Внедрение информации о продукте в маркетинг

Почти два года назад я писал, что продуктовым и маркетинговым командам необходимо активизировать сотрудничество в области цифровой аналитики. До прихода в Amplitude я видел много случаев, когда организации работали изолированно для цифровой аналитики. Команды по продукту и маркетингу использовали разные показатели успеха или даже разные аналитические продукты. В Amplitude у нас было видение, что маркетинг и продуктовая аналитика сойдутся воедино, и два года спустя мы видим доказательства того, что наше видение было правильным.

В Amplitude считали, что командам по продуктам и маркетингу следует расширять сотрудничество в области аналитики, потому что мы увидели возможности для обеих команд получать выгоду друг от друга. В этом посте я расскажу о некоторых преимуществах, которые клиенты Amplitude видят благодаря нашему сочетанию продуктовой и маркетинговой аналитики. В частности, мы расскажем, как маркетологи могут использовать информацию о продуктах для улучшения своих маркетинговых кампаний с помощью данных аналитики продуктов.

Понимание нисходящего преобразования

Как маркетолог, я знаю, насколько трудной может быть демонстрация ценности маркетинга. Маркетологи прилагают все усилия, чтобы найти новые и творческие способы привлечения новых клиентов для покупки продуктов (B2C), просмотра контента (медиа) или преобразования в потенциальных клиентов (B2B). Многие показатели, которые маркетологи используют для обоснования своих усилий, являются краткосрочными. Подсчет уникальных посетителей, возвратов, заказов и потенциальных клиентов часто лишь поверхностно отражает то, что необходимо.

Например, предположим, что вы работаете в компании, занимающейся разработкой программного обеспечения для B2B, и у вас есть кампании, в которых подчеркивается, какие функции делают ваш продукт лучше, чем у конкурентов. Ваша маркетинговая кампания может включать платные поисковые объявления, медийные объявления и видеообъявления, чтобы побудить пользователей принять участие в бесплатной пробной версии вашего программного продукта. Вы можете использовать функции маркетинговой аналитики, чтобы увидеть, какие части вашей маркетинговой кампании привлекают больше всего пользователей к вашим цифровым ресурсам. Внекоторойстепени (из-за недостатков мультисенсорной атрибуции) вы также можете увидеть, какие элементы кампании приводят к заполнению лид-форм пользователями. Но давайте предположим, что пользователям потребуется несколько недель или месяцев, чтобы воспользоваться бесплатной пробной версией вашего программного обеспечения и в конечном итоге купить его.

В этом сценарии данные маркетинговой аналитики могут основывать свои выводы только на данных до того момента, пока пользователь не заполнит лид-форму. После этого команда разработчиков собирает данные об использовании бесплатных пробных версий продуктов с помощью функций продуктовой аналитики. Если данные об использовании продукта изолированы от данных маркетинговой аналитики в том же или другом аналитическом продукте, невозможно связать использование продукта с маркетинговой кампанией. Но если аналитические данные связаны, в идеале в одном и том же аналитическом продукте, можно объединить данные об использовании бесплатной пробной версии с маркетинговой кампанией, которая привела к бесплатной пробной версии.

Первый способ, с помощью которого информация о продукте может помочь улучшить маркетинговые кампании, — это отчеты об истинном успехе на последующих этапах. Предположим, данные о продукте могут показать, какие потенциальные клиенты приобрели продукт после бесплатной пробной версии. В этом случае данные продуктовой аналитики могут показать маркетинговой команде, какие кампании привели к дальнейшему успеху, часто связанному с доходом. Вместо того, чтобы основывать решения будущих маркетинговых кампаний на количестве потенциальных клиентов или MQL, решения могут основываться на фактической конверсии. Эти данные могут помочь определить, какие маркетинговые кампании работают, а какие нет. Например, некоторые ключевые слова платного поиска могут приводить к большому количеству потенциальных клиентов, но приводить к очень малому количеству последующих конверсий.

И наоборот, могут быть некоторые маркетинговые кампании, которые не выглядят хорошо на основе количества потенциальных клиентов, но значительно конвертируют. Наличие последующих данных о конверсиях устраняет большую часть догадок и позволяет маркетинговым командам перенаправлять драгоценные рекламные бюджеты на кампании, приносящие доход. Конечно, это предполагает, что вы можете точно связать маркетинговую кампанию с лидом, что становится все труднее в сегодняшнем мире без файлов cookie и ориентированном на конфиденциальность! Но при условии, что вы сможете преодолеть это препятствие, использование данных продуктовой аналитики для просмотра последующих конверсий — это один из способов, с помощью которого продукт и маркетинг могут извлечь выгоду из сотрудничества.

Понимание использования функций продукта/приложения

Следующий способ, которым информация о продукте может помочь в маркетинговых кампаниях, — это использование цифровых функций продукта. Продуктовые команды тратят много времени на то, чтобы понять, как пользователи взаимодействуют с различными функциями продукта. В условиях B2B это может означать анализ используемых функций программного обеспечения. В настройке B2C это может означать анализ того, какие фильтры пользователи используют для фильтрации продуктов на веб-сайте электронной коммерции. Независимо от конкретных функций или бизнес-модели, понимание того, что представляет интерес для пользователей с точки зрения продукта, может быть полезным для маркетинговой команды. Давайте рассмотрим это на нескольких примерах.

Продолжая наш предыдущий пример программного обеспечения B2B, команда разработчиков имеет представление о функциях продукта, используемых во время бесплатных пробных версий. Он может работать с маркетингом, чтобы определить, отличается ли использование функций в бесплатной пробной версии в зависимости от маркетинговой кампании, в которой был привлечен пользователь. Если маркетологи узнают, что пользователи из кампании А, как правило, больше всего используют функции А, Б и С в бесплатной пробной версии, они могут использовать эту информацию в будущих маркетинговых кампаниях, чтобы выделить эти функции. Например, предположим, что пользователи, перешедшие с платного поискового запроса «инструменты управления базами данных», входят в бесплатную пробную версию и в основном используют функцию поиска продукта. Этот сценарий может предоставить возможность поделиться дополнительной информацией о функции поиска в будущих рекламных объявлениях. Возможно, под заголовком платного поискового объявления маркетинговая команда добавляет: «Попробуйте лучшую функцию поиска среди всех продуктов для управления базами данных!«Этот тип рекламы на основе данных может помочь повысить коэффициент конверсии и окупаемость рекламных расходов (ROAS).

В контексте B2C предположим, что интернет-магазин использует данные продуктовой аналитики, чтобы определить, что многие новые клиенты, приходящие в результате маркетинговых кампаний, используют функцию левого навигационного фильтра для сужения списка продуктов. В частности, пользователи часто используют фильтры размера и рейтинга, чтобы найти продукты. Эта информация сообщает ритейлеру, что те, кто плохо знаком с брендом, хотят иметь возможность быстро фильтровать его продукты по этим основным характеристикам. Затем вы можете поделиться этой информацией с маркетинговой командой и добавить ее в будущие маркетинговые кампании. Например, в новых кампаниях можно использовать такие фразы, как «Найдите лучшие продукты XYZ по размеру или рейтингу клиентов…». Или видеообъявления могут показать, насколько легко найти продукты с помощью определенных фильтров, которые обычно используют многие потенциальные клиенты. Это всего лишь несколько простых примеров использования информации об использовании функций из продуктовой аналитики для улучшения будущих маркетинговых кампаний.

Понимание отказа

Как маркетолог, часто бывает трудно отслеживать активность тех, кого вы привлекаете, помимо их первоначального взаимодействия. Например, маркетолог может знать, что он привел нового покупателя на веб-сайт розничной торговли, но что, если этот посетитель купит товар во время этого сеанса, а через тридцать дней купит гораздо больше? В зависимости от сложности отслеживания маркетинговой аналитики, доказательство того, что маркетинговая кампания привела к дальнейшим покупкам, может оказаться сложной задачей. В примере B2B маркетолог может знать, что он привлек нового пользователя к бесплатной пробной версии, но может не знать, что тот же пользователь отказался от бесплатной пробной версии через несколько дней.

Оба этих примера связаны с пониманием отказа от цифровых продуктов. Многие реализации продуктовой аналитики поощряют или заставляют пользователей создавать уникальный идентификатор (через аутентификацию), чтобы справиться с концепцией отказа. В B2C это может включать создание учетной записи на розничном веб-сайте. В B2B это может включать вход в систему для использования продукта. Затем вы можете совместить поведение пользователей на разных устройствах и сеансах, если у вас есть аутентифицированные учетные записи. Сшивание пользователей позволяет продуктовым командам и данным продуктовой аналитики просматривать, как часто каждый пользователь возвращается на веб-сайт или в приложение с течением времени.

В предыдущем примере B2C команда по продукту может видеть покупки, выходящие за рамки первоначальной покупки. Все покупки от одного и того же пользователя связаны с исходной маркетинговой кампанией, которая привлекла пользователя. Эта связь позволяет группе разработчиков продукта видеть пожизненную ценность пользователя и работать с маркетингом, чтобы назначать ее маркетинговым кампаниям. Пожизненная ценность, в свою очередь, помогает маркетологам определить более точное представление о рентабельности рекламных расходов. Команда продукта также может работать с маркетологами, чтобы определить, какие известные клиенты не возвращались на веб-сайт за последниеxнедель. Маркетинг может использовать эту информацию для запуска кампаний ремаркетинга для повторного привлечения клиентов, которые ушли в спячку.

В предыдущем примере B2B команда разработчиков может определить, какие пользователи бесплатной пробной версии перестали пользоваться бесплатной пробной версией. Вы можете использовать когорты бездействующих пользователей бесплатной пробной версии, чтобы напомнить пользователям, что у них есть ограниченное время для изучения продукта, пока не стало слишком поздно. Или отдел маркетинга может работать с командой продукта, чтобы разделить пользователей бесплатной пробной версии на когорты в зависимости от того, какие шаги бесплатной пробной версии они уже сделали и не предприняли. Этот тип когорты может предоставить маркетингу возможность ориентироваться на конкретные варианты использования бесплатных трейлеров. Например, предположим, что пятьдесят пользователей бесплатной пробной версии запустили отчет, но никому его не отправили. В этом случае команда разработчиков может работать с маркетологами, чтобы отправлять персонализированные электронные письма тем пользователям, которые обучены тому, как сделать следующий шаг, и делиться отчетами с коллегами.

Еще одним преимуществом объединения маркетинговых и продуктовых групп и данных является просмотр долгосрочного использования продукта по маркетинговой кампании или каналу. Маркетологи хорошо видят, когда пользователи отказываются от их кампаний сразу или возвращаются в течение следующих 30 или 90 дней. Но по прошествии 90 дней большинство организаций полагаются на данные продуктовой аналитики для анализа удержания пользователей. Необходимость долгосрочного анализа удержания — вот почему инструменты продуктовой аналитики предлагают множество различных отчетов и визуализаций удержания пользователей, в то время как продукты маркетинговой аналитики предлагают очень мало.

После объединения данных маркетинга и аналитики продукта вы можете использовать стандартные отчеты об удержании аналитики продукта, чтобы просмотреть удержание пользователей по маркетинговым каналам или кампаниям:

Независимо от контекста, если команда разработчиков продукта поделится с маркетологами своими выводами об использовании и отказе от продукта, это принесет пользу обеим командам.

Понимание того, какие кампании привлекают правильных/неправильных пользователей

Хотя маркетологам хотелось бы думать, что они могут ориентироваться на определенную аудиторию пользователей с помощью своих маркетинговых кампаний, в действительности это трудно сделать. Вы можете размещать рекламу на популярном веб-сайте с более молодой аудиторией, чтобы ориентироваться на молодых людей. Вы можете использовать социальные сети, такие как Facebook и Instagram, для таргетинга рекламы с высокой степенью детализации. Но независимо от того, насколько хорошо вы фокусируете свои маркетинговые кампании на нужной аудитории, у вас будут люди, которые нажимают на ваши кампании, которые подходят для вашего продукта/услуги, и те, кто не подходит. Доказательством точности таргетинга является то, что пользователи выполняют действия, которые вы хотите, чтобы они выполняли после того, как вы их приобрели.

В то время как маркетологи отлично справляются с формированием когортпотенциальныхклиентов, продуктовые команды отлично справляются с формированием когортреальныхклиентов. Продуктовые группы используют функции продуктовой аналитики, чтобы определить, какие пользователи выполняют желаемые задачи или пути. Эти когорты могут быть простыми или сложными, в зависимости от ситуации. Например, группа разработчиков может определить, что ее идеальный профиль клиента (ICP) для службы потоковой передачи музыки — это пользователь, который слушает не менее пяти песен в неделю и составляет не менее одного плейлиста каждые три месяца.

Независимо от критериев, продуктовые команды могут использовать инструменты продуктовой аналитики для создания когорт своих идеальных пользователей и, наоборот, тех, кто неидеален. Вы можете использовать эти когорты, чтобы определить, какие маркетинговые кампании или каналы привлекают правильных и неправильных людей. Некоторые маркетинговые кампании могут привлечь много новых клиентов, но не тех клиентов, которые нужны. Давайте посмотрим на пример. Предположим, маркетинговая команда тратит деньги на платный поиск, SEO-ресурсы и несколько небольших сообществ/мероприятий. Когда посетители входят в воронку приобретения, вы фиксируете их источник в продукте цифровой аналитики, таком как Amplitude. После приобретения продуктовая команда создает когорты, которые определяют их «опытных» пользователей и тех, кто не является «опытными» пользователями. Затем команда по маркетингу и продукту просматривает каналы маркетингового привлечения по каждой из этих обратных когорт:

С этой точки зрения некоторые маркетинговые источники (SEO, форум Product Club и конференция Product World) могут привлечь больше опытных пользователей, чем неопытных. Некоторые из маркетинговых источников с наименьшей активностью, такие как форум Product Club Forum и Product World Conference, более чем вдвое превышают процент опытных пользователей. Несмотря на то, что объем этих двух источников ничтожно мал по сравнению с платным поиском, в относительном выражении они производят больше опытных пользователей. Что может произойти, если этим источникам будет уделяться больше внимания, чем платному поиску? Вложение большего количества средств в эти кампании может быть полезным экспериментом, чтобы увидеть, неправильно ли маркетинг распределяет свои бюджеты.

Как видите, преимущество соединения данных об использовании продукта и когорт с маркетинговой деятельностью заключается в том, что это может выявить возможности для улучшения. Комбинация маркетинговых данных и данных о продукте — это способ, с помощью которого команды разработчиков могут информировать и улучшать маркетинговые кампании. Но эти преимущества зависят от того, используют ли обе команды одну и ту же платформу цифровой аналитики или другой способ объединения пользовательских данных.

Краткое содержание

Традиционно маркетинговые и продуктовые команды работали изолированно друг от друга. Маркетинг отвечал за привлечение клиентов, а продуктовая команда привлекала и удерживала их. Но есть много способов, с помощью которых продуктовые команды могут сотрудничать с маркетинговыми командами и помогать им достигать своих целей с помощью продуктовой аналитики и данных. У продуктовых команд часто есть представление о долгосрочном поведении пользователей, чего нет у маркетинговых команд. Некоторые примеры этого включают:

• Понимание нисходящего преобразования
• Понимание использования функций продукта/приложения
• Понимание отказа
• Понимание того, какие кампании привлекают правильных/неправильных пользователей

Это всего лишь несколько примеров того, как информация о продуктах может помочь улучшить маркетинговые кампании и почему командам по маркетингу и продуктам следует расширять сотрудничество, связанное с цифровой аналитикой.