Экосистема Сбербанка – драйвер инноваций во многих сферах бизнеса. Так, одним из первых на финансовом рынке Сбербанк поверил в использование аналитики соцмедиа для решения задач классического research’a. В наших предыдущих статьях мы рассказывали о том, как банк внедрял аналитику соцмедиа в маркетинговые исследования. В этой публикации мы более подробно остановимся на практике применения Social Media Listening (SML) в работе управления маркетинговых данных и аналитики Сбербанка, а еще – немного заглянем в будущее и поговорим об ожиданиях исследователей от развития наших технологий. Смотрите видео выступления директора управления Александра Кацуро или читайте краткий текстовый вариант его доклада.
Итак, как рассказал Александр, управление маркетинговых данных и аналитики Сбербанка два года внимательно изучало возможности Social Media Listening, постепенно внедряя их в свои процессы. В какие же возможности аналитики соцмедиа для исследований верит Сбербанк?
Главное, что дает исследователю Social Media Listening — уход от неестественной ситуации «прямого» опроса. Возможность больше слушать, наблюдать и меньше спрашивать. Следующее важное преимущество, отмеченное Александром Кацуро — «в соцмедиа уже есть все». Если вы запустили опрос, не включив в анкету тот или иной вопрос, то традиционными research-методами ответ на него вы быстро не получите. А в соцмедиа данные уже «собраны», и, скорее всего, в них есть ответы и новые вопросы.
SML также применяется Сбербанком в рамках U&A (изучение предпочтений и привычек, сегментация потребителей) – первым «разведывательным» этапом исследования. На базе полученных из соцмедиа данных строятся гипотезы и разрабатываются анкеты для опросного исследования. Оптимизированные вопросы помогают значительно сократить время заполнения анкеты (с 40 до 10 минут), а также удешевить и ускорить весь процесс.
Каковы сильные стороны SML для исследований в видении Сбербанка:
— спонтанность;
— «там уже есть все»;
— непрерывность;
— доступность ретро-данных;
— качественно-количественный характер.
Какие задачи решает сегодня Сбербанк с применением SML? Какие перспективы развития инструмента в рамках этих задач видит?
1. BHT (Brand Health Tracking, трекинг здоровья бренда)
Инструмент Brand Health Tracking применяется для непрерывного измерения отношения потребителей к бренду. Это постоянный core-процесс для исследовательского подразделения внутри любой крупной компании. Аналитики Сбербанка используют данные SML для интерпретации «поведения» показателей треков, анализируя любую непонятную динамику.
Это сегодня. А от завтра Александр Кацуро ждет технологию, которая сможет сама адекватно оценивать эффект от того или иного события. И следующий шаг – переход от трудозатратной «ручной» аналитики к работе «умного» алгоритма, который будет генерировать решения по управлению брендом. Например, инициировать определенные активности в соцсетях или помогать создавать рекламу с правильным key message.
2. NPS/CSI (индексы потребительской лояльности и удовлетворенности)
SML применяется в Сбербанке для интерпретации динамики KPI, выявления резонансных событий, влияющих на удовлетворенность клиентов. Также на данных из соцмеда проводится анализ «развернутого голоса клиента» – выявление конкретики по проблемам пользователей.
Использование SML для анализа клиентского опыта помогает разгрузить опросный инструментарий и дает прекрасную возможность оценить реакцию людей на то или иное событие без долгого мучительного опроса. Из анкет изъяты все возможные поясняющие показатели, данные по которым теперь получают из соцмедиа. Также интерпретация показателей по клиентскому опыту с помощью SML позволяет серьезно экономить затраты на количественные опросы.
И, конечно, у Сбербанка и здесь есть ожидания по развитию инструментария. Александр Кацуро считает, что в ближайшем будущем можно будет просто перестать задавать некоторые вопросы в рамках опросов. А предсказывать уровень NPS будет модель, способная автоматически анализировать и интерпретировать данные соцмедиа.
3. Исследования ad hoc
При проведении ad hoc исследований SML помогает выявлять потребности людей и анализировать пользовательские паттерны. А также – сегментировать потребителей, анализировать эффективность digital-площадок, проводить конкурентный анализ и многое другое.
4. Trendwatch
В Сбербанке очень верят в потенциал SML для выявления формирующихся и анализа развивающихся трендов: поведенческих, коммуникационных и других. Бизнес Сбербанка охватывает много очень разных рынков от медицины до образования. Эти рынки быстро развиваются, а отставать нельзя. Александр рассматривает инструмент SML как хорошую базу для выявления трендов.
5. Market Model Data
Еще один сценарий применения SML в исследовательской деятельности из ближайшего будущего. Александр Кацуро видит перспективу в использовании анализа соцмедиа для построения моделей более эффективного взаимодействия с рынком. Уже сейчас управление маркетинговых данных и аналитики Сбербанка использует данные из соцмедиа для калибровки продающих моделей. В этом Александр видит большую цель для всей отрасли.
