Наступает эра больших данных. Мы оставляем за собой такие длинные «цифровые следы», что компании вокруг нас знают больше, чем нам бы хотелось. В интернете даже появились устрашающие (но постановочные) ролики о заказе пиццы через сервис Google. Бизнес, конечно, может и должен использовать их с выгодой для себя. Но есть лакуны, которым большие данные пока не заполнить.



Что такое «большие данные»? В сущности, это количественные метрики. Просто в современном мире количество этих количественных метрик (простите за тавтологию) сильно возросло. И это не просто увеличило объем собираемых данных. Благодаря росту вычислительных мощностей возросла и возможность выстраивать самые различные корреляции между метриками, что подняло количественные измерения на другой уровень. Они уже могут не только анализировать прошлое, но и довольно успешно предсказывать будущее.

Но большие данные пока не могут давать четкую интерпретацию этим данным. Возьмем простой пример. Допустим, у вас есть интернет-магазин, вы торгуете через сайт и мобильное приложение. Всем известна «проблема брошенных корзин» — потребитель дошел почти до покупки и передумал. Почему? Что заставило его это сделать? Конечно, оперируя количественными данными, вы можете, допустим, вычленить общие признаки тех, кто так сделал, и попытаться на них воздействовать. Но ответ «почему» вы узнаете, только если их спросите. Возможно, им не понравился товар. Или условия доставки. Или у них и не было желания покупать, процесс доставил им больше удовольствия, чем ожидаемый результат.

Или, допустим, вы продаете дамские сумочки. У вас есть удачные модели и неудачные — в чем их отличия? Почему одни сумки потребители любят, а другие нет? Большие данные дадут вам информацию о том, какие именно потребители покупают какие именно сумки, но сложить из этого четкую картину того, как потребители их видят, не удастся. Зато фокус-группы или глубинные интервью с этой задачей справятся.

Еще пример: допустим, ваш товар отличается высокой «стоимостью переключения». Вашему потребителю почему-либо сложно перейти на конкурирующий продукт. Скажем, ему для этого придется вникнуть в нюансы работы нового продукта. Это означает, что он может быть недоволен вашим продуктом, но все еще покупает его. Но это не означает, что так будет всегда, — в какой-то момент чаша его терпения переполнится, и он пойдет на трудности, связанные с переходом. Понять, насколько потребитель близок или далек от этой психологической точки, big data пока не помогают, для этого нужен диалог с потребителем.

Большие данные не расскажут вам о том, какие эмоции вызывают у потребителей упаковка, логотип или рекламный слоган. Они также вряд ли окажутся полезными в поиске ответа на вопрос о том, почему целевой с виду потребитель перестал покупать ваш продукт. Или не зашел на ваш сайт. Или зашел, но не купил. Большие данные так или иначе основываются на ретроспективных, то есть прошлых, фактических данных, и они не могут объяснить или предугадать внезапное изменение моды.

Big data чрезвычайно полезны, они помогают решать задачи, ранее казавшиеся невыполнимыми или нереально дорогими. Но они не всесильны, и это необходимо учитывать. Они не заменяют собой качественные исследования — этнографию, фокус-группы, глубинные интервью, — а лишь отлично их дополняют. Если вы хотите построить customer journey map, найти инсайты, узнать, какие эмоции вызывает ваш продукт, — метод прямого диалога с потребителем пока остается единственным эффективным инструментом. Хотя, возможно, и эту задачу когда-нибудь возьмут на себя алгоритмы.