О том, как и почему Сбербанк признал аналитику соцмедиа одной из самых перспективных технологий для маркетинговых исследований, беседуют Александр Кацуро, исполнительный директор Сбербанка по исследованиям, и Василий Черный, директор по маркетинговым коммуникациям Brand Analytics, пишет iteco.
Со Сбербанком Brand Analytics работает уже не первый год. В начале 2018-го аналитический центр выиграл очередной трехгодичный тендер, чтобы продолжить сотрудничество с уважаемым клиентом, который требует от партнера главного – развития.
Началось взаимодействие с автоматизации анализа репутации. Цели и задачи на старте ставились амбициозные: обеспечить контроль реалтайм 24/7 для более чем сотни пользователей, вести анализ российского и зарубежного инфополей, дашборды для руководства, мониторинг каналов и чатов в мессенджерах, аналитику геолокаций.
Со временем направления развития маркетинговых исследований для решения тактических и стратегических задач развития бизнеса сместились в сторону использования аналитики соцмедиа (SML – Social Media Listening).
Именно такие задачи в качестве приоритетных ставятся сегодня перед Управлением маркетинговых исследований Сбербанка, которым реализовано несколько десятков R&D проектов с целью выбора перспективных технологий исследований, призванных обеспечить необходимую скорость развития компании.
Во что же сегодня верят исследователи Сбербанка? В максимальную автоматизацию, Big Data, мобайл, естественность и social. И это всё – про аналитику соцмедиа. Ведь «естественность» в контексте безопросных исследований – один из главных трендов research-индустрии. Не надо задавать вопросов – надо слушать своего клиента там и тогда, где и когда он готов высказаться.
Из блиц-интервью исполнительного директора Сбербанка по исследованиям Александра Кацуро.
Прекрасно подобранное сочетание методов позволило почувствовать границы их возможностей и раскрыть сильные стороны. А планы в отношении технологии довольно простые: набирать в перспективе опыт проектов и развивать практику SMLin-house.
– В качестве преимуществ мы рассматриваем немодерируемость полученных данных как отсутствие влияния исследователя на корреспондента; доступность анализа ретроспективы и качественно-количественный характер данных.
По задачам для бизнеса, которые можно решать с помощью SML, понимание тоже есть. Сейчас нам кажутся интересными: возможности по оценке эффективности рекламы и здоровья бренда; сопровождение процесса управления клиентским опытом, включая customerjourney, мониторинг реакции на инциденты в обслуживании и работе сервисов; Insightresearch; U&A; Trend-watch.
Однако есть внутренние ограничения, преодолеть которые пока не представляется возможным: мы можем читать только то, про что люди захотели написать, а это неизбежное смещение в пользу «хайповых» тем и мнений «пишущего меньшинства». Вопрос правильной фильтрации текстов тоже открыт: даже удалив явно рекламные статьи, сложно учитывать реальную мотивацию авторов, по сути высказывающихся на публику. Но такова природа этого типа данных.
– Точно нужны понятные, детально разобранные кейсы и опытные люди на стороне подрядчика. Пока мы чаще слышим осторожное «можем попробовать…» вместо того, чтобы услышать оптимистично-уверенное: «Так надо делать, и это точно получится!».