تطبيق رؤى تعلم الآلة على نماذج الإحالة متعددة اللمس PPC

تطبيق تعلم الآلة على نماذج الإحالة متعددة اللمس

محدث 4.30.2020

قد يدمج مخطط التسويق الإعلامي الجديد التعلم الآلي لتحسين نماذج الإحالة متعددة اللمس المستخدمة في إعلانات الدفع لكل نقرة (PPC) لعام 2020 .

من المرجح أن تكون وكالات التسويق الرقمي الناجحة في المستقبل هي تلك التي يمكنها الاستفادة من البيانات وتطبيق الرؤى من التعلم الآلي لتحسين نماذج الإحالة متعددة اللمس. تعتبر الأفكار المكتسبة ضرورية أيضًا لحملات تجديد النشاط التسويقي الناجحة .

ساعد استكشاف الابتكارات الجديدة في Machine Intelligence في Google على وضع الشركة كثاني علامة تجارية أكثر نفوذاً في جميع أنحاء العالم مع اقترابنا من عام 2020. يستكشف عملاق البحث بنشاط جوانب التقدم في التعلم الآلي من المزيد من الخوارزميات الكلاسيكية إلى التقنيات المتطورة مثل التعلم العميق. نظرًا لأن الشركات التي تعلن باستخدام Google AdWords تستمر في تحقيق مكاسب جديدة في البحث المدفوع ، فإن فهم كيفية عمل نماذج الإحالة متعددة اللمس والتعلم الآلي معًا أمر مفيد.

أولاً ، دعنا نجيب على بعض الأسئلة الشائعة التي يطرحها الناس .

ما المقصود بإسناد اللمس المتعدد؟

تعد إحالة اللمس المتعدد وسيلة لقياس فعالية التسويق. إنها تقنية تقيم جميع نقاط اتصال رحلة المستهلك وتخصص ائتمانًا جزئيًا لكل إجراء حتى يتمكن المسوق الرقمي من تقييم مدى تأثير كل قناة على عملية البيع.

ما هو نموذج الإحالة في التسويق؟

نموذج إحالة المستخدم عبارة عن مجموعة من القواعد التي تحدد كيفية إسناد المبيعات والتحويلات إلى نقاط اتصال المستهلك في مسارات التحويل. تقدم أداة مقارنة النماذج مقارنات حول كيفية تأثير نماذج الإحالة المختلفة على تقييم قنواتك التسويقية وأدائها.

توفر إحالة اللمس المتعدد بديلاً أكثر تعقيدًا لأساليب الإحالة التقليدية المستندة إلى القواعد ، مثل اللمسة الأولى والأخيرة ، والتي تمنح كل الفضل لأول نقطة اتصال تسويقية أو أخيرة قبل أن يحول المستهلك من خلال عملية شراء أو تنزيل أو أي حدث آخر.

إذا أجريت بحثًا تسويقيًا متعمقًا لأول مرة ، يمكنك تحديد أنشطة المستخدم في الموقع بشكل أفضل.

يتضمن ذلك العمل على تحديد اللغة ، والكلام ، والترجمة ، واتجاهات المعالجة المرئية ، والترتيب ، والقدرات التنبؤية التي تستفيد من ذكاء الآلة. يتم استخدام كميات وفيرة من البيانات الضخمة التي تقدم دليلًا على العلاقات المباشرة أو غير المباشرة ذات الأهمية لتطوير مناهج التعلم لفهم نتائج بحث أكثر دقة وإنتاجها بسرعة.

إن التقدم في التعلم الآلي يجبر المسوقين الرقميين على التطور - سواء كانت مُحسنات محركات البحث على دراية بذلك أم لا. أو ما إذا كنت تقوم بإعداد موقع الويب الخاص بك من أجله أم لا. ستكشف هذه المقالة عن سبب تفضيلنا لاستخدام النمذجة القائمة على الموضع في إحالة اللمس المتعدد.

التغيير الرئيسي هو: التخطيط الإعلامي وشراء الشركات تدرك أنها برزت بأخذ استراتيجيات إعلانية جديدة لتكون ناجحة في زيادة حجم المبيعات عبر الإنترنت .

فهم نماذج الإحالة متعددة اللمس: المستندة إلى القواعد مقابل الخوارزمية

هل يجب أن أستخدم نهجًا قائمًا على القواعد أم نموذجًا خوارزميًا لإحالة قدرة شرائية (PPC)؟

يمكن تصنيف التحديد الدقيق لنموذج إحالة علامتك التجارية في فئتين من النماذج: التعلم الآلي القائم على القواعد والتعلم الآلي الخوارزمي. يتم استقطاع النموذج القائم على القواعد بشكل بشري ، وبالتالي يمكن وصفه بأنه شخصي إلى حد ما. تستند نماذج الإحالة التقليدية هذه إلى افتراضات مفهومة بشكل عام حول اللمسة الأولى والأخيرة واللمسة المتساوية وإحالة تناقص الوقت والسيناريوهات الأخرى. على سبيل المثال ، كان العرض الأخير هو الذي دفع قرار الشراء الخاص بالشخص أو تم منح اللمسات الأولى والأخيرة وزنًا متساويًا.

تُعرف إحالة التسويق المستندة إلى القواعد باسم نهج الإحالة البسيط. تقوم هذه النماذج بتعيين قيم لكل نقطة اتصال للمستهلك يتم إنشاؤها بواسطة صيغة محددة مسبقًا. يتم تخصيص رصيد بنسبة 100٪ لنقطة اتصال واحدة فقط في رحلة الشراء ، وعادة ما تكون الأولى أو الأخيرة.

لتحسين هذه العملية الذاتية ، في حالة عدم محاذاة التصورات ، تكون نمذجة الإحالة متعددة اللمس التي تعتمد على مقياس نضج التحليلات أكثر وصفية وتتضمن عملية مراعاة أقل مع الاعتماد على التعلم الآلي. من خلال استبدال إحالة نقطة اتصال واحدة - التفاعل الأخير والتفاعل الأول - إلى نماذج نقاط الاتصال المتعددة ، يكون من الأسهل تعيين الإسهام لنقاط الاتصال المختلفة بناءً على القواعد الحالية.

نظرًا للتقدم في التعلم الآلي داخل خوارزمية Google BERT ، فقد ثبت أن نهج الخوارزمية المستند إلى البيانات أكثر موثوقية. هذا يعني أن نواتج الإسناد يتم إنشاؤها بناءً على البيانات ونمذجة تلك البيانات. يتم تعيين الإحالة الجزئية بالنسبة المئوية اعتمادًا على قيمة اللمسة الواحدة بالنسبة إلى الكل. لكي نكون دقيقين ، فإن إسناد التعلم الآلي الخوارزمي يعتمد كثيرًا على ثراء البيانات المدخلة. عندما يتم استخدام مصدر موثوق ، يتم الحصول على لقطة شاملة ، ولكن إذا لم يتم استخدام مصدر موثوق ، فقد تكون النتائج معيبة بشكل وحشي.

على الرغم من أننا نعتمد على التعلم الآلي ، إلا أن هذا النموذج لا يزال يعتمد على درجة عالية من التفاعل البشري. تساعد الرؤى السياقية المكتسبة من المحلل البشري على تقليل المدخلات المعيبة المحتملة. من المرجح أن يتعرف المسوق الرقمي المخضرم على أي حادث مؤسف سريعًا قبل أن يفسد المخرجات.

يمنح نموذج الإحالة متعدد اللمس جهات التسويق نظرة شاملة على تأثير كل تفاعل للمستخدم على الهدف النهائي. يساعد هذا على فهم أفضل لما ينجح وما لا ينجح وما يؤثر على هذا اللغز العملاق متعدد القنوات. تنتج هذه الأفكار إلى حد كبير قدرة المسوقين والعلامات التجارية على اتخاذ قرارات تسويقية أكثر ذكاءً. دعها تبلغ جهودك في تسويق البحث المحلي .

يقول إريك إنج أنه "يمكن استخدام التعلم الآلي من تخطيط تحسين محركات البحث إلى الفوز بالمشتريات عبر الإنترنت عندما يعزو المرء مشاركة المستخدم بشكل صحيح". في 4 فبراير 2016 ، مقالة Moz بعنوان ثورة التعلم الآلي: كيف تعمل وتأثيرها على مُحسّنات محرّكات البحث * ، تتعمق في كيفية استخدام الاستثمار الذي قامت به Google ومحركات البحث الأخرى في التكنولوجيا القائمة على الخوارزميات. تحقق من ذلك.

هل يجب عليك استخدام إسناد نموذج اللمس المتعدد لعملك؟

يمكن استخدام التعلم الآلي لإبلاغ تخطيط التسويق السريع بالمشتريات الفائزة عبر الإنترنت عندما يعزو المرء تفاعل المستخدم بشكل صحيح.

تتمثل إحدى أفضل الطرق للاستفادة من التنقيب في البيانات في تقسيم عملائك ثم إرسال رسائل مستهدفة باستخدام AdWords. وهي عملية مباشرة إلى حد ما. من خلال بيانات Search Console و Google Analytics وحدها ، من الممكن تقسيم جمهورك إلى شرائح ذات مغزى مثل العمر أو الاهتمامات أو الدخل أو المهنة أو الجنس. وهذا فعال سواء كنت تقوم بتشغيل حملات تسويق عبر البريد الإلكتروني أو بحث مدفوع أو تحديث استراتيجيات تحسين محركات البحث الخاصة بك.

فائدة أخرى لتجزئة البيانات هي القدرة على فهم المشهد التنافسي بشكل أفضل. ستساعدك هذه البصيرة وحدها في تحديد الأسواق المعتادة التي تحددها بسرعة وكذلك الأسواق التي تستهدف نفس المشترين المحتملين الذين يرغب عملك في خدمتهم.

إذا كنت مثل الشركة النموذجية التي عندما يُطلب منك إدراج منافسيها ، فإنهم يعودون بقائمة من الأفراد. فكر وخطط بشكل أكبر. استخدم التسويق على شبكة البحث المدفوعة للوصول إلى المزيد من المتسوقين . يتعين على محركات البحث الاختيار من بين مجموعة عالمية من المطابقات المحتملة لاستعلامات بحث المستخدم. تحتاج معظم الشركات إلى توسيع دائرة مواقعها التنافسية مرتين أو ثلاث مرات إذا كانت تريد حقًا المنافسة والفوز. سيساعدك التنقيب عن البيانات وفهم المزيد حول كيفية عمل التعلم الآلي على القيام بذلك.

مقالة المسوقين الإلكترونيين بعنوان رحلة Google إلى التعلم الآلي: ما يحتاج المسوقون إلى معرفته يتحدث عن الأساليب المتنوعة الموجودة مع نهج المسار العلوي. يتضمن ذلك خطة إستراتيجية لاكتساب عملاء متوقعين مؤهلين يأتون إلى موقع الويب الخاص بك ، بما في ذلك المتسوقين القادمين مباشرة من خرائط Google .

صرح Justin Cutroni أن "الجلسات والزيارات إلى موقع الويب الخاص بالنشاط التجاري ليست جميعها متساوية في القيمة ولا يجب أن تدفع الشركة نفس المبلغ لجميع العملاء المحتملين".

8 توجيه مزايا نموذج التعلم الآلي لتحسين التحويلات:

يبدأ اتخاذ قرارات إعلانية أفضل بالحصول على بيانات دقيقة والقدرة على استخدام تحديث نموذج التعلم الآلي مع كل تحويل.

1. فهم بسهولة مدى عمق مسار تحويل زائر موقعك وكيف يتخذ المستخدم قراراته.

2. تعرف على وقت التحسين من خلال معرفة المدة التي يستغرقها المستخدمون عادةً للتحويل بناءً على نقطة البداية والنهاية بإجراء عملية شراء.

3. أفضل قدرة على تحديد مكان إنفاق دولارات الإعلانات لزيادة عائد الاستثمار وإيرادات الأعمال في الربع القادم.

4. فك شفرة عدد التحويلات بناءً على الجهاز المستخدم وتأثير استهداف الجهاز الاستراتيجي في أجزاء مميزة من مسار التحويل.

5. قدرة أفضل على رؤية تكتيكات مسار التحويل العلوي واستخدام محتوى الفيديو في كل تحويل.

6. قدرة أكثر دقة على فهم دورة حياة العميل بالكامل لكل من الأعمال الجديدة والعائدة.

7. تتمثل إحدى ميزات نماذج الإحالة الخوارزمية في انخفاض التخمين في وقت مبكر.

8. يقلل من الحاجة إلى إعادة فحص بياناتك بعد فوات الأوان.

استخدم إسناد تعلم الآلة لتناقص الوقت لتخصيص إنفاق السوق

"بشكل أساسي ، تحصل الحملة الأخيرة أو الظهور الأخير الذي تفاعل معه العميل المحتمل على كل الفضل في التحويل. إذا كنت تدير حملة واحدة أو حملتين فقط ، فإن بساطة هذا النموذج وإمكانية الوصول إليه خارج الصندوق أمر جذاب. ومع ذلك ، في الحالات التي يكون لديك فيها قنوات تسويقية متعددة ، يكون هذا النوع من الإحالة مضللًا ولن يساعدك في تخصيص إنفاقك التسويقي بشكل أفضل "، حسب Segment Analytics Academy **.

عند استخدام نموذج إحالة تناقص الوقت ، تُنسب نقاط الاتصال الأقرب بمرور الوقت إلى عملية شراء المستهلك أو تحويله لأكبر حصة من الرصيد. على سبيل المثال ، إذا تم التعرف على كل من نقرة حملة AdWords وقنوات البريد الإلكتروني على أنها أحدث تفاعلات العملاء في غضون ساعات قليلة قبل البيع ، فستتلقى قناة أخرى رصيدًا أقل من قنوات الإعلان أو البريد الإلكتروني. نظرًا لحدوث تفاعل نتائج البحث المدفوعة بالقرب من وقت البيع ، فإن هذه القناة تتلقى إسهامًا أكبر بكثير من المشاركة الاجتماعية السابقة مع وكيل.

استخدام نماذج الإحالة المستندة إلى البيانات من Google

تعتمد Google بشكل أكبر على التعلم الآلي الذي يؤثر على بيانات سلوك المستخدم والذكاء الحسابي للعثور على نموذج إحالة أفضل لزيادة حجم التحويل الإجمالي. إنه حلم منجم ذهب لتحديد موقع مجموعة بيانات من شأنها زيادة حجم تحويل AdWords للجوال أكثر من أي منافسين.

يتمثل أحد التحديات في الإحالة المستندة إلى البيانات في AdWords في أنها تقدم تفسيرًا أحادي القناة لتفاعل المستخدم. لاستهداف عملاء جدد يبحثون عن منتجك عبر الإنترنت بنجاح ، من الصعب تحديد التحويلات التي قد تكون ناتجة عن أعمال تسويقية غير بحثية أخرى مثل البريد الإلكتروني أو الشبكات الاجتماعية. يعد التعلم الآلي أفضل في مطابقة كيانات الصور مع منتج يبحث عنه الأشخاص. يمكن عرض صور وإعلانات منتجك في دوارات المنتجات عبر الإنترنت .

تقترح Google الحصول على ما لا يقل عن 20000 نقرة و 800 تحويل يتم إجراؤها في غضون شهر واحد. تمتلك العديد من الشركات التي بدأت باستخدام AdWords أرقامًا أكثر تواضعًا وتعمل بشكل أفضل مع الإحالة القائمة على الموضع في البداية. يعتمد العثور على أفضل نموذج إحالة لـ PPC لعملك على العديد من العوامل ويتم الكشف عنه بمرور الوقت والاختبار.

تحديات اختيار أفضل نموذج إسناد متعدد القنوات

أيًا كان النموذج الذي تختاره ، تذكر احترام شفافية المستهلك وأفضل ممارسات الخصوصية .

ليست هناك جوانب كثيرة من التحليلات أكثر تعقيدًا من اكتشاف أفضل نموذج إحالة متعدد القنوات لاستخدامه في عملك.

كيف يمكن أن تكون النقرة الأخيرة خاطئة بعد أن تكون نموذج الإحالة الافتراضي PPC لسنوات؟ وبعد ذلك ، قد يكون من الصعب معرفة أن إحالة النقرة الأولى خاطئة أيضًا. بينما نتحرك نحو النماذج المستندة إلى الموضع حتى مع مرور الوقت ، لا يبدو أن أسلوب الإحالة المستند إلى البيانات مثالي. قد تتم زيادة إنفاقك على التسويق عبر PPC في العام المقبل بنتائج أفضل وعائد أكبر لاستثمارك في الإعلانات المدفوعة. سواء كنت في البحث العضوي أو فريق البحث المدفوع ، في النهاية إذا كنت تخدم المزيد من القيمة للمستهلكين ، فأنت تتقدم.

يعد آخر نموذج إحالة اللمسة بسيطًا وغالبًا ما يعتمد عليه العديد من جهات التسويق. ومع ذلك ، فإنه يتجاهل تمامًا محفزات جميع مرات ظهور الإعلان ، ويمنع آخر ظهور. بدلاً من ذلك ، تم تبني الفكرة الأحدث لنموذج إحالة اللمس المتعدد (MTA) من قبل الكثيرين. وهذا يعني أن أكثر من نقطة اتصال يمكن أن يكون لكل منها جزء صغير من الرصيد بناءً على تأثير المستخدم الحقيقي في كل نقطة اتصال مما يؤدي إلى قرار المستخدم بإجراء عملية شراء.

نظرًا لتقنيات التعلم الآلي الجديدة ، لا تنزعج من المفاهيم السابقة حول هذا الموضوع. ولدت من التعرف على أنماط البحث وسلوك زوار الموقع ، تتيح أبحاث الذكاء الاصطناعي لعملك التعلم من البيانات ونقاط اتصال المستخدم. من الممكن تصور وبيانات تحويل الائتمان بشكل أفضل. يعد الجانب التكراري للتعلم الآلي مهمًا لأنه نظرًا لأن النماذج تتعرض لبيانات جديدة ، فإنها قادرة على التكيف بشكل مستقل. يتعلمون من الحسابات السابقة لإنتاج قرارات ونتائج موثوقة وقابلة للتكرار. هذا علم قديم ، لكنه علم تم تحسينه بشكل كبير واكتسب دعمًا جديدًا من المسوقين الرقميين المحنكين. إذا حافظت على ممارسات تسويق تحسين محركات البحث (SEO ) الخاصة بك ، فستفيد أيضًا عمليات الدفع لكل نقرة (PPC).

في حين أن العديد من خوارزميات التعلم الآلي موجودة منذ سنوات ، فإن القدرة على تطبيق الحسابات الرياضية المعقدة تلقائيًا على بيانات Google Analytics الخاصة بك بمقطع أسرع وأكثر موثوقية هي تطور حديث.

كيفية استخدام تقرير أهم مسارات التحويل في Analytics للمسارات متعددة القنوات

افحص تقرير طول المسار في التقرير القياسي للمسارات متعددة القنوات في Google Analytics (أو نظام أساسي مشابه). غالبًا ما يكون لعدد كبير من تحويلات الموقع أكثر من طول مسار واحد ، مما يجعل من الصعب عزو التحويل بشكل صحيح. يسمح برنامج Google Analytics للمسوقين بدمج الرؤى حول مسار تحويل المستخدم والتي يمكن تصورها من خلال التحويل متعدد القنوات الموجود في قسم "نظرة عامة".

راجع تقرير التحويلات المدعومة في Google Analytics. ركز على العمود الأخير الذي يعرض جميع التحويلات المدعومة / النقرة الأخيرة أو التحويلات المباشرة:

• بالنسبة للقيم الأقل من واحد ، تتمتع هذه القناة باحتمالية أعلى في جذب تحويلات النقرة الأخيرة.

• بالنسبة للقيم التي تزيد عن واحد ، من المحتمل أن تكون هذه القناة متاحة في مرحلة مبكرة من مرحلة التحويل. قد تفقد هذه القنوات الفضل المناسب عند استخدام إستراتيجية إحالة النقرة الأخيرة.

من الممكن فك رموز المناطق التي قد يتم التقليل من قيمتها عبر قنوات التسويق الخاصة بك.

ثم اضبط النسبة المئوية لتخصيص الميزانية وقياس النتائج الجديدة. تستفيد فرق التسويق بأكملها من معرفة القناة التي تأتي أولاً (القناة التي تعمل على تقديم علامتك التجارية للمستهلك ) ، والقناة التالية ("تغذي قرارات المشتري المحتملة لدينا") ، والقناة التي تأتي بعد ذلك وما إلى ذلك.

بعد ذلك ، حدد الإحصاءات في تقرير "أهم مسارات التحويل في Analytics".

التنقيب في البيانات لنماذج إحالة أفضل

التقسيم وقاعدة البيانات الخاصة بك واختبار كيف اكتسبت رؤيتك الشكل يمكن أن يؤدي نسخ الإعلان إلى زيادة معدلات تحويل الأعمال وبالتالي هوامش الربح. من خلال جعل عروض الدفع لكل نقرة (PPC) الخاصة بك من خطة تسويق ضيقة ومهتمة للغاية ، يمكن أن تمكّن شركتك من تخصيص المنتجات والعروض الترويجية لتلبية احتياجات الجمهور الفريد بشكل أفضل والذي يمكن للترويج العام والأوسع نطاقًا القيام به.

قد تتضمن مناهج مسار التحويل الأعلى الأكثر ذكاءً حول كيفية اكتساب عملاء محتملين جدد ومؤهلين إلى موقع الويب الخاص بك مزيدًا من التركيز في منتصف مسار التحويل. يشمل التسويق المدفوع بالربح التنبؤ بما يسبب الاضطراب ومشاركة المستخدمين ومعدلات استبقاء أفضل ، ومن الممكن تقليل الصوامع التنظيمية ورؤية الشركات تدمج مصادر بياناتها. لدينا القدرة على إشراك التعلم الآلي لتحسين تكامل البيانات الذي يمكن استخدامه لزيادة اكتساب عملاء جدد ، وتقليل معدلات ارتداد الصفحة المقصودة ، وبناء مشتريات عائدة من العملاء الحاليين.

ينسب الكثيرون إلى التعلم الآلي ، وتحليلات العملاء ، وكيف يمكن أن تعمل البيانات الضخمة معًا لتجاوز الوصول إلى نوع معين من المشتري برسالة محددة على نوع واحد من الأجهزة. بعد تحديد السلوك المحفز الذي يؤديه زائر الموقع ، يكتسب المسوقون المزيد من الأفكار المؤهلة حول ما يجب تغييره في الرسائل والعروض والتكرار والوقت من اليوم وعوامل أخرى لجعل الإعلانات المدفوعة أكثر كفاءة.

النمذجة القائمة على الموضع في إسناد PPC

تريد كل شركة أن تكون مقتصدًا قدر الإمكان لتحقيق أقصى قدر من النتائج من إنفاقها الإعلاني ولإظهار مقتطفات مميزة مرئية . من خلال الفحص الدقيق لقاع مسار التحويل ، فإن إحالة النقرة الأخيرة تستحق معظم جهود العديد من جهات التسويق. في حين أنه من السهل فهم السبب ، عندما يكون الهدف هو كفاءة الدفع بالنقرة والنمو الخارجي أقل تطلبًا من الاهتمام ، فإن نموذج تضاؤل ​​الوقت هو المفضل لدي.

ومع ذلك ، عندما ينصب تركيز الأعمال على النمو وزيادة اكتساب عملاء جدد ، فإن الاقتراب من قمة مسار التحويل يمثل أولوية لتحسين AdWords . يقدم كل من إحالة النقرة الأولى والنقرة الأخيرة قطعًا صغيرة فقط من الكعكة. قد توفر بيانات Google في AdWords و Google Analytics في يوم من الأيام تكرارًا عكسيًا لتضاؤل ​​الوقت ، ولكن نظرًا لعدم تقديمها اليوم ، فإن النموذج القائم على الموضع أو على شكل حرف U يتطلب المزيد من العمل والتفسير الماهر لتقارير البيانات المتاحة.

من خلال التركيز على البيانات التنبؤية ومعلومات الشراء ذات الصلة ، من الممكن زيادة العلاقات التي تربط المستهلكين بمنتجاتك وخدماتك. يتطلب ذلك استراتيجية تسويق محتوى واضحة تعمل من أجل مسار مبيعاتك الدائم الخضرة .

يسهّل نموذج الإحالة المستند إلى الموضع على شكل حرف U تحديد نقاط الاتصال الرئيسية للمستخدم مع إسناد نسبة مئوية من الفضل في الوقت نفسه إلى جهود التسويق السابقة. عندما يكون للشركة دورة شراء طويلة ، فغالبًا ما يتم إعطاء نقاط التلامس الوسطى وزناً أقل. يبحث المشترون عن مراجعات للمنتجات لمساعدتهم على اتخاذ قرار. نمذجة الإحالة تعسفية تمامًا. تساعدك سنوات الممارسة والعقل التحليلي على تخصيص رصيد للمقاييس والقنوات التي تتماشى بشكل أفضل مع أهداف عملك.

تقدم دراسة التتبع عبر الأجهزة رؤى للقياس والإحالة

يوفر التتبع المحسن عبر الأجهزة عرضًا كاملاً لسلوك المستخدم ويمكن أن يكون ذا قيمة لمجموعة من الأغراض ، بما في ذلك استهداف الإعلانات وإحالة اللمس المتعدد والبحث وإحالة التحويل. ومع ذلك ، غالبًا ما لا يكون مستخدمو الموقع على دراية أو غالبًا ما يتخطون قراءة إشعارات ملفات تعريف الارتباط المنشورة في أسفل الصفحات حول كيفية ومدى تتبع سلوكهم عبر الأجهزة المختلفة. لذلك ، تقوم دراسة أجرتها OTech بجمع معلومات حول التتبع عبر الأجهزة وتقدم ملاحظات من منظور المستخدم النهائي.

وفقًا لرسالة بريد إلكتروني في الخامس من يناير من آرون ألفا في قسم التكنولوجيا في لجنة التجارة الفيدرالية ، "تحاول شركات تكنولوجيا الإعلانات والتحليلات عبر الإنترنت بشكل متزايد إيجاد طرق لربط السلوك عبر الأجهزة المختلفة التي يمتلكها المستهلكون. يمكن أن يوفر هذا التتبع عبر الأجهزة عرضًا أكثر اكتمالاً لسلوك المستهلك ويمكن أن يكون ذا قيمة لمجموعة من الأغراض ، بما في ذلك استهداف الإعلانات والبحث وإحالة التحويل ".

لمزيد من المعلومات ، اقرأ التقرير الذي تم إصداره حديثًا من لجنة التجارة الفيدرالية بعنوان التتبع عبر الأجهزة: القياس والإفصاح من قبل مكتب البحث التكنولوجي والتحقيق (OTech)

كيف يفيد التعلم الآلي إعلانات Google الخاصة بك

لماذا يرغب أصحاب الأعمال في معرفة نشاط كل عميل في كل نقطة اتصال:

• تحسين استهداف الإعلانات والاتصالات المصممة خصيصًا لبرنامج إعلانات Google - مع معرفة أعمق بسلوك العملاء والتفاعلات عبر الإنترنت ، يمكن لاستراتيجيات التسويق عبر البحث أن تشكل رسائل مخصصة لتندمج بشكل أفضل عبر جميع القنوات.

• قرارات أفضل بشأن المنتجات والخدمات - من خلال رؤى بيانات العملاء المحسّنة للتحليل ، يمكن أن تكون صفحات البيع بالتجزئة المقصودة أكثر فائدة بعد التغيير والتبديل عبر التسويق المستنير ، وتحسين محركات البحث على الصفحة ، وقرارات تحديد المواقع.

• يحسن ولاء العميل - كيف يمكن لعميل واحد أن يساعد استراتيجياتك التسويقية على تحسين خدمة العملاء والتأثير بشكل إيجابي على ولاء العملاء.

• عروض أفضل نسخًا وعروضًا ترويجية مدفوعة الأجر في الإعلانات الصورية " - فهم سلوكيات المستخدم وكيف يفكر العملاء عند تفاعلهم مع علامتك التجارية يعني أنه يمكن لفرق التسويق أن تبتكر العروض والعروض الترويجية التي تركز على العميل والتي تعني أكثر من غيرها زوار الموقع.

"في نموذج الإحالة المستند إلى الموضع ، يتم تخصيص 40٪ من الفضل لكل تفاعل أول وآخر تفاعل ، ويتم توزيع نسبة 20٪ المتبقية بالتساوي على التفاعلات المتوسطة. في هذا المثال ، ستحصل كلٌّ من القنوات المباشرة ونتائج البحث المدفوعة على 40٪ من الإسهام ، بينما ستحصل كلٌّ من قنوات البريد الإلكتروني والشبكة الاجتماعية على 10٪ من الفضل ". - دعم تحليلات جوجل

ملاحظة: تقدمت Google بطلبها في 15 فبراير 2013 للحصول على طريقة وجهاز لتحديد الإسناد متعدد اللمس المستند إلى البيانات في الحملات الإعلانية متعددة القنوات . يُعرف أيضًا باسم US 20140236705 A1 ، والذي يعتمد على الاستفادة من التعلم العميق .

كيف أحدد النموذج الأفضل لعملي؟

مديرو التسويق الرقمي هم الأفضل في تحديد حملات إعلانات Google وتصميمات الإعلانات والمواضع التي تحقق أفضل أداء ، وكيفية تعديلها ، أو ما إذا كان عليك الاستثمار في حملات معينة على الإطلاق. الإجابة "حسب ذلك" صحيحة هنا حيث أن العديد من العوامل الأخرى ، مثل الوعي بالعلامة التجارية الموجودة مسبقًا ، وهوامش عائد الاستثمار ، والتركيبة السكانية ، تلعب جميعها دورًا ؛ الإسناد الجزئي لا.

مزيد من الضغط على جهات التسويق الرقمية في المنافذ الضيقة. بشكل متزايد يتحملون مسؤولية زيادة التحويل والحصول على مقتطفات مميزة غنية في نتائج البحث . مع ظهور قياسات جديدة ، يكون من الأسهل فك تشفير ما إذا كان أي من هذه النماذج أفضل من قياس القناة المنعزلة. ستمنحك هذه الأساليب نظرة ثاقبة لرحلة المستهلك لم تكن لديك من قبل. إن تحديد حل الإحالة متعدد اللمس الأفضل لمنتجاتك يتم تحديده كثيرًا من خلال أهداف عملك ومتطلباته وميزانيتك وكيف تريد استخدام المخرجات لتحسين فعالية التسويق المدفوع.

ملخص

تعرف على المزيد حول Jeannie Hill وخدمات إعلانات Google في الوقت الذي يناسبك.

إذا كنت ترغب في معرفة ما يمكن أن يفعله دمج نهج التعلم الآلي ، فلنتحدث أكثر عن خدمات تحسين AdWords لدينا للحصول على معدلات تحويل أقوى

* https://moz.com/blog/machine-learning-revolution

** https://segment.com/academy/advanced-analytics/an-introduction-to-multi-touch-attribution/