Smalldata vs Bigdata: дві сторони однієї медалі

Small data або малі дані – це інформація про одну людину. Ця інформація детальна і заснована більше на інтуїції. На противагу великим даним, small data збираються в звичних для цільової аудиторії умовах, наприклад, вдома в будній день. Small data – це, по суті, уважне спостереження і використання інтуїції при вивченні інтересів споживачів.

Клієнтські потреби знаходяться в одній площині з Big data. Але без малих даних неможливо використовувати силу Big data на повну потужність. З іншого боку, спиратися тільки на малі дані при вивченні ЦА було б занадто легковажно. Сила малих даних в грамотному поєднанні двох підходів: small data і big data. Вони, як гравці однієї команди, кращий результат приносять разом, а не окремо. Давайте розбиратися, як грамотно використовувати переваги двох підходів.

Приклад: страхова компанія Blue Cross
Уявіть, що всі наявні в розпорядженні дані – це спортивні коментатори. При цьому великі дані є коментаторами play-by-play, які дають загальну інформацію, об’єктивний опис ситуації – що, де, коли; малі дані – це color commentary – додаткові, більш змістовні і точкові факти. Color commentary (додатковий коментар) сприяє глибшому розкриттю контексту.

Ця метафора з ігровим процесом добре розкриває суть великих і малих даних. Великі дані – це констатація фактів як вони є, малі дані показують «фішечки» процесу. Big data визначають кількісні дослідження, а small data – якісні. Саме тому використання тільки одного інструмента не дасть гідного вихлопу маркетингових досліджень.

Давайте подивимося, як працюють small data на прикладі страхової компанії Blue Cross (страхування життя і здоров’я). Blue Cross, як і багато інших страховиків здоров’я, стикається з проблемою реадмісії – незапланованих повторних госпіталізацій в лікарню після основного лікування в стаціонарі по страховці. Показники реадмісії використовують для оцінки якості стаціонарної допомоги.

Проблема реадмісії в тому, що в більшості випадків вона марна. Багато повторних повернень пацієнтів в клініку більш дорогі, ніж відновлення в домашніх умовах. Таким чином перед компанією стояло завдання зрозуміти, які реадмісії необхідні, а яких можна уникнути, щоб скоротити витрати. Скорочення реадмісії – одна з найважливіших статей політики страхової компанії.

Щоб зрозуміти, що змушує пацієнтів вдатися до повторної госпіталізації, співробітники вивчили великі обсяги даних. Blue Cross запустила алгоритми вивчення виставлених за послуги рахунків, лабораторних показань, виписаних ліків, росту, ваги пацієнтів і історії хвороб сім’ї (дані play-by-play). Компанія також вивчила рівень бідності в районі проживання кожного конкретного пацієнта. Всі дані за обсягом склали близько 5 обсягів Wikipedia.

Big data дозволила виявити пацієнтів з високим рівнем ризику. Щоб вирішити задачу – скоротити відсоток повернення пацієнтів – дані по високоризикових клієнтах відправили на вивчення тренерам по здоров’ю і правильному харчуванню. Вивчаючи узагальнений масив даних, фахівцям вдалося відповісти на більш точкові і конкретні запитання: що ускладнює відновлення пацієнта в домашніх умовах? Як особливості поведінки і звички пацієнта можуть допомогти йому в відновлювальний період? Як можна вплинути на поведінку пацієнта? Так був використаний підхід small data. Виходить, що small data заповнюють пробіли в Big data.

Завдяки small data 18 тис. клієнтам Blue Cross порекомендували особистих тренерів зі здоров’я, що скоротило реадмісію на 40-50%. Це хороший приклад того, як Big і Small Data працюють в зв’язці.

Приклад: Lego

Одна з найбільших проблем сьогодні – як проаналізувати весь масив великих даних. Ми знаємо, як зібрати дані, але ми не знаємо, що з ними робити. Мартін Ліндстром (Martin Lindstrom), автор книги «Small data: дрібниці, які приховують великі тренди» і розробник бренд-стратегії Lego в 2004, вважає, якщо ми говоримо про вивчення бажань наших клієнтів – ми говоримо про малі даних.

Всі ми любимо Lego, але компанія не завжди була такою потужною, як зараз. На початку 80-х Lego почала здавати позиції. Нові більш сучасні іграшки, включаючи Nintendo і відеоігри, відхопили серйозний шматок ринку. Час минав, і конкуренти пропонували більш успішні і складні ігри, Lego продовжувала відставати.

Якою була перша тактика бренду? Диверсифікація. Lego запустила тематичні парки, лінію одягу, фільми і навіть власні відеоігри. Особливого ​​прискорення така тактика не принесла, але Lego залишалася на плаву.

Після 1980-х з бурхливим розвитком інтернету, діджитал-тубільці (так Ліндстром називає тих, хто народився після 80-х) перебували в постійному пошуку розваг, і тоді бренди розгорнули кампанії із захоплення їхньої уваги. Lego провела ряд досліджень, і виявилося, що мілленіалів чекає творча криза. Кожне дослідження говорило, що нові покоління не готові до викликів. Вони не будуть морочитися над тим, що не приносить миттєвого результату і миттєвого задоволення. Що залишалося Lego? Менше деталей в конструкторах, а самі деталі великих розмірів. Вони збільшили деталі конструкторів, їх продажу продовжували падати. Тоді в компанію запросили Мартіна Ліндстрома з його філософією малих даних.

Під час одного зі своїх маркетингових досліджень Мартін Ліндстром з командою відвідали будинок німецького школяра. Виявилося, що він був майже професійним скейтбордистом. Його попросили назвати найціннішу річ в кімнаті і хлопець вказав на пару зношених кросівок. Виявилося, що багатогодинні тренування на скейті зробили взуття ідеальним для катання. Вони були старими і потертими, нічого особливого. Але завдяки кросівкам, в яких він довгими годинами відпрацьовував вправи на скейті, хлопчик став одним з кращих скейтерів.

Цей випадок довів, що мілленіали і молодше покоління не були одержимі бажанням миттєвого результату, як на це вказували big data. Історія з хлопчиком показала, що його взуття – свого роду символ поваги до справи, якою він займається.

Lego не просто повернулися до того, що зробило їх великими. Завдяки невеликій експерименту, який провів Ліндстром, стало ясно, як розкрутити раніше популярні конструктори. Деталі конструктора стали не просто меншими, конструктори стали більш заплутаними і складними. Це був певний виклик. Сьогодні продажі Lego перевищують продажу найбільшого в світі виробника іграшок, що випускає знамениту ляльку Барбі – Mattel.

Приклад: робот-пилосос Roomba

Використання small data спрацювало не тільки з іграшками. Ліндстром використовував цю ідею при роботі з іншими продуктами: від робота-пилососа Roomba до магнітів на холодильник. Це стало можливим завдяки тому, що small data допомагають знаходити невеликі, на перший погляд незначні особливості продукту і перетворювати їх в основні переваги бренду.

Ліндстром любить цитату «Якщо хочеш подивитися, як по-справжньому живуть тварини, не йди в зоопарк, спустися в джунглі». Він називає цей процес «баченням підтексту» – детальний процес збору інформації онлайн та офлайн, спостереження за реакцією споживачів на продукт аж до того, щоб напроситися до клієнта в гості і подивитися, як він використовує продукт.

Дуже часто споживач абсолютно під іншим кутом розкриває суть продукту, розпізнає інші його сильні сторони – то, що представники бренду могли пропустити або порахувати неважливим. Завдяки цьому з’являється можливість побудувати новий імідж бренду або навіть створити абсолютно новий бренд.

Ліндстром вважає, що люди не хочуть бути асоційовані тільки з тим, що вони роблять. Ми багато часу проводимо на роботі, але не дивлячись на це робота – не все наше життя. У кожного з нас є хобі і захоплення. Розуміння цього Ліндстром називає «дивитися крізь рамки». Кожен намагається самовиразитися – через хобі і захоплення, тому ми не можемо асоціювати себе тільки зі справою, якою займаємося. І брендам це на руку, адже те, що купують клієнти – це їх самовираження, їх вибір – це самовираження. Так, вивчаючи споживчі інтереси, виробники Roomba пішли далі і створили не просто машину для прибирання, а інтерактивну веселу іграшку з функцією чищення поверхонь. І згадайте, скільки було роликів на youtube, де домашні тварини власників роботів-пилососів каталися на цих чудо-машинах.

Вивчення невеликих масивів даних – small data – здається незначним і марним заняттям, але не варто забувати, що маленьке – це частина великого. Звичайно, дуже важко стежити точково за реакцією кожного споживача свого бренду, але це дуже корисно.