ݺߣ

ݺߣShare a Scribd company logo

Владислав Флакс. Маркетинг-аналітика майбутнього: як приймати рішення на основі прогнозів

•Download as PPTX, PDF•
•
UAMASTER Digital Agency
UAMASTER Digital Agency

Маркетинг-аналітика майбутнього: як приймати рішення на основі прогнозів

1 of 26
Download to read offline
Как принимать решения на основе прогнозов
1. Объединяет данные из рекламных источников; 2. Автоматизирует отчеты для управления рекламными кампаниями; 3. Находит ценные инсайты для выполнения маркетинг-плана. — ваш персональный маркетинг-аналитик 20 K+ пользователей 18 стран 9 PB+ данных обрабатывается в месяц
● На маркетинг технологии в 2018 году потратили больше (29%, +7%), чем на сотрудников (24%, -3%)1 ● В случае невыполнения плана по росту большинство CEO в первую очередь уволят CMO2 ● 78% CMO повысили ROI маркетинга, используя маркетинг- аналитику при формировании стратегии3 Технологии и данные решают
ПОСТАНОВКА ЗАДАЧИ
Покажите, где не выполняется и где перевыполняется план? Выполним ли мы такими темпами план на год? Покажите зоны роста и риски на ближайшие неделю и месяц Как вы думаете, это мы не дорабатываем или рынок просел? Не хотим внедрять еще один сервис, хотим использовать привычные Google Sheets (Excel) и Tableau (MS Power BI, Google Data Studio) Ок, что вы хотите от маркетинг аналитика?
РЕЗУЛЬТАТЫ
Аппетит приходит во время атрибуции
Где наши зоны роста и риски Fact + Forecast - Plan Δ = —————————— Period Plan Факт Факт + Прогноз Прогноз
Зоны роста и риски
От прошлого к будущему
От прошлого к будущему This Year Fact — факт с начала года до текущего дня Last Month Fact — факт за прошедший месяц Last Week Fact — факт за прошедшую неделю This Week Forecast — прогноз на текущую неделю Next Week Forecast — прогноз на следующую неделю This Month Forecast — прогноз на текущий месяц Next Month Forecast — прогноз на следующий месяц (только Primary Dimension) This Year Forecast — прогноз до конца года (без сегментации по Dimensions)
Email уведомления
Владислав Флакс. Маркетинг-аналітика майбутнього: як приймати рішення на основі прогнозів
Владислав Флакс. Маркетинг-аналітика майбутнього: як приймати рішення на основі прогнозів
Владислав Флакс. Маркетинг-аналітика майбутнього: як приймати рішення на основі прогнозів
РЕАЛИЗАЦИЯ
Составьте список KPI, который будет отвечать на следующие вопросы: ● Кто и в каких командах будет использовать данные? Marketing, PPC, SEO, Commerce ● С какими количественными и качественными KPI они работают? Sessions, Transactions, Revenue, ROS, ROI, CPA ● В каком интерфейсе ЛПР удобнее всего работать с данными? Google Sheets, Excel, Tableau, MS Power BI, Google Data Studio ● По каким KPI есть цели? Как часто контролируется их выполнение? Подготовительные вопросы
Кто будет пользоваться данными
Технологии Machine Learning в Google Cloud Developer SQL Analyst Data Scientist Use cases and skills TensorFlow and CloudML Engine ● Build and deploy state-of-art custom models ● Requires deep understanding of ML and programming BigQuery ML ● Build and deploy custom models using SQL ● Requires only basic understanding of ML AutoML and CloudML APIs ● Build and deploy Google-provided models for standard use cases ● Requires almost no ML knowledge
Архитектура и схема движения данных
План факт прогноз в разрезах по периодам План Факт Прогноз
ВЫВОДЫ
Аппетит приходит во время атрибуции 1. Если вам говорят, «у нас есть маркетинг-план» — это в лучшем случае Excel, который раз в неделю обновляет аналитик; 2. Автоматизация прогнозирования не заменяет аналитика, а повышает его эффективность. Предусмотрите корректировки; 3. Качество прогнозов значительно повышается при использовании рыночных данных; 4. Необходимо отделить работы по расчету прогноза и работы по визуализации данных; 5. Необходимо 3 млн. сессий в месяц для качественных прогнозов.
Лучшее, что может сделать маркетинг-аналитик, это — найти зоны роста и риски для достижения целей маркетинга Для этого маркетинг-аналитик: 1. Объединяет данные из рекламных источников и CRM/ERP; 2. Настраивает модели атрибуции; 3. Автоматизирует отчеты по рекламным кампаниям; 4. Находит ценные инсайты в воронке продаж. Ценность маркетинг-аналитики
ПОЛЕЗНЫЕ МАТЕРИАЛЫ
Скачать презентацию www.owox.com/c/iforum2019 Полезные ссылки: ● Google Sheets ● Google Data Prep ● Google BigQuery DDL ● Google BigQuery ML ● Machine Learning with Apache Kafka and Tensorflow

More Related Content

Владислав Флакс. Маркетинг-аналітика майбутнього: як приймати рішення на основі прогнозів

  • 1. Как принимать решения на основе прогнозов
  • 2. 1. Объединяет данные из рекламных источников; 2. Автоматизирует отчеты для управления рекламными кампаниями; 3. Находит ценные инсайты для выполнения маркетинг-плана. — ваш персональный маркетинг-аналитик 20 K+ пользователей 18 стран 9 PB+ данных обрабатывается в месяц
  • 3. ● На маркетинг технологии в 2018 году потратили больше (29%, +7%), чем на сотрудников (24%, -3%)1 ● В случае невыполнения плана по росту большинство CEO в первую очередь уволят CMO2 ● 78% CMO повысили ROI маркетинга, используя маркетинг- аналитику при формировании стратегии3 Технологии и данные решают
  • 5. Покажите, где не выполняется и где перевыполняется план? Выполним ли мы такими темпами план на год? Покажите зоны роста и риски на ближайшие неделю и месяц Как вы думаете, это мы не дорабатываем или рынок просел? Не хотим внедрять еще один сервис, хотим использовать привычные Google Sheets (Excel) и Tableau (MS Power BI, Google Data Studio) Ок, что вы хотите от маркетинг аналитика?
  • 7. Аппетит приходит во время атрибуции
  • 8. Где наши зоны роста и риски Fact + Forecast - Plan Δ = —————————— Period Plan Факт Факт + Прогноз Прогноз
  • 10. От прошлого к будущему
  • 11. От прошлого к будущему This Year Fact — факт с начала года до текущего дня Last Month Fact — факт за прошедший месяц Last Week Fact — факт за прошедшую неделю This Week Forecast — прогноз на текущую неделю Next Week Forecast — прогноз на следующую неделю This Month Forecast — прогноз на текущий месяц Next Month Forecast — прогноз на следующий месяц (только Primary Dimension) This Year Forecast — прогноз до конца года (без сегментации по Dimensions)
  • 17. Составьте список KPI, который будет отвечать на следующие вопросы: ● Кто и в каких командах будет использовать данные? Marketing, PPC, SEO, Commerce ● С какими количественными и качественными KPI они работают? Sessions, Transactions, Revenue, ROS, ROI, CPA ● В каком интерфейсе ЛПР удобнее всего работать с данными? Google Sheets, Excel, Tableau, MS Power BI, Google Data Studio ● По каким KPI есть цели? Как часто контролируется их выполнение? Подготовительные вопросы
  • 19. Технологии Machine Learning в Google Cloud Developer SQL Analyst Data Scientist Use cases and skills TensorFlow and CloudML Engine ● Build and deploy state-of-art custom models ● Requires deep understanding of ML and programming BigQuery ML ● Build and deploy custom models using SQL ● Requires only basic understanding of ML AutoML and CloudML APIs ● Build and deploy Google-provided models for standard use cases ● Requires almost no ML knowledge
  • 20. Архитектура и схема движения данных
  • 21. План факт прогноз в разрезах по периодам План Факт Прогноз
  • 23. Аппетит приходит во время атрибуции 1. Если вам говорят, «у нас есть маркетинг-план» — это в лучшем случае Excel, который раз в неделю обновляет аналитик; 2. Автоматизация прогнозирования не заменяет аналитика, а повышает его эффективность. Предусмотрите корректировки; 3. Качество прогнозов значительно повышается при использовании рыночных данных; 4. Необходимо отделить работы по расчету прогноза и работы по визуализации данных; 5. Необходимо 3 млн. сессий в месяц для качественных прогнозов.
  • 24. Лучшее, что может сделать маркетинг-аналитик, это — найти зоны роста и риски для достижения целей маркетинга Для этого маркетинг-аналитик: 1. Объединяет данные из рекламных источников и CRM/ERP; 2. Настраивает модели атрибуции; 3. Автоматизирует отчеты по рекламным кампаниям; 4. Находит ценные инсайты в воронке продаж. Ценность маркетинг-аналитики
  • 26. Скачать презентацию www.owox.com/c/iforum2019 Полезные ссылки: ● Google Sheets ● Google Data Prep ● Google BigQuery DDL ● Google BigQuery ML ● Machine Learning with Apache Kafka and Tensorflow