Цифровой маркетинг. monografia_-Цифровой-маркетинг. Цифровий маркетинг модель маркетингу
 Скачать 5.72 Mb.
|
|
231 ??дата й час запиту; ??використовуваний користувачем браузер; ??використовувана користувачем операційна система; ??запитувана адреса сторінки сайта; ??адреса сторінки, з якої зайшов відвідувач. Установка лічильників допомагає розв’язати наступні завдання: 1. Оцінити джерела відвідуваності. 2. Оцінити аудиторію і її поведінку на сайті. Зазвичай лічильники обліку відвідувань надають наступні дані: ??кількість відвідувачів сайта; ??кількість показів сторінок сайта; ??з яких ресурсів приходять відвідувачі; ??пошукові слова, за допомогою яких відвідувачі прийшли на сайт; ??шляхи відвідувачів по сайту; ??кількість сторінок, що проглядаються; ??на які сторінки приходять відвідувачі; ??з яких сторінок ідуть відвідувачі; ??роздільна здатність і глибина кольору моніторів відвідувачів; ??операційна система, під керуванням якої працює комп’ютер від- відувача; ??ім’я і версія використовуваного браузера; ??час перегляду сайта; ??кількість сесій; ?? інформацію про те, чи дозволив користувач застосування мов сценаріїв. Зведену статистику звичайно можна переглянути за поточний день, тиждень, місяць, рік або навіть із початку використання даного лічильника. Лічильник Google Analytics — найбільш популярне професійне рі- шення для збору та аналізу Інтернет-статистики від Google. Безліч налаштувань лічильника допомагають відстежити саме ті характеристики, які потрібні. Тут представлені основні дані лічиль- ника про відвідуваність: кількість відвідувань за обраний проміжок часу, число й унікальність користувачів, перегляди і час, проведений на сайті, демографічні і географічні дані. Так само можна вибрати, додати або виключити певний показник на кожній сторінці. Звіти даних так само можна формувати самостійно або скориста- тися сформованими автоматично: демографія, інтереси користува- чів, географія, поведінка на сайті, інформація про трафік і джерела 232 відвідувань, включаючи дані про контекстну рекламу і пошукове просування, уся інформація про поведінку на сайті (карта поведінки, сторінки входу і виходу, час, проведений на кожній з них) і конверсії. Усі звіти можна зберегти в одному із запропонованих форматів: CSV, TSV, TSV (Excel), Excel (XLSX), PDF або відправити на e-mail колегам. Google так само подбав про теплову карту, яка допоможе довідати- ся, як користувачі взаємодіють зі сторінками сайта, куди натискають, що дивляться і як низько прокручують сторінку. Щоб одержати всі ці дані, знадобиться скачати запропоноване в розділі меню «Статис- тика сторінки» розширення Page Analytics для браузерів Chrome або Firefox. Інтернет-статистика і аналітика. Технології й інструменти збору статистики дозволяють зафіксу- вати на ринку ситуацію, яка склалася, не даючи ніяких оцінок і ре- комендацій до дії. У цей час недостатньо лише оперувати цифрами, отриманими при зборі статистики, важливу роль відіграє їх інтерпре- тація, осмислення й визначення наступних кроків до реалізації по- ставленої мети. Подальший аналіз даних і пошук у наявній статис- тичній інформації коштовних відомостей про суб’єкти ринку з метою в подальшому організацій керуючих впливів — це самостійне завдан- ня чергової технічної області — Data Mining. Data Mining (видобуток даних, інтелектуальний аналіз даних, гли- бинний аналіз даних) — збірна назва, яка використовується для по- значення сукупності методів виявлення в даних раніше невідомих, нетривіальних, практично корисних і доступних інтерпретацій знань, необхідних для прийняття рішень у різних сферах людської діяльності. Основу методів Data Mining становлять усілякі методи класифіка- ції, моделювання й прогнозування, засновані на застосуванні дерев рішень, штучних нейронних мереж, генетичних алгоритмів, еволю- ційного програмування, асоціативної пам’яті, нечіткої логіки. До методів Data Mining нерідко відносять статистичні методи (дескрип- тивний аналіз, кореляційний і регресійний аналіз, факторний аналіз, дисперсійний аналіз, компонентний аналіз, дискримінантний аналіз, аналіз тимчасових рядів, аналіз виживаності, аналіз зв’язків). Деякі із цих методів докладно розглядаються в наступному параграфі. Одне з найважливіших призначень методів Data Mining полягає в наочному поданні результатів обчислень (візуалізація), що дозволяє використовувати інструментарій Data Mining людьми, що не мають 233 спеціальної математичної підготовки. У той же час застосування ста- тистичних методів аналізу даних вимагає гарного володіння теорією ймовірностей і математичною статистикою. Маркетинговий аналітик — це співробітник, який володіє навич- ками роботи з інструментами аналітики, уміє перевести дані статис- тики в доступні пояснення ситуації, що відбувається, а також на осно- ві отриманих даних зробити висновки відносно розробки подальшої стратегії просування продуктів. Це людина, яка має велику допит- ливість, неабияку увагу до деталей і може впоратися з отриманням даних, їхньою інтерпретацією й поширенням отриманих висновків. Робота аналітика часто сприймається як щось ускладнене, іноді навіть пов’язане з науковою діяльністю та, як правило, недооціню- ється. Уся аналітика зводиться до збору статистики про відвідуваність на веб-ресурсі. Інакше кажучи, у цей час діяльність багатьох підпри- ємств з просування націлена на результат — розкручування сайта, підняття його в рейтингу пошукових систем. Однак аналіз ефектив- ної роботи сайта йде на другий план усе частіше й частіше, хоча саме аналіз даних дозволяє робити висновки, ґрунтуючись на яких можна зрозуміти маршрут подальшого розвитку. Статистика без аналізу даних перетворюється в збір даних, які від- тягають процес просування, збивають із націленого шляху, не допо- магають наблизитися до корисних висновків. Нижче наведені основні параметри, якими користуються фахівці цифрового маркетингу. 1. Кількість переходів на сторінки сайта. Цей параметр дозволяє оцінити стан трафіка при переходах на сайт із різного роду ресурсів і відслідковувати статистику щодо кожного ресурсу. Регулювання цього параметра дозволяє ухвалювати важливі «грошові» розв’язки. Однак при нераціональному підході цей параметр може перетворитися в руйнівну чинність. Для роботи сайта важлива не кількість відвідувань, а їх якість. Наприклад, посилання на популярно- му й великому порталі може дати дійсно більше число переходів, чим посилання на невеликому, але схожому по тематиці ресурсі. При цьому ступінь зацікавленості аудиторії в рекламованій пропозиції буде вище саме в останньому випадку, тому що цільова аудиторія збирається саме на тематичних ресурсах. Для того щоб підвищити якість аналізу, необ- хідно лише звертати увагу на деталі, а саме: порівнювати час, проведе- ний на сайті, по кожному із джерел трафіка, і по кількості сторінок, а також визначити, у якому сегменті відбувається більше лідів. 234 2. Узагальнення у вигляді відсотків. Проблема відсотків у статистиці полягає в їх узагальненості. Див- лячись на відсотки, неможливо розкрити їх зміст або причину. Від- сотки лише дають загальну картину, що відбувається, не враховуючи деталі. Наприклад, можна сказати, що відвідуваність сайта щомісяця росте на 6,2 %. Дивлячись на це визначення, неможливо визначи- ти причини росту відвідуваності: за рахунок чого сайт став залучати більше користувачів? Яка кількість користувачів після відвідування сайта стали потенційними клієнтами? Знаючи лише відсотки, досить важко вживати заходів і визначати дії по подальшому розвиткові мар- кетингових компаній. Щоб збільшити значимість відсоткового співвідношення, мож- на розділяти дані (сегментувати їх). Наприклад, відвідуваність сайта зросла на 34,6 %, з них 40 % припадає на переходи з пошукових сис- тем, 23 % — на контекстну рекламу, 10 % — на банерну рекламу й 27 % — на переходи із соціальних мереж. При цьому прихід зацікавле- них користувачів, які залишилися на сторінці більш однієї хвилини, більше на 5 % із соціальних мереж. І так далі. Також можна зберігати за відсотками реальні числа, щоб уникнути узагальнених даних. 3. Середні показники. Середні показники також відтворюють загальну картину, але цьо- го разу не акцентуючи увагу на індивідуальності інтернет-користува- чів. Наприклад, можна сказати, що в середньому відвідуваність сайта в порівнянні з минулим роком збільшилася на 2,7 людини на добу. Чи можливо оцінити адекватно статистику відвідувань сайта за остан- ній рік, засновану на цьому параметрі? Такі параметри допомагають спростити картину, що відбувається, упорядкувати дані, стиснути їх, опускаючи деталі. 4. Співвідношення. Співвідношення — це параметри, робота з якими має на увазі не просте узагальнення процесу, але й порівняння щодо конкретного періоду, що помітно ускладнює, а іноді навіть відтягає, ефективну ді- яльність. Наприклад, відносини трафіка сайта за квартал 2017 р. в по- рівнянні з 2016-м: березень — 4,3, квітень — 3,9, травень — 4,5. Ґрун- туючись на таких даних, можна сказати, що трафік рівномірно виріс, кількість відвідувачів збільшилася, за винятком квітня — там спосте- рігався невеликий «провал». Це може стати підсумком для звітності за квартал. Однак якщо ці відносини перевести в реальні цифри, то може вийти так: у березні 2016 р. — 10359 візитів, у березні 2017 р. — 235 44543; у квітні 2016 р. — 12849 візитів, у квітні 2017 р. — 50111; у травні 2016 р. — 10744 візити, у травні 2017 р. — 48348. На ділі, працюючи з реальними числами, може вийти зовсім інша картина, що відбуваєть- ся. Хоча дані співвідношень вважаються вірними. Можна зробити висновок: статистика — це вагомий інструмент маркетолога, який дозволяє оцінити результат загалом, не заглиблю- ючись у деталі. Такий підхід дозволяє швидко оцінити стан прогре- су без розробки плану подальших дій. З такими даними в наслідку важко працювати, тому що вони не дають можливості змоделювати наступні вирішення можливих проблем і завдань, утворених у ході роботи. У цьому випадку на зміну статистиці приходить аналітика — до- кладний огляд, що відбувається з урахуванням багатьох характерис- тик і нюансів. Аналітика дозволяє обробляти дані статистики й на їх підставі будувати логічні висновки й моделювати можливі шляхи реалізації вирішень завдань, які можуть привести до первісної мети. 5.2. МЕТОДИ ОБРОБКИ СТАТИСТИЧНИХ ДАНИХ Залежно від глибини аналізу даних можна виділити наступні ета- пи здобутку знань: 1. Статистична обробка даних. Статистичні методи аналізу даних застосовуються практично у всіх областях діяльності людини. Їх використовують завжди, коли не- обхідно одержати і обґрунтувати певні судження про групу (об’єктів або суб’єктів) з внутрішньою неоднорідністю. Структура системи статистичної обробки даних представлена на рис. 5.4. Рис. 5.4. Структура системи статистичної обробки даних 236 Доцільно виділити три види наукової і прикладної діяльності в об- ласті статистичних методів аналізу даних (за ступенем специфічності методів, пов’язаних із заглибленістю в конкретні проблеми): ??розробка та дослідження методів загального призначення без об- ліку специфіки області застосування; ??розробка та дослідження статистичних моделей реальних явищ і процесів відповідно до потреб тієї або іншої області діяльності; ??використання статистичних методів і моделей для статистично- го аналізу даних у розв’язку прикладних завдань, наприклад, з метою аналізу конверсії візитів на сайт. 2. Інтелектуальна обробка даних. Інтелектуальна обробка (аналіз) даних — це обробка інформації та виявлення в ній моделей і тенденцій, які допомагають ухвалювати рішення. Структура системи інтелектуальної обробки даних пред- ставлена на рис. 5.5. Рис. 5.5. Структура системи інтелектуальної обробки даних Принципи інтелектуального аналізу даних відомі протягом бага- тьох років. Найпоширенішим підходом до інтелектуального аналізу даних є принцип навчання системи «з учителем», коли на першому етапі система навчається на основі показань фахівців-експертів, що засновують свою думку (показання вчителя) на наявній статистиці та своєму досвіді, а на другому етапі система сама виступає в ролі екс- перта, заміняючи роботу людини. З появою великих даних інтелектуальні системи одержали ще більш значне поширення. Великі дані привели до вибухового зросту 237 популярності більш широких методів інтелектуального аналізу да- них, почасти тому, що інформації стало набагато більше, і вона стає більш різноманітною і великою. При роботі з більшими наборами даних вже недостатньо відносно простої і прямолінійної статистики. Маючи 30 або 40 мільйонів докладних записів про покупки, недо- статньо знати, що два мільйони з них зроблені в тому самому місці. Щоб краще задовольнити потреби покупців, необхідно зрозуміти, чи належать ці два мільйони до певної вікової групи, і знати їх середній заробіток. Ці бізнес-вимоги привели від простого пошуку та статистичного аналізу даних до більш складного інтелектуального аналізу даних. Для розв’язку бізнес-завдань потрібно такий аналіз даних, який до- зволяє побудувати модель для опису інформації й в остаточному під- сумку приводить до створення результуючого звіту. 3. Моделювання процесів і систем. Моделювання — дослідження об’єктів пізнання на їх моделях; по- будова та вивчення моделей реально існуючих об’єктів, процесів або явищ із метою одержання пояснень цих явищ, а також для пророку- вання явищ, що цікавлять дослідника. Моделі діляться на параметричні й непараметричні. У параме- тричних моделях передбачається, що характеристики досліджуваних об’єктів описуються за допомогою розподілів, що залежать від (од- ного або декількох) числових параметрів. Непараметричні моделі не зв’язані зі специфікацією параметричного сімейства для розподілу досліджуваних характеристик. У математичній статистиці оцінюють параметри та функції розподілів (наприклад, математичне очікуван- ня, медіана, стандартне відхилення, дисперсія та ін.), щільності й функції розподілу та ін. На практиці використання параметричних моделей ускладня- ється відсутністю інформації про вид функції, що описує об’єкт або процес. Непараметричні моделі позбавлені цих недоліків і тому одержали значне поширення при роботі з реальними даними. Для побудови та- ких моделей досить спостерігати реакцію об’єкта контролю на тесто- вий вплив, що обурює (експеримент «вхід-вихід»). Структура процесу моделювання представлена на рис. 5.6. Статистична обробка даних. За допомогою методів статистики ви- значаються найпростіші показники (метрики) сайта. Наведемо най- більш відомі з них. 238 Рис. 5.6. Структура процесу моделювання процесів і систем Базові метрики. До простих показників статистичної обробки да- них відносяться абсолютні показники за певний проміжок часу: сеанси (хости), користувачі, переглядання сторінок (хіти), нові сеанси. Також розглядаються усереднені показники за певний проміжок часу, напри- клад, переглядання сторінок за сеанс, середня тривалість сеансу. Вигляд цих характеристик у сервісі Google Analytics представлено на рис. 5.7. Крім розглянутих очевидних показників інтернет-статистики іс- нують спеціальні характеристики, яким приділяється багато уваги. CTR, Click Through Ratio (клікабельність) — припускає процентне відношення кількості кліків по певному посиланню або по банеру до фактичних показів цього посилання або банера користувачам. Рис. 5.7. Представлення базових метрик у сервісі Google Analytics 239 CTR = 100 % * (Clicks/Impressions). (5.1) Bounce Rate (показник відмов) — відсоток людей, які перейшли на сторінку й відразу ж покинули її. Високий показник відмов веде до низького рівня конверсії, оскільки відвідувачі не встигають у достат- ньому ступені вивчити контент. Conversion Rate (коефіцієнт конверсії) — відношення числа відві- дувачів сайта, що виконали за час перебування на сайті цільову дію (покупку, реєстрацію, передплату на розсилання), до загального чис- ла відвідувачів. CR = 100 % * (Leads/Clicks). (5.2) Оцінки ефективності.До простих показників статистичної оброб- ки даних також відносяться характеристики, які описують ефектив- ність залучених засобів або коштів. CPM, Cost Per Thousand Impressions (вартість 1000 показів) — вар- тість оплати за 1000 показів посилання, банера або продукту рекламо- давця на сайті вебмастера. З погляду ефективності інтернет-реклами краще орієнтуватися на показники PPC і PPL, хоча й оплати за по- кази може бути успішної. EPC, Earnings Per Click (заробіток з одного кліку). У більшості ви- падків використовується більш зручний показник EPHC, Earnings Per One Hundred Clicks, що означає дохід з 100 кліків, що визначається по формулі: EPC = (Commissions Earned/Clicks) * 100. (5.3) ECPC, Effective Cost per Click (ефективна вартість кліка) — метри- ка, показує, який був би CPC, якби купувалися кліки замість показів і лідів. Знаходиться по формулі: ECPC = Cost/Clicks. (5.4) ROI, Return On Investment (повернення інвестицій) — це показник рен- табельності вкладень. Він у процентному співвідношенні демонструє прибутковість (при значенні більше 100 %) або збитковість (при зна- ченні менше 100 %) конкретної суми вкладення коштів у певний проект. Для розрахунків цього показника використовується наступний вираз: ROI=(Profit — Cost)/Investment * 100 %, (5.5) де Cost — собівартість продукту (або послуги), Profit — дохід, кінцевий прибуток із продажу продукту або послуги, Investment — сума інвестицій. 240 Інтелектуальна обробка даних. За допомогою методів інтелекту- альної обробки данихвизначаються більш складні показники (ме- трики) сайта. Розглянемо деякі ключові методи й приклади інтелектуального аналізу даних, застосовувані в цифровому маркетингу. Асоціація (або відношення), імовірно, найбільш відомий, знайо- мий і простий метод інтелектуального аналізу даних. Для виявлення моделей робиться просте зіставлення двох або більш елементів, час- то того самого типу. Наприклад, відслідковуючи звички покупки, можна помітити, що разом з ноутбуком звичайно купують флеш- пам’ять. Класифікацію можна використовувати для одержання уявлення про тип покупців, товарів або об’єктів, описуючи кілька атрибутів для ідентифікації певного класу. Наприклад, автомобілі легко класи- фікувати по типу (седан, позашляховик, кабріолет), визначивши різ- ні атрибути (кількість місць, форма кузова, ведучі колеса). Вивчаючи новий автомобіль, можна віднести його до певного класу, порівнюю- чи атрибути з наявними еталонами. Ті ж принципи можна застосува- ти і до покупців, наприклад, класифікуючи їх за віком і соціальною групою. Крім того, класифікацію можна використовувати в якості вхідних даних для інших методів. Наприклад, для визначення класифікації можна застосовувати дерева прийняття рішень. Кластеризація дозволяє використовувати загальні атрибути різних класифікацій з метою виявлення кластерів. Досліджуючи один або більше атрибутів або класів, можна згрупу- вати окремі елементи даних разом, одержуючи структуровані висно- вки. На простому рівні при кластеризації використовується один або кілька атрибутів як основа для визначення кластера подібних резуль- татів. Кластеризація корисна при визначенні різної інформації, тому що вона корелюється з іншими прикладами, так що можна побачити, де подібні процеси узгоджуються між собою. Метод кластеризації працює в обидва боки. Можна припустити, що в певній точці є кластер, а потім використовувати свої критерії ідентифікації, щоб перевірити це. Як наочний приклад можна роз- глянути, як вік покупця рівняється з вартістю покупки. Розумно очі- кувати, що люди у віці від двадцяти до тридцяти років (до одруження й появи дітей), а також в 50–60 років (коли діти покинули будинок) мають більш високий дохід. |