Как использовать большие данные для лидогенерации — кейс от Promo Performance
Специалисты Promo Performance marketing agency рассказали о том, как с помощью больших данных обеспечили SaaS-бизнесу на 1914% больше лидов, чем до этого он смог собрать вручную.
First things first
Клиент — международная IT-компания (SaaS), которая продает свои решения в секторе b2b. Цель ее знакомства с Big Data — найти больше контактов за границей и, как следствие — масштабирование на зарубежные рынки. Клиенты компании — это интернет-магазины (e-commerce), которые работают с использованием модели подписки и определенных технологий.
Итак, дано: перечень «движков», которые использует e-commerce — более чем 360 наименований известных в мире платформ с активными интернет-магазинами.
Задание:
- найти по всему миру сайты, которые используют технологии из списка;
- фильтровать по географическому региону, в котором работает интернет-магазин;
- фильтровать сайты по тематике продуктов;
- ранжировать сайты по размеру бизнеса;
- найти в компании, которая владеет сайтом, контакты принимающих решения лиц.
Гипотезы — не аксиомы
Попробуйте назвать самый крупный e-commerce в Украине? Вы можете предположить его годовой оборот и трафик сайта? Типичный пользователь вспомнит 3–5 магазинов на слуху — узнаваемые бренды, названия которых жителю другой страны скорее всего неизвестны.
Всегда ли узнаваемость бренда гарантирует, что на сайт ежедневно заходит много пользователей? Сколько посетителей в месяц — это нормально?
Серьезный вопрос, ведь для каждой категории продаваемых товаров определен объем спроса в интернете. Магазин может быть лидером, практически монополистом в нише (например, продавать лампы для освещения взлетно-посадочных полос частных аэродромов), но при этом по трафику теряться среди магазинов товаров ежедневного потребления или электроники.
Стоит также учитывать регион, который охватывает бизнес. В Украине, например, практически нет интернет-рынка оборудования для сверхлегкой и малой авиации, в то время как в США или Германии это не диковинка. Соответственно, трафик в одной и той же тематике в разных регионах существенно отличается. Посещаемость сайта — это лишь один из показателей, по которым можно судить о масштабах бизнеса. Нужно оценивать долю трафика каждого магазина в совокупном объеме спроса по определенной группе товаров или услуг в определенном регионе. Также вас ждет оценка маркетинговых затрат на онлайн-рекламу, ведь чем больше бизнес тратит, тем он крупнее. Как вы помните, одна из поставленных задач — именно ранжирование сайта по размеру бизнеса.
Сколько вы знаете интернет-магазинов в Бразилии? Сколько сайтов в Индии продает кастрюли? На каких платформах работает большинство ecommerce-сайтов в Канаде? Используют ли там систему управления содержимым Magento в принципе?
Можно, конечно, погуглить. Но каждый из этих вопросов требует время на исследование. Если вы планируете покорить мир (и желательно сегодня), то поспешите! Пока это не сделал конкурент, немедля подойдите к делу основательно, с умом и применением новейших технологий. Да, мы все еще о Big Data, ведь важно не только уметь собирать массивы данных, но и грамотно использовать их в целях бизнеса.
Решение
Первым делом — чекап сайтов с помощью Builtwith и SimilarTech. Эти сервисы сканируют площадки и анализируют узнаваемые технологии, которые там используются. Например, системы рекламы и аналитики, сервисы оплаты, системы управления содержимым, сервисные технологии и прочие. Первичная таблица с результатами состояла из около 10 млн строк.
Далее — анализ посещаемости сайтов. Для этих 10 млн с помощью сервисов Alexa.com и SimilarWeb мы получили результаты и сразу же отсекли сайты с трафиком менее 40 000 в месяц.
Упомянутые сервисы с помощью внутренних алгоритмов присваивают каждому сайту категорию. Например, Интернет-магазин/Электроника, Интернет-магазин/Мультимаркет и т. д. Названия категорий сайтов на каждом сервисе разные. Человеку нетрудно это понять, но для автоматической обработки данных необходимо было привести все названия к единому образцу. Анализировать по географическому критерию также помогли ресурсы Alexa.com и SimilarWeb.
Для ранжирования потенциальных клиентов было сделано допущение, что средняя конверсия в нише составляет 1%, а средний чек — $100. Это позволило массово отобрать самые потенциальные компании. Хотя было понятно, что в разных нишах средний чек сильно отличается. Для этой же цели были учтены стоимость технологий, используемых на сайте, и затраты домена на интернет-рекламу (объем платного трафика умножить на предполагаемую стоимость клика в нише). Интересно, что топ-100 сайтов при разном подходе к ранжированию не сдвинулся.
Остался последний и самый емкий этап — поиск контактов для собранного списка сайтов, по которым можно было бы связаться с компанией для сотрудничества.
Частично контакты удалось извлечь из служб регистрации доменов. В процессе были и открытия: например, L’Oreal имеет дочерние бренды Urban Decay и Kiehl’s на разных сайтах, но с одним техническим центром. Еще один инсайт: у крупных компаний есть региональные представительства с отдельным сайтом, но единым центром принятия решений. Всю эту информацию необходимо было учесть.
Далее были собраны электронные адреса и телефоны сотрудников, которые упоминали сайт или название компании в соцсетях (LinkedIn, Facebook, Twitter). Если такой информации не было, на помощь приходили контактные данные, указанные на самих сайтах. Что самое интересное, информация о пользователях в соцсетях была корректной. Мы тоже удивились.
Результат
После проведение очистки собранных данных и сведения к единому формату, клиент получил внушительную базу лидов с контактами на 132 000 строк.
Для сравнения: своими силами в полуручном режиме клиенту удалось собрать около 6 000 лидов (под лидом мы подразумеваем базу с контактами целевой аудитории клиента). Использование Big Data подхода оказалось эффективнее для бизнеса на 1914%. Как тебе такое, Илон Маск?
Авторы: Дмитрий Литавский, Любовь Солодкая, Promo Performance marketing agency.
Комментарии | 10
Наконец-то годный кейс. Это вам не лайки под котиками. Один только вопрос, какие инструменты для парсинга использовали, кроме сканирования технологий и посещаемости?
Сергей, здравствуйте! Спасибо за отзыв и вопрос!
В проекте использовали парсеры собственной разработки. Из данных также парсили Википедию для определения материнской компании либо дочерних, соц. сети и данные регистраторов доменов для поиска контактов.
Як можна називати цю базу 'лідами', це база для спаму…
Напротив, лидов запустят не только в маркетинговые компании. Стартует коммуникация Pre-Sales и Sales специалистов с холодными лидами. Целевые контакты будут обрабатываться людьми, потенциальным потребителям услуги будут предлагаться релевантные для них услуги/продукты и т.д. Более того, если даже контакт окажется не целевым или не корректным, за счет него можно быстрее пробиться к реальным целевым контактам (тут будут использовать техники продаж). Вывод, такая база позволит в значительной мере ускорить и увеличить рост воронки продаж.
«Як можна називати цю базу 'лідами', це база для спаму…»- любой потенциальный клиент является лидом для поставщика услуг/продуктов, так что вопрос в статусе лида в рамках воронки продаж. После старта коммуникации посредством разных каналов привлечения, лиды начнут двигаться по стадиям и постепенно превращаться в потенциальные сделки, а далее двигаться к контрактованию. Это управление и работа с воронкой продаж. При чем тут спам — не ясно…
Щоб не робити реклами агенству в якому знайшов визначення, що таке «лід» (нажаль в українській вікіпедії досі нема), просто випишу пояснення: «Лід (англ. Lead — вести) — це поняття, яке використовується для позначення потенційного клієнта, який будь-яким чином зреагував на маркетингову комунікацію компанії.» Тобто, ключовими є останні 8 слів… Усе що ви можете зробити з ними це почати прогрівати — у цьому випадку, я бачу сенс вашої роботи…
Клиент не использует терминологию Википедии для определения квалификации лида. В b2b бизнес-моделе наличие базы целевых клиентов — 90% успеха.
Лид – это контактные данные, которые были переданы добровольно. Например, когда клиент оставляет номер телефона на вашем сайте или свой емейл – это лид.
Почему к этому нюансу будут цепляться? Потому, что в заголовке есть слово «лидогенерация».
Лидогенерацией обычно называют другое, а именно, некую активность привлекающую аудиторию, часть которой самостоятельно оставляет свои контактные данные. В остальном – интересная статья, спасибо )
Сергей, благодарим за комментарий! Да, в заголовке есть слово лидогенерация, но Big Data не делает её напрямую. Big Data — это инструмент, с помощью которого мы собрали базу сайтов по заданным параметрам, на основе которой клиент будет проводить маркетинговые активности по лидогенерации в её классическом понимании.
Ну таке(
Тобто ваша користь від того, що ви клієнту порадили скористатися сервісом Builtwith.
Норм, але далеко від кейсу і теми статті
Vasya, наша користь була не тільки від використання Builtwith, SimilarTech, Alexa.com, SimilarWeb, Wikipedia та ряду інших сервісів, а від автоматичного збору та обробки цього масиву даних, що дозволив опрацювати дані, які звичайними методами замовник опрацьовував би значно довше.