Как финтех-компании достигают высокой рентабельности инвестиций за счет использования данных

Надежная база интегрированных данных имеет решающее значение для повышения рентабельности инвестиций в маркетинговые инициативы в сфере финтех. Источник: Getty Images

Стивен Уильямс, генеральный директор компании Marketing Evolution, объясняет, почему унифицированные данные являются ключевым недостающим элементом для финтех-компаний, стремящихся масштабировать инициативы в области искусственного интеллекта и одновременно добиваться ощутимого повышения эффективности.

Уильямс работает на стыке двух основных факторов, трансформирующих сектор финансовых услуг: стремительного развития технологий искусственного интеллекта и растущей сложности маркетинговых стратегий, основанных на данных, в условиях регулируемой среды.

Пройдя путь от инженера до генерального директора Marketing Evolution, он использует свой профессиональный опыт в разработке современной маркетинговой инфраструктуры для того, чтобы помочь финтех-компаниям лучше понимать показатели эффективности в условиях все более фрагментированной отрасли.

По сути, «Marketing Evolution» специализируется на оказании помощи организациям в преобразовании необработанных маркетинговых данных в полезную аналитическую информацию. Разработанная компанией платформа Marketing Performance Substrate объединяет разрозненные источники данных в единую структуру для получения маркетинговых аналитических выводов. Она восполняет пробелы в данных, включает возможности причинно-следственного анализа и постоянно обновляет данные о результативности, создавая надежную систему учета, которую могут использовать как команды специалистов, так и системы искусственного интеллекта.

По мере того как модели искусственного интеллекта становятся все более стандартизированными, Уильямс утверждает, что истинным фактором, отличающим финтех-компании, является не сложность самих моделей, а мощность лежащей в их основе инфраструктуры данных. Это различие особенно важно в сфере финтех, где строгие требования к конфиденциальности, управлению и соблюдению нормативных требований налагают значительные ограничения на способы использования данных. Кроме того, путь клиента — от открытия счета до получения кредита — как правило, нелинеен и охватывает множество каналов, заинтересованных сторон и точек взаимодействия в течение длительного периода времени.

Стивен Уильямс, генеральный директор Marketing Evolution

Благодаря анонимизации данных и реконструкции путей взаимодействия с клиентами с помощью вероятностных методов компания Marketing Evolution позволяет финансовым учреждениям получить более четкое и соответствующее нормативным требованиям представление о том, как маркетинговые усилия влияют на бизнес-результаты, обеспечивая столь необходимую прозрачность в решении одной из самых сложных задач измерения эффективности в отрасли.

Здесь Уильямс объясняет, почему именно данные — а не модели ИИ — становятся ключевым фактором, определяющим успех инициатив в области искусственного интеллекта, и описывает, как финтех-компании могут преодолеть разрыв между стратегическими целями и их фактической реализацией.

Если прогресс в маркетинге опережает развитие инфраструктуры, какое влияние эти различия оказывают на директоров по маркетингу в секторе регулируемых финансовых услуг?

Начнем с рассмотрения более общих вызовов, с которыми сегодня сталкиваются организации: во всех отраслях и на всех должностях растет давление, требующее использования искусственного интеллекта для повышения эффективности работы, сокращения затрат и поиска новых источников ценности. Однако это давление особенно сильно сказывается на директорах по маркетингу (CMO), поскольку их обязанности со временем значительно изменились.

Сегодня директоры по маркетингу несут ответственность не только за управление брендом, но и за рост выручки и общие показатели деятельности компании. В то же время от них ожидают быстрого внедрения решений на основе искусственного интеллекта, демонстрации четкой окупаемости инвестиций и принятия решений в условиях все более фрагментированных систем и источников данных.

В сфере регулируемых финансовых услуг эта задача становится ещё более сложной из-за длительного клиентского пути, большого числа вовлечённых заинтересованных сторон, строгих требований к соблюдению нормативных требований и значительных ограничений в отношении данных.

Создание единой среды, точно отражающей бизнес-процессы, — это то, что в конечном итоге позволяет эффективно применять искусственный интеллект. Как только такая основа создана, организации могут накладывать модели от таких компаний, как OpenAI, Anthropic, Google и других, на эти консолидированные данные, чтобы извлекать ценность из существующих источников информации.

Я описываю это так: каждый бизнес — особенно в сфере финансовых услуг — обладает огромными объемами ценных данных. Но прежде чем эти данные смогут приносить пользу, их необходимо упорядочить, очистить, структурировать и поместить в контекст.

Еще одна проблема заключается в широко распространенном среди многих организаций убеждении, что больший риск заключается не в ошибках при внедрении ИИ, а в отставании от других в его внедрении. Такой менталитет создает огромное давление, заставляющее действовать быстро, даже если базовая инфраструктура данных еще не полностью сформирована.

Хотя искусственный интеллект и может принести некоторые первоначальные выгоды, организации будут сталкиваться со снижением эффективности, если у них отсутствует надлежащая инфраструктура для поддержки его использования.

Единая среда данных служит неотъемлемой основой для эффективного применения искусственного интеллекта. Источник: Getty Images

Во что обходится маркетологам в банковском и страховом секторах «промежуточный разрыв» в работе по атрибуции?

Связанные с этим затраты значительны, хотя их можно снизить. В конце концов, маркетологи оптимизируют только то, что могут измерить. В результате они часто вкладывают чрезмерные средства в области, атрибуцию которых невозможно правильно определить — в частности, в мероприятия по продвижению бренда на ранних этапах и маркетинговые усилия в верхней части воронки продаж, которые осуществляются задолго до того, как происходит какая-либо конверсия.

Эта проблема особенно остро стоит в сфере финансовых услуг, где конверсии часто обрабатываются посредниками, такими как брокеры, филиалы, консультанты, платформы или другие заинтересованные стороны на последующих этапах. Хотя маркетинг может стимулировать спрос, фактическая транзакция часто регистрируется в другом месте внутри системы.

Следовательно, при атрибуции заслуги обычно приписываются тем, кто находится ближе всего к сделке, а не тем, кто инициировал спрос. Это давняя проблема измерения эффективности, которая становится особенно острой в отраслях, где путь клиента более длинный, фрагментированный и распределен между множеством заинтересованных сторон.

«Сегодня директора по маркетингу (CMO) несут ответственность не только за бренд, но и за выручку и показатели эффективности», — Стивен Уильямс, генеральный директор Marketing Evolution

Чтобы решить эту проблему, необходимо интегрировать всю релевантную информацию в единый набор данных, точно отражающий бизнес-процессы. Как только эти пути клиента удастся реконструировать, маркетологи смогут начать понимать, как инвестиции в бренд, медийное присутствие и отношения с посредниками влияют на результаты конверсии на последующих этапах.

Например, мы сотрудничали с одной из крупнейших компаний по страхованию имущества в США. Эта компания вложила значительные средства в продвижение бренда на национальном уровне и добилась хороших результатов благодаря этим усилиям. Однако в прошлом ей было сложно установить связь между этими брендовыми инициативами и фактическими показателями на этапе заключения договоров страхования, где местные агенты также тратят маркетинговые ресурсы и, в конечном итоге, заключают сделки.

Взаимоотношения между агентствами и страховщиками имеют решающее значение, поскольку играют ключевую роль в процессе конверсии. Мы помогли этой компании выявить влияние её расходов на национальный бренд на эти последующие конверсии.

Теперь, когда компания инвестирует в такие инициативы, как спонсорство крупных спортивных мероприятий или общенациональные рекламные кампании, она может отслеживать, как эти инвестиции проходят через систему и способствуют измеримым конверсиям на уровне местных агентов — будь то в Мемфисе, штат Теннесси, или в любом другом месте по всей стране.

Почему искусственный интеллект, как правило, усиливает низкое качество данных, а не улучшает его в маркетинговых системах?

Эта проблема не ограничивается маркетинговыми стеками; искусственный интеллект усугубляет низкое качество данных во всех сферах.

Какими бы передовыми ни казались системы искусственного интеллекта, в конечном счете они полагаются на качество и структуру исходных данных для генерации точных аналитических выводов. А маркетинговые данные, в частности, зачастую отличаются очень низким качеством.

Одна из основных причин этого заключается в том, что маркетинговые данные поступают из множества различных источников. Единого источника маркетинговых данных не существует — они поступают с таких платформ, как Google Analytics, Meta, Nielsen, Lamar (наружная реклама) и от десятков других поставщиков. Все эти источники генерируют данные с различными форматами и характеристиками.

Кроме того, степень детализации и полнота этих данных значительно различаются. Их также необходимо интегрировать с собственными данными, которые опять же различаются для каждого рекламодателя — включая списки адресов электронной почты, записи о прямой почтовой рассылке, данные о конверсии, информацию о веб-трафике и многое другое.

В результате, рассматривая маркетинговые данные в целом, мы не видим единого целостного набора данных, готового к использованию. Вместо этого существуют многочисленные фрагментированные наборы данных, которые зачастую являются неполными и скудными в определенных областях. Некоторые из этих наборов данных охватывают национальный уровень, другие — регионы по почтовым индексам, а третьи — зоны DMA.

Исторически сложилось так, что это вынуждало инженеров по данным тратить значительное время на создание пользовательских систем, написание запросов или создание скриптов на Python для обработки данных на разовой основе с целью проведения конкретных анализов.

Однако если эти данные можно структурировать единообразно, устранив несоответствия в уровне детализации, и интегрировать между изолированными системами, ситуация кардинально меняется.

Мы можем устранить эти структурные барьеры, объединить разрозненные источники данных в рамках единой платформы и представить информацию из таких каналов, как Amazon Ads, наряду с данными Google, Meta, CTV, линейного телевидения и наружной рекламы — и все это с использованием единых форматов и структур. Это позволяет проводить содержательные сравнения, а не сравнивать яблоки с апельсинами или яблоки с арбузами.

Хотя у организаций уже есть системы учета данных о клиентах в платформах управления клиентскими данными (CDP), контента — в системах управления цифровыми активами (DAM), а также проведения кампаний — в платформах маркетинговой деятельности (MAP), нет аналогичной системы для отслеживания эффективности маркетинга. Именно эту проблему и стремится решить Marketing Evolution.

Данные существуют, инструменты доступны, возможности для анализа присутствуют, а искусственный интеллект может предоставлять точные выводы о динамике рынка и бизнес-операциях — вместо того, чтобы усиливать вводящие в заблуждение сигналы.

В конечном счёте мы должны придерживаться подхода, ориентированного на данные, при разработке моделей, проведении анализа и использовании искусственного интеллекта. Модели будут продолжать быстро развиваться, часто меняясь со временем.

По сути, это проблема, связанная с инфраструктурой данных, а не с проектированием моделей. Все сводится к созданию правильной инфраструктуры данных, заполнению этой инфраструктуры соответствующими данными и их контекстуализации в соответствии с тем, как работает бизнес.

Если уровень данных не будет реализован должным образом, директора по маркетингу (CMO) будут вынуждены годами работать с неточными аналитическими выводами, а финансовые директора (CFO) — сталкиваться с непонятными моделями расходов. Крайне важно как можно быстрее наладить работу этого уровня данных.

Стивен Уильямс, генеральный директор Marketing Evolution

71 % руководителей считают, что их компании готовы к внедрению ИИ, но на самом деле готовы лишь 37 % — в чём же заключается этот разрыв в готовности?

Я полагаю, что многие руководители компаний — в том числе и я сам когда-то — руководствуются простым критерием: если в организации используются инструменты искусственного интеллекта, то её следует считать готовой к внедрению ИИ. Однако на деле это редко бывает так.

Когда мы анализируем реальные условия, необходимые для успешного внедрения искусственного интеллекта или роботов-агентов — такие как структура данных, их чистота, интеграция, доступность и управление — это предположение быстро рушится.

Мы провели исследование, чтобы лучше понять этот разрыв, опросив руководителей высшего звена в сфере маркетинга — включая директоров по маркетингу (CMO), вице-президентов, директоров и старших менеджеров — и обнаружили, что 71 % из них считают себя готовыми к внедрению ИИ.

Однако когда мы оценили, действительно ли соблюдены базовые требования к данным, необходимые для подлинной готовности к внедрению ИИ, только 37 % соответствовали этим стандартам.

Это свидетельствует о существенном разрыве. Еще более поразительным является тот факт, что лишь 3 % опрошенных руководителей сообщили о стабильном улучшении показателей искусственного интеллекта.

На самом деле многие организации очень быстро сталкиваются с пределом своих возможностей в области искусственного интеллекта из-за отсутствия прочной базы данных. Когда системы искусственного интеллекта вынуждены согласовывать фрагментированные системы, разрозненные источники данных и несогласованные структуры, сложность задачи резко возрастает, что приводит к более слабым результатам, неверным выводам и более частым ошибкам.

Организации, отвечающие базовым требованиям к данным для готовности к внедрению ИИ, достигают примерно в два раза более высоких результатов по сравнению с теми, у кого такая основа отсутствует. Крайне важно правильно организовать уровень данных, чтобы извлечь реальную ценность из искусственного интеллекта — особенно в условиях, когда эти технологии становятся все дороже, а организации больше не могут позволить себе бесконечно экспериментировать с минимальными затратами.

Ключевые цифры из отчета «Эволюция маркетинга»

• 71 % руководителей высшего звена в сфере маркетинга считают, что их компании готовы к внедрению ИИ
• Лишь 37 % руководителей маркетинговых подразделений соответствуют базовым требованиям к данным, необходимым для готовности к внедрению ИИ
• Лишь 3% руководителей маркетинговых подразделений отмечают стабильное повышение эффективности благодаря ИИ

Как маркетинговая платформа решает задачи унификации данных для искусственного интеллекта?

Платформа для оценки эффективности маркетинга — или система учета, специально разработанная для отслеживания маркетинговых показателей — решает эту проблему благодаря своей встроенной интеллектуальной природе. Она может восстанавливать отсутствующие данные, синтетически восполнять пробелы в наблюдениях и реконструировать потребительские пути, что было бы невозможно, если бы данные оставались в статичных хранилищах или «озерах» данных. Таким образом, она извлекает значимые аналитические выводы из данных до того, как они поступают в более сложные последующие модели.

Еще до этого этапа данные приводятся в соответствие с бизнес-онтологией, отражающей структуру организации. Они сопоставляются с соответствующими схемами, таксономиями и бизнес-контекстами, что гарантирует соответствие конвенций именования тому, как компания внутренне обозначает свои креативные ресурсы, медиаканалы, кампании и клиентов. Такая согласованность поддерживается во всех базовых наборах данных.

Объединяя как структуру данных, так и путь потребителя, мы открываем множество новых возможностей для применения искусственного интеллекта в таких областях, как поиск, анализ и принятие решений.

И это не преувеличение — как только искусственный интеллект начинает работать на основе по-настоящему унифицированного и контекстуализированного понимания бизнес-процессов, его потенциал становится практически безграничным.

Организации, обладающие базой данных, готовой к использованию ИИ, достигают результатов в области искусственного интеллекта, которые в два раза превосходят обычные показатели. Источник: Getty Images

Какой совет вы бы дали организациям, переходящим от ретроспективной аналитики к перспективному проактивному анализу?

Это действительно сложный переход, требующий значительного изменения точки зрения. До недавнего времени оценка маркетинговой эффективности носила ретроспективный характер: кампании проводились, ожидались результаты, а затем проводился их анализ. Но теперь у нас есть данные и инструменты, необходимые для моделирования потенциальных результатов до того, как будут предприняты какие-либо действия.

Это полностью меняет роль маркетинговой аналитики. Вместо того чтобы просто измерять результаты после их появления, организации могут заранее моделировать вероятные исходы, используя данные за предыдущие месяцы, кварталы или годы для прогнозирования того, что может произойти в будущем. Это позволяет маркетологам снижать риски, принимать более быстрые и обоснованные решения, а также подкреплять эти решения доказательствами, основанными на данных.

«Каким бы разумным ни казался ИИ, он по-прежнему в корне зависит от качества и структуры исходных данных», — Стивен Уильямс, генеральный директор Marketing Evolution

Кроме того, это обеспечивает гораздо более полную прозрачность всего маркетингового воронка. Чтобы проиллюстрировать эту концепцию, рассмотрим, как работает человеческое зрение. Большинство людей полагают, что то, что мы видим, — это просто обработка зрительной корой света, попадающего в наши глаза. На самом деле мозг постоянно запускает прогнозную модель, основанную на прошлом сенсорном опыте, чтобы предвидеть, что он увидит.

Эта прогнозная модель, сформированная на основе структурированных сенсорных данных, накопленных за всю жизнь, непрерывно прогнозирует окружающий нас мир. Поступающая визуальная информация обновляет эту модель, но большая часть того, что мы воспринимаем, на самом деле является прогнозом мозга о том, что вот-вот произойдет.

Именно так мы справляемся с такими задачами, как поймать бейсбольный мяч или быстро среагировать на автомобиль, резко тормозящий перед нами — мы не просто реагируем в режиме реального времени на необработанные сенсорные сигналы, а действуем на основе прогнозов, основанных на предыдущих данных и опыте.

Я считаю, что маркетинг движется в очень похожем направлении.

Организации с прочной основой данных смогут не только объяснять прошлые результаты, но и прогнозировать и моделировать будущие результаты.

Стивен Уильямс, генеральный директор Marketing Evolution, построил свою карьеру на разработке систем, лежащих в основе современного маркетинга

Что бы вы посоветовали бренду, который заявляет: «Я работаю с партнером по MMM. Что делать дальше?»

Если вы уже сотрудничаете с партнером по MMM, это отличная отправная точка, поскольку у вас уже есть исторические данные об эффективности медиа. На основе этих знаний можно создать более продвинутый уровень аналитики, ориентированный на прогнозирование. Ваше существующее партнерство в области MMM может и дальше поддерживать систему по мере вашего перехода к более адаптивным подходам к принятию решений.

Однако следующий шаг потребует инвестиций в модернизацию базовой инфраструктуры данных, чтобы она могла обрабатывать более детализированные и интегрированные источники данных.

Это также означает переход к методологиям и моделям измерения, которые, по сравнению с традиционными решениями MMM, способны быстрее реагировать на меняющиеся рыночные условия, сдвиги в структуре расходов на рекламу и эволюцию поведения потребителей.

Рассмотрим влияние таких событий, как пандемия COVID-19, в ходе которой поведение потребителей резко менялось из месяца в месяц. Системы MMM в конечном итоге успевали отреагировать на эти изменения, но зачастую уже после того, как они произошли.

Более динамичный аналитический уровень — работающий еженедельно или даже ежедневно — способен идти в ногу с развитием бизнеса в режиме реального времени, выявлять меняющиеся тенденции по мере их появления и помогать организациям реагировать быстрее и с большей уверенностью.

Это отражает более широкий сдвиг, происходящий в отрасли. Исторически стек martech состоял из отдельных систем, таких как платформы данных о клиентах (CDP), системы CRM, платформы управления цифровыми активами (DAM), платформы маркетинговой деятельности (MAP) и инструменты аналитики — каждая из которых выполняла отдельные операционные функции. Однако все чаще организациям требуется интегрированный аналитический уровень, который связывает эти системы и делает данные доступными для приложений искусственного интеллекта, моделирования, оптимизации и принятия решений. Именно в этом направлении развивается отрасль.

Как брендам следует подходить к построению своего стека маркетинговых технологий сегодня?

На мой взгляд, создание современного стека martech следует начинать с оценки существующих источников данных и систем — будь то платформы данных о клиентах, системы CRM, DSP или любые другие соответствующие инструменты — с целью обеспечения их совместной работы, а не изолированного функционирования.

Традиционно стек маркетинговых технологий рассматривался как многоуровневая структура. Однако все чаще он напоминает модель «колеса со спицами», в которой центральный уровень данных и аналитики обеспечивает поддержку принятия решений во всей организации.

Этот центральный узел взаимодействует в двух направлениях с такими системами, как платформы клиентских данных (CDP), — извлекая из них данные и одновременно передавая информацию обратно для улучшения понимания поведения клиентов и общей динамики экосистемы.

Что касается аналитики, то сейчас мы находимся в эпохе, когда процессы аналитики могут идти в ногу со скоростью генерации данных. Нам больше не нужно полагаться исключительно на решения MMM. Хотя MMM по-прежнему имеют своё место, особенно для анализа долгосрочных тенденций, маркетологам требуются возможности быстрого принятия решений — порой даже на ежедневной основе, — что требует более гибких систем измерения.

Поэтому современный набор маркетинговых технологий должен быть построен вокруг единого уровня данных, который поддерживает быстрое измерение, оптимизацию, моделирование и принятие решений, при этом сохраняя бесшовную интеграцию с другими системами по всей организации.