Co w praktyce wnosi Big Data do Marketing Automation?

Wiele już zostało napisane na tematy takie jak Big Data, Machine Learning czy Data Science. Ale co tak naprawdę może nam, marketingowcom, dać to wszystko w praktyce?

Wzrost ilości danych oraz potrzeba ich efektywnego analizowania wymusiły pojawienie się zupełnie nowych technologii. W ciągu ostatnich lat, obraz rozwiązań IT zmienił się diametralnie. Gdy w 2009 roku budowaliśmy dla T-Mobile (wówczas jeszcze Ery) jedno z najbardziej zaawansowanych wówczas środowisk do zaawansowanej analityki, zupełnie nie do pomyślenia było, że wkrótce nasze najlepsze modele predykcyjne powstaną dzięki oprogramowaniu open source, a część danych będziemy trzymali nie w potężnym i bardzo drogim serwerze, ale w wielu tanich maszynach podobnych do naszych domowych PC zwanych w branży jako „community hardware”. Jeśli dodamy do tego fakt, że spodziewamy się, iż część maszyn w ramach takiego klastra (grupy maszyn) ma prawo nie działać, to otrzymamy podstawowe założenia technologii Big Data i jednocześnie obraz tego, jak wielka rewolucja odbyła się na naszych oczach.

Co to realnie dla nas oznacza?

Fakt, że dane znajdują się na kilku różnych maszynach oznacza, że możemy wykorzystać w naszych procesach automatyzacji więcej danych niż moglibyśmy zmieścić na jednej choćby najpotężniejszej maszynie. Im więcej maszyn wykorzystujemy do gromadzenia i analizy danych, tym większe prawdopodobieństwo, że któraś z nich ulegnie awarii. Dlatego kopie poszczególnych „fragmentów danych”, trzymane są zawsze na kilku różnych maszynach, co gwarantuje odporność na awarie. Takie rozwiązanie umożliwia również szybsze przetwarzania, gdyż wykorzystujemy moc obliczeniową wielu maszyn, które współpracują ze sobą, aby dostarczyć wynik w jak najkrótszym czasie.

Ten ostatni aspekt jest niezwykle ważny z punktu widzenia Marketing Automation, gdzie aktualność informacji i właściwy moment reakcji często decyduje o sukcesie. Daje nam możliwość podejmowania skutecznych akcji marketingowych niemal dokładnie w momencie zaistnienia zdarzenia, na które chcemy zareagować.  Wyobraźmy sobie sytuację, w której klient chce dokonać zakupu na naszej stronie internetowej, lecz zamiast sfinalizowania transakcji system wyświetla błąd i cała sesja „przepada”. Natychmiastowa reakcja konsultanta call center dysponującego wszystkimi informacjami o koszyku i drobny gest dobrej woli powinien załatwić sprawę rozczarowanego klienta. O wiele trudniej będzie konsultantowi, który zadzwoni po kilku godzinach lub następnego dnia i to bez znajomości szczegółów problematycznej transakcji. To tylko przykład, ale dobrze ilustruje różnicę, jaką oferuje technologia.

Dzięki zastosowaniu commodity hardware oraz darmowemu oprogramowaniu open source, wspomniane rozwiązania są nie tylko dużo wydajniejsze od tradycyjnych, ale również dużo od nich tańsze, przez co są dostępne dla organizacji dysponującymi mniejszymi budżetami lub też szukającymi oszczędności.

Aby jednak wykorzystać możliwości, jakie oferuje Big Data, musimy zbudować nowe kompetencje i często zmienić podejście do samych danych. Już stworzenie kompetencji Data Science jest wymagającym zadaniem, ponieważ doświadczonych ludzi o takim profilu wciąż brakuje. Większość osób, które piszą o sobie w CV „Data Scientist” jeszcze nimi nie jest, a złożoność rzeczywistych projektów z zakresu Big Data przerośnie ich, jeśli nie dostaną odpowiedniego wsparcia. I tu ważna jest wiedza, co należy zrobić, aby takiego wsparcia im udzielić i jak mitygować ryzyka w tym obszarze.

Kluczowe stają się kwestie związane z ochroną prywatności oraz legalnością wykorzystywania danych. Nowe regulacje są bardzo rygorystyczne, zatem dane są atutem, a zgoda klienta na ich wykorzystanie może być bezcenna. Cała organizacja musi myśleć w kategorii przewag, jakie dają dane. Ich gromadzenie ale nie wykorzystywanie oznacza zmarnowanie ich potencjału oraz wysiłku, jaki włożyliśmy w ich pozyskanie. Ostatnie wdrożenia pokazują, jak uniknąć typowych błędów na tym polu.

Upowszechnienie się technologii skupionych wokół wspomnianych projektów open source oznacza zarówno konieczność poznania tych technologii, jak również wyzwania związane ze zmianą modelu współpracy z tradycyjnymi dostawcami. Pamiętajmy, że oprogramowanie open source, mimo swojej dojrzałości oferowane jest bez gwarancji a firmy, które trudnią się zapewnieniem profesjonalnego wsparcia często borykają się nie tyle z błędami, co z trudnymi do rozwiązania problemami konfiguracyjnymi środowiska.

Zatem z jednej strony mamy potężne możliwości, darmowe oprogramowanie i tani sprzęt, a z drugiej musimy więcej zainwestować we własne kompetencje, aby to wszystko „ogarnąć”. Warto ponieść ten wysiłek, ale to proces wymagający wiedzy i odpowiedniego wsparcia ze strony managementu.

O definicji, trendach i zmianach, jakie niesie ze sobą marketing automation dla tworzenia i realizacji strategii marketingowej opowiadali eksperci podczas konferencji „IAB HowTo move from expectations to reality in Marketing Automation”, która odbyła się  27 lutego w Warszawie.

Autor: Bartosz Tertil, Chief Data Office w Deutsche Telekom AG, ekspert IAB Polska