Как клиентские отзывы влияют на продажи, что такое управление репутацией бренда (SERM) и почему для повышения лояльности потребителей сегодня нужны технологии больших данных (Big Data) и машинного обучения (Machine Learning).
Что такое SERM и зачем это нужно вашему бизнесу
Привлекать новых и удерживать существующих клиентов помогает не только персонализированный маркетинг [1], о котором мы уже рассказывали здесь. Существенную роль в формировании лояльности потребителей играют отзывы реальных клиентов, размещенные в личных блогах, специализированных сайтах и, конечно же, социальных сетях. Таким сообщениям потенциальные потребители верят больше, чем рекламному описанию продукта или услуги [2]:
- 85 % потребителей ищут информацию об интересующих их брендах и компаниях в интернете;
- 92% потребителей читают отзывы о компании перед тем, как принять решение о покупке;
- 40% пользователей формируют свое мнение о компании на основании 1-3 отзывов;
- благодаря наличию «заказных» отзывов, потребители изучают несколько различных источников перед принятием окончательного решения;
- 44% пользователей больше доверяют отзывам, написанным не более 1-го месяца назад;
- 68% клиентов сообщают, что положительные отзывы повышают их лояльность к компании;
- всего 13% потребителей просматривают услуги компаний с низким рейтингом (1-2 звезды).
Высокий рейтинг ценится не только пользователями, но и поисковыми системами. Например, на основании оценок Google ранжирует заведения в локальном поиске и в сервисе Google Maps [2]. Считается, что 1 довольный клиент приводит 2 новых, а недовольный – уведет 10 потенциальных потребителей. Поэтому вам необходима непрерывная работа с клиентскими отзывами, чтобы привлечь новых покупателей и удержать существующих. Чем больше положительных рекомендаций, тем лучше. И, наоборот, обилие негативных отзывов отпугнет потенциальных клиентов. Таким образом, репутация вашего бренда в интернете – вполне измеряемое и монетизируемое понятие, которое непосредственно влияет на прибыль компании.
Для управления корпоративной репутацией американские маркетологи в начале 21 века предложили понятие SERM (от английского Search Engine Reputation Management) [3]. Эта маркетинговая технология направлена на создание положительного имиджа компании за счет влияния на поисковую выдачу [2]. SERM сочетает приемы PR, SMM и SEO. Продвигая на первые позиции поисковых систем позитивные или нейтральные отзывы, можно вытеснить нежелательный контент, который порочит репутацию вашей компании [2]. Таким образом, SERM – это отличный инструмент скрытого маркетинга, который приведет к вам новых клиентов и поможет повысить лояльность текущих потребителей.
Как работают SERM-системы и сервисы
SERM включает в себя целый комплекс работ [2]:
- отслеживание репутации в выдаче поисковых систем и в других важных для развития бизнеса площадок;
- анализ динамики изменения репутационного окружения бренда;
- оперативное реагирование на негативную информацию о бренде и продукте — от нивелирования до удаления (если отзывы ложные и порочат репутацию бренда) и вытеснения этих площадок за пределы 1 и 2 страниц поисковика;
- создание положительной репутации бренда/продукта за счет продвижения PR-материалов и официальных ответов на сообщения и вопросы пользователей;
- контроль репутационной выдачи и поддержание привлекательного имиджа, чтобы потенциальные клиенты, сотрудники и инвесторы находили в сети только положительную или нейтральную информацию.
Автоматизированный сбор данных об упоминании компании и их первичный анализ (определение тональности – позитивной, негативной или нейтральной) выполняется специализированными SERM-системами. Сегодня существует множество подобных инструментов с разным набором функций и стоимостью: от бесплатных онлайн-сервисов до коммерческих решений. Они анализируют выдачу ключевых слов с названием бренда в поисковых системах, прайс-агрегаторах, тематических порталах, на сайтах с отзывами и рекомендациями, а также в социальных сетях и видеороликах [4]. Однако, эти системы не дают готового ответа на животрепещущие вопросы маркетолога или PR-специалиста «что делать» и «кто виноват». Поэтому, несмотря на автоматизированный сбор упоминаний о компании, стратегию повышения лояльности придется продумывать и осуществлять вручную. Или воспользоваться технологиями больших данных (Big Data) и машинного обучения (Machine Learning), как это сделал Сбербанк [5].
Big Data и Machine Learning в SERM: кейс Сбербанка
Для выявления инцидентов в работе мобильного приложения Сбербанк Онлайн были проанализированы 882 864 пользовательских отзыва из магазина приложений Google Play, оставленных в период с октября 2014 г. по октябрь 2017 г. Чтобы определить темы инцидентов, были отфильтрованы негативные рекомендации (1-2 звезды), но для тренировки модели машинного обучения (Machine Learning) использовалась вся выборка. Для прогноза приемлемого уровня отрицательных отзывов на выбранную дату был выбран 3-месячный интервал до нее. Предсказание строили на неделю вперед от выбранной даты, с дискретизацией в одни сутки.
Аномалия фиксировалась при превышении фактического количества негативных отзывов выше доверительного уровня. За доверительный уровень принята сумма прогнозного значения и доверительного интервала. Ниже на графике красным цветом показано фактическое количество отзывов, а желтым – прогнозное значение нормального уровня с доверительным интервалом.
Дальнейший анализ производился по датам, на которые приходятся 5 явно выраженных пиков: 27.02.2017, 15.03.2017, 14.09.2017, 18.09.2017, 20.09.2017. Тексты отзывов от этих дат были кластеризованы по ключевым словам, описывающих суть проблемы, например, «соединение», «смс», «обновление» и т.д. По результатам кластеризации были выявлены следующие проблемы:
- проблема работы приложения, связанная с обновлением версии;
- проблема работы приложения, связанная с соединением с банком;
- проблема отправки пользователю смс с кодом;
- проблема с переводом денежных средств;
- проблема с интерфейсом;
- проблема с входом в приложение после обновления;
- проблема с входом в приложение и политикой конфиденциальности;
- проблема работы приложения, связанная со встроенным антивирусом.
Примечательно, что натренированная модель машинного обучения смогла выполнить не только постфактумный анализ, но и работала на опережение, т.е. предсказала увеличение проблем определенной категории в отдельные даты. В дальнейшем такая методика будет использоваться Сбербанком не только для предупреждения инцидентов, связанных с работой мобильного приложения, но и для других SERM-задач [5].
А как вы управляете репутацией своего бренда в интернете? Чтобы делать это еще эффективнее, используйте технологии больших данных (Big Data) и машинного обучения (Machine Learning). На наших практических курсах мы научим вас в совершенстве пользоваться этими инструментами. Благодаря нашей прикладной специфике обучения аналитиков, инженеров и администраторов, вы быстро освоите нужные методы и средства для автоматизации SERM-задач и повышения лояльности клиентов. Смотрите расписание занятий и успевайте записаться на нужную дату. Ждем вас в классе!
Источники
- https://bigdataschool.ru/blog/big-data-реклама-и-маркетинг.html
- https://www.marketing.spb.ru/lib-comm/internet/SERM.htm
- https://ru.wikipedia.org/wiki/Управление_репутацией
- https://1ps.ru/blog/dirs/2017/sistemyi-monitoringa-reputaczii-15-servisov-dlya-rabotyi-s-serm/
- https://m.habr.com/ru/company/sberbank/blog/416399/
