Как использовать статистику в digital коммуникациях
Digital коммуникация для бренда - это возможность стать ближе к своим потребителям.
Но главным подводным камнем здесь является анализ данных: до сих пор нет единого мнения о том, как следует собирать данные, как правильно оценивать взаимодействия с аудиторией, а также как правильно выводить результаты и с помощью них составлять прогноз на будущее, одновременно оценивая успешность отдельной маркетинговой стратегии.
Вспомним, что на основе методов статистики базируется эконометрика, которую уже многие годы используют маркетологи. Она помогает точно определить целевую аудиторию и исследовать ее, выявить все тонкости рынка, определить наиболее эффективные каналы коммуникации и выбрать те механики, которые с большей вероятностью приведут к успеху. Но методы прикладной статистики могут также быть полезны и для специалистов, работающих с digital коммуникациями.
Вторичные данные
Сначала поговорим о том, как можно использовать вторичные данные статистических исследований. Вы выбираете данные готового исследования и изучаете их перед формированием маркетинговой кампании. Это позволяет точнее идентифицировать целевую аудиторию, что является одним из главных факторов успешности вашей кампании.
Допустим, что ваша будущая рекламная кампания рассчитана на активных пользователей Twitter. Перед запуском вам будет полезно знать, насколько активно в выбранной географической области поклонники бренда пользуются микроблогом и что на это влияет: образ жизни, местные обычаи и даже климат (в более солнечных и теплых странах люди менее активно пользуются социальными сетями, отдавая предпочтение живому общению). Обладая такими данными, еще в самом начале можно подкорректировать как саму рекламную кампанию, так и ее тайминг.
Таким же образом можно получить данные об активности конкурентов и успешности их действий. В большинстве случаев результаты статистических исследований сильно отличаются от официальных данных компаний - речь идет о реальных цифрах и результатах. В конце концов, на основе этой информации можно будет выявить и основные тренды, предсказать появление новых, не ориентируясь на заявления представителей рекламных агентств и отдельных маркетологов. Например, несмотря на то, что сегодня все больше брендов выходят в Facebook, это не всегда является гарантией, что тот или иной бренд от этого выиграет. Может быть, его аудитория активно использует совершенно иную площадку для общения.
Статистика также может подсказать вам новые способы эффективно таргетировать аудиторию. Например, Diesel в конце 2012 года организовал необычный конкурс-лотерею: каждый, кто хотел бы стать обладателем новой модели кроссовок, должен был зарегистрироваться на сайте при помощи своего Facebook-аккаунта и отказаться от публикации в нем на 3 дня.
Это время Diesel предлагал потратить с пользой и удовольствием: заглянуть в гости к старым друзьям, сходить на выставку или просто прогуляться по улице. Чтобы сократить время социальной неактивности с трех до одного дня, пользователь мог зарегистрировать на сайте также свои аккаунты из Twitter или Pinterest.
Что мы видим? Казалось бы, благородная цель - Diesel пытается вернуть интерес молодежи к живому общению.
Но на самом деле, благодаря этой кампании Diesel получил данные о том, какое количество его потенциальных потребителей действительно активны в социальных сетях, т. е. одновременно используют не только Facebook, но еще Twitter и Pinterest. Если количество активных пользователей велико, Diesel может уверенно использовать вышеуказанные площадки для развития маркетинговой кампании.
Методы статистики
Отличительной чертой работы с интернет коммуникациями является то, что результаты действий необходимо постоянно отслеживать и при необходимости быстро реагировать, иногда корректируя целую кампанию буквально на ходу. Чтобы подстраховать себя, можно обратиться к методу анализа временных рядов.
Вы используете определенные показатели, которые со временем меняются. Анализируя эти изменения при помощи построения математической модели, можно предсказать основное направление развития - выявить тенденцию или тренд: это могут быть показатели активности пользователей на той или иной площадке в зависимости от времени.
А вот регрессионный анализ помогает выявить связь между зависимой переменной (в выборке может быть использовано количество просмотров видео или число тех, кто поставил лайк или совершил другое действие) и одной или несколькими независимыми (будь то временной показатель - день недели, месяц или время года - или образ жизни, географическая локация). В результате выявляются факторы, влияющие на показатель зависимой переменной. Например, вам становится ясно, чем объясняется активность или неактивность пользователей на вашем блоге, странице или приложении во время определенных праздников. Другая вытекающая отсюда функция регрессионного анализа - прогнозирование.
Одной из разновидностей регрессионного анализа является логистическая регрессия, которая помогает предсказать вероятность того или иного события на основе связей между одной зависимой переменной и независимыми. Логистическая регрессия позволяет использовать в анализе зависимую переменную, которая может принимать одно из двух значений. Например, мы можем взять целевую аудиторию в качестве зависимой переменной, разбив ее на два признака - поклонники бренда в социальных сетях и те, кто ими так и не стал.
Таким образом, у нас получились как бы две группы. Остается только задействовать независимые переменные, чтобы получить ответ на вопрос, каким образом они влияют на формирование обеих групп. Этот метод великолепно подходит для анализа промежуточных результатов маркетинговой он-лайн кампании.
Не менее полезным может оказаться и кластерный анализ, который позволяет разбивать генеральную выборку на отдельные группы (кластеры) по определенным признакам (например, одинаковые интересы). Таким образом, каждая группа должна состоять из похожих объектов, в то же время полученные группы должны значительно отличаться друг от друга. Группы формируются пошагово: сначала объединяются мелкие группы с множеством одинаковых признаков, затем полученные группы объединяются в более крупные. В одном анализе лучше не использовать множество факторов, но можно попробовать объединить несколько близких по роду признаков в один. Надо также иметь в виду неизменность групп по признакам объектов на протяжении нескольких шагов использования алгоритма. С помощью этого метода можно не только исследовать аудиторию, но и вывести результаты активности пользователей на разных каналах он-лайн коммуникаций.
Также для исследования вовлеченной аудитории можно использовать дискретный анализ. Он позволяет изучить различия между несколькими группам сразу по нескольким переменным. Например, с помощью данного метода можно выяснить, чем отличаются активные пользователи от неактивных, что составляет их демографические признаки.
Вот только несколько методов, которые могут вам быть полезны в работе. Так как любой из них предполагает работу с большими массивами данных, обычно используются специальные программы (например, SPSS), в редких случаях это можно произвести и при помощи Excel.
При этом достаточно лишь поверхностного знания теории, чтобы понимать, как тот или иной методы можно использовать. Западные агентства, специализирующиеся на анализе, обработке и выводе результатов данных он-лайн маркетинговых кампаний, все чаще пополняют штат специалистами по статистике. Эти люди могут объединять несколько методов и техник, чтобы выводить из них новые, специально подстроенные под работу с данными интернет кампаний для более качественного анализа.
31.05.2013
RSS
Комментарии
Написать комментарий