Современный онлайн-маркетинг – крайне сложная и ресурсоемкая сфера, с которой человек без специальных инструментов уже не может работать эффективно.В настоящее время стремительно растет количество «касаний» и усложняется последовательность действий, которые необходимо совершить, чтобы привести клиента к покупке.В связи с этим у маркетологов появилась крайне важная задача построения персонального пути клиента к покупке, который учитывает последовательность и типы шагов рекламной кампании, необходимых для совершения сделки с клиентом.Постепенно, построение пути клиента переходит от ручного режима в автоматический. Однако текущие решения обладают следующими существенными проблемами и ограничениями: Анализ и построение пути клиента к покупке – по-прежнему задача маркетолога. Существующие системы могут рассказать, как те или иные группы клиентов прошли свой путь к покупке, однако, на текущем уровне развития, нельзя получить информацию о том, как оптимально использовать эти данные при дальнейшем выстраивании рекламных кампаний. Существующие инструменты для таргетирования рекламы несовершенны. Трафик может быть сгенерирован в любом количестве, однако он таргетирован только по полу, возрасту, географии и обобщенным интересам пользователей. Анализ таких рекламных кампаний показывает точность попадания в аудиторию на уровне порядка 45%. То есть остальные 55% получателей рекламы не являются целевой аудиторией. А это значит, что рекламодатель заплатил за показ рекламы нецелевой аудитории и, по сути, выбросил деньги в корзину. Платформы автоматизации маркетинга не решают задачи брендов и производителей, которые осуществляют продажи через разных ритейлеров в том числе оффлайн и не позволяют анализировать и выстраивать продажи с использованием оффлайн-каналов.В рамках программы СТАРТ-2, нам уже удалось создать систему, которая позволяет точно таргетировать рекламные предложения за счет анализа оффлайн-покупок совместно с прочими данными.В рамках СТАРТ-3 предлагается дополнить существующую систему следующим функционалом: Аналитика пути клиента к покупке Выявление аномалий в статистике продаж. Автоматизированное построение истории взаимодействия клиентов с рекламой по группам целевых клиентов Прогнозирование распределения бюджета между разными каналами и рекламными стратегиямиНаучная новизна подхода предлагаемого решения заключается в: Использовании данных оффлайн-покупок совместно с классическими данными (метаданные, социально-демографические данные, интересы, история взаимодействия с брендом, онлайн-покупки). Возможности автоматизированного построенияcustomerjorneymapдля будущих рекламных компаний.

Производитель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "ФЕРСТ ДАТА"

IT