Про те, як і чому Сбербанк визнав аналітику соцмедіа однією з найбільш перспективних технологій для маркетингових досліджень, ведуть бесіду виконавчий директор Ощадбанку з досліджень та Василь Чорний, директор з маркетингових комунікацій Brand Analytics, пише iteco.
З Ощадбанком BrandAnalytics працює вже не перший рік. На початку 2018 го аналітичний центр виграв черговий трирічний тендер, щоб продовжити співпрацю з шановним клієнтом, який вимагає від партнера головного - розвитку.
Почалося взаємодія з автоматизації аналізу репутації. Цілі і завдання на старті ставилися амбітні: забезпечити контроль реалтайм 24/7 для більш ніж сотні користувачів, вести аналіз російського і зарубіжного інфополе, дашборда для керівництва, моніторинг каналів і чатів в месенджерах, аналітику геолокації.
Згодом напрямки розвитку маркетингових досліджень для вирішення тактичних і стратегічних завдань розвитку бізнесу змістилися в бік використання аналітики соцмедіа (SML - Social Media Listening).
Саме такі завдання як пріоритетні ставляться сьогодні перед Управлінням маркетингових досліджень Ощадбанку, яким реалізовано кілька десятків R & D проектів з метою вибору перспективних технологій досліджень, покликаних забезпечити необхідну швидкість розвитку компанії.
У що ж сьогодні вірять дослідники Ощадбанку? В максимальну автоматизацію, Big Data, мобайл, природність і social. І це все - про аналітику соцмедіа. Адже «природність» в контексті безопросних досліджень - один з головних трендів research-індустрії. Не треба ставити запитань - треба слухати свого клієнта там і тоді, де і коли він готовий висловитися.
З бліц-інтерв'ю виконавчого директора Ощадбанку з досліджень Олександра Кацура.
Прекрасно підібране поєднання методів дозволило відчути межі їх можливостей і розкрити сильні сторони. А плани щодо технології досить прості: набирати в перспективі досвід проектів та розвивати практику SML in-house.
- Які переваги ми розглядаємо немодеровані отриманих даних як відсутність впливу дослідника на кореспондента; доступність аналізу ретроспективи і якісно-кількісний характер даних.
За завданням для бізнесу, які можна вирішувати за допомогою SML, розуміння теж є. Зараз нам здаються цікавими: можливості по оцінці ефективності реклами і здоров'я бренду; супровід процесу управління клієнтським досвідом, включаючи customer journey, моніторинг реакції на інциденти в обслуговуванні і роботі сервісів; Insight research; U & A; Trend-watch.
Однак є внутрішні обмеження, подолати які поки не представляється можливим: ми можемо читати тільки те, про що люди захотіли написати, а це неминуче зміщення на користь «хайпових» тим і думок «пише меншини». Питання правильної фільтрації текстів теж відкритий: навіть видаливши явно рекламні статті, складно враховувати реальну мотивацію авторів, по суті висловлюються на публіку. Але така природа цього типу даних.
- Точно потрібні зрозумілі, детально розібрані кейси та досвідчені люди на стороні підрядника. Поки ми частіше чуємо обережне «можемо спробувати ...» замість того, щоб почути оптимістично-впевнене: «Так треба робити, і це точно вийде!».
