Вероятно, в вашей компании еще нет эксперта по аналитике данным, — задаются вопросом Content Marketing Institute. И, возможно, отсутствие специалиста вас вполне устраивает. Но учтите, что если вы не работаете совместно с экспертом или, по крайней мере, не мыслите как эксперт по аналитическим данным, то вы явно упустили что-то в своем бизнесе. Ведь вы, вместо того, чтобы убежденно защищать свое бизнес-решение и высказать свое мнение со всей определенностью словами «Я знаю», просто скажете – «Я думаю».

По мнению Katrina Neal, контент-маркетолога и консультанта, содержание ваших ответов будет иметь значение при разговоре с руководством. «Если вы работаете в организации, драйвером развития которой являются данные следующего поколения, — говорит Katrina Neal, — и заявите на рабочем совещании, что запланированная маркетинговая кампания будет иметь успех, потому что вы так думаете, то вы рискуете быть униженным перед лицом ваших коллег, и вас попросят покинуть совещание. С другой стороны, если вы пришли на совещание, имея знания и компетенции, то его участники будут слушать вас. Вполне вероятно, что ваш маркетинговый бюджет даже будет одобрен».

Katrina Neal выступила с докладом на конференции Intelligent Content Conference and Content Marketing World. Краткое содержание ее доклада о роли экспертов по аналитическим данным в маркетинге и о необходимости тесного их сотрудничества с маркетологами приведено ниже.

Почему так важна наука о данных в контент-маркетинге?

Katrina Neal нравится такое простое определение даталогии как «выявление скрытого инсайта», использование данных, которые помогают «компаниям принимать более продуманные, т.н. смарт бизнес-решения».

Основой смарт бизнес-решений являются прогнозы. Если вы маркетолог и мыслите как эксперт по аналитическим данным, ваши прогнозы могут сделать акционеров вашей компании и потребителей ваших продуктов счастливее, равно как и повысить степень доверия и уважения к вашей профессии. Ваша команда будет принимать лучшие решения, у вас будет поддержка всех ваших инициатив по контенту, а действенность контента принесет больше прибыли вашей компании.

По словам Neil Barlow из NewsCred, прогнозы – “это то, чем крупнейшие мировые бренды доставляют удовольствие инвесторам с Уолл-Стрита, и что повышает цену акций. Внутри многих компаний деятельность CMO находится под тщательным надзором с тем, чтобы обеспечить переход маркетинга от центра, генерирующего затраты, к центру генерации прогнозируемой прибыли».

Когда вы работаете с экспертом по аналитическим данным или работаете как эксперт, вы создаете прогнозные модели, которые позволят вам убежденно сказать «Я знаю», а не «Я думаю». И эти знания являются важной составной частью процесса превращения отдела маркетинга в центр генерации прибыли компании.

Чем занимается эксперт по аналитическим данным

Эксперт по аналитическим данным обладает компетенциями в области математики, технологий и бизнеса и отвечает за проведение следующих трех типов аналитики:

  • Описательная, или дескриптивная;
  • Предиктивная;
  • Предписывающая.

Как маркетологи используют данные аналитики?

Большинство маркетологов применяют данные дескриптивной аналитики. Источником этих данных является такой инструмент как Google Analytics, с помощью которого можно собрать разнообразные исторические сведения, например, о стоимости затрат в расчете на клик, показатели CTR и др. Просмотр этой информации подобен взгляду в зеркало заднего вида автомобиля.

Некоторые маркетологи используют предиктивную аналитику, результаты которой позволяют на основе исторических данных и данных, полученных в режиме реального времени, осуществлять прогнозы наиболее вероятных результатов деятельности. Например, использование предиктивного лид скоринга позволит вам определить наиболее квалифицированного лида для маркетинга, что будет важнейшей отправной точкой начала работы вашей команды продаж. Предиктивная аналитика чем-то напоминает использование навигационного приложения, которое дает прогноз времени прибытия управляемого вами автомобиля в определенное время и обновляет прогноз прибытия во время движения, по мере изменения дорожной обстановки.

Результаты предписывающей аналитики говорят не только о том, что, вероятно, произойдет, но и что следует предпринять, чтобы извлечь выгоду из этого вероятного события. Данный тип аналитики в какой-то степени похож на автономный автомобиль, устройства которого говорят не только о прогнозном времени прибытия, но и позволяют самостоятельно, без участия водителя, управлять автомобилем.

В своем выступлении на конференции Katrina Neal привела пример симуляционного взаимодействия между профессиональным маркетологом и Watson – интеллектуальным агентом, который разработала корпорация IBM. Маркетолог попросил Watson подготовить медийную рекламу. После разработки рекламы и сбора данных в течение нескольких недель Watson на «основе анализа результативности похожих изображений, относящихся к данной категории, и которые распространялись по другим каналам», рекомендовал заменить изображение с низким отношением числа кликов на данное изображение к числу его показов.

Приведенный выше пример является достаточно серьезным результатом предписывающей аналитики, когда интеллектуальный агент, проанализировав огромный массив данных, пришел к заключению, сказав на четко артикулированном человеческом языке: «Именно это вы хотели бы сделать в следующий раз».

Разговор между маркетологом и Watson может показаться чем-то из области научной фантастики, но подобные разговоры все в большей степени становятся реальностью.

Как эксперт по аналитическим данным может помочь вам?

Эксперты могут помочь вам в планировании контента, в совершенствовании созданного вами контента и в количественной оценке результативности работы путем построения предиктивных моделей на основе использования ряда технических приемов и статистических моделей.

Планирование вашего контента

Эксперты могут разработать предиктивные модели для повышения эффективности вашего контент-маркетинга. Созданные модели позволяют осуществить следующие прогнозы:

  • Общий объем целевого рынка (TAM);
  • Сегментирование и выбор аккаунтов;
  • Генерация спроса;
  • Лид скоринг.

Совершенствование вашего контента

Katrina Neal подчеркивает, что вне зависимости от того, работаете вы с внешним экспертом по аналитическим данным или со специалистом вашей компании, особое внимание следует уделить тестированию. Ученые всегда начинают свои исследования с формулирования гипотезы и последующим ее тестированием.

Вы можете провести A/B тестирование, серийное тестирование или любой иной вид тестирования с тем, чтобы получить фидбэк и понять, что работает хорошо, а что нет.

Например, компания LinkedIn провела A/B тестирование спонсируемого контента – нативной рекламы в фиде — для определения слова («руководство» или «e-book»), показавшего лучший результат. Пост, в содержании которого встречалось слово «руководство», имел показатель CTR на 95% выше. При проведении аналогичного теста CTR глагола «регистрироваться» на 165% опередил глагол «присоединиться».

Наличие количественного результата, показывающего более высокий уровень CTR одного слова над другим, поможет вам в оптимизации вашего движка генерации спроса.

Katrina Neal отмечает:

«Подумайте о вашей воронке генерации спроса. Если вы сможете осуществить коррекцию на каждой стадии вашей воронки, вы сможете оказать значительное влияние на увеличение количества лидов».

Проводите тестирование и учитесь. Осуществляйте тесты и еще раз учитесь. Это то, чем ежедневно занимается эксперт по аналитическим данным, и это то, что должны делать вы для того, чтобы уверенно и убежденно защищать свои решения о контенте. Katrina Neal советует: «Не полагайтесь на лучший передовой опыт в создании универсального контента. Вам необходима оригинальность в мышлении и развитие культуры тестирования и обучения для того, чтобы найти вашу собственную уникальную модель, которая будет приемлема только для вас».

Измерение ваших результатов

Для того, чтобы доказать результативность и эффективность вашего контента и его вклад в рост продаж и доходов, вам следует поработать с экспертом по аналитическим данным для создания алгоритмической мультитач модели атрибуции контента. Такая модель показывает контент, который был прочитан пользователем при его серфинге в интернете, и какая часть контента или комбинации частичек контента были наиболее эффективными для аудитории.

Это язык чисел; язык, который понимает ваш главный исполнительный директор и другие руководители компании.

Как Katrina Neal далее объясняет:

«На собрании совета директоров компании поставьте цель по вкладу вашего отдела маркетинга в общую сумму доходов и продаж компании, например, заявите, что доля вклада маркетинга в общую сумму доходов фирмы составит в текущем году 20% или 10%. На следующем собрании совета директоров проинформируйте о том, как вы движетесь к поставленной цели, какое количество квалифицированных лидов для продаж поступило в отдел, какого количества заказов вы достигли. Всю информацию о ваших успехах затем представьте в виде алгоритмической мультитач модели атрибуции контента. Именно такое ваше содержательное выступление на совете директоров может обеспечить вам карьерный рост».

JavaScript является важнейшим инструментом для трекинга онлайн точек касания. HubSpot, LinkedIn, SlideShare, Facebook и многие другие компании используют JavaScript трекинг-код, который позволит вам отслеживать переход пользователей «от вашего контента к вашему веб-сайту».

Вот как Pawan Deshpande дает описание причин, почему маркетинговая атрибуция является неотъемлемой составной частью успешного контент-маркетинга:

«Подавляющее число точек касания (инстансы, где происходит взаимодействие потенциальных потребителей с вашим брендом) происходит онлайн в процессе чтения ваших блогов, электронных книг или инфографики или просмотра вашего видео. Модели маркетинговой атрибуции дают контент-маркетологам более ясное понимание воздействия контента на покупателей и обеспечивают результативность маркетинга».

Katrina Neal ссылается на Bizible как лидирующую программу, имеющую отличный образовательный контент по моделям атрибуции, таким как линейная мультитач модель атрибуции.

Эксперт по аналитическим данным может помочь вам в создании алгоритмической мультитач модели атрибуции контента, учитывающей специфику вашей компании. Будучи занятой в корпорации Cisco, Katrina Neal работала с метрикой дашборда, которая была основана на инсайтах, полученных командой экспертов Cisco путем анализа Байесовских сетей. Эксперты Cisco использовали данные веб-сайта для прогноза тех видов активности или частичек контента, которые могут привести к поступлению квалифицированных лидов для продаж.

Как начать

Если у вас нет требуемого опыта работы в даталогии, взгляните на нижеприведенный перечень ваших первоначальных действий:

  • Определите те количественные показатели, которые являются ключевыми для вашего руководства;
  • Осуществите выбор способов и методов измерения результативности вашего контента;
  • Наймите эксперта по аналитическим данным или изучите SaaS платформу предиктивного моделирования.

Понимание ключевых для руководства количественных показателей

Все мы знаем, что язык бизнеса – это язык чисел. Мы также знаем, что сердца руководителей компаний тают, когда произносятся два волшебных слова – возврат  инвестиций. Учитывая, что контент-маркетологам зачастую затруднительно вести разговор с цифрами на руках, для начала Katrina Neal советует маркетологам понять и почувствовать себя комфортно, когда они будут оперировать двумя показателями – возврат на маркетинговые инвестиции (ROMI) и пожизненная ценность клиента (CLTV).

ROMI (возврат на маркетинговые инвестиции) отличается от ROI (окупаемость  инвестиций) тем, что ROI применяется при продаже активов. При расчете ROMI необходима информация о затратах и продажах, которые имеют прямое отношение к маркетинговой кампании. Katrina Neal приводит следующую формулу расчета ROMI:

ROMI = прирост чистой прибыли (дополнительный доход минус дополнительные затраты) ÷ затраты на кампанию x 100%

CLTV (пожизненная ценность клиента) указывает на срок, в течение которого клиент или потребитель представляет ценность для вашей компании в течение его или ее жизни. Показатель указывает на максимальную сумму инвестиций, которую может осуществить ваша компания для получения каждого потребителя. Katrina Neal приводит следующую формулу расчета CLTV:

CLTV = средние продажи в расчете на пользователя x продолжительность жизни x валовая маржа (отношение общей суммы доходов к сумме затрат на реализацию товаров – сумма затрат на оказанные услуги)

Для получения ROMI, CLTV и прочих показателей привлеките эксперта или осуществите расчет самостоятельно.

Сделайте выбор показателей измерения результативности вашего контента

Для определения результативности контента Katrina Neal советует маркетологам приложить усилия для создания алгоритмической мультитач модели атрибуции контента. Katrina Neal убеждена, что такую модель можно создать самостоятельно, хотя не так просто принять решение о том, какие данные контента следует отслеживать.

Katrina Neal также упомянула параметры UTM, которые являются компонентами (коды или тэги) URL, появляющимися после вопросительного знака. Параметры UTM позволяют вам отслеживать поведение пользователей, видеть количество посетителей страниц вашего веб-сайта или сайта третьей стороны, для просмотра которой вы добавили ссылку. При клике на вашу ссылку параметры отсылаются в Google Analytics.

При разработке метрики необходимо понять, что вы хотите сделать с полученными результатами.

Наймите эксперта по аналитическим данным или изучите SaaS платформу предиктивного моделирования

Если вы можете принять на работу эксперта по аналитическим данным, сделайте это. Если не можете, изучите SaaS платформу, которая поддерживает предиктивное моделирование.

Выводы

Alicianne Rand, также выступившая на конференции CMWorld, по сути, резюмировала доклад Katrina Neal, когда в своем собственном выступлении отметила: «Все лучшие современные маркетологи, с которыми я знакома, знают как интерпретировать данные. Им не нужно становиться экспертами по аналитическим данным, но они знают, как задавать правильные вопросы». Сама Katrina Neal подчеркнула, что любой из нас может мыслить как эксперт по аналитическим данным.

Почему маркетологи должны мыслить как Data Scientist и как это сделать
Оценка