Tess Technology
Trusted Expertise
in Strategy and Systems
Главная
Продукты
  • Анализ технологических рынков
  • Повышение операционной эффективности
  • Матмоделирование и машинное обучение
  • Базы данных
  • Стратегические сессии
Кейсы
  • Выход на новый рынок
  • Математическое моделирование
  • Поиск новых ниш
  • Расчет экономических показателей
Блог
    Связаться с нами
    Tess Technology
    Главная
    Продукты
    • Анализ технологических рынков
    • Повышение операционной эффективности
    • Матмоделирование и машинное обучение
    • Базы данных
    • Стратегические сессии
    Кейсы
    • Выход на новый рынок
    • Математическое моделирование
    • Поиск новых ниш
    • Расчет экономических показателей
    Блог
      Tess Technology
      • Главная
      • Продукты
        • Назад
        • Продукты
        • Анализ технологических рынков
        • Повышение операционной эффективности
        • Матмоделирование и машинное обучение
        • Базы данных
        • Стратегические сессии
      • Кейсы
        • Назад
        • Кейсы
        • Выход на новый рынок
        • Математическое моделирование
        • Поиск новых ниш
        • Расчет экономических показателей
      • Блог
      • Главная
      • Информация
      • Статьи
      • Алгоритмический маркетинг (часть 2): кейсы

      Алгоритмический маркетинг (часть 2): кейсы

      Поделиться
      27 февраля 2020 16:16
      // Бизнес-советы

      Самые известные кейсы использования алгоритмического маркетинга - это применение в размещении рекламы (Advertising Services), сборе данных о потребителях (Data Services) и управление доходами (Revenue Management).

      Кейс в Интернет-рекламе (CTR, RTB): пример Google

      Впервые интернет-реклама была использована в мае 1978 года, 40 лет назад, когда первая email-рассылка была сделана в компьютерной сети ARPANET, расположенной всего в 4 городах. В 1993 году, 15 лет спустя, когда ARPANET выросла до Интернета, появился рынок рекламных баннеров. Однако по мере быстрого роста числа сайтов и количества рекламы, эффективность ее стала быстро падать. В то же время рекламодателям уже стало технически сложно запускать кампании и управлять бюджетами через тысячи издателей.

      В 1996 году DoubleClick запустили платформу, которая позволяла запускать рекламные кампании через широкую сеть сайтов, динамически кастомизировать кампанию и измерять результаты. Это создало пространство для автоматизированного принятия решений, поскольку измерения и корректировки могли быть сделаны автоматически.

      rtb.jpg

      Онлайн-поисковики тем временем также старались улучшить свои возможности по размещению рекламы. Рекламодатели платили за число показов (cost per thousand impressions, CPM), что было достаточно негибкой ценой и вызывало убытки для поисковиков, а также не было удобно с точки зрения показов неактуальной рекламы. Прорыв случился в 1998 году, когда GoTo.com ввели автоматический аукцион с 2-мя условиями:
      1) рекламодатели могут назначать цену за появление в топе определенных запросов,
      2) рекламодатели платят за клик, а не за показ.

      Модель pay-per-click (PPC) улучшила и доходы, и актуальность рекламы, потому что рекламодатели, готовые платить больше, предлагали и более качественный контент. Модель была взяли на вооружение и в Google, в 2002 году, с одним принципиальным улучшением: реклама выбиралась на основе ожидаемого заработка, равного аукционной цене Х коэффициент показов (click-through rate, CTR). Это был самообучающийся алгоритм, который также отвечал целям доходности и актуальности рекламы.

      Траектории развития рекламных площадок и аукционных моделей пересеклись в 2007-2009 годах, когда началась эра с ацукционов в реальном времени (RTB, real-time bidding), где рекламодатели и издатели стали связаны с помощью ставок в реальном времени за индивидуальные рекламные показы.

      Это изобретение, в свою очередь, стимулировано появление новых программных инструментов для рекламодателей - платформ управления данными (data management platforms, DMP) и платформ со стороны спроса (demand-side platforms, DSP), которые позволяли собирать данные о поведении интернет-пользователей и делать ставки на основе их ожидаемой склонности отреагировать на объявление.

      Таким образом, сформировалась инфраструктура рекламного рынка, включающая рекламные сервисы, напоминающие рекламный рынок (для рекламодателей это возможность запускать кампании с помощью различных издателей) и сервисы данных, которые на основе анализа данных позволяют запускать подходящие рекламные компании и автоматически их корректировать.

      3.png

      Такая модель взаимодействия стала использоваться и в других отраслях. Владельцы баз данных, к примеру, ритейлеры и мобильные операторы, также коммерциализируют свои данные о клиентах и отношениях с ними, предоставляя информацию банкам, и страховым компаниям, и производителям, которые хотят знать своих покупателей лучше.

      Итак, разнородность бизнес-окружения, где каждый постоянно имеет дело с данными, полученными от других, приводит к разнообразию потоков данных, и следовательно, возникновению операционных задач, где программные продукты, похоже, единственный способ их решения.

      Кейс в управлении доходами (Revenue Management): пример American Airlines

      В 1978 в авиаиндустрии США стремительно начало развиваться динамическое ценообразование, благодаря закону о дерегулировании действий авиакомпаний, позволившему свободно изменять цены и маршруты авиалиний. Появились лоукостеры, к примеру, People Express (1981), которые предложили цены на 70% дешевле крупных авиакомпаний. Появились и новые путешественники: студенты, приезжающие к семьям на каникулы, туристы, путешествующие на несколько дней, и многие другие. При этом, у крупных авиакомпаний не было шанса выиграть эту ценовую войну, и они всерьез опасались потерять своих клиентов - бизнес-путешественников.

      Airline-Revenue-Mana.png

      Решение было найдено авиакомпанией American Airlines. Сначала, они заметили, что непроданные места по цене сравнимы с ценами лоукостов, так как маржинальные издержки таких мест были близки к нулю в любом случае. Как бы то ни было, главная проблема была помешать бизнес-путешественникам покупать билеты по сниженным ценам. Основное решение состояло в введении определенных ограничений: к примеру, билеты должны были быть куплены как минимум за 3 недели и являлись невозвратными.

      Сложность состояла в том, что количество непроданных мест сильно варьировалось у различных рейсов, и оптимальное решение могло быть найдено только через динамическую оптимизацию. В 1985 году, American Airlines выпустили программу DINAMO (Dynamic Inventory Allocation and Maintenance Optimizer), чтобы управлять ценами. У People Express тоже были стратегии динамического ценообразования, но их ИТ-система была гораздо проще, чем DINAMO, и не могла сравниться с ней по эффективности. People Express начали терять деньги по 50 млн долл в месяц, вплоть до своего банкротства в 1987 году. При этом, American Airlines уже в первый год после запуска DINAMO увеличили выручку на 14,5%, прибыль на 47,8%, и в конечном итоге выиграли конкурентную борьбу с лоукостером.

      Уже в начале 1990-х подход к управлению доходами (Revenue Management) был применен в ряде отраслей: индустрия гостеприимства, аренда автомобилей, и даже продажи ТВ-рекламы.

      Успех применения Revenue Management для определенного рынка (в том числе, для рынка авиаперелетов) обусловлен следующими особенностями его спроса и предложения:
      1) спрос сильно варьируется по потребителям, полетам, времени: покупательская способность бизнес-путешественников может быть гораздо выше, чем индивидуальных путешественников, рейсы в сезон гораздо более загружены, чем в несезон, и пр.
      2) неэластичное предложение (количество доступных мест на рейсе) . Количество мест определяется количеством самолетов на рейсах, и как только рейс запланирован, количество мест не может быть изменено. От непроданных мест нельзя избавиться, так что прибыль авиалиний полностью зависит от их способности использовать потребительский спрос максимально эффективно.

      Таким образом, инструменты Revenue Management приводят в соответствие негибкое предложение и гибкий спрос рынка (другими словами, подгоняют спрос под предложение), чтобы обеспечить максимальные продажи. Алгоритмические методы маркетинга уже взяты на вооружение в целом ряде отраслей, включая рекламу, отели, ритейл, где динамическое ценообразование является самым лучшим решением для управления спросом.

      --
      По данным книги Katsov I. Introduction to Algorythmic Marketing: Artificial intelligence for marketing operations. 2018.


      Теги
      Алгоритмический маркетинг Маркетинг
      Поделиться
      Назад к списку Следующая статья
      Категории
      • Бизнес-советы17
      • Повышение продаж1
      • Управление проектами1
      Это интересно
      • Исследование операционной эффективности российских производственных компаний
        12 мая 2025
      • Развитие Рынка Химических Материалов в Микроэлектронике России: проблемы и перспективы
        21 января 2024
      • Аппаратно-программные комплексы для Искусственного Интеллекта
        15 марта 2023
      • Маркировка электронно компонентной базы в РФ
        10 октября 2022
      • Перспективы развития литографии в РФ
        26 июня 2022
      • Отношение бизнеса к данным и аналитике
        1 июня 2022
      • Рынок Умного Дома
        10 мая 2022
      • Отечественная полупроводниковая отрасль в условиях санкций
        14 марта 2022
      • Жизненный цикл товаров: от производителя до полки супермаркета
        2 октября 2021
      • Большие данные в большой фарме? Большое дело!
        2 октября 2021
      Облако тегов
      AI Big Data R&D SMM Алгоритмический маркетинг Аналитика Аналитика рынка Биг Дата Искусственный интеллект Исследования Маркетинг Микроэлектроника Нейромаркетинг Производство Социальные медиа Фарма Цифровая экономика
      Компания
      О компании
      Принципы и ценности Tess Technology
      Реквизиты
      Продукты
      Анализ технологических рынков
      Повышение операционной эффективности
      Матмоделирование и машинное обучение
      Базы данных
      Стратегические сессии
      Проекты
      Выход на новый рынок
      Математическое моделирование
      Поиск новых ниш
      Расчет экономических показателей
      Наши контакты

      +7 (916) 729 07 16
      mail@tesstech.ru
      ООО «ТЕСС ТЕХНОЛОДЖИ» ИНН 7702421130
      © 2025 Все права защищены.
      Связаться с нами
      Находясь на нашем сайте, Вы даете согласие на обработку файлов cookie.