Сергей Марин, «Big Data Билайн»: зачем маркетологам необходимо разбираться в аналитике больших данных

В январе стартовал курс для «аналитиков» – тех, кто хотел бы в перспективе стать Data Scientist, а 16 февраля начала работать обучающая панель для менеджеров, управленцев, маркетологов и рекламистов, которые так или иначе используют аналитику данных и Big Data при разработке услуг, продуктов, стратегий. На протяжении двух месяцев мы будем рассказывать о том, что мы узнали об управлении проектами с привязкой к «большим данным», как выстраивать эффективную работу с аналитиками, ставить маркетинговые задачи и делать выводы из полученных результатов.

Для начала мы поговорили с создателем школы Сергеем Мариным, руководителем службы разработки продуктов «Big Data Билайн» («ВымпелКом») о роли «больших данных» в маркетинге и бизнесе в целом.

Каким компаниям нужны «большие данные»?

Если бы вы задали этот вопрос два года назад, я бы ответил – большим компаниям. У малого бизнеса нет инфраструктуры и технических мощностей. Но сейчас положение дел кардинально поменялось. Проблема уже не в железках, анализ данных можно без особых трудностей делать и на ноутбуке. Такую работу способна выполнять компания любого размера, если у нее есть готовность использовать данные на пользу своего бизнеса. Как раз недавно, на одной из конференций я познакомился с владельцем сети шаверм. Бизнесмену очень важно понимать, где открывать новые ларьки, где есть большая потребность стимулировать потенциального потребителя совершить покупку в момент, когда тот находится в непосредственной близости от точки продаж. Это относительно небольшой бизнес, но его владелец уже думает о том, как ему может пригодиться Big Data.

Существует мнение, что Big Data это не вполне маркетинг и не вполне IT, понятие гораздо шире. Вы с этим согласны?

Скорее, это другой взгляд на бизнес. Возьмем, например, производителя какого-либо FMCG-товара. Помимо производства у компании имеется большое подразделение логистики, ведь товар необходимо еще и доставить в магазины и конечному потребителю. В логистической цепочке много промежуточных шагов – учет товара, отгрузка, организация транспортных потоков. Менеджмент этого цикла осуществляется с помощью цифровых технологий. Считать ли дистрибуцию только перевозками или только IT – хороший вопрос. Я бы сказал, что это все общая часть «value chain». В этой логике Big Data тоже является частью «цепочки стоимости».

«Большие данные» определяют продукт, который мы создаем, помогают понять, кому мы его предлагаем, где находится его потребитель. Big Data может присутствовать во всех 4P маркетинга.

Расскажите, как «большие данные» встроены в маркетинг «Билайна» и как они помогают оптимизировать рекламные/маркетинговые расходы?

Мы используем аналитику данных при формировании как продукта, так и продуктового предложения. Мы не только не ограничиваемся разработкой таргетированных кампаний, но и создаем и запускаем продукты, родившиеся из полученного в результате аналитики знания. В основе нашей работы – концепция персонального менеджера «Билайна». Проще говоря, у каждого абонента есть виртуальный менеджер, который совершает с клиентом «customer journey». Как это работает: например, человек приехал в аэропорт, и ему на телефон пришла информация о тарифах роуминга, которые он может подключить. Или человек купил смартфон, мы его информируем о пакете интернета.

Хорошо, пусть руководство большой компании осознало потребность в использовании Big Data для эффективной работы бизнеса, но не имеет опыта запуска такого высокотехнологичного подразделения. С чего начать? Как оценить объем инвестиций и КПД?

Как и в любом бизнесе, все начинается с идеи. Прежде всего необходимо понять, как именно данные могут развить бизнес и помочь решить проблемы. Хотя бы приблизительно. В моем представлении аналитика данных сейчас – это намерение компании, воплощенное в жизнь через использование доступных данных и полученных с помощью машинной обработки выводов из них для разных целей, будь то маркетинг или логистика. Необязательно данные должны быть большими в привычном понимании, маленький бизнес может не иметь массивных данных, но уже сейчас он должен задумываться, как их можно применить на практике. С моей точки зрения, это тоже Big Data, потому что любой бизнес любого размера задумывается над тем, как монетизировать те знания, что он имеет.

Необходимо привлечь экспертов в области аналитики. Это сложный вопрос. Можно воспользоваться аналитической экспертизой Data Scientist, но этих специалистов крайне мало. И Data Scientist может построить математическую модель, но не всегда способен ответить, как полученную аналитику экстраполировать на специфику бизнеса.

Экспертиза в области бизнес-применения аналитики данных только начала развиваться и многим компаниям ее не хватает. Отчасти поэтому мы и запустили курс менеджмента Data-MBA: чтобы дать возможность владельцам бизнеса разной величины и топ-менеджерам понимание, как данные могут им помочь повысить выручку, как делать продукты более таргетированными, а сервис более качественным.

На какие «грабли» обычно наступают неофиты? 

Распространенная ошибка – ставить во главу угла IT. Когда в сбор и анализ больших данных не включены другие юниты компании. Еще одна – это фокусировать аналитику в каком-то одном конкретном подразделении. Я считаю, что это неправильно. В крупных компаниях существует много разнонаправленных задач. Например, в «Билайне» помимо маркетинговых запросов есть потребности отдела, который занимается развитием сотовой сети. Ему важно знать, где находятся клиенты, чтобы строить вышки целенаправленно там, где концентрация абонентов наиболее высока. Аналитика также востребована у таких подразделений как электронная коммерция, антифрод и даже HR. Самостоятельное аналитическое подразделение позволяет агрегировать данные, которые можно использовать комплексно для разных нужд компании. Третий момент, необходимо понимать, что найти аналитика нелегко, поэтому на создание качественного подразделения уйдет не один месяц.

Допустим, компания может позволить себе инвестиции в Big Data. Как ей понять, какие сотрудники должны развивать это направление. Какие навыки, знания и опыт должны быть у специалистов?

Как правило, используются две компетенции. Первая – построение математических моделей и анализ данных (Data Science). Вторая – принятие решений, что именно необходимо исследовать и анализировать. Никто лучше сотрудников специфику бизнеса не знает, и как монетизировать данные, полученные в результате анализа, понимают именно они. В том числе и маркетологи.

Все гораздо сложнее с Data Scientist. Развею известный миф, что таким специалистом может стать только очень умный математик. На мой взгляд, машинное обучение – скорее ремесло, чем наука. В том смысле, что в работе с большими данными используются давно известные и понятные алгоритмы. Существует большое количество алгоритмических библиотек в открытом доступе. Задача – понять, в какой ситуации какой алгоритм использовать, и что будет значить его результат на выходе. Проще говоря, это набор инструментов в машинном обучении, которые нужно знать, а это достигается только практикой и опытом.

Кто поставляет таких специалистов?

На сегодняшний момент, насколько мне известно, в нашей стране фундаментальному знанию учат в МГУ на кафедре математических методов прогнозирования (ММП), в «Высшей Школе Экономики» на факультете компьютерных наук, в школе анализа данных «Яндекса». Теперь и в школе «Билайна».

Считается, что разобраться в Big Data без глубокого знания математики невозможно, да и учиться тяжело. Нужно ли знать хорошо высшую математику, чтобы управлять процессами, связанными с обработкой больших данных?

Если говорить о программе для маркетологов и менеджеров, то нет. Мы как раз построили курс таким образом, чтобы знание математики не было обязательным условием для обучения. Прежде всего необходимы интерес и опыт работы с аналитикой. Маркетологи в силу специфики своей профессии привыкли смотреть и читать графики, работать в Excel, считать кейсы и так далее. Скорее важно умение работать с цифрами. Людям без этих навыков, конечно, будет сложно.
Совсем другое дело – аналитический курс, который мы запустили в октябре прошлого года. Для него важно базовое знание математики, преимущественно линейной алгебры, и необходимо понимать принципы статистики. Обязательным требованием является Python, поскольку именно этот язык программирования мы используем как базовый на курсе. Но каких-то более высоких требований к абитуриентам мы пока не предъявляем.

Какие специалисты получатся на выходе после обучения в вашей школе?

Специалист по работе с большими данными, который работает в «Билайне» – универсал. Сегодня он занимается построением моделей оттока, завтра – анализом социальных сетей, послезавтра делает рекомендательные системы. Наша школа готовит специалистов широкого профиля, способных применять машинное обучение в разных областях.

Есть ли у Data Scientist деление на специализации?

Обычно они делятся на тех, кто фокусируется на машинном обучении в целом, и тех, кого больше занимают специфичные области: анализ социальных сетей, рекомендательные системы, обработка текстов, анализ изображений и видео. Но на практике сейчас все занимаются всем.

Возможна ли работа с большими данными на аутсорсе?

И да, и нет. Для каких-то отдельных задач вполне подойдет внешний подрядчик, когда вы точно знаете, что хотите получить на выходе, и можете четко сформулировать задачу. Вы должны понимать, что в этом случае вы полностью берете на себя ответственность за весь бизнес-анализ и доверяете внешним специалистам только разработку аналитической части. И, кстати, подготовка всех данных также остается за вами. Такой вариант возможен, если вы сами хорошо представляете, чего хотите, и имеете экспертизу. «Билайн» в отдельных случаях именно так и поступает, поскольку у компании имеется опыт и собственные наработки. В остальных ситуациях имеет смысл иметь штатного Data Scientist, который будет постоянно взаимодействовать со всеми подразделениями компании и сможет оценить качество работы подрядчиков.

От кого чаще приходят идеи продуктов – от специалистов Data Science или маркетологов?

Специалист Data Science способен самостоятельно предлагать идеи продуктов и сервисов, но на практике это происходит не так часто. Маркетинг больше и глубже погружен в знание о клиенте, его потребностях и образе жизни, поэтому чаще создает запрос на анализ, который мы, исследователи, должны произвести и подтвердить или опровергнуть маркетинговую гипотезу. Но это не значит, что в результате обработки данных аналитик не способен выявить какие-то интересные потребительские особенности или неочевидные закономерности. Просто на практике это происходит реже.

Какие рекламные тренды вы видите в Big Data?

Еще пять лет назад мало кто из среднего бизнеса задумывался над тем, как большие данные могут помочь  ему развиваться. Да и во многих крупных компаниях, если они не связаны с производством высокотехнологичных продуктов, аналитика данных по сей день не внедрена. Но сегодня большие данные становятся все более доступными, и в перспективе нас всех ждет релевантность и таргетированность. Обычный человек все чаще будет сталкиваться с нужной информацией и предложениями в определенные отрезки его жизни. Сейчас телефон прогнозирует, сколько времени человек потратит на дорогу от офиса до дома, а завтра, находясь в магазине, мы будем получать информацию о выгодных акциях и скидках, интересных только нам. Эти технологии уже существуют, но пока мало кто поставил их на поток. В общем, наше будущее похоже на фильм «Особое мнение», где в одном из эпизодов программа распознавания лиц «определила» лицо главного героя в магазине и ему тут же транслировалась ориентированная на него одного видеореклама. И самое интересное, это уже реально сегодня. Но не готовы люди, не готово законодательство.

На западе были эксперименты с «наружкой», когда релевантным было не только рекламное сообщение, но и креатив (коммуникация). Возможно ли такое в ТВ-рекламе в будущем?

Вполне. Есть два способа выявления потребностей и интересов аудитории. Способ первый – кластерный анализ. Как это работало раньше: мы проводили опрос нашей клиентской базы по выборке в несколько тысяч, из которых выделяли несколько сегментов ЦА и с ними работали. Но проблема заключалась в следующем: когда к нам приходил «случайный» человек, мы не знали – кто это, к какому сегменту он относится и, соответственно, какой продукт ему следует предложить. Сейчас мы можем действовать иначе. Мы знаем, к какому сегменту относится каждый конкретный клиент. Нам не нужно иметь сотни разных рекламных коммуникаций, достаточно пяти-шести, близких той или иной аудитории, и мы можем знать, что именно показывать каждому человеку. Таким образом реклама уже становится более точной и более интересной для потребителя.

Способ второй. Более захватывающий, который сейчас используется в интернете. Когда мы выделяем сегмент потребителей и транслируем ему рекламное сообщение, мы можем наблюдать за реакцией и адаптироваться. Тем группам, которые показывают наименьшую реакцию, мы предлагаем другое сообщение, более точное, на наш взгляд. Когда мы показали рекламу определенное количество раз, мы можем проанализировать и понять, что общего у всех этих людей (исходя из их реакций), и далее транслировать сообщение на массовую аудиторию, которая похожа по своим потребительским и поведенческим признакам на репрезентативную группу.

Кстати о нас, о потребителях. Не секрет, что сценарий популярного сериала «Карточный домик» корректируется, исходя из анализа зрительских ожиданий. Может ли подобный опыт быть применим для ТВ-рекламы, и как в этом поможет Big Data?

Скажу больше, это решение уже сегодня серьезно прорабатывается в индустрии, просто пока оно не вышло на массовый рынок. Скоро ТВ-реклама станет такой же таргетированной, как реклама в интернете.

Закончите фразу: еще десять лет назад нельзя было представить, что Big Data даст рекламе…

Возможность создавать персональные предложения на уровне каждого человека. Если раньше потребителей делили на несколько групп по разным признакам, таким как возраст, пол, география проживания и прочее, то сейчас мы можем персонифицироваться до каждого потребителя.