Слова Data Science, Big Data, Machine Learning звучат в маркетинге не первый год. Многие слышали, мало кто видел своими глазами. Естественно, что одной из самых передовых отраслей в этой области стал e-commerce. Интернет-магазины изначально ориентируются на то, чтобы из каждой копейки маркетингового бюджета выжать максимальную прибыль, и тщательно считают ROI.
В настоящем и будущем машинного обучения в маркетинге Sostav разбирался с руководителем отдела интернет-маркетинга гипермаркета мебели Hoff Мариной Ковпак и CEO Retail Rocket Николаем Хлебинским на конференции Яндекса «Data & Science: маркетинг»
Давайте для начала определим, что значат слова Data Science, Big Data и машинное обучение? И чем они отличаются друг от друга?
Николай Хлебинский: Data Science — области деятельности, включающие сложную математику, программирование и сложные инженерные задачи (связанные с железом, с выбором стека технологий). Термин Big Data (большие данные) сейчас сильно перегрет, что только так не называют. Мы определяем Big Data как любые объемы данных, которые не помещаются в оперативную память одного компьютера, поэтому вызывают сложности с их обработкой. Machine Learning (машинное обучение) — одна из областей Data Science, в которой используется очень завораживающий тип программного обеспечения — нейронные сети. Это алгоритм, придуманный в процессе анализа работы мозга и нервной системы, который умеет нелинейно решать задачи машинного обучения. Он особенно эффективен для решения задач анализа изображений, аудиоинформации и текстов.
Какие сейчас главные задачи у маркетолога и чем ему может помочь автоматизация?
Марина Ковпак: Если говорить о e-commerce, нет никакой разницы, работаете ли вы в магазине, который продает чехлы для телефонов в Instagram, или продаете мебель на 25 млрд руб в год, как Hoff. Задача маркетолога одна: определить свою целевую аудиторию, сегментировать ее по когортам, построить для них сообщения, понять, почему ваш товар или услуга может быть интересен этим аудиториям, и найти их в различных каналах, с дальнейшей конвертацией в покупку, или в то, что является для вас конверсией.
Крупный бизнес сталкивается с проблемой огромного количества данных, которые нужно обрабатывать. Например, у нас одновременно крутится около 0,5 млн контекстных объявлений в Директе. Понятно, что управлять вручную этим невозможно, в отличие от магазина чехлов в Instagram. То есть задачи маркетологов в большом и малом бизнесе отличаются только объемом информации, которую нужно переварить в секунду времени.
Если говорить про Hoff, перед отделом интернет-маркетинга стоят две крупные задачи: генерация трафика на сайт с последующей конвертацией (план по онлайн-продажам на этот год — 5 млрд руб) и повышение узнаваемости бренда в онлайн-каналах.
Николай Хлебинский: Марина сказала очень правильную вещь. Для того, чтобы до нее дойти, у меня ушло несколько лет. У компаний нет спроса на сервисы, продукты или технологии, которые что-то интересно делают. Есть спрос на повышение продаж. То есть Data Science с точки зрения бизнеса это превращение данных в деньги. Поэтому работа с данными должна быть направлена на то, чтобы из них извлекать прибыль, выручку и конверсию.
Какими инструментами автоматизации маркетинга можно воспользоваться уже сейчас?
Марина Ковпак: На текущий момент вся система аналитики онлайн-маркетинга у нас автоматизирована. Все данные по всем источникам траффика, данные из ERP системы, данные из CRM, из нашей программы лояльности, данные от звонков, контекстной рекламы, сгружаются в облачное хранилище. Они там обрабатываются и поступают к нам через дашборды, участвуют в модели атрибуции для управления контекстной рекламой и таргетинговыми системами. Мы построили собственную автоматизированную систему управления ставками в контекстной рекламе.
В области машинного обучения у нас запущена персонализация сайта на платформе Retail Rocket. Все рекомендации на сайте, которые вы видите: «с этим товаром покупают», «эти товары могут вас заинтересовать», работают на их алгоритмах. Результаты замеряются, мы проводим множество A/B тестов различных гипотез, и все оцениваем в итоговой конверсии, которой для нас является входящий оборот (сумма заказов, упавших в корзину).
Какие задачи в маркетинге может решать машинное обучение и какие бюджеты для этого требуются?
Николай Хлебинский: Мы работаем с интернет-магазинами, поэтому я могу говорить только про екоммерс. В основном, машинное обучение здесь используется для персонализации. Мы решаем две задачи: определяем, что нужно посетителю, на основе его поведения на сайте, анализируя его связи с товарами, и доставляем специально сформированное для него предложение по разным каналам коммуникации. Наши базовые направления — персонализация сайта и емейл-маркетинга. Мы адаптируем сайт и почтовые рассылки под профиль интересов пользователя. Каждый пользователь получает свою версию магазина, свою версию письма, а магазин — увеличение конверсии, среднего чека и выручки.
Технологии машинного обучения любым компаниям могут принести какую-то пользу, но смысл их использовать есть на определенном этапе развития. Для интернет-магазинов это примерно 50 заказов в день. До этого магазинам будет эффективнее сосредоточиться на инвестициях ресурсов в другие области — работу с ассортиментом, траффиком, сформированным спросом. Персонализация может дать прирост 10, 20, 30 или даже 40% к обороту, и для большой компании это очень много. Но для маленького магазина этого недостаточно, на начальном этапе бизнес должен расти кратно.
Что касается бюджета, он считается для каждого проекта отдельно и зависит от количества уникальных пользователей. Может быть и 10 тысяч рублей в месяц, и 30 тысяч долларов. До недавнего времени такие решения были доступны только крупнейшим ритейлерам, которые их разрабатывали самостоятельно, мы работаем над тем, чтобы они были доступны всем.
Что еще будет автоматизировано в маркетинге с помощью машинного обучения в ближайший год-два?
Николай Хлебинский: В екоммерсе чисто машинное обучение в ближайший год-два ничего не автоматизирует, оно все сильнее и сильнее входит в существующую автоматизацию, которая все еще построена на эвристических алгоритмах. Big Data, Machine Learning и все остальное, что мы сейчас слышим изо всех углов, пытаются запихнуть во все щели, там, где это, в большинстве случаев, и не нужно. Многие задачи уже решены проверенными методами, поэтому с помощью Data Science есть смысл делать что-то, только если это будет, условно, в два раза дешевле или в два раза эффективнее.
Сейчас уже есть отдельные решения по автоматизации почти каждой области маркетинга, но комплексной автоматизации маркетинга все равно нигде нет.
Тренд мы видим в увеличении числа каналов коммуникации и продаж. Например, анонсированный в прошлом году холодильник, принимающий заказы на продукты и оплату банковской картой, или терминалы Яндекс Такси в машинах. И количество таких каналов будет расти с количеством устройств, которые подключаются к интернету.
Марина Ковпак: У нас есть несколько задач, которые хочется решить. Первая история — предиктивное управление контекстной рекламой. На основании поведения пользователей на сайте, когда люди приходят, уходят, опять возвращаются, мы хотим выделять пользователей, которые готовы купить с большей вероятностью, чем другие, и повышать на них ставки контекстной рекламы. Для нас это уже вопрос даже не двух лет, а ближайших месяцев работы.
Почему такое внимание к контексту? Любой крупный ритейлер инвестирует огромные средства в контекстную рекламу — 70−80% бюджета. Это огромные деньги, сотни миллионов, это уже больше, чем тратится на телевидение. И для бизнеса очень важно максимально эффективно эти деньги инвестировать. На текущий момент, контекстная реклама — один из лучших каналов продаж.
Еще нашему бизнесу очень нужно автоматизированное управление ассортиментом. Как понять, какие диваны закупить в большем или меньшем объеме, какие модели будут в тренде? Вот в этом вопросе, как и в вопросе креатива для рекламы, очень хочется отойти от вкусовщины, и принимать решения исходя из статистических данных.
Должен ли бизнес нанимать команды для работы с данными, или Data Science лучше отдавать на аутсорс?
Марина Ковпак: Разработка должна быть на аутсорсе. Код недостаточно разработать, его нужно поддерживать и развивать, и это очень дорого. Управление и принятие решений должно быть внутри компании. Мы в этом году сформировали мини-отдел, в котором собрали двух аналитиков нашей дирекции под управлением очень опытного руководителя. И мы делаем большую ставку на это подразделение. Перед ним поставлены амбициозные задачи.
Как выбрать хорошего подрядчика для Data Science? Как проверить обещания, как не купить избыточное решение?
Марина Ковпак: Первое, с чем я столкнулась, придя в екоммерс, что все компании дружат между собой и делятся мнениями по работе подрядчиков. Это — уникальная ситуация, в FMCG, например, такого нет. Если вы только начинаете и еще никого не знаете, можно посмотреть, какие крупные компании с кем работают, какие кейсы выпускаются на рынок. Что касается проверки, мы тестируем каждое новое решение на малых объемах, у нас есть отдельный бюджет на тесты. Проверяем гипотезу что, например, конверсия увеличиться на столько, а выручка — на столько. И сравниваем, сколько мы затратим, и сколько мы получим.
Применяется ли машинное обучение в офлайне?
Николай Хлебинский: Мы многое делаем в офлайне. Эра single channel маркетинга давно закончилась. На сегодняшний день маркетинговые инструменты повышают свою эффективность за счет данных, получаемых из других маркетинговых инструментов. Мы взаимодействуем с программами лояльности: люди делают покупки в розничных магазинах используя карты лояльности, мы вступаем в коммуникацию с этими людьми через емейл и другие каналы, подстраиваем сайт в зависимости от их розничных покупок. У нас есть интересный кейс с фэшн-магазином: при оформлении заказа с самовывозом из розничной точки, сотрудник магазина получал распечатку списка товаров, составленных на основе профиля интересов покупателя с помощью алгоритмов машинного обучения, и предлагал их дополнительно при примерке. Тем самым увеличивался средний чек и процент выкупаемости товаров.
Марина Ковпак: Для нас сейчас очень актуален вопрос: «Как вернуть человека, зашедшего в офлайн-магазин, и вышедшего без покупки?». В интернете мы очень хорошо умеем возвращать брошенные корзины. В оффлайне пока учимся это делать.
Сейчас в маркетинге наступает переломный момент: машинное обучение уже доступно не только крупному бизнесу. Довольно быстро появляются новые решения, рекламные касания становятся все более плотными, а маркетологи превращаются в программистов.