Автор: Волнянский А.
Продовжуємо висвітлювати тему покращення взаємовідносин із клієнтами, використовуючи Data-Driven CRM Framework — наш підхід до систематизації управління взаємовідносинами з клієнтами. Розповідаємо, що таке управління даними та чому це фундамент для побудови ефективної маркетингової стратегії, що базується на даних.
- Управління взаємовідносин з клієнтами та якість даних
- Інженерія даних: перетворення необроблених даних
- Системи зберігання даних: забезпечення цілісності та доступності даних
Як приклад візьмемо кейс нашого проєкту Beinf для онлайн-магазину модного одягу, взуття та аксесуарів. Ця компанія прагнула покращити купівельний досвід, зберігши високу якість обслуговування, а для цього потрібно впровадити нові підходи до спілкування з клієнтами магазину.
Управління взаємовідносин з клієнтами та якість даних
Якісні дані є рушійною силою всього механізму управління стосунками з клієнтами. Без даних, які відповідають певним умовам, не спрацюють навіть просунуті аналітичні інструменти та стратегії.
В ідеальному варіанті дані повинні відповідати чотирьом V.
Об’єм (Volume): переконайтеся, що у вас достатньо даних.
Приклад: Для прийняття обґрунтованих рішень потрібний значний обсяг даних. Наприклад, весь перелік транзакцій, історія взаємодій із клієнтами та їх відгуки про продукти за кілька років. Ці та інші дані стануть надійною базою для подальшого аналізу, чого не скажеш про набори відомостей лише за останні кілька місяців
Швидкість (Velocity): оцініть швидкість створення та переміщення даних.
Приклад: Ідеально, коли важливі дані збирають та обробляють у режимі реального часу. Чим швидше дані генеруються та їх піддають обробці, тим більше це впливає прийняття рішень.
Різноманітність (Variety): використовуйте різноманітні дані, що всебічно характеризують користувача.
Приклад: Для якісної аналітики необхідно відстежувати всі сторони взаємодії клієнта з продуктом/системою: перегляд товарів, додавання до обраного, додавання до кошика без оформлення замовлення та інші.
Правдивість (Veracity): враховуйте невизначеність даних, приділяючи особливу увагу правдивості та походження.
Приклад: Платформа збирає дані з різних джерел, їхня точність може відрізнятися. Щоб забезпечити узгодженість та знизити ризики помилкових даних, що впливають на прийняття рішень, необхідно порівнювати нові дані з наявними даними. Також має сенс об’єднати дані з різних систем, наприклад, пов’язані з покупками на сайті інтернет-магазину з його мобільним додатком.
Експерт Colobridge:
«Якість даних — не просто рушійна сила ефективної реалізації стратегії взаємодії з клієнтами, це справжнє паливо вашого бізнесу. Саме завдяки йому ви зможете ефективно реалізувати стратегії в маркетингу та продажах, досягаючи вражаючих результатів» .
Виконання чотирьох V — це лише початок шляху. Щоб отримати максимальну користь від даних, які відповідають перерахованим критеріям, дані необхідно правильно підготувати. Розповідаємо, як це зробити.
Інженерія даних: перетворення необроблених даних
Щоб необроблені дані стали придатними для подальшої роботи, вони повинні пройти через кожен з описаних нижче етапів.
● Збір даних із різних джерел відповідно до поставлених цілей.
Приклад: онлайн-магазин одягу, взуття та аксесуарів збирає дані про поведінку клієнтів на своєму сайті, зокрема інформацію про переглянуті та додані в кошик товари, здійснені покупки. Також дані надходять із соцмереж та зовнішніх джерел (демографічні дані, уподобання клієнтів).
● Очищення, що включає виправлення помилок, видалення невірних/неточних даних.
Приклад: під час аналізу даних компанія з’ясувала, що в деяких записах допущені орфографічні помилки в іменах клієнтів, а окремі поля з контактами пропущені. За допомогою ПЗ для очищення дані вдається виправити помилки та заповнити порожні поля, щоб забезпечити необхідну точність та повноту даних.
● Обробка, що включає організацію, табулювання та компіляцію очищених даних.
Приклад: компанія під час оброблення транзакцій підрахувала суми плат для кожного клієнта за певний період і розрахувала середній чек. Для подальшого аналізу транзакції було класифіковано за типами: покупка товарів, оплата послуг та інші.
● Збагачення за рахунок додаткових змінних для глибшого аналізу.
Приклад: розроблено набір атрибутів, які всебічно характеризують клієнта за кількома параметрами. Наприклад, чи є у нього діти, домашні тварини чи автомобіль, робить він покупки тільки для себе або для всіх членів сім’ї, якому стилю в одязі віддає перевагу.
● Доставка, що передбачає зручне використання даних кінцевими користувачами чи системами.
Приклад: компанія розробила для своїх співробітників інтерфейс, в якому вони можуть легко отримати необхідну інформацію про клієнта (покупки та інші дії) для більш ефективної взаємодії з ним.
Експерт Colobridge:
«Ви можете використовувати наведені вище приклади як короткий посібник з отримання якісних даних для подальшої аналітики та прийняття обґрунтованих рішень. Саме це зрештою дозволило компанії з нашого прикладу (маркетплейс одягу, взуття та аксесуарів) приймати обґрунтовані рішення та вийти на новий рівень комунікації з клієнтами. Аналогічний підхід можна застосовувати й у інших сферах бізнесу».
Для збору, зберігання даних та їх подальшої обробки потрібні значні ресурси. Розглянемо, яким критеріям вони мають відповідати.
Системи зберігання даних: забезпечення цілісності та доступності даних
Для вирішення цих завдань необхідно організувати ефективне зберігання дані, яке можна реалізувати різними способами. Два найбільш популярними є платформи клієнтських даних (Customer Data Platform, CDP) і сховища даних (Data Warehouse, DWH):
Платформа даних клієнтів (CDP)
Це система, яка в режимі реального часу збирає дані про клієнтів із усіх джерел. Такий підхід дозволяє забезпечити єдину базу даних клієнтів, доступну інших систем. CDP підходить компаніям, які воліють працювати з даними у міру їх накопичення, потребують уніфікованого представлення даних з різних джерел і, зрештою, планують використовувати персоналізований підхід у маркетингу. Для впровадження CDP слід оцінити свої джерела даних (взаємодія із сайтом, CRM-системою, соцмережами тощо) та вибрати постачальника послуг, який зможе безшовно інтегрувати їх із платформою. Прикладами CDP можуть бути Segment, Bloomreach Engagement, Totango, Blueshift, Insider, Listrak, Lytics, Treasure Data.
Завдяки інтеграції різних типів даних (структурованих та неструктурованих, отриманих з онлайн та офлайн джерел) CDP допомагає покращити якість обслуговування клієнтів (CX). CDP створюють комплексне уявлення про клієнта, що постійно оновлюється, на основі даних, зібраних з усіх каналів зв’язку — електронної пошти, соціальних мереж, програм лояльності та операцій у магазині, — а також даних, що зберігаються в інших внутрішніх системах.
Сховище даних (DWH)
Це велика централізована база даних, оптимізована для аналітики та звітності, що працює за принципом пакетної обробки. Підходить для зберігання, обробки та аналізу великих обсягів даних.
DWH використовують компанії, яким потрібна розширена аналітика, звітність та аналіз історичних даних. Сховища даних добре справляються з обробкою великих обсягів інформації та виконанням складних запитів. Для початку роботи з DWH необхідно розробити схему, яка відповідає аналітичним потребам компанії, а також врахувати такі фактори, як деталізація даних, індексування та секціонування. Для розгортання DWH найкраще підходять хмари. Популярні приклади хмарних сховищ даних включають Amazon Redshift, Google BigQuery, Azure.
Сховище даних отримує інформацію з кількох джерел, включаючи реляційні бази даних та транзакційні системи, і може бути підключено до інструментів бізнес-аналітики, які допомагають збирати, аналізувати, візуалізувати та створювати звіти за даними. DWH оперує статичними даними, забезпечуючи їх цілісність та миттєвий доступ, і найкраще підходить для історичного та фінансового аналізу.
Вибір на користь CDP та DWH для середнього бізнесу залежить від його цілей та вимог. Якщо у пріоритеті робота з даними в режимі реального часу та персоналізований маркетинг, підійде CDP. Якщо потрібні комплексні можливості аналітики та створення звітності, більш слушним варіантом буде DWH.
Дізнайтеся у експерта в Colobridge , як оцінити якість даних, яке рішення найкраще підходить для їх зберігання та обробки, а також як використовувати дані для покращення ваших показників у маркетингу та продажах.