Предиктивная аналитика — это класс методов анализа данных, который концентрируется на прогнозировании будущего поведения объектов и субъектов. Ее цель — принимать оптимальные решения. Не пугайтесь, сейчас объясним.
В контексте интернет-маркетинга это означает, что вы строите прогноз на основе данных о пользователях: их перемещениях по сайту, действиях на сайте, активности.
А пример приведете? Конечно. Представьте, что маркетолог анализирует данные о пользовательской активности и замечает рост интереса к продукту у определенной аудитории. Это может выражаться:
- в увеличении числа поисковых запросов;
- в частых посещениях страницы товара;
- в добавлении товара в корзину без завершения покупки;
- в повышенном вовлечении в email-рассылки;
- в активности в приложении;
- в росте кликов по баннерам с этим товаром и пр.
Такие метрики говорят маркетологу о «прогреве» аудитории — о том, что с высокой долей вероятности в течение ближайшей недели выделенные пользователи совершат покупку.
После этого маркетолог принимает то самое оптимальное решение: показать аудитории рекламные объявления, которые еще больше повысят вероятность покупки. Например, предложат купить товар в течение семи дней, получить скидку или подарок.
Как результат: маркетолог повышает прибыль за счет продаж горячим клиентам и снижает расходы за счет экономии на привлечении холодных.
Собирать данные о пользователях могут разные инструменты:
- CRM-системы;
- аналитические системы вроде Яндекс Метрики (из нее выгружаются данные о сессионной активности пользователей сайта);
- рекламные системы;
- CDP (Customer Data Platform).
А обрабатывать эти данные могут ИИ-инструменты. При помощи методов машинного обучения и искусственного интеллекта куда проще:
- анализировать данные о посетителях сайта;
- выявлять всевозможные закономерности;
- делать прогноз будущих событий или тенденций.
Об этом и поговорим. Разберем ИИ-инструменты, которые помогают в предиктивной аналитике:
- DataGo
- Linkage
- In-DAP
- Loginom
- AICont
- StreamMyData
DataGo
DataGo— платформа data-driven маркетинга, закрывающая весь цикл работы с данными: от сборa «сырых» хитов и рекламных расходов до моделирования и визуализации в BI. Решения строятся вокруг собственных продуктов (Web Streaming, Cost Pipelines, Funnel-Based Attribution и др.) и консалтинговой экспертизы команды, что позволяет компаниям быстро получать корректные инсайты и управлять маркетингом на основе объективных данных.
Эффективность:
- 50+ компаний бесшовно мигрировали с Google-стека на альтернативные решения вместе с DataGo после ухода GA/BigQuery из России в 2022 году;
- кейс XCOM-SHOP показал, что связка доход/расход в performance-дашборде позволила перераспределить бюджет в пользу каналов с лучшим ROMI и снизить CAC в ключевых источниках.
Основные функции:
- Web Streaming: собирает все веб-события и сразу же стримит их в ClickHouse/Yandex CH без потери детализации.
- Data Modeling: превращает сырые логи в готовые для аналитики сессии, пользовательские сегменты и CRM-витрины.
- Интеграция с BI: визуализация результатов в Power BI, Tableau, DataLens, создание собственных дашбордов.
Стоимость: базовый модуль DataGo Web Streaming — от 50 000 рублей в месяц (цена на рынке SaaS-агрегаторов). Полная смета проекта рассчитывается индивидуально после пресейла.
Linkage
Linkage.ru — это BI-платформа с поддержкой хранилищ данных и машинного обучения. С ней можно централизовывать данные и строить прогнозные модели, тем самым повышать эффективность операций.
Эффективность. Во внедрении для контакт-центра зафиксировано+36% к продажам на одного оператора и −12% к оттоку персонала.
Основные функции:
- DWH: создание хранилищ для консолидации данных из разных источников.
- Прогнозные модели: предсказание оттока, оценки эффективности персонала, прогноза спроса.
- Интеграция с IT-системами: поддержка 1С, Naumen, amoCRM.
Стоимость: предоставляется по запросу.
In-DAP
In-DAP — это платформа для ситуационного анализа и управленческих решений с инструментами визуального моделирования и работы с KPI.
Когда используется. Инструмент используется для сложных кейсов анализа бизнес-процессов, например, оценки сценариев развития по ключевым показателям.
Основные функции:
- Models: разработка моделей на основе внутренних и внешних факторов.
- Indicators: сбор и мониторинг ключевых показателей.
- Prisma: визуализация и дашборды.
Стоимость: предоставляется по запросу
Loginom
Loginom — это low-code платформа для интеграции, очистки и анализа данных. Подходит для компаний без штатных Data Scientist.
Когда используется. Компании используют Loginom для визуального построения моделей, которые помогают находить закономерности и прогнозировать ключевые показатели бизнеса.
Основные функции:
- Интеграция данных: соединение с файлами, БД, API.
- Очистка данных: фильтрация, нормализация, дедупликация.
- Анализ данных: визуальное проектирование моделей.
Стоимость:
- сommunity: бесплатно;
- personal: 109 000 рублей;
- cloud: от 23 рублей в час.
AICont
AICont — это набор сервисов на базе ИИ для прогнозов поведения клиентов и финансовых показателей.
Когда используется. Клиенты используют AICont для персонализации коммуникаций на основе прогноза действий пользователя, что повышает удержание.
Основные функции:
- анализ клиентского поведения: оценка вероятности действия (например, повторной покупки);
- финансовая аналитика: прогнозы выручки, затрат и прибыли;
- визуализация данных: создание отчетов и дашбордов.
Стоимость: предоставляется по запросу.
StreamMyData
StreamMyData — это инструмент для изучения и прогнозирования поведения пользователей. Применяется в ecommerce и финтехе для увеличения конверсии.
Эффективность. Сайт litres.ru увеличил количество покупок на 33% после внедрения предиктивной модели поведения сервиса.
Основные функции:
- потоковая обработка данных: анализ действий пользователей в реальном времени;
- предиктивные модели: автообучающиеся алгоритмы поведения;
- интеграция с CRM и BI: передача прогнозов в рабочие системы;
- гибкая тарификация: оплата по факту использования.
Стоимость:
- базовый тариф: 50 000 рублей в месяц;
- продвинутый тариф: 75 000 рублей в месяц;
- premium: 120 000 рублей в месяц.
Как использовать полученные данные
Итак, с помощью инструментов вы спрогнозировали поведение пользователей — теперь вы знаете вероятность совершения целевого действия в ближайшем будущем. Следующее, что нужно делать — догонять аудиторию. В этом помогут:
1) Ремаркетинг на сегменты в рекламных системах (например, в Яндекс Директе). Предположим, предиктивная модель показывает, что пользователи, которые просматривали конкретную категорию товаров (например, смартфоны), но не добавили их в корзину, с вероятностью 65% могут вернуться и купить в течение пяти дней. Это хороший момент для запуска ремаркетинговой кампании. Настройте показ объявлений именно этому сегменту с креативом вроде: «Смартфон вашей мечты еще в наличии — получите скидку 10% сегодня». Что это даст. Такой подход помогает подогреть интерес и увеличить конверсию за счет персонализированного предложения.
2) Email- и SMS-рассылки. Иногда модель указывает на снижение вероятности покупки среди активных ранее клиентов. Например, система показывает, что покупатель не заходил в аккаунт 7–10 дней и вероятность его возвращения опускается ниже 40%. В этом случае можно использовать email- или SMS-рассылку, чтобы вернуть его внимание. Отправьте сообщение с акцией, ориентированной на возвращение: «Мы соскучились! Возвращайтесь — дарим бонус 300 рублей на заказ». Что это даст. Такие сообщения оживляют интерес и вовлекают в повторное взаимодействие.
3) CRM-маркетинг. Хороший способ применения данных — сегментация на основе истории покупок и поведенческих паттернов. Например, система показывает, что клиент регулярно покупает корм для питомца раз в 30 дней и подходит срок следующей покупки, вероятность заказа в ближайшие дни возрастает до 75–80%. В этом случае настройте автоматическую коммуникацию через push, email или мессенджер: «Настало время пополнить запасы? Специальное предложение только для вас — доставка за наш счет». Что это даст. Такой подход повышает повторные продажи и укрепляет лояльность.
4) Работа с сайтом. Инструменты предиктивной аналитики позволяют в реальном времени адаптировать сайт под пользователя. Например, создать такое правило, что:
- сегментам с высокой вероятностью покупки (70% и выше) будет показываться блок «Успейте купить — количество ограничено» или будут рекомендоваться сопутствующие товары;
- если вероятность средняя (40–60%), будет активироваться спецпредложение с ограничением по времени или будут показываться отзывы, усиливающие доверие;
- если вероятность низкая (<30%), фокус будет на сборе контактов для дальнейшей коммуникации: например, будет предлагаться скидка за email или показываться персональный подбор в обмен на подписку.
Подведем итог. Методы машинного обучения и искусственный интеллект дают бизнесу понять, с какой вероятностью тот или иной пользователь совершит конверсионное действие в течение заданного промежутка времени. Эту информацию стоит использовать во всевозможных каналах коммуникации. А как результат — повышать прибыль и снижать расходы:
Ведь так вы будете экономить на пользователях, которые не готовы совершать конверсию в ближайшее время.