takich jak sytuacja ekonomiczna, pogoda, dostępność i sposób dokonywania rezerwacji, anulacje, ale również wydarzenia lokalne jak koncerty czy targi. Wybrane hotele należące do sieci Marriott używają asystentów głosowych Amazon Echo, aby goście mogli zgłaszać tą drogą swoje potrzeby. Innowacyjny pomysł na podniesienie jakości obsługi jest jednocześnie dodatkowym cyfrowym kanałem służącym do analizy  informacji o potrzebach klientów. 

Amerykańska sieć supermarketów Walmart postanowiła sprawdzić jak wyglądają zwyczaje zakupowe ludzi, gdy nadciągał huragan Frances. W tym celu przeanalizowano dane sprzedaży z poprzednich huraganów. Okazało się, że truskawkowe ciastka Pop-Tarts sprzedają się siedem razy szybciej niż zwykle w dniach poprzedzających huragan. Decyzja? Wysłanie zapasów produktu do sklepów znajdujących się na drodze huraganu i umieszczanie ich w pobliżu wejścia do sklepu. A dlaczego akurat Pop-Tarts? Może dlatego, że nie wymagają przechowywania w lodówce ani gotowania. 

Wreszcie, jak big data działa w praktyce widzi kierowca korzystający z usług car-sharingu, gdy po skończonej podróży dostaje ocenę stylu jazdy. Auto wyposażone w sensory rejestruje prędkość, hamowanie i spalanie. Podobnie jest z flotami setek aut, którymi dysponują firmy transportowe czy komunalne, gdzie detaliczna wiedza o tym jak użytkowane są pojazdy przekłada się na optymalizację tras, czy zachowania użytkowników. Algorytmy ustalają cenę za przejazd Free Now czy Uberem, biorąc pod uwagę liczbę zgłoszeń, zagęszczenie miejskiego ruchu czy pogodę. Dla produkcji, logistyki i transportu dostęp do morza danych umożliwia optymalne zarządzania łańcuchami dostaw.

Dlaczego big data musi być duże?

Jakie korzyści płyną z wykorzystania big data?  Gromadzenie i analizowanie dużych zbiorów danych pozwala firmom uzyskać szczegółowy wgląd w zachowania klientów, rozumieć i prognozować wzorce zachowań (analiza predykcyjna). Analiza trendów daje wiedzę o kierunkach rozwoju rynku.

Wnioski płynące z danych służą do podejmowania lepszych decyzji biznesowych, umożliwiają kreowanie spersonalizowanej reklamy czy komunikacji, poprawia się jakość obsługi klienta, czy last but not least usprawniać wewnętrzne procesy organizacji. To wreszcie koniec zgadywania jak alokować budżety reklamowe, aby uzyskać największe ROI.

Biznesowa analityka umożliwia obserwację procesu decyzyjnego klienta, i na jego podstawie może budować nowe produkty czy usługi. To klucz to spektakularnego sukcesu Netfliksa, który polegał na odkryciu, że internet nie może naśladować modelu telewizji opartego o cotygodniową ramówkę. Widz, gdy tylko wciągnie się w serial, obejrzy go za jednym razem (binge watching). Jednak wcześniej musi polubić filmową historię, a do tego nie wystarczy pilotażowy odcinek, lecz  potrzebne są co najmniej trzy odcinki.

Netflix stworzył autorski system oceny i rekomendacji filmów oparty nie tylko na oczywistych cechach jak podobieństwo tematyczne czy gatunkowe, motywy filmu, ale także jego kolorystykę, głośność czy tempo narracji. W sumie zdefiniował około 2 tys. kategorii tzw. taste clusters, mikro-społeczności o podobnych gustach i zachowaniach. Rozbudował swoją systematykę filmów tworząc setki kategorii opisujących film. Firma korzystając z dobrodziejstw big data analizuje styl oglądania, momenty, gdy widz zatrzymuje sceny, albo je cofa i ogląda ponownie.

Nie zadowala się danymi popularności, ale kopie głębiej, aby zrozumieć nieoczywiste relacje pomiędzy strukturą filmu a preferencjami użytkowników. Netflix wyposażony w wiedzę o potrzebach widza zainwestował w pierwszy sezon własnej produkcji, jakim był serial House of Cards, debiutujący w 2013 roku. Dodajmy tylko, że mając dostęp do milionów klientów w czasie rzeczywistym, firma na bieżąco testuje nowe algorytmy niczym rozbudowane testy A/B/X, bada nowe layouty, itd. 

Big Data w INIS

W kampaniach mailingowych big data jest wykorzystywana po to, by móc precyzyjnie docierać do odbiorców z ofertami, którymi ci są zainteresowani. Dzięki takim działaniom można budować stałą, a przede wszystkim długotrwałą i lojalną relację z klientami. 

Teoria teorią, ale jak dane wykorzystywane są w praktyce? 

W INIS to my wyręczamy Klientów, przetwarzając dla nich ogrom informacji, gromadząc je we własnej spółdzielni danych (DMP). Wspomniana platforma to miejsce, w którym agregujemy informacje zebrane o użytkownikach internetu. Ale to nie wszystko. DMP to także miejsce, w którym dzieje się “magia korelowania danych ze sobą” po to, by trafić z odpowiednim komunikatem do właściwego odbiorcy, we właściwym czasie. 

Jakie dane są zbierane? Wszystkie, które mogą się przydać. Magazynowane są wszelkie informacje, które zostawiamy podczas aktywności w sieci: dane demograficzne takie jak płeć, wiek czy poziom dochodów, informacje o treściach, które czytamy w serwisach, to, na jakich urządzeniach przeglądamy internet, dane z kampanii reklamowych, na które zareagowaliśmy kliknięciem w baner, informacja czy otworzyliśmy mailing reklamowy, lokalizacja, dobowa aktywność, nasze wcześniejsze zakupy – dokonane i planowane i wszystkie informacje, które są w jakiś sposób zapisane w plikach cookies, bądź dane deklaratywne, które sami podajemy wypełniając formularze.  Sporo tego. Fakt. Nie mniej pomimo tego, że danych jest naprawdę dużo, to warto podkreślić, że wszystkie są pozyskiwane na zasadzie dobrowolności od użytkowników poprzez akceptacje polityk cookies i regulaminów akcji marketingowych, w których biorą udział. 

W INIS stawiamy na:

• mailing targetowany behawioralnie. Metoda ta pozwala na precyzyjne wybranie grupy odbiorców, którzy  przejawiają zainteresowanie konkretnymi produktami lub usługami. Polega ona na wykorzystaniu danych historycznych, uzyskanych z tagowania poprzednich wysyłek i tym samym – z analizy zainteresowań internautów. Mając świadomość tego, w co klikają nasi czytelnicy, możemy wykorzystać zdobytą wiedzę, przy tworzeniu kolejnych mailingów, przygotowując coraz lepiej dopasowane wiadomości.
• retargeting, który pozwala na kierowanie kampanii reklamowej tylko do wyselekcjonowanej grupy użytkowników, którzy już wcześniej weszli w interakcję z reklamowanym produktem. W takim przypadku, kampania remarketingowa obejmuje internautów, którzy kliknęli w reklamę, odwiedzili już stronę internetową czy też wykonali konkretną akcję, np. wrzucili produkt do koszyka, ale z jakichś powodów opuścili sklep internetowy. To kolejny przykład wykorzystania danych o klientach. Wiedząc jakimi produktami klient jest zainteresowany, możemy wysłać do niego mailing np. z rabatem na oglądany przez niego produkt zachęcając tym samym do dokończenia procesu zakupowego. Zasada działania retargetingu opiera się na ciasteczkach (cookies), które zapisywane są w pamięci przeglądarki użytkowników odwiedzających stronę czy sklep internetowy.
• kampanie RTB czyli model zakupu wybranych odsłon reklamowych w czasie rzeczywistym. W przypadku kampanii RTB każda odsłona ma swoją indywidualną wartość. Dlatego tak ważne jest dokładne sprecyzowanie grupy docelowej, przez co kampania reklamowa ma szansę dotrzeć do określonych odbiorców. Przy współpracy z zewnętrznymi platformami jesteśmy w stanie zrobić to jeszcze lepiej i jeszcze dokładniej, ponieważ znaczna większość z nich również działa w oparciu o modelowanie za pomocą AI - decydując, którą reklamę warto wyświetlić danemu użytkownikowi. To nie zawsze tylko kwestia wyższej stawki.

Big Data, choć na pierwszy rzut oka może wydawać się dość kontrowersyjne, jest w głównej mierze nastawione na serwowanie użytkownikom coraz lepszych i bardziej dopasowanych treści.  Oczywiście przestrzegamy przed beztroskim dzieleniem się swoimi danymi w sieci, nie mniej pamiętajmy, że finalnie przyszłość już tu jest, tylko nierówno rozłożona. W momencie gdy świadomość użytkowników i firm zajmujących się przetwarzaniem big data się wyrówna, wówczas powinniśmy osiągnąć jako społeczeństwo zrównoważony i bezpieczny poziom jej wykorzystania.