«Без сформулированной цели аналитика превращается в безадресное обращение к черному ящику»: Александр Сафонов из Т2 — о том, как правильно разговаривать с большими данными

— Бизнес сегодня буквально окружен данными. Почему при этом принимаемые решения все равно часто оказываются ошибочными?

— Я бы сказал, что дело в завышенных ожиданиях от аналитики. Сейчас большие данные в тренде, и многие думают, что можно быстро получить готовый ответ на любой вопрос. На практике же заказчики часто не понимают, чего конкретно хотят достичь, и приходят с просьбой просто «сделать хорошо». Без четкой сформулированной цели любая аналитика превращается в безадресное обращение к «черному ящику», результаты в таком случае могут быть неверно интерпретированы.

— Есть ли ощущение, что компании переоценивают качество своих внутренних данных?

— Да, такое часто случается из-за недостатка времени и ресурсов на контроль качества. Я могу привести наш внутренний пример: когда мы смотрели на количество иностранных туристов в столицах, на первый взгляд цифры были понятны: условно 3 млн туристов в Москве, 1 млн в Петербурге. Но если разобраться глубже, часть этих людей оказываются россиянами с Travel SIM или с иностранными SIM-картами, связанными с международными банковскими картами, и реальное число иностранных туристов заметно отличается. Без полного погружения в предмет анализа данные могут создавать иллюзию точности там, где ее нет.

— И с чего начинать, если компания хочет правильно работать с большими данными?

— Прежде всего нужно хорошо понимать свою предметную область, быть экспертом в своей индустрии, тогда получится правильно задавать вопросы большим данным.

Также важно уметь структурировать любую информацию условно в табличном виде. Если начинаешь мыслить в таких категориях, как измерения и показатели, то даже без глубокого опыта в аналитике данных можешь понимать логику обработки информации и интерпретации результатов.

— С какого размера бизнеса стоит погружаться в работу с большими данными?

— Для компаний уровня Enterprise (крупная, сложная организация. — Прим. ред.) это — обязательный инструмент. Средний бизнес тоже постепенно внедряет аналитику на основе больших данных, иногда есть пробелы в своих данных и нужны внешние данные, но без этого конкурировать становится сложно. Если компания работает на эксклюзивном рынке или производит уникальный товар, она в принципе может обходиться и без глубокого анализа данных. Но как только в игру вступают маркетинг, ценообразование, затраты на логистику, взаимодействие с поставщиками и прочее, аналитика становится необходимой.

В последние годы происходит своеобразная демократизация больших данных. Крупные поставщики, такие как, например, телеком-операторы, масштабируют свои аналитические продукты «вниз» от Enterprise к СМБ (средний малый бизнес), делают их более доступными с точки зрения цены. Это позволяет использовать их для сегмента малого и среднего бизнеса. При этом для простых решений достаточно базового анализа, сложная аналитика остается для компаний с высокими требованиями.

— То есть даже для небольшого бизнеса всегда найдутся какие-то решения, которые принесут пользу за небольшие деньги?

— Да, все так. Компании-поставщики аналитики давно стараются автоматизировать процессы и предоставлять свои решения через инструменты самообслуживания, чтобы у бизнеса любого масштаба не было больших затрат на человеческий ресурс.

— В чем может быть проблема с использованием собственных данных, например, из CRM или из рекламных кабинетов?

— Крупные поставщики аналитики на основе больших данных умеют распознавать зависимости между разными наборами информации и показывать любую предметную область комплексно. Они видят действия массива индивидуумов или групп организаций с разных сторон. А конкретная компания, работая только со своей клиентской базой, своей CRM или системой продаж, видит лишь часть информации, которая специфична для нее.

Представим компанию, которая продает новостройки. Она знает клиентов, которые с ней контактировали в прошлом, собрала контакты тех, кто заходил в офис продаж или оставлял информацию на сайте. В CRM зафиксированы дата и время контакта, менеджер, интерес к объекту. Задача этой компании — увеличивать продажи, естественно. Но они не знают всей потенциальной аудитории людей, интересующихся недвижимостью здесь и сейчас.

— И что видят поставщики данных, чего эта компания не видит?

— В этом примере мы можем увидеть, какой сегмент людей ходит к соседним застройщикам, кто живет рядом с их объектами и не проявляет интереса, кто сейчас в целом находится в процессе покупки новой квартиры, кто заинтересован в увеличении жилплощади. Любая гипотеза в продажах новостроек без этих знаний будет поверхностной. Компания будет вслепую тратить бюджет на привлечение аудитории, например, размещать рекламу, таргетируясь на всех мужчин от 35 до 50 лет с высоким доходом. В итоге деньги потрачены, а конверсия небольшая.

— А как это работает в ретейле? На примере клиентов, которые уже есть в базе.

— Допустим, у тебя есть сеть магазинов с программой лояльности. Ты понимаешь, кто активно ходит в магазины, кто в каких категориях совершает покупки. При этом часть аудитории уже длительное время «молчит», и непонятно, что с ней делать. Может, они переехали и больше не живут в пределах доступности этой сети магазинов, может, ушли к конкуренту, который открылся рядом, потому что у него цены ниже. С помощью аналитики больших данных можно точечно «будить» спящую аудиторию, не тратя весь маркетинговый бюджет на тех, кто, скорее всего, никогда не вернется.

— Какие дополнительные возможности дает такой анализ?

— На основании данных можно понять, например, куда ушла премиальная аудитория, которая приносила наибольшую маржу. Мы можем показать, к какому конкуренту они ушли, и совместно с командой клиента предложить точечные меры — дифференциацию продуктов, места размещения наружной рекламы. Для низкодоходной аудитории можно предложить другую категорию товаров, для премиальной — улучшенный сервис, чтобы вернуть их внимание.

— А как правильно совмещать свою внутреннюю аналитику с внешней?

— Нужно искать точки пересечения разнородных данных и идентификаторы, через которые можно объединять разные источники. Например, мобильные телефоны — отличный идентификатор и для телеком-оператора, и для владельца своей клиентской базы в CRM, через который можно соединять внутренние данные с внешними, как открытыми, так и закрытыми. Другие идентификаторы — это Email в тех же CRM, а в интернет-трафике — cookie или пиксели, позволяющие объединять источники.

Чековые данные хорошо совмещать с географией и юридическими лицами или группами организаций. Для этого мы сами используем различные внешние гео-справочники и данные юридических лиц.

На пересечении разных областей аналитики по сегментам действий населения — физических перемещений, покупок, поведения в интернете — мы получаем комплексную аналитику. А это уже эксклюзивный источник с наиболее полным портретом аудитории.

— Как и почему вы в Т2 пришли к продукту для малого и среднего бизнеса?

— Это произошло эволюционно. Изначально телеком-операторы занимались только развитием собственного телеком-бизнеса. Со временем появилось направление Value Added Services (дополнительные услуги обслуживания, VAS. — Прим. ред.) для корпоративных клиентов, сначала для крупного, потом для среднего и малого бизнеса. А затем в дело вмешались большие данные. Получился уже целый портфель продуктов.

Для малого и среднего бизнеса самый востребованный инструмент — таргетированная реклама. Через личный кабинет у нас можно разослать SMS или загрузить аудиторию в рекламные платформы, чтобы донести свое сообщение, например, «Приходите, мы открыли магазин». Мобильный оператор позволяет таргетироваться на людей, которые живут рядом — это базовый пример геомаркетинга.

— Какие еще есть возможности таргетирования?

— Например, по доходу — высокий, средний, низкий. Это востребованный функционал. Мы моделируем доход не так, как банки — они оперируют только оборотом по счетам или тратами по картам, которых у каждого человека сейчас может быть много. Высокий спрос также на таргеты по группам интересов или сегментам покупок. Такие данные позволяют более точно таргетировать рекламу и оценивать поведение аудитории в любом сегменте.

Помимо таргетированной рекламы есть сервис аналитики по территориям. Он нужен, чтобы оценивать рынок, перемещения и активность пользователей по территории любого размера. Его можно использовать, чтобы принимать решения по размещению и закрытию точек продаж, по маркетинговым активностям на конкретной территории.

— Какое будущее ждет аналитику? Над чем вы сейчас работаете?

— Мы хотели бы развивать тему различного рода исследований. Традиционные панельные опросы, заказные опросы в торговых центрах или у метро — перевести на цифровую платформу. Так мы сможем дать бизнесу доступ к огромной аудитории для анализа и фактическим данным без искажения.

Еще мы планируем подключить к теме исследований искусственный интеллект. В планах создание ИИ-аватаров респондентов, которые смогут взаимодействовать с исследователями. Это защитит живых людей от лишних коммуникаций и ускорит процесс сбора данных.