Автор: Волнянский А.
Продолжаем освещать тему улучшения взаимоотношений с клиентами, используя Data-Driven CRM Framework — наш подход к систематизации управления взаимоотношениями с клиентами. Рассказываем, что такое управление данными и почему это фундамент для построения эффективной маркетинговой стратегии, основанной на данных.
- Управление взаимоотношения с клиентами и качество данных
- Инженерия данных: преобразование необработанных данных
- Системы хранения данных: обеспечение целостности и доступности данных
В качестве примера возьмем кейс нашего проекта Beinf для онлайн-магазина модной одежды, обуви и аксессуаров. Эта компания стремилась улучшить покупательский опыт, сохранив высокое качество обслуживания, а для этого потребовалось внедрить новые подходы к общению с клиентами магазина.
Управление взаимоотношения с клиентами и качество данных
Качественные данные являются движущей силой всего механизма управления взаимоотношениями с клиентами. Без данных, которые отвечают определенным условиям, не сработают даже продвинутые аналитические инструменты и стратегии.
В идеальном варианте данные должны соответствовать четырем V.
Объем (Volume): убедитесь, что у вас достаточно данных.
Пример: Для принятия обоснованных решений требуется значительный объем данных. Например, весь перечень транзакций, история взаимодействий с клиентами и их отзывы о продуктах за несколько лет. Эти и другие данные станут надежной базой для последующего анализа, чего не скажешь о наборах сведений только за последние пару месяцев
Скорость (Velocity): оцените скорость создания и перемещения данных.
Пример: Идеально, когда важные данные собирают и обрабатывают в режиме реального времени. Чем быстрее данные генерируются и их подвергают обработке, тем сильнее это влияет на принятие решений.
Разнообразие (Variety): используйте разнообразные данные, всесторонне характеризующие пользователя.
Пример: Для качественной аналитики необходимо отслеживать все стороны взаимодействия клиента с продуктом/системой: просмотры товаров, добавление в избранное, добавление в корзину без оформления заказа и другие.
Достоверность (Veracity): учитывайте неопределенность данных, уделяя особое внимание достоверности и происхождению.
Пример: Платформа собирает данные из разных источников, их точность может различаться. Чтобы обеспечить согласованность и снизить риски ошибочных данных, влияющих на принятие решений, необходимо сравнивать новые данные с существующими данными. Также имеет смысл объединить данные из разных систем — например, связанные с покупками на сайте интернет-магазина с его мобильным приложением.
Эксперт Colobridge:
«Качество данных — не просто движущая сила эффективной реализации стратегии взаимодействия с клиентами, это настоящее топливо вашего бизнеса. Именно благодаря ему вы сможете эффективно реализовать стратегии в маркетинге и продажах, добиваясь впечатляющих результатов».
Выполнение четырех V — это только начало пути. Чтобы получить максимальную пользу от данных, которые соответствуют перечисленным критериям, сами данные необходимо правильно подготовить. Рассказываем, как это сделать.
Инженерия данных: преобразование необработанных данных
Чтобы необработанные данные стали пригодными для дальнейшей работы, они должны по цепочке пройти через каждый из описанных ниже этапов.
- Сбор данных из различных источников в соответствии с поставленными целями.
Пример: онлайн-магазин одежды, обуви и аксессуаров собирает данные о поведении клиентов на своем сайте, в том числе информацию о просмотренных и добавленных в корзину товарах, совершенных покупках. Также данные поступают из соцсетей и внешних источников (демографические данные, предпочтения клиентов).
- Очистка, включающая исправление ошибок, удаление неверных/неточных данных.
Пример: во время анализа данных компания выяснила, что некоторых записях допущены орфографические ошибки в именах клиентов, а отдельные поля с контактами пропущены. С помощью ПО для очистки данные удается исправить опечатки и заполнить пустые поля, чтобы обеспечить необходимую точность и полноту данных.
- Обработка, включающая организацию, табулирование и компиляцию очищенных данных.
Пример: Компания при обработке транзакций подсчитала суммы платежей для каждого клиента за определенные период и рассчитала средний чек. Для последующего анализа транзакции были классифицированы по типам: покупка товаров, оплата услуг и другие.
- Обогащение за счет дополнительных переменных для более глубокого анализа.
Пример: был разработан набор атрибутов, которые всесторонне характеризуют клиента по нескольким параметрам. Например, есть ли у него дети, домашние животные или автомобиль, делает он покупки только для себя или для всех членов семьи, какой стиль в одежде предпочитает.
- Доставка, предполагающая удобное использование данных конечными пользователями или системами.
Пример: компания разработала для своих сотрудников интерфейс, в котором они могут легко получить необходимую информацию о клиенте (покупки и другие его действия) для более эффективного взаимодействия с ним.
Эксперт Colobridge:
«Вы можете использовать приведенные выше примеры как краткое руководство по получению качественных данных для дальнейшей аналитики и принятия обоснованных решений. Именно это в конечном итоге позволило компании из нашего примера (маркетплейс одежды, обуви и аксессуаров) принимать обоснованные решения и выйти на новый уровень коммуникации с клиентами. Аналогичный подход можно применять и в других сферах бизнеса».
Для сбора, хранения данных и их последующей обработки требуются значительные ресурсы. Рассмотрим, каким критериям они должны соответствовать.
Системы хранения данных: обеспечение целостности и доступности данных
Для решения этих двух задач необходимо организовать эффективное хранение данные, которое можно реализовать разными способами. Два наиболее популярных — это платформы клиентских данных (Customer Data Platform, CDP) и хранилища данных (Data Warehouse, DWH):
Платформа данных клиентов (CDP)
Это система, которая в режиме реального времени собирает данные о клиентах из всех источников. Такой подход позволяет обеспечить единую базу данных о клиентах, доступную для других систем. CDP подходит компаниям, которые предпочитают работать с данными по мере их накопления, нуждаются в унифицированном представлении данных из разных источников и, в конце концов, планируют использовать персонализированный подход в маркетинге. Для внедрения CDP следует оценить свои источники данных (взаимодействие с сайтом, CRM-системой, соцсетями и т. п.) и выбрать поставщика услуг, который сможет бесшовно интегрировать их с платформой. Примерами CDP могут быть Segment, Bloomreach Engagement, Totango, Blueshift, Insider, Listrak, Lytics, Treasure Data.
Благодаря интеграции разных типов данных (структурированных и неструктурированных, полученных из онлайн и офлайн источников) CDP помогает улучшить качество обслуживания клиентов (CX). CDP создают постоянно обновляемое комплексное представление о клиенте на основе данных, собранных со всех каналов связи — электронной почты, социальных сетей, программ лояльности и операций в магазине, — а также данных, хранящихся в других внутренних системах.
Хранилище данных (DWH)
Это большая централизованная база данных, оптимизированная для аналитики и отчетности, работающая по принципу пакетной обработки. Подходит для хранения, обработки и анализа больших объемов данных.
DWH используют компании, которым требуется расширенная аналитика, отчетность и анализ исторических данных. Хранилища данных хорошо справляются с обработкой больших объемов информации и выполнением сложных запросов. Для начала работы с DWH необходимо разработать схему, которая соответствует аналитическим потребностям компании, а также учесть такие факторы как детализация данных, индексирование и секционирование. Для развертывания DWH лучше всего подходят облака. Популярные примеры облачных хранилищ данных включают в себя Amazon Redshift, Google BigQuery, Azure.
Хранилище данных извлекает информацию из нескольких источников, включая реляционные базы данных и транзакционные системы, и может быть подключено к инструментам бизнес-аналитики, которые помогают собирать, анализировать, визуализировать и создавать отчеты по данным. DWH оперирует статическими данными, обеспечивая их целостность и мгновенный доступ, и лучше всего подходит для исторического и финансового анализа.
Выбор в пользу CDP и DWH для среднего бизнеса зависит от его целей и требований. Если в приоритете работа с данными в режиме реального времени и персонализированный маркетинг, подойдет CDP. Если нужны комплексные возможности аналитики и создание отчетности, более подходящим вариантом будет DWH.
Узнайте у экспертов Colobridge, как оценить качество данных, какое решение лучше всего подходит для их хранения и обработки, а также как использовать данные для улучшения ваших показателей в маркетинге и продажах.
