Что значит маркетинговое название модели
Маркетинговые и PR-модели: RACE, 4P и 4C, PESO, лестница Ханта, RFM, AIDA, SOSTAC, hadi-циклы
Маркетинговые модели помогают понять потребности аудитории, выстроить воронку продаж, отсеять нецелевых клиентов и проверить гипотезы. Рассказали об известных маркетинговых моделях и объяснили, как их применять.
RACE — модель планирования коммуникации с пользователем. Она состоит из 4 этапов и охватывает все точки соприкосновения с клиентами:
Модель используется при продвижении сложных и дорогих продуктов, которые не продают «здесь и сейчас», например, автомобиля или квартиры.
Подключить Roistat бесплатно
1. Первый шаг — увеличить видимость вашего бренда, используя все каналы и точки контактов.
Каналами для охвата аудитории могут быть:
Пример: выбирая квартиру, покупатели изучают планировки, инфраструктуру района и варианты оплаты. Чтобы привлечь их на этом этапе, опубликуйте полезные статьи, обзоры квартир, советы дизайнеров интерьера. Продвигайте эти материалы в каналах, востребованных вашей аудиторией.
2. На следующем этапе потенциальный покупатель ознакомился с вашим предложением, сравнил с другими и готов сделать выбор. Он совершает какие-либо действия на вашем сайте, например, заказывает консультацию в чате, заполняет форму контактов.
Чтобы не потерять потенциального клиента и привести к сделке, вам нужно запланировать регулярную коммуникацию:
Используйте такие каналы, как:
3. Конверсия — этап, когда клиент уже купил ваш продукт, и теперь необходимо предоставить ему всё необходимое для комфортного получения и использования продукта: например, доставку и отгрузку, гарантийное обслуживание и ремонт, подбор комплектующих. Будьте всегда на связи с ним и используйте ремаркетинг, чтобы напомнить о себе тёплым пользователям.
4. Поддержание коммуникации с клиентами поможет вам повысить их лояльность и вероятность повторной покупки. Поэтому продолжайте общаться с покупателями в соцсетях через полезный контент, создавайте сообщество «адвокатов» вашего бренда. Например, клиентам, купившим мебель, вы можете отправить подборку идей для бюджетного ремонта или сезонного обновления интерьера — с помощью товаров из вашего магазина.
4P, 4C, 5P и 7P
В 1953 году президент Американской ассоциации маркетинга Нил Борден написал статью «Концепция маркетинг-микса», в которой предложил 12 инструментов для продвижения продукта:
В 1964 году маркетолог Джером Маккарти предложил модель на базе маркетингового микса — 4P: продукт (product), цена (price), дистрибуция (place) и продвижение продукта (promotion).
Согласно этой модели, если компания будет производить правильный товар по правильной цене и продавать его в правильном месте с грамотным рекламным сопровождением, то у неё будет много клиентов.
Эта концепция ориентировалась на производителей и работала до тех пор, пока выбор продуктов и услуг был ограниченным. Как только начала расти конкуренция, задача производителей сместилась: они задумались о том, как выделиться и понравиться покупателю.
В 1990 году американский профессор рекламы Роберт Лотерборн предложил новый подход — 4С, который описывал продвижение продуктов с позиции потребителя.
Поскольку фокус сместился с продукта на покупателя, модель 4C сменила 4P.
Чтобы начать применять модель 4C, ответьте на эти блоки вопросов.
2. За какую цену пользователь готов купить продукт:
3. Как устроены ваши коммуникации:
4. Удобно ли клиенту совершать покупку:
Пример: магазин одежды, работающий по 4С-модели, заинтересован в том, чтобы выстраивать долгосрочные отношения с клиентом. Для этого он может вести блог, выстраивать комьюнити в соцсетях. Такая компания будет общаться с потребителем в нескольких каналах — там, где удобно клиенту.
Она следит за тем, чтобы пользователям было комфортно пользоваться интернет-магазином: их не беспокоит большое количество всплывающих окон, отсутствие мобильной версии, неудобное меню.
По мере усложнения конкуренции на рынках модель 4P расширялась, на её базе возникли модели 5Р и 7Р.
В 5P появился новый элемент — люди (people или personal). К нему относятся все участники рынка: производители и поставщики, продавцы и покупатели, служащие, менеджмент. Модель 5P охватывает взаимодействие между участниками рынка, разработку кадровой политики и привлечение потенциальных клиентов. Этот пункт может отвечать на вопрос: «Как ваши сотрудники должны восприниматься клиентами?»
Позже модель расширили до 7P. В неё добавили:
Модель PESO в 2014 году предложила эксперт по маркетингу и связям с общественностью Джини Дитрих.
Аббревиатура PESO расшифровывается:
1. Paid — каналы с возможностью разместить контент «на правах рекламы». Это медиа, в которых можно опубликовать платные публикации о компании: партнёрские материалы, баннеры на сайтах, размещение у инфлюенсеров, нативные статьи.
2. Earned — каналы, в которых упоминают бренд: комментарии экспертов вашей компании, пресс-релизы, новости о вашем проекте. Материал или комментарий выходит в медиа бесплатно и вызывает больше доверия со стороны пользователей, чем реклама.
3. Shared — каналы в соцсетях и в блогах на внешних ресурсах, например, на блог-платформах Habr.com или Яндекс.Дзен. К этому направлению относится и пользовательский контент, рассказывающий о вашем бренде, — отзывы покупателей.
4. Owned — собственные каналы бренда: сайт компании, корпоративный блог, email-рассылки и другие площадки, которые контролирует бренд. Только он решает, как выглядит контент, в каком формате его публикуют и с какой подачей.
Модель помогает комплексно продвигать бренд и подбирать подходящую коммуникацию для каждого канала. Модель PESO часто используют для планирования в контент-маркетинге и PR.
Как применять модель PESO:
Пример: банк обратился в маркетинговое агентство для продвижения инвестиционных услуг. Агентство построило кампанию по модели PESO. Выбрало издания, которые читает аудитория банка, написало 2 статьи в раздел партнёрских материалов крупного журнала. Одну — с рекомендациями инвесторов, другую — с описанием услуги банка. Затем отправило журналистам нескольких изданий темы для редакционных материалов: провалы инвесторов, сравнение нескольких инструментов и прогнозы в отрасли. Вместе агентство и журналисты написали и опубликовали 3 бесплатные статьи.
Агентство переработало их в контент для соцсетей: записало анимационный ролик с прогнозами и сравнениями инструментов, сократило текст про провалы до поста и опубликовало материалы на страницах банка. Параллельно подключило owned-каналы — выпустило ознакомительную статью об услуге в блоге банка.
Лестница Ханта
Эту концепцию в 2010 году описал в своей книге «Конверсия сайта: превращаем посетителей в покупателей!» маркетолог Бен Хант. Он предложил ранжировать потенциальных клиентов по степени их осведомлённости о бренде и его продуктах.
Подключить Roistat бесплатно
Лестница осведомлённости или узнавания состоит из 5 ступеней.
Ступень 1: безразличие или отсутствие проблемы. Потенциальный клиент ещё не видит проблемы, которую ему нужно решить, или не знает, что может упростить себе жизнь.
Ступень 2: осведомлённость. Случайно он узнаёт о существовании какой-то проблемы. Например, листает соцсети и видит пост о том, как неудобно и долго постоянно разогревать еду на плите. Теперь потенциальный клиент знает о проблеме, но не думает о решении.
Ступень 3: сравнение. Он начинает обдумывать ситуацию, находить разные варианты: например, купить мультиварку или микроволновую печь. Он анализирует плюсы и минусы разных решений проблемы.
Ступень 4: выбор. Решившись на покупку микроволновой печи, потенциальный клиент изучает производителей, модели, читает отзывы.
Ступень 5: покупка. Определившись с брендом и моделью, клиент ищет самый выгодный вариант на маркетплейсах, в фирменных магазинах и на других площадках.
Лестница Бена Ханта помогает узнать, какими инструментами можно привлечь клиента на каждом этапе, чтобы он купил именно ваш продукт. Как правило, бренды включаются в работу с клиентами только на четвёртом этапе, когда лиды уже «горячие». Но если работать с потребителями на всех этапах, то на четвёртом шаге они будут более лояльны к вам, потому что уже читали ваши статьи, смотрели обзоры продуктов и узнают ваш бренд.
Как применить лестницу Ханта:
1. Стадия безразличия. На этом этапе вы не продаёте, а формируете потребность. Покажите клиенту, что проблема существует. Используйте контент-маркетинг.
2. Стадия осведомлённости. Когда клиент осознал проблему, объясните ему, что существует несколько решений: покажите исследование или инфографику со статистикой.
3. Стадия сравнения. На этом этапе потребители ищут решения. Как продавец вы должны предоставить исчерпывающий контент, который ответит на их вопросы. Не стоит сразу продавать свой продукт, ваша цель — помочь потенциальным клиентам. На этом этапе важно продемонстрировать экспертность, чтобы пользователи поверили в профессионализм компании. Оптимизируйте работу сайта для SEO-продвижения, настраивайте контекстную и таргетированную рекламу, чтобы потенциальные покупатели узнали о вашем продукте.
4. Стадия выбора — самое подходящее время, чтобы показать потенциальному клиенту преимущества вашего продукта. Лучше всего на этом этапе работают обзоры и сравнения. Потребитель готов купить товар и ищет компанию, которая более выгодно его продаст. На этом шаге вы можете рассказать ему об акциях и скидках, чтобы максимально мотивировать выбрать именно вас.
Пример: потенциальный клиент офтальмологической клиники не задумывался о том, что у него портится зрение, и считал, что это естественный процесс в его возрасте. Однажды он наткнулся на статью, в которой объяснили, что можно окончательно потерять зрение, если вовремя не обратиться к врачу. После чтения материала клиент решил срочно записаться к офтальмологу.
Так он перешёл на этап «осведомлённость», на котором искал больше информации о своей проблеме, — посоветовался с друзьями и посетил врача. Офтальмолог предложил два возможных решения: купить очки или сделать лазерную коррекцию.
Клиент перешёл в стадию сравнения, начал изучать плюсы и минусы каждого из решений. И в итоге выбрал лазерную коррекцию.
Затем ему нужно было определиться, в какую клинику обратиться. Клиент выяснил, что эту операцию делает несколько клиник, в одной — дорого, у второй не работает сайт, о третьей почти нет отзывов.
В процессе поиска потенциальный клиент увидел сайт клиники, которая ведёт свой блог, рассказывает о проблемах зрения и разрушает мифы, связанные с операциями. Клиент вспомнил, что уже читал материалы с этого сайта. Он просмотрел отзывы, цены и сделал выбор.
На последней стадии лестницы Ханта пациент сходил на консультацию в клинику и записался на операцию.
Читайте также: Как отслеживать «путь» клиентов к покупке, объяснили в нашем блоге.
RFM-анализ
В 1995 году в журнале Marketing Science вышла статья «Оптимальный выбор для прямой почтовой рассылки». Считается, что она положила начало RFM-модели для сегментации клиентов.
Модель использовали американские компании, продающие товары по каталогам. RFM-анализ помогал им отсеять клиентов, которым бессмысленно отправлять каталоги и предлагать скидки. Это сэкономило расходы на бумагу, печать и логистику.
Аббревиатура RFM расшифровывается так:
RFM-анализ нужен, чтобы прогнозировать поведение клиента на основе его прошлых действий. Например, клиент, который купил у вас что-то дорогое или сделал заказ недавно, более заинтересован в вашей рекламе, чем другие покупатели.
По признакам RFM можно сегментировать клиентов, понять, кто покупает часто и много, кто — часто, но мало, а кто давно не совершал покупок.
Показатели зависят от специфики бизнеса и продукта. Например, частота покупок в супермаркете и в магазине одежды будет отличаться. Суммы чеков тоже.
Пример: ювелирный магазин решил сегментировать клиентов, чтобы делать им персональные предложения, увеличивать средний чек и количество продаж.
Он разделил базу клиентов на 15 сегментов по показателям: давность покупки, частота покупок, сумма покупок. Например, клиенты из одного сегмента делали покупки полгода назад, совершили всего 2 заказа, но на большие суммы — более 20 000 рублей.
Чтобы сформулировать максимально релевантные предложения, нужно описать портреты покупателей. Например, мужчина средних лет покупает один раз в год серьги за 20 000 рублей жене на день рождения. Его достаток выше среднего.
Предположив, что перед следующим днём рождения супруги он снова будет выбирать подарок, магазин заранее сделает ему предложение и начнёт напоминать о бренде и перед другими праздниками.
Для каждого сегмента клиентов нужно придумать разную акционную механику. Например, для пользователей интернет-магазина, которые зарегистрировались на сайте полгода назад и совершили 3 покупки на общую сумму 12 000 рублей, магазин постарается увеличить средний чек. Один из вариантов — предложить клиенту золотой уровень в программе лояльности, если он совершит заказ на сумму более 10 000 рублей.
Пользователей, которые зарегистрировались в интернет-магазине, но ещё не совершили ни одной покупки, необходимо перевести в статус покупателей. Магазин может предложить бесплатную доставку, небольшие подарки или скидку на первый заказ.
Модель AIDA в 1896 году описал американский рекламный стратег Элайас Сент-Эльмо — как формулу создания успешной рекламы.
Модель AIDA описывает четыре этапа, которые проходит потребитель, прежде чем совершить покупку:
На каждом из 4 этапов маркетологи расставляют триггеры продаж и стимулируют аудиторию продвинуться по воронке продаж:
1. На первом этапе нужно добиться внимания потенциального покупателя.
2. Затем подогреть интерес. Опишите преимущества товара, расскажите, как он решает проблемы пользователей, и покажите отличия от конкурентов.
3. На следующем этапе нужно пробудить желание купить. Покажите потенциальному клиенту, как изменится его жизнь, когда он купит ваш продукт.
4. Наконец, нужно подтолкнуть пользователя к покупке. Чётко сформулируйте призыв к действию, укажите что нужно сделать потребителю, чтобы приобрести товар.
Модель AIDA не опирается на «боли» потребителей. Реклама, сделанная по этой модели, мотивирует покупать через положительные эмоции.
Пример: бренд спортивной одежды и обуви Nike разместил рекламные баннеры для продвижения новой линейки обуви. Кроссовки изобразили в виде лёгких человека, а слоганом стала фраза «They keep you alive». Реклама привлекла внимание необычным креативом и вызвала у потребителей желание купить новые кроссовки, сыграв на том, что дыхание — один из признаков жизни. Аудитория понимает, что благодаря спорту улучшается здоровье.
Читайте также: Что такое модель AIDA в маркетинге? Дали подробный ответ в нашем блоге.
SOSTAC
Модель разработал в 1990-х годах британский эксперт Королевского института маркетинга Пол Смит. В 2004 году он описал её в своей книге «Маркетинговые коммуникации».
Подключить Roistat бесплатно
Эта модель эффективного планирования маркетинговых стратегий основана на 6 компонентах:
Модель SOSTAC используют для разработки маркетингового плана. Она помогает выбрать адекватные цели и найти способы их достижения.
Как применить модель:
1. Проанализируйте текущую ситуацию в маркетинге:
2. Сформулируйте цели. Как правило, цели бизнеса — получение прибыли, продвижение нового продукта, развитие бренда.
3. Разбейте цели на задачи:
4. Выберите инструменты. Например, если вы продвигаете бренд в интернете, инструментами станут контекстная реклама, реклама в соцсетях и SEO-продвижение. Укажите ключевые показатели эффективности для каждой тактики.
5. Опишите, что должно быть сделано для реализации плана.
6. Проверьте KPI. Например, можно оценить расходы на рекламу по стоимости привлечения клиента или по коэффициенту возврата инвестиций.
Пример: магазин тренажёров обратился в SMM-агентство для продвижения своих соцсетей. Агентство запланировало работу по модели SOSTAC.
HADI-циклы
HADI — это один из инструментов agile, который пришёл в маркетинг из IT-стартапов. Он позволяет быстро и дёшево проверять гипотезы и выявлять эффективные каналы продвижения продукта.
HADI — цикл, состоящий из четырёх блоков: формирование гипотезы (hypothesis), её проверка (action), получение измеряемого результата (data) и выводы (insights), на основании которых можно сформулировать новые гипотезы.
Как применять метод HADI:
1. Сформулировать гипотезу
Используйте для этого метод SMART: гипотеза должна быть конкретной, измеримой, достижимой, релевантной и ограниченной по времени.
Например, сеть магазинов поставила цель увеличить продажи именинникам. Вместо привычной отправки SMS решили звонить клиентам с записанным голосовым поздравлением от директора компании. Установили, что эксперимент будет считаться успешным, если в течение месяца в магазин придёт на 30% больше именинников.
Проверяйте гипотезы по очереди. Если будете тестировать несколько гипотез одновременно, не сможете узнать, какая из них повлияла на результат.
2. Реализовать гипотезу
На втором этапе определите действия для проверки гипотезы. Например, для рассылки голосовых сообщений нужно спланировать бюджет, определить ответственных и сроки проведения эксперимента.
3. Соберите данные
Просчитайте результаты: например, сколько именинников пришли в магазин и на сколько увеличились продажи.
4. Сделайте выводы
Результатами проверки гипотезы могут стать три варианта:
Например, гипотеза с отправкой голосовых поздравлений подтвердилась: количество покупателей-именинников увеличилось более чем на 30%. При этом затраты на проверку идеи окупились: покупки именинников покрыли расходы на оплату работы диктора и телефонию. В этом случае магазину нужно применять эту практику постоянно.
Подключить Roistat бесплатно
Пример: сеть продуктовых магазинов решила поставить на кассе стенды, информирующие посетителей об акциях. Предполагалось, что это увеличит продажи акционных товаров. Гипотезу проверяли в 3 магазинах. В итоге продажи почти не выросли, большинство посетителей не заметили стенды с акциями. Но неподтвердившаяся гипотеза — это тоже положительный результат: магазин проверил свою теорию только в 3 магазинах, а не сразу на всей сети. Он избежал огромных трат и быстро проверил свою идею на жизнеспособность.
На нашем Telegram-канале делимся полезными материалами по маркетингу и аналитике, кейсами клиентов, собираем познавательные дайджесты и анонсируем бесплатные обучающие вебинары. Подписывайтесь, чтобы ничего не пропустить!
Будьте в курсе новостей
Присоединяйтесь к нашему каналу в Telegram или подпишитесь по E-mail
Маркетинговая платформа сквозной аналитики,
привлечения трафика, повышения конверсии и лояльности
Что такое комплекс маркетинга: модели
Узнайте больше о целях и элементах комплекса маркетинга
Комплекс маркетинга — это концепция продвижения компании и товаров на рынке с помощью разных маркетинговых моделей. Классическая версия такой модели называется 4Р и состоит из следующих направлений: продукт (Product), цена (Price), место (Place), продвижение (Promotion).
В этом видео основатель In-scale Никита Жестков рассказал о том, что такое маркетинг 4P и 5P.
Содержание
Цель комплекса маркетинга
Комплекс маркетинга помогает повысить эффективность работы компании и удовлетворить потребности целевой аудитории. Для результативного продвижения на рынке важно разработать стратегию и создать подробный маркетинговый план решения поставленных задач. Давайте посмотрим, каких целей можно достичь с помощью комплекса маркетинга.
Независимо от того, каких результатов компания желает достичь и какую выбирает модель комплекса маркетинга, успех во многом зависит от четкой постановки целей. Поэтому, лучше всего использовать систему SMART. Тогда цели будут конкретными (Specific), измеримыми (Measurable), достижимыми (Attainable), релевантными (Relevant). Далее вы подробнее узнаете о классической модели комплекса маркетинга.
Элементы комплекса маркетинга 4P
Модель комплекса маркетинга была описана в статье Нэла Бордена в 1964 году. Он собрал воедино все маркетинговые инструменты, необходимые для продвижения товара компании. Позже Джером Маккарти взял маркетинг микс Бордена и преобразовал его в модель 4Р. Большой вклад в ее популяризацию сделал известный во всем мире маркетолог Филип Котлер. Посмотрите, из каких элементов состоит модель 4Р.
В зависимости от ниши и специфики работы компании, бренды дополняют модель 4Р под свои нужды. Поэтому можно встретить и другие варианты этого комплекса маркетинга, с которыми вы ознакомитесь в следующем разделе.
Модели комплекса маркетинга
Высокая конкуренция и постоянные изменения на рынке привели к расширению модели 4Р и поиску новых направлений маркетингового планирования. Ознакомьтесь с некоторыми из них.
Этот комплекс маркетинга включает модель 4Р плюс дополнительный элемент «People» — маркетинг отношений. Это направление предполагает разработку механизмов взаимодействия между субъектами рыночных отношений, подбор и обучение персонала, создание методов работы с лидерами мнений, запуск программ лояльности и многое другое. Модель 5Р идеально подходит для компаний в сфере обслуживания: гостиниц, ресторанов, салонов красоты и так далее.
Модель 7Р — это еще более усовершенствованная версия 4P. Её дополняют следующие элементы: People, Process (процесс оказания услуг) и Physical evidence (физические окружение). Давайте подробнее рассмотрим последние два.
Модель SIVA — это альтернатива 4Р, которая была предложена в 2005 году. Фокус этого комплекса маркетинга перенаправлен с продукта на решение проблемы потребителя. Давайте детальнее разберем каждый из элементов модели SIVA.
Существует и ряд других моделей комплекса маркетинга. Например 4С, 4А, 5P+1S и другие. Выбор модели маркетинговой стратегии зависит от сферы деятельности компании, уровня конкуренции, целей и других факторов. Главное при выборе комплекса маркетинга — полагаться на удобство работы. Модель должна систематизировать и упрощать бизнес-процессы.
Об информационной модели товара
В современном мире основным источником информации о бытовом товаре для покупателя является интернет, посредством которого можно легко и быстро найти, сравнить, выбрать и даже купить модель товара того или иного типа. Однако мало кто из покупателей задумывается о том, что стоит за формированием контента, на основе которого он этот выбор делает.
Тем не менее, и владелец магазина, и его маркетинговый отдел прекрасно понимают необходимость предоставлять для товаров качественное, исчерпывающее и в то же время достаточно легко воспринимаемое клиентом описание.
Контент о товаре условно можно подразделить на несколько видов:
Информационная модель
В данной статье мы рассмотрим контент третьего типа — техническое описание (на самом деле, на основе этого контента можно получать почти все остальное).
Такой контент, как правило, представляет собой таблицу, состоящую из пар “Атрибут: Значение”. При этом под атрибутом следует понимать некоторое обособленное свойство группы близких по назначению товаров, отражающее их функциональные, физические и/или потребительские качества. Значение атрибута — это реализация такого свойства в данном конкретном товаре (говоря алгебраическим языком, значение есть действие атрибута на товар).
Атрибуты могут быть числовыми, категориальными и текстовыми.
Числовой атрибут представляет собой линейную шкалу, с помощью которой товары можно сравнивать между собой как обычные действительные числа. Как правило, это физическая величина (вес, объем, частота, мощность и т.п.) с единицей измерения (масштабом), либо количественный атрибут (без масштаба). Числовой атрибут в каждом товаре реализуется в виде конкретного числового значения с конкретной единицей измерения. Иногда два числовых атрибута объединяют в один для реализации интервального значения (от и до).
Категориальный атрибут представляет собой конечный список токенов (слов, словосочетаний, наименований, обозначений и т.п.) и в каждом конкретном товаре реализуется некоторым (возможно, пустым) подмножеством данного списка.
Наконец, текстовый атрибут в качестве значений может принимать любой текст из заданного алфавита, т.е. является аналогом категориального атрибута, но с бесконечным множеством возможных значений (звезда Клини в данном алфавите).
При желании все три типа атрибутов можно свести к последнему — текстовому. Для клиента, читающего описание товара, между ними нет никакой разницы. Однако стоит заметить, что чем более структурирован атрибут и чем лучше он оцифрован (пусть даже это будет конечный список векторов или матриц, а не просто число), тем легче его использовать в алгоритмах сравнения товаров и при вычислении их “функции полезности”, а также в фильтрах и тегах. Поэтому техническое описание тем качественнее, чем больше в нем числовых атрибутов и чем меньше (в идеале — совсем нет) текстовых.
Для каждого конкретного товара каждый атрибут в отдельности мало что значит, однако определенный набор атрибутов, реализованный в товаре, уже представляет собой некоторый “генетический код” данного товара, и поэтому от правильности выбора атрибутов зависит то, как данный товар будет соотноситься с другими, родственными товарами, насколько релевантен он будет в поиске, каким способом его можно будет отыскать в множестве подобных товаров.
Отсюда возникает дилемма: какой набор атрибутов, с одной стороны, достаточен для исчерпывающего (делающего его уникальным) описания одного товара, а с другой стороны, сколько вообще нужно атрибутов для того, чтобы адекватно описывать, сопоставлять и сравнивать товары в интернет-магазине или маркет-плейсе.
Как обычно, истина где-то посередине. Все товары необходимо разделить на группы таким образом, чтобы внутри каждой группы было как можно меньше малоиспользуемых атрибутов (крайний вариант: на каждый товар свой набор атрибутов) и в то же время количество этих групп должно быть как можно меньше, а их объем не должен сильно варьироваться от группы к группе (крайний вариант: единый набор атрибутов для всех товаров, т.е. одна группа товаров).
Обычно (и, как правило, эта логика оправдывается) принято подразделять товары на группы в соответствии с их функциями и потребительскими свойствами. Не стоит, например, искать одинаковые наборы атрибутов у микроволновой печи и бензиновой газонокосилки. В то же время, чайники и термопоты вполне могут быть объединены в одну группу товаров с одинаковым набором атрибутов.
Пара (Группа товаров: Набор атрибутов) называется информационной моделью (инфомоделью, моделью).
Таким образом, информационная модель представляет собой многомерное пространство (гиперкуб), измерениями в котором выступают атрибуты, а точками — конкретные физические товары, а точнее, их представление в данной модели. Инфомодель эволюционирует во времени, т.к. пополняются списки значений категориальных атрибутов, добавляются новые атрибуты и единицы измерения.
Вариативность инфомоделей
Вспомним теперь о том, что товары, очень близкие по свойствам (одного назначения), производятся различными компаниями, количество которых может достигать нескольких сотен. У каждого производителя имеется свое собственное описание продукции, а значит, свое разбиение товаров на группы и своя информационная модель для каждой группы. Получается, что хотя производители и говорят практически об одном и том же, они пользуются разными формальными языками.
Это значит, что даже для одной группы товаров существует множество информационных моделей, а универсальной общепринятой модели не существует вовсе.
При создании собственного информационного каталога для интернет-магазина мы вынуждены так или иначе импортировать технические описания товаров извне. Это можно делать вручную силами собственной контент-команды, можно импортировать через API провайдеров контента и поставщиков, можно настраивать иные способы импорта контента из доверенных источников, а также комбинировать одни методы импорта с другими. Так или иначе, возникает задача определения операторов, отображающих внешние информационные модели во внутреннюю.
Кроме того, внутренняя модель также подвергается дальнейшей трансформации для предоставления данных на сайт интернет-магазина, в различные фиды для продвижения товаров на интернет-площадках. А если мы говорим о внутренней модели провайдера контента, то эта модель отображается в многочисленные информационные модели клиентов, приобретающих данный контент.
Таким образом, в общем случае мы имеем задачу двойного преобразования технического контента: 
И на каждой из трех звеньев этой цепи мы имеем дело с различными информационными моделями и различным разбиением множества товаров на группы, так что при каждом преобразовании моделей мы вынуждены производить перевод с одного модельного языка на другой.
К сожалению, информационные модели — это не линейные пространства, а преобразование, переводящее одну инфомодель в другую, — не линейный оператор. Поэтому для создания транзитных преобразований (минующих внутренний каталог) отделаться перемножением матриц линейных операторов не удастся. И это не единственная проблема.
Трудности перевода
Перечислим некоторые из трудностей преобразования инфомоделей:
Из перечисленных проблем возникают вопросы-задачи, знакомые всем, кто занимается обработкой (больших) данных.
Атомизированная модель
Если проблема различия разговорных языков решается относительно просто (нужно договориться о том, что и во внутренней модели, и во внешних доверенных источниках будет использоваться только английский язык и метрическая система мер), то различие в группах и наборах атрибутов требует построения такой принимающей модели, в которую бы все внешние атрибуты попали максимально разделенными, декомпозированными. Иначе говоря, операторы, преобразующие внешние инфомодели во внутреннюю модель (операторы импорта) не должны склеивать отдельные атрибуты в один, но вполне могут разделять один сложный атрибут на несколько более простых (т.е. увеличивать размерность инфомодели).
С другой стороны, чтобы максимально упростить синтез новых информационных моделей для клиентской стороны (экспорт), внутренняя модель также должна быть максимально структурирована и разбита на элементарные атрибуты так, чтобы операторы экспорта смогли бы сложить из них максимальное разнообразие внешних моделей (с понижением размерности инфомодели).
Такая атомизированная модель обладает рядом преимуществ по чисто комбинаторным причинам. Действительно, имея в арсенале всего три характеристики A, B, C, мы можем составить из них как минимум 5 (число Белла при n=3) непустых моделей (
Второе преимущество состоит в том, что такую модель легче модерировать. Если характеристика A задана всего один раз, то ее переименование, пополнение набора значений или единиц измерения, исправление ошибок производится также всего лишь один раз во внутренней системе. Если же мы внутреннюю модель сделаем такой, что в ней будут представлены все возможные комбинации из внешних моделей, то дальнейшее управление усложняется экспоненциально относительно атомизированной модели.
Очистка данных
Помимо проблемы сопоставления атрибутов разных внешних инфомоделей с внутренней моделью существует и проблема “шума” в исходных данных. Во-первых, данные могут быть неполны. Для импорта это не проблема, но это значит, что доверенный источник должен быть дополнен еще каким-то источником. Полнота данных о товаре означает, что в рамках одной информационной модели не существует двух товаров с одинаковым набором значений атрибутов. Полнота, очевидно, зависит от источника данных. Если в одном доверенном источнике относительно мало товаров, то их модель описания может быть бедной, т.к. малого набора атрибутов достаточно для их различия внутри данной модели. При объединении данных из многих доверенных источников полнота может быть утеряна, а значит, во внутренней модели описание товаров должно быть максимально подробным.
Таким образом, имеется необходимость получать данные для одного и того же товара хотя бы из двух-трех источников.
Это же требование делает возможным процесс верификации данных. Дело в том, что все ошибаются, в том числе и сайты производителей. Чтобы выявить ошибки, нужно уметь производить сопоставление импортируемых данных между собой и с описаниями товаров из данной группы. А для корректного сопоставления нам снова требуется единая атомизированная модель. Только в том случае, когда мы можем сопоставить данные из различных источников в рамках одной инфомодели, мы можем также выявить некоторые ошибки и тем самым очистить данные (например, не пропускать в систему противоречащие друг другу значения или пропускать только наиболее вероятные альтернативы).
Почему инфомодель не может быть всеобъемлющей?
Ранее мы уже отмечали, что при создании инфомодели необходимо соблюдать некоторый баланс между полнотой модели и глубиной разделения товаров на группы. Обсудим этот момент подробнее.
Очевидно, что делать одну модель для одного или 10 товаров неразумно хотя бы ввиду сопоставления затрат на создание модели и эффекта от ее использования. Из всего вышесказанного должно быть уже очевидно, что создание инфомодели — дело хлопотное и затратное как по времени, так и по интеллектуальным ресурсам. Если при наличии 1000 товаров в каталоге создавать группы по 10 товаров, то нам потребуется 100 моделей, каждую из которых нужно создать и поддерживать.
Здесь, конечно, есть свои приемы экономии. Например, многие атрибуты (вроде частоты или веса) встречаются во многих моделях. Поэтому их создание и настройку проще вынести в отдельный каталог атрибутов, а модель собирать из них как “лего”.
Но ведь помимо создания модели потребуется еще произвести построение операторов импорта/экспорта, забирающих и отдающих контент во внешние модели. А в этих внешних моделях, как правило, категоризация (разбиение на группы) происходит по своим принципам. Потребуется создать несколько сотен операторов ради одной-двух внешних моделей. Это опять-таки накладно и весьма избыточно.
Наконец, если мы хотим использовать такие вещи, как машинное обучение для выявления ошибок, отклонений и для автоматизации импорта/экспорта данных, нам потребуется достаточно большая группа однородных описаний товаров, обладающих единой инфомоделью. Иначе машинное обучение будет некорректным.
ОК, почему же тогда не создать модель, которая включит все товары каталога? Одна модель требует одного акта творения и, казалось бы, сильно экономит на поддержке.
Однако и у этой крайности есть свои недостатки. Во-первых, эта модель получится крайне разреженной. Вспомним, что товар в инфомодели — это вектор значений атрибутов. Если модель очень широкая, то может оказаться, что каждый товар использует 1-2% атрибутов, хотя все вместе товары используют 100% атрибутов.
У нас получается очень разреженная модель данных, а такие модели как правило очень требовательны к вычислительным ресурсам, поскольку сильно разреженные векторы требуют постоянной упаковки и распаковки для экономии памяти, а значит, производить массовые операции над каталогом становится трудоемкой задачей.
С точки зрения Data Science к такому информационному пространству следует применить алгоритмы понижения размерности, выкинув все незначащие атрибуты и распилив это единое пространство на несколько независимых подпространств, размерность которых будет в разы ниже исходной. Но это и есть не что иное, как переход к группам товаров со схожей информационной моделью (категоризация).
Во-вторых, глобальную информационную модель также необходимо обслуживать — пополнять атрибутами, расширять списки значений, модифицировать операторы импорта/экспорта при таких изменениях. Здесь мы снова упираемся в проблему, когда необходимость внести небольшие изменения затрагивает весь каталог. А кроме того, повышаются риски возникновения дублирующих или перекрывающих атрибутов, поскольку отследить корректность модели становится непосильной для человека задачей.
В-третьих, если внутренняя модель используется для заполнения описаний “руками”, то контент-менеджер будет вынужден подолгу обозревать инфомодель в поисках нужного ему атрибута для простановки значения. А это огромная потеря времени и ресурсов компании.
Против глобальной инфомодели можно привести еще ряд аргументов, связанных с процессами управления каталогом, разделением прав доступа, отслеживанием модификаций модели, автоматизацией проверки качества вносимых значений и т.д.
Таким образом, чаще всего информационные модели строятся на группах очень схожих товаров, соблюдая паритет между всеобъемлемостью и тривиальностью модели. Когда мы имеем дело с товарной группой, где отличие по заполненности модели у товаров составляет 5-10%, мы не только упрощаем себе жизнь в плане управления моделью и привязки к ней операторов импорта/экспорта, но получаем еще ряд бонусов.
Избыточная атомизация модели
В попытках построить максимально элементарную инфомодель можно дойти до такого типа модели, который называется “Да/Нет”-моделью. В такой модели существует ровно два вида атрибутов — числовые (с единицами измерения) и категориальные с одинаковым списком значений <‘Да’,’Нет’>. Очевидно, что любой категориальный атрибут сводится к совокупности “Да/Нет”-атрибутов. Для этого достаточно взять список значений данного категориального атрибута и превратить его в одноименный список атрибутов. Тогда, если в товаре данное значение исходного атрибута присутствует, одноименный “Да/Нет”-атрибут принимает значение ‘Да’, а в противном случае — ‘Нет’.
Такая сверхатомизированная модель имеет право на существование и даже нередко применяется на практике. Однако легко понять, что и она очень сложна для целей сопоставления внешних моделей с внутренними. Достаточно заметить, что добавление нового значения категориального атрибута практически никак не затрагивает формулы операторов импорта/экспорта, в то время как соответствующее добавление “Да/Нет”-атрибута может потребовать правок во многих сопровождающих алгоритмах преобразования инфомоделей.
Кроме того, такая модель будет сильно разреженной и окажется в сотни раз больше исходной модели со списочными атрибутами, в результате чего мы получаем все те проблемы, которые описывали для случая всеобъемлющей модели.
Оправдать пользу “Да/Нет”-модели можно разве что в каталогах с очень простым, слабо меняющимся описанием (вроде каталогов выборных листовок “Да-Да-Нет-Да”), либо если эта модель спрятана “под капотом” системы искусственного интеллекта, который самостоятельно формирует группы товаров и инфомодели для них, самостоятельно создает операторы импорта/экспорта, самостоятельно верифицирует и пополняет данные на основе внешних раздражителей (фидбэков от внешних систем и контролирующих алгоритмов).
Еще одно применение “Да/Нет”-модели — это сопоставление с каким-то внешним каталогом, модель которого имеет такой же тип. В этом случае импорт контента немного усложнится: сначала оператор импорта выполнит заливку во внутреннюю “Да/Нет”-модель, затем другой оператор произведет сопоставление данных с нативной внутренней моделью, содержащей списочные категориальные атрибуты.
Бонусы атомизированной модели
Для начала заметим, что если инфомодель соответствует такой группе товаров, у которых заполнены примерно одни и те же атрибуты, то такие товары легко сравнивать между собой. А это очень важный аспект выбора товара покупателем.
Далее, если модель максимально декомпозирована, то и сравнение товаров в ней, и любая аналитика по имеющемуся контенту (статистический обсчет товарной группы) будут максимально детальными. Пользуясь атомизированной моделью, вы можете как под микроскопом выявить отличия в описаниях товаров, локализовать ошибочные значения, исключить неоднозначное толкование атрибутов, производить поиск зависимых атрибутов и вычислять отсутствующие знания о товаре.
Выше уже отмечалось, что атомизированная модель позволяет порождать большое количество комбинаций атрибутов, что упрощает создание операторов экспорта во внешние модели. Чем мельче элементарный квант модели, тем точнее мы можем выстроить правила экспорта данных для их соответствия требованиям заказчика или маркетплейса.
Ряд бонусов атомизированной модели проявляется тогда, когда мы говорим о системе управления контентом и ее интерфейсах.
Прежде всего, мы можем накладывать ограничения на допустимые значения атрибутов при вводе их как человеком-оператором, так и оператором импорта. Например, для числового атрибута можно задать ограничивающий диапазон либо превентивно, исходя из его физического смысла, либо на основе статанализа значений для ранее описанных товаров.
Можно также запретить вводить дробные значения для атрибутов количества или ограничить число знаков после запятой для значений частоты процессора.
В случае категориальных атрибутов часто используется ограничение на количество одновременно вводимых значений. Так, атрибуты подтипа “селект” позволяют выбрать только одно значение.
Наконец, можно выполнять перекрестную проверку значений и/или восполнение знаний о товаре. А именно, из физических соображений можно связать атрибуты формулами так, что если часть введенных значений позволяет однозначно вычислить остальные, то мы можем либо автоматически заполнить недостающие атрибуты, либо проверить правильность их заполнения.
Категориальные атрибуты с фиксированными списками значений и заданными у этих значений синонимами, а также с иерархией значений позволяют контролировать возникновение дублирующих атрибутов и значений. Отсутствие дублирующих фрагментов инфомодели означает более качественное ее использование при импорте/экспорте данных и более качественный поиск и сравнение товаров.
Еще одним важным бонусом атомизированной модели является то, что с помощью операторов экспорта из нее можно генерировать не только таблицу технических характеристик, которая больше ориентирована на читабельность, но и отдельный список фильтров для сайта, который будет включать более структурированные атрибуты, а также отдельный список атрибутов для таблицы сравнения товаров. Кроме того, можно строить экспорт SEO-текстов и метатегов, автоматическую генерацию наименований товаров и кратких описаний.
Ранее мы отмечали, что при создании модели и выборе источников лучше использовать один язык — английский. Однако внешние клиентские каталоги могут требовать контент на различных языках. Наличие атомизированной модели позволяет создавать словари токенов для перевода атрибутов, значений и единиц измерения на другие языки. Здесь важно, чтобы как названия атрибутов, так и их значения были максимально цельными с лингвистической точки зрения, что позволит нивелировать неоднозначность перевода.
В завершение заметим, что, имея качественное и хорошо структурированное техническое описание товара, мы можем применять алгоритмы машинного поиска других видов контента — изображений, документации, видеороликов, маркетинговых текстов и т.п.
Подводя итоги, зафиксируем тезисно основные выводы: