Помоги проекту - поделись книгой:
• Улучшение управления информационными технологиями
Эффективность работы персонала
• Обмен информацией с коллегами
• Обеспечение более гибких условий работы (в частности, работа на дому)
• Возможность постоянной работы за пределами офиса
Безопасность
• Обеспечение защиты бизнеса от преступлений и других рисков типа онлайнового мошенничества, компьютерных вирусов и взломов систем
Так как мы посчитали невозможным сконцентрироваться на всех семнадцати пунктах, наша вторая задача состояла в том, чтобы выяснить, какие из них считались нашей аудиторией наиболее важными. Это было сделано с помощью количественных исследований, в основном интервью крупной выборки из небольших компаний (в ходе которого мы спрашивали, какие потребности они считают наиболее важными). Представленная ниже в виде диаграммы информация наглядно показывает, что наши клиенты считали наиболее важным.
В итоге мы хотели выявить различные сегменты, у участников которых имелись свои уникальные приоритеты с точки зрения потребностей. Для этого использовался кластерный анализ – моя любимая статистическая процедура. Вы позволяете данным самим говорить за себя и самостоятельно формировать различные группы клиентов. После этого вам необходимо принять здравое суждение о том, насколько осмысленно и правильно объединять людей в такую группу. Именно комбинация данных и их интерпретации делает эту процедуру столь забавной – ведь, по сути, это наполовину наука и наполовину искусство.
Предположим, мы проинтервьюировали представителей тысяч небольших и средних компаний, задав им вопрос о единственно важной потребности – эффективном управлении цепочкой поставок (которую нужно было оценить по шкале от 1 до 10). Их ответы (представленные точками на иллюстрации ниже) выглядели примерно так, как представлено ниже.
В данном случае ясно, что существуют два сегмента: компании, считающие управление цепочкой важным делом, и те, для кого это неважно. Кластерный анализ в данном случае будет крайне простым. Мы можем легко обозначить границами два четко сформировавшихся кластера.
Теперь давайте предположим, что мы задали участникам два независимых вопроса: первый – о важности управления цепочкой поставок; второй – о возможности сотрудникам постоянно работать за пределами офиса. Ответы на эти вопросы выглядели так, как представлено ниже.
Вы довольно легко можете увидеть три сегмента: первый – люди, считающие управление цепочкой важным (справа); второй – люди, не считающие управление цепочкой важным, но отдающие должное важности мобильности рабочей силы (вверху слева); третий – люди, не считающие важным ни один из вопросов (внизу слева).
Нам было нужно придать этим результатам визуальную форму. Но справиться с этой задачей на компьютере не так-то просто. Один вариант может состоять в том, чтобы нарисовать границы с помощью определения сравнительного расстояния. При проведении кластерного анализа мы давали компьютеру следующие инструкции:
• минимизировать расстояние между точками, принадлежащими к одной и той же группе, что позволяет более четко выразить суть групп, а значит, позволяет и вам легче их выявить;
• максимизировать расстояние между центрами различных групп, чтобы группы стали более заметными и вам было проще их найти.
Если вопрос заключался бы в оценке всего двух-трех потребностей, то нам вообще не понадобился бы компьютер. Мы могли бы увидеть и нарисовать нужные точки самостоятельно, а затем провести границы вокруг кластеров. Но вы наверняка помните, что мы хотели изучить не две потребности, а целых семнадцать. Это нам не по силам. (Вы мне не верите? Попытайтесь оценить хотя бы половину – и вы рискуете сойти с ума.)
Заставив компьютер обработать данные по всем семнадцати параметрам, мы обнаружили, что у нас сформировалось пять основных кластеров. Они значительно различаются между собой, когда речь заходит о сравнительной важности каждой из семнадцати потребностей, однако внутри каждого кластера потребности участников были крайне схожи между собой.
• Сегмент 1
Базовые потребности (16 %)
Небольшие компании, работающие «для удовольствия» владельцев и обеспечивающие их постоянной занятостью и доходом. Небольшой уровень потребностей в информационно коммуникационных технологиях.
• Сегмент 2
Ориентированность на клиента (16 %)
Компании, занимающиеся сервисом для конечных пользователей и нуждающиеся в укреплении связей с клиентами и улучшении сервиса. Необходимость создания технологии, позволяющей ориентироваться на клиента.
• Сегмент 3
Эффективность работы (14 %)
Компании среднего размера, имеющие потребности в упрощении производственных процессов и улучшении сервиса для клиентов. Большая потребность в технологиях, улучшающих операционную деятельность.
• Сегмент 4
Гибкость и безопасность (18 %)
Оптимистичные и нацеленные на активное использование технологий компании, для которых гибкость бизнеса служит основным приоритетом. Хорошо разбираются в вопросах информационно коммуникационных технологий, обеспечивающих гибкость и безопасность бизнеса; испытывают в них потребность.
• Сегмент 5
Высокие потребности (19 %)
Молодые, технологически подкованные компании, основная мотивация которых связана с ростом и расширением. Масса потребностей во всех направлениях.
Наше исследование позволило компании получить огромную отдачу. Разделив рынок подобным образом, BT получила возможность разговаривать различно с каждой группой. Например, при общении с группой из второго сегмента (сильнее всего сфокусированной на интересах клиентов) мы могли говорить о вопросах безопасности совсем не так, как с группой из третьего сегмента, интересовавшейся улучшением внутренних операций. Если при общении с первыми мы говорили о том, как технологии BT помогут им обеспечить безопасность их клиентов, то, общаясь с другими, мы уделяли внимание тому, как решения BT обеспечивают безопасность внутренних систем.
Такая сегментация по потребностям позволила нам получить мощный инструмент для подбора соответствующих брендовых коммуникаций.
Согласованность ваших методов
Вы можете совмещать анализ потребностей с любой другой работой по сегментации, которую вы уже ведете, чтобы лучше разобраться в интересах своих клиентов. Именно это мы сделали в Cisco. Как вы помните из первой главы, мы провели анализ сегментов, основанный на том, сколько денег они тратили на покупки в данной категории и какая доля покупок приходилась на Cisco. И хотя сотрудники отдела продаж с готовностью приняли на вооружение нашу модель ценностного спектра, некоторые маркетологи поначалу проявили куда меньший энтузиазм – ведь они уже провели сегментирование в соответствии с собственной методикой. Согласно нему, клиенты делились на четыре группы, основанные на их отношении к технологиям: руководствующиеся советом; руководствующиеся ценой; ценители передовых технологий; идущие за лидером (то есть действующие подобно компаниям из списка Fortune 100). В то время как некоторые маркетологи считали, будто эти два типа сегментации конкурируют между собой, мне стало ясно, что они способны помочь друг другу. Модель ценностного спектра позволяла Cisco понять, с какими клиентами стоит говорить, а сегментация по отношению к происходящему давала компании ясное представление, о чем с ними нужно говорить.
Я попытался показать, каким образом эти два подхода могут сочетаться между собой, с помощью диаграммы, представленной ниже.
В рядах слева направо вы можете увидеть сегменты, созданные в модели Ценностного спектра, а в колонках, идущих сверху вниз, можно заметить сегменты, выстроенные вследствие отношения клиентов к предложениям. Размер пузыря показывает количество компаний, соответствующих каждой ячейке. Чем больше пузырь, тем больше клиентов в сегменте.
Давайте взглянем на первый ряд, в котором представлены ключевые клиенты Cisco – «золотые самородки». Эта группа сильнее остальных ориентирована на самые передовые технологии. Однако среди «самородков» все равно встречаются компании, ориентирующиеся на советы, цену или поведение других игроков. Одновременное использование двух типов сегментации позволяет не только выявить «самородков», но и адаптировать свое сообщение для каждого из них.
В работе с Cisco мы сначала определили шестнадцать сегментов – и это было слишком много для создания различных стратегий и типов коммуникации. Поэтому мы в итоге сгруппировали их в три сегмента (основанные на том, что казалось интуитивно правильным и позволяло нам относиться к ним по-разному).
• Любовь. Самые ценные клиенты с высоким потенциалом, которые считают, что бренд Cisco подходит им идеально, – к ним относятся «золотые самородки» и «джекпоты», занимающие сегмент ценителей передовых технологий и сегмент ориентирующихся на поведение других. Чтобы сохранить их, с ними нужно выстраивать максимально «любовные» отношения.
• Защита. Самые ценные клиенты с высоким потенциалом, для которых бренд Cisco не был идеальным, – к ним относятся «золотые самородки» из сегментов руководствующихся советами и ценой. Нужно сделать все возможное, чтобы защитить свои интересы и удержать этих клиентов, которые открыты для предложений со стороны конкурентов.
• Без определения. Все остальные клиенты, для которых мы решили не создавать дифференцированной маркетинговой коммуникации.
Сконцентрировавшись на этих трех сегментах, мы смогли очень быстро создать сегментированные и индивидуализированные маркетинговые предложения для каждого из них. Кластерный анализ – не только быстрый, но и сравнительно недорогой метод. Например, всего за две недели перед тендером, в котором наше агентство принимало участие, меня попросили провести подобный тип сегментации для IKEA.
Сначала мы сказали, что это невозможно из-за полного отсутствия времени, однако затем собрались с силами и сделали работу. Нам не удалось поговорить с большим количеством клиентов IKEA, однако мы смогли поговорить с достаточно репрезентативной выборкой. Мы обнаружили три четких сегмента в категории мебели для дома и пять сегментов для любителей самостоятельно собирать мебель. При этом на большинство этих сегментов ни один из конкурентов не обращал достойного внимания. Стоимость опроса – всего 3 тысячи долларов, поскольку все нужные вопросы задавались нами в Интернете. (Кстати, тот тендер мы тоже выиграли.)
Анализ потребительской корзины
Помимо сегментации, сделанной на основе исследований отношений, о которой мы только что поговорили, есть и другие методы, помогающие корректировать и адаптировать вашу маркетинговую коммуникацию. Анализ потребительской корзины, то есть буквальная добыча информации об ассортименте продуктов, который находится в тележке покупателей во время их хождения по магазину, зачастую способен рассказать обо всем, что вам нужно знать, поскольку вы сразу понимаете, в чем конкретно проявляется покупательская заинтересованность. Этот метод стал довольно популярным в 1990-е годы в среде розничных магазинов благодаря замечательной истории про «пиво и подгузники».
Однажды в одном американском супермаркете[9 - Считается, что это был супермаркет крупнейшей мировой розничной сети Wal-Mart.] решили провести статистический анализ потребительских корзин, и в процессе исследования выяснилась любопытная закономерность. По вечерам в пятницу в тележках покупателей очень часто пиво соседствовало с подгузниками. Поразмыслив над этим феноменом, сотрудники догадались, в чем дело: приобретая на выходные подгузники по просьбам своих жен, многие мужья не могли удержаться от искушения и покупали себе в конце рабочей недели упаковку пива. Осознав суть происходящего, в супермаркете быстро передвинули стеллажи – и с тех пор пиво всегда стояло рядом с подгузниками. В результате взлетели продажи по обеим категориям продуктов.
Отличная история. Жаль только, что придуманная. Судя по всему, ее рассказывали консультанты, пытающиеся продавать свои услуги магазинам. На самом деле подобные исследования не проводились ни в розничных сетях, ни в отдельных магазинах. Тем не менее, несмотря на весь вымысел, эта история идеально показывает, почему анализ информации может стать мощным инструментом. Позволю себе привести еще один пример (представляющий собой несколько видоизмененное описание реально проведенного нами проекта), благодаря которому вы сможете лучше понять суть происходящего.
Крупная компания, занимавшаяся рекламной деятельностью путем адресной рассылки по почте, размышляя о новых принципах маркетинговой коммуникации, пыталась понять, на какие клиентские группы следует ориентироваться. Сотрудники компании хотели исследовать интенсивность пользования товаром, особенно их интересовало, какие продукты покупаются вместе, а какие – нет и почему. Естественно, полученные выводы они собирались использовать для работы с потребителями и корректировки рекламных рассылок.
В базе данных компании значилось 3360 различных продуктов. Итак, наш первый шаг состоял в том, чтобы рассортировать их по сходным группам. Для пущей простоты мы использовали двухуровневую классификацию. На первом уровне продукты были разделены по двадцати продуктовым семействам; на втором – получилось сто пятьдесят девять семейств, меньших по размеру. Мы проанализировали каждый отдельно взятый продукт, который можно было купить вместе с другим. Как вы уже догадались, количество возможных комбинаций для анализа увеличивалось со скоростью экспоненциального роста в зависимости от количества продуктовых групп (семей).
После завершения этой работы мы перешли к созданию модели, способной предсказать вероятность совместной покупки двух различных продуктов (в рамках той же сделки или в течение определенного времени). Мы протестировали модель, отправив двум группам клиентов единственный элемент маркетинговой коммуникации – памятную монету номиналом в 50 центов с портретом президента Кеннеди. Первая группа была отобрана из базы данных с помощью анализа потребительской корзины. Мы искали людей, уже купивших похожие памятные монеты. Вторая группа была отобрана случайным образом, без применения особых правил. Формула для анализа корзины выглядела следующим образом:
A = B & C & D → N, P, S
На первый взгляд формула выглядит крайне запутанной, но на самом деле она довольно проста.
• A – продукт (или семейство продуктов), для которого я разрабатываю правило. Иными словами, я пытаюсь предсказать, купит ли определенный клиент сувенирные монеты при условии, что он активно покупает другие сходные вещи на сайте этой компании. В данном случае мой продукт – монета номиналом 50 центов.
• B, C, D – прогностические параметры (факторы, позволяющие предсказать, будет ли куплен продукт A). К ним относятся также такие продукты, как другие памятные монеты либо сувениры с определенной исторической тематикой – короче, продукты, дающие основания считать, что клиент купит и монеты с портретом Кеннеди.
• N – охват в абсолютных показателях (общее количество клиентов, купивших продукты B, C и D в рамках одной покупки).
• P – вероятность того, что кто-то купит A, при условии, что уже купил B, C и D.
• S – поддержка (процент от общего числа людей, купивших B, C, D и A).
Чтобы понять, идем ли мы по верному пути, мы протестировали модель, отправив один и тот же элемент маркетинговой коммуникации двум группам клиентов. Первая группа была отобрана из базы данных с помощью правил анализа потребительской корзины. Вторая группа была отобрана случайным методом, без применения особых правил. Показатель эффективности рекламы для первой группы оказался в пять раз выше, чем для второй, – что отлично демонстрирует потенциал этого метода с точки зрения дохода.
Если вам нравится одно, то понравится и другое
Инструменты автоматической рекомендации, такие как анализ потребительской корзины, стали крайне популярными в интернет-среде. Лучше всего на рынке известны рекомендационные механизмы Amazon и Netflix. Они предлагают продукты – если вам понравилась определенная книга или фильм, то вам наверняка понравятся и вот эти, – сравнивая ваш выбор с выбором других людей, читавших те же книги (или смотревших тот же фильм). Разумеется, это имеет вполне реальную ценность в глазах потребителей. Мне очень нравится, когда Netflix рекомендует мне кинофильм, о котором я даже раньше не слышал. Это основная причина, по которой я готов подписаться на услуги сайта, и Netflix отлично это понимает. Работающие там люди отслеживают, как часто я арендую диски с фильмами, основываясь на их предложениях. В сущности Amazon и Netflix делают то же самое, что и супермаркеты, пытающиеся предсказать, захотите ли вы купить яблоки и бананы за один поход в магазин, или почтовое ведомство, пытающееся понять, какая комбинация продуктов окажется наиболее интересной для коллекционеров марок.
Теперь вам доступны и готовые решения, помогающие персонализировать свою маркетинговую коммуникацию примерно так же, как это делают Amazon и Netflix. Эти решения позволяют сравнительно мелким компаниям уравнять шансы и эффективно конкурировать с отраслевыми гигантами. Компании, идущие по этому пути, внимательно изучают пристрастия клиентов, затем адаптируют свои рекомендации им, в результате чего получают изрядное конкурентное преимущество. Нужные для этого решения уже есть, они не слишком дорогие и показывают хорошие результаты. Если вы их не используете, то для вас нет оправдания. Изучите то, что предлагают компании Audience Science, Proclivity и Netmining. Лично я предпочитаю Netmining (и совсем не потому, что основатель компании Тон Ван Парис – бельгиец).
Netmining собирает данные от потребителей, путешествующих по Сети, в режиме реального времени. Затем эти данные используются для прогнозирования того, в каких товарах мог бы быть заинтересован тот или иной клиент. Netmining автоматически показывает рекламный контент, соответствующий интересам клиента. (О том, каким образом рекламодатели могут постоянно следовать за вами и показывать вам рекламу джинсов именно того цвета, который вы ищете, – я расскажу в четвертой главе.)
Подобные инструменты, позволяющие предлагать нужному клиенту подходящий ему товар, способны обеспечивать невероятные результаты. Например, компания Fiat, когда начала работать с Netmining, заметила 350-процентный прирост в количестве клиентов и 500-процентное увеличение показателя эффективности рекламы.
Самое крутое в работе Netmining – это возможность визуализации результатов. Программа позволила сотрудникам Fiat легко увидеть, какие именно модели интересуют клиентов и насколько вероятна последующая покупка (демонстрацию программы можно найти на сайте www.netmining.com).
Итак, мы с вами успели обсудить, как понимать настоящих и потенциальных клиентов с помощью анализа данных, получаемых из трех источников исследований (качественных или количественных); данных о сделках (об этом было сказано во второй главе) или данных о поведении клиента в Интернете. Все эти источники данных у нас уже давно есть. Теперь давайте обратим внимание на другие интересные источники данных, которые появились совсем недавно.
Данные, основанные на том, что пишут люди
В наши дни люди много пишут. Они участвуют в работе форумов, меняют свой статус в социальных сетях, комментируют записи в чужих блогах и даже ведут собственные. Если хорошенько подумать, то мы поймем, что любой текст представляет собой набор данных (причем совершенно бесплатных). Было бы глупо этим не воспользоваться. Все, что вам нужно, – это простой инструмент, способный считывать содержание интересных для вас сайтов и копировать нужную вам информацию в базу данных. Сам по себе процесс сбора информации довольно прост, чего нельзя сказать о ее анализе. Чуть раньше я уже делился с вами парой примеров, как мы можем научить компьютеры воспринимать данные определенным образом. Все сравнительно просто, если речь идет о цифрах. Но когда вы просите компьютер изучить текст, то задача усложняется. При этом я не собираюсь говорить, что это невозможно.
На рынке имеется целый ряд программных продуктов, способных анализировать крупные объемы текста и снабжать нас информацией о том, какие вопросы обсуждают люди, скольким людям они интересны и даже что они чувствуют в отношении обсуждаемого. Вот пример, которым поделилась со мной компания Visible Technologies пару лет назад:
Я ненавижу, что Джордж У. Буш постоянно подвергается критике. Да, он делает ужасные грамматические ошибки – тоже мне, страшное обвинение! Зато он четко поддерживает правильную иммиграционную политику. При этом он творит какие-то странные дела в связи с приватизацией системы социального обеспечения. Не знаю, будут ли теперь голосовать за него ребята, воюющие в Ираке, но они делают то, что должны делать.
Ранние (читай, примитивные) программы для анализа текста считывали количество распознанных слов с положительной или отрицательной окраской, а затем делали заключение о негативной в целом окраске того или иной сообщения.
Проблема состояла в том, что, хотя программа распознавала слова правильным образом, она ошибалась с общей тональностью высказывания. Приведенный выше комментарий был расценен ей как в целом положительный.
Технологии следующего поколения могли разложить текст на субкомментарии и определить их общий настрой. Соответственно, это давало возможность извлечь из каждого поста куда больше информации. Мы можем увидеть, как современные алгоритмы позволяют компьютерам более точно фиксировать и классифицировать темы и настроения людей в ходе их онлайнового общения.
С этим инструментом связано немало вопросов. Не так давно я беседовал с бренд-менеджером дезодоранта Axe. По его словам, сразу после того, как компания впервые использовала этот инструмент, то обнаружила резкий рост интереса к своему продукту в самом начале рецессии. Неужели люди принялись говорить в тяжелые времена о своих дезодорантах? Не совсем. Скорее они говорили о том, как волнуются, что их самих или их друзей могут уволить. Судя по всему, компьютерам, как и прежде, сложно увидеть разницу между разговором о гигиене тела и важнейшем событии в жизни (потере работы).
Несмотря на это, многие компании начали использовать этот инструмент анализа социальных медиа для того, чтобы внимательно наблюдать за происходящим в блогосфере. Вы и сами можете использовать эту технологию для анализа того, что говорят люди о ваших брендах. Не исключено, однако, что вам стоит начать с простого чтения комментариев.
Именно это мы сделали в описанном выше проекте для Ceasars. Компания периодически берет пятьдесят положительных («пять звезд») отзывов о гостиницах с популярного сайта Tripadvisor и пытается найти в них глубокие идеи. Компания организует комментарии по следующим темам: физические атрибуты гостиницы, местоположение, удобства и услуги, – а затем пытается выяснить, что именно понравилось людям и почему они дали гостинице высшую оценку. Иногда, как в случае обзора гостиницы «Париж» в Лас-Вегасе, результаты просто удивляют. Я не раз уже вспоминал этот пример, когда людям, жившим в «Париже», больше всего нравится вид на город из окон гостиничных номеров. После того как компания узнала об этом, она совершила ряд решительных преобразований. Теперь, если вы зайдете на первую страницу сайта гостиницы (ParisLasVegas.com), то увидите точно такую же картину, которая откроется из окна вашего номера. Результат – резкий рост бронирования.
Каждый раз, когда я рассказываю историю о Ceasars, обязательно кто-нибудь спрашивает об использованных нами программах или алгоритмах анализа текста. Люди приходят в реальное изумление, когда я отвечаю, что мы просто читали комментарии на TripAdvisor.com.
Нечто подобное случилось и в IBM. В процессе изучения комментариев клиентов в Интернете компания заметила, что, несмотря на всю привлекательность своей продукции, о ней мало кто писал. Вместо этого люди говорили обо всех крутых вещах, ставших для них доступными благодаря новейшим разработкам IBM. Большинство потребителей не интересуются тем, как именно работает та или иная техника или программа; им совершенно не нужно понимать принципы связи – они просто хотят иметь надежный и удобный мобильный телефон. В результате основные усилия маркетологов IBM переключились с разговоров о протоколе Voice over Internet (IP) и моделях облачных вычислений на рекламный рассказ о придуманных их компанией новых и еще более простых способах общения между людьми. Реклама бренда Lotus была вполне типичной для этой ситуации: «Lotus знает, что вы пытаетесь связаться с людьми, а не их телефонными номерами».
Почему так важны эмоции
Эмоции непосредственно влияют не только на наш выбор, но и на само принятие решения что-то приобрести, а значит – и на активное развитие новых отраслей промышленности. Консалтинговая компания Innerscope специализируется в этой новой области, исследуя эмоциональный отклик потребителей; она стала одной из первых, кто понял, что все наши прежние представления о рекламе уже слишком устарели, если они вообще когда-либо были верными.
Мы всегда предполагали, что благодаря рекламным объявлениям люди получают определенные стимулы, влияющие на их дальнейшее покупательское поведение: сначала они обдумывают ситуацию, а затем начинают принимать решение о покупке. Innerscope обнаружила, что этот процесс не всегда происходит подобным образом. Люди получают стимулы, которые могут проходить или не проходить через эмоциональный фильтр, расположенный глубоко в мозге. После этого рациональная часть мозга начинает размышлять насчет ответной реакции, и тогда возникает сложное взаимодействие между рациональным и эмоциональным началами человека, в результате чего он уже определяет свои дальнейшие действия.
Делаем важнейший вывод: «чувство» обычно предшествует «мыслям» и «действиям». Вследствие этого Innerscope создала набор диагностических инструментов, позволяющих измерять силу эмоционального воздействия рекламных стимулов. Компания вычленила четыре параметра, определяющих физические изменения, которые соответствуют эмоциональной вовлеченности человека:
• проводимость кожи – изменение уровня потоотделения в ладонях;
• дыхание – изменение темпа дыхания;
• ответная реакция сердца – изменение частоты пульса (будет ли сердце биться быстрее или медленнее);
• движение – изменение в физическом положении тела (иными словами, приводит ли стимул к тому, что человек начинает каким-то образом двигаться).
Для измерения параметров Innerscope использует специальную одежду, которую надевают на участников исследования. В одежде имеются датчики, позволяющие отслеживать каждую из переменных, в то время как человек смотрит телевизор, путешествует по Интернету или ходит по торговым залам. Это позволяет Innerscope получить данные о неотфильтрованных эмоциях, которые испытывает потребитель, когда подвергается внешнему воздействию информации.
В результате исследований компания обнаружила: и в поведении в магазине, и в разговорах в Интернете, и в отношениях к печатной или интернет-рекламе, и даже когда мы смотрим на какую-то упаковку – важнейшую роль играет наша эмоциональная вовлеченность.
Innerscope включает в биометрическую диагностику и продвинутые методы изучения движения глаз посетителей сайтов (позволяющие отслеживать, как именно люди воспринимают зрением те или иные информационные стимулы), и более традиционные исследовательские методы, измеряющие степень рациональности ответов.
Новые исследования поднимают очень важный вопрос. Если все наши усилия столь мало влияют на поведение потребителя, то зачем мы тратим так много времени и денег на их опросы, пытаясь выяснить, что они думают о наших рекламных кампаниях и как наша маркетинговая деятельность влияет на их поведение? Видимо, мы должны сконцентрировать всю свою энергию на лучшем понимании того, как создаваемые нами слова и образы воздействуют на эмоциональную вовлеченность человека.
VoicePrism – еще одна компания, которая изучает человеческие эмоции современными методами, один из них чрезвычайно интересный: специальные приборы анализируют звуковые волны, создаваемые человеческим голосом. Исследователи просят человека говорить на протяжении десяти минут (что позволяет установить точку отсчета), а затем начинают обсуждать с испытуемым те или иные события, в нашем случае – рекламные стимулы. Далее реакция каждого респондента сравнивается с отправной точкой, в результате чего выявляются различные эмоции: возбуждение, стресс, восторг или гнев. Голос может выступать в качестве еще одного источника данных, способного подсказать нам, что именно происходит в подсознании. Мне еще не доводилось видеть никакой другой технологии, способной так же эффективно вытягивать данные из подсознания потенциальных потребителей.
Понимание эмоциональных реакций крайне важно с точки зрения маркетинга. Исследование Института профессиональной рекламы не так давно продемонстрировало, что эмоциональные рекламные кампании стабильно переигрывают рациональные по всем параметрам: росту продаж, доле рынка, эластичности цен, лояльности клиентов и охвату потребителей. Лучший пример, который я могу привести, – знаменитая «Горилла» в рекламном ролике Cadbury, взорвавшая в 2007 году Интернет, на одном YouTube с момента запуска зарегистрировано не менее шести миллионов просмотров.
Задание на утро следующего понедельника
1. Спросите своих клиентов, почему они решают что-то у вас купить. Для этого лучше всего сделать репрезентативную выборку клиентов и провести с ними достаточное количество времени. Их ответы быстро помогут вам сформировать список потенциальных потребностей, которые вы помогаете им удовлетворять. Чтобы расширить содержание списка, посмотрите, что говорят о вашем бренде люди в социальных сетях и на форумах. Если вы хотите получить более профессиональный результат, то наймите для организации таких бесед специальное агентство. Вы даже можете привлечь нейробиологов, чтобы те, выяснив, что творится в головах людей, направили ваши рекламные кампании в нужное русло. (Последние две рекомендации хорошие, но не обязательные.)
2. Как только у вас окажется список потенциальных потребностей, определите, какие из них будут считаться наиболее важными с точки зрения ваших клиентов. Вам потребуется провести количественное исследование, и поверьте, в наши дни это вас не разорит – существует немало исследовательских компаний, способных сделать его в Сети быстро и недорого. С помощью количественного анализа вы можете также выявить группы (или кластеры) клиентов, ищущих особенные продукты и услуги, что позволит вам создать такие рекламные сообщения, которые будут учитывать потребности отдельных групп.
3. Когда вы поймете, чего хотят ваши клиенты, то не забывайте об этом при разработке новых продуктов или услуг. В сущности, все, что вы делаете – начиная от дизайна вебсайта и заканчивая способами маркетинговой коммуникации, – должно отражать тот факт, что вы понимаете, о чем вам говорят клиенты.
Глава 4
Поиск – как находить своих клиентов?
Поделиться книгой: