كيفية زيادة المبيعات وتحسين عائد الاستثمار باستخدام البيانات والتعلم الآلي

تزدهر خوارزميات الإعلان عبر الإنترنت بناءً على عدد كبير من الإشارات. توفر الصناعات مثل التجارة الإلكترونية والألعاب المحمولة بيانات كافية لتدريب هذه الخوارزميات. لذلك ، فإن الأساليب المستخدمة بشكل شائع من خلال منصات الإعلان مثل Google و Facebook تسمح بالاستهداف الفعال والمشاركة الفعالة للجماهير المرغوبة.

ومع ذلك ، في العديد من الصناعات الأخرى حيث يكون عدد الإشارات أقل ، يكون معدل التحويل المستهدف أقل بكثير من معايير القنوات. إذا وجدت نفسك في هذا الموقف ، فمن الضروري إجراء التبديل والاستفادة من بياناتك بقوة التعلم الآلي.

لقد تعاونا مع Konstantin Bayandin ، مؤسس شركة AdTech الناشئة Tomi.ai ، لمناقشة فرص التسويق عبر الإنترنت التي يمكن فتحها من خلال التعلم الآلي.

بصفتي CMO ورئيس قسم علوم البيانات والتحليلات في OZON.ru (ما يعادل Amazon في روسيا) ، أقود تطوير التسويق المستند إلى البيانات في الشركة. في التجارة الإلكترونية ، هناك تحويلات قيّمة (مشتريات) وفيرة ، والكثير من البيانات للتقطيع والنرد. عند الانتقال إلى الولايات المتحدة للعمل في شركة Compass للوساطة العقارية عالية التقنية ، اكتشفت مشكلة. بعد أن تحولت إلى العقارات من الإعلان عبر الإنترنت والتجارة الإلكترونية ، صدمت بمدى صعوبة التسويق عبر الإنترنت لهذه الصناعة. كانت المشكلة الرئيسية هي العدد المنخفض للغاية للتحويلات النهائية ، حيث نادرًا ما يشتري الناس منازل أو شققًا. لوضعها في منظورها الصحيح ، لدى الولايات المتحدة ما مجموعه 5 ملايين معاملة عقارية فقط سنويًا.

وبسبب هذا ، فإن التحويلات نادرة للغاية. تقريبًا ، أنت محظوظ حتى للحصول على معاملة واحدة لكل 10000 زائر لموقع الويب. معدل التحويلات إلى المعاملات يصل إلى 0.01٪ أو أقل. لذلك ، لا يستطيع المسوقون العقاريون استخدام المزايدة الذكية: استراتيجيات المزايدة الآلية التي تقدمها منصات إعلانات Google و Facebook. يتعين عليهم إما زيادة عدد النقرات إلى الحد الأقصى ، أو تحسين أحداث موقع الويب في منتصف مسار التحويل (مثل جمع جهات الاتصال). لا تكون قيمة هذه التحويلات واضحة دائمًا ، حيث يرسل الأشخاص غالبًا معلومات الاتصال الخاصة بهم لأسباب لا علاقة لها بالشراء.

لذا فإن هذا يطرح السؤال ، لماذا تواجه بعض الصناعات وقتًا أكثر صعوبة في التسويق عبر الإنترنت؟ لماذا لديهم معدلات تحويل منخفضة وعائد استثمار ضعيف؟ أعتقد أن هناك خمسة أسباب رئيسية لذلك:

1. جمهور محدد للغاية: بغض النظر عن مقدار الجهد الذي يبذله المسوق ، فإن 5٪ فقط من الأشخاص المستهدفين سيشترون أو يبيعون العقارات في الأشهر الـ 12 المقبلة.
2. وجود مكونات غير متصلة بالإنترنت: مثل الاضطرار إلى توقيع عقد عقاري على الورق وشخصيًا.
3. دورات البيع الطويلة: وفقًا لشركة Zillow ، يستغرق شراء منزل ما يزيد عن 4.5 شهرًا في المتوسط. وفي الوقت نفسه ، في صناعة السيارات ، يستغرق الناس عادةً أسابيع أو شهور لاختيار سيارة ، وأسبوعين إضافيين لإتمام الصفقة.
4. المعاملات الكبيرة: كما يمكنك أن تتخيل ، كل ما سبق قد يكون مكلفًا للغاية. وبطبيعة الحال ، كلما زاد المبلغ المعني ، كلما طالت مدة اتخاذ القرار.
5. التنظيم: على الرغم من أن هذا ليس بالضرورة اعتبارًا رئيسيًا في جميع الصناعات ، إلا أنه بالتأكيد يتعلق بالعقارات والتمويل. يتم تنظيم هذه الصناعات بشكل كبير من أجل ضمان المساواة في الحصول على الإسكان والائتمان. على سبيل المثال ، يحظر قانون حماية الإسكان العادل استخدام معظم الاستهداف المتضمن في التسويق العقاري ، مثل الجنس والعمر والعرق والموقع الجغرافي.

إذا كان عملك يحتوي على ثلاثة على الأقل من المكونات الخمسة المذكورة أعلاه ، فمن المحتمل أن يكون لديك معدل تحويل منخفض. في هذه الحالة ، يجب أن تكون حريصًا جدًا في إدارة بياناتك. ضع في اعتبارك تنفيذ التعلم الآلي لصالحك: يمكن أن يساعد في إغلاق حلقة التعليقات لمعاملاتك المستقبلية ، من خلال ربطها بالطلب الموجود في الجزء العلوي من مسار التحويل.

مستوحاة من هذا التحدي ، قمت بإنشاء حل يتنبأ باحتمالية عمليات الشراء المستقبلية باستخدام التعلم الآلي والبيانات السلوكية لزوار موقع الويب. Tomi.ai هي عبارة عن نظام أساسي يساعد المسوقين عبر الإنترنت اليوم على مضاعفة عائد استثمارهم الإعلاني باستخدام التعلم الآلي ، والبيانات السلوكية للطرف الأول ، وتكامل واجهة برمجة التطبيقات. إنه يفتح إمكانيات للصناعات التي يمثل فيها التسويق عبر الإنترنت تحديًا ، مثل العقارات والبنوك والتأمين و EdTech و SaaS.

لعملائنا القادمين من الصناعات المعقدة ، نقوم بتنشيط النتائج التنبؤية في حساباتهم الإعلانية كتحويلات مخصصة بقيمة قيمة متوقعة. أي أننا نحسب الدخل المتوقع الذي يمكن أن يولده زائر الموقع ، من خلال النظر إلى مستوى تفاعله مع الموقع. نتعامل معها على أنها عملية شراء مكتملة ، ثم نقوم بتعظيم هذا المقياس. نتيجةً لذلك ، يستطيع عملاؤنا عرض إعلاناتهم على مستخدمين متفاعلين بدرجة عالية مع قيمة عالية متوقعة للحياة.

التعلم الآلي هو المحرك الذي يدعم التسويق عبر الإنترنت اليوم. في رأيي ، يحتاج المسوقون إلى التطور إلى محللين أو علماء بيانات ، لأن مشاكل التسويق غالبًا ما يكون لها حلول رياضية. تشبه عمليات التسويق عبر الإنترنت بشكل أساسي مشكلة التحسين في الرياضيات ، حيث يلزم زيادة معلمة معينة (مثل الإيرادات) في حالة الميزانية والقناة والقيود الأخرى.

الغرض الكامل من استخدام التعلم الآلي في التسويق عبر الإنترنت هو إغلاق حلقة التعليقات من عمليات الشراء وأعلى أحداث مسار التحويل.

من الممكن بناء نماذج تنبؤية عبر جميع مراحل القمع. نقوم بذلك من خلال توقع احتمالية التحويل بناءً على سلوك المستخدمين المبكر. ثم نعبر عنها من حيث احتمالية الشراء والقيمة المتوقعة للشراء.

يتمثل التحدي الذي يواجه المتخصصين في التكنولوجيا في التفكير في طريقة لإغلاق حلقة التغذية الراجعة هذه ، وإنشاء جماهير متشابهة قائمة على القيمة بناءً على LTV التي تنتجها هذه النماذج. كما يحتاجون أيضًا إلى إيجاد طريقة فعالة لإبلاغ قراراتهم المتعلقة بعطاء النظام الأساسي للإعلانات باستخدام الإشارات المبكرة والتحويلات الصغيرة التي تحدث في وقت مبكر من العملية. ثم ادمجها مع خوارزميات التعلم الآلي لإنشاء مقياس موحد للتحويلات والمبيعات المتوقعة ، بدلاً من استخدام التحويلات النهائية (التي نادرًا ما تحدث).

إذا كان لدى Google و Facebook بالفعل التعلم الآلي من جانبهم ، فلماذا يحتاج المسوقون إلى تطبيق التعلم الآلي بمفردهم؟

1. يوسع التعلم الآلي الإشارة

عادةً ما يشتمل موقع الويب منخفض التحويل على العديد من جلسات المستخدمين. على سبيل المثال ، سيكون لمشروع التجارة الإلكترونية المتوسط ​​معدل تحويل 2٪ ، مما يعني أن جلستين فقط من كل 100 جلسة سيكون لها قيمة غير صفرية. قوة إشارتهم تساوي 100٪.

يساعدنا التعلم الآلي على فهم احتمالية حدوث تحويل من الأحداث المبكرة في كل جلسة ، وتعيين قيمة غير صفرية لها. يمكننا تحديد 25٪ من زوار الموقع الذين تتراوح قوة إشارةهم من 2٪ إلى 10٪. يمنحنا هذا الأسلوب جمهورًا أوسع بإشارة أضعف يمكن استخدامها لإنشاء الشرائح.

2. التعلم الآلي قادر على حساب القيمة الدائمة التزايدية المتوقعة

يساعدك هذا على فهم مدى جودة أداء الحملة ، وما إذا كانت ستصل إلى قيمتها المستهدفة في المستقبل - حتى قبل حدوث التحويلات الفعلية.

3. يمكن استخدام dLTV لتحسين عروض أسعار الإعلانات

يمكنك تحسين عروض أسعارك باستخدام الإحالة التنبؤية التي يدعمها التعلم الآلي لفهم الأداء المتوقع لحملتك.

لنفترض أنك تطلق إعلانًا على Google يحتوي على الكثير من الكلمات الرئيسية. لقد أنفقت مبلغًا معينًا على كل كلمة رئيسية ، وحققت رقم مبيعات معينًا ، وقسمت مبيعاتك على عائد الاستثمار. لقد قمت بفرز هذه الكلمات الرئيسية بترتيبها تنازليًا حسب عائد الاستثمار ، ثم قمت برسم 100٪ من التكاليف (التراكمية) على المحور السيني ، ورسمت جميع نتائج الأعمال في شكل مبيعات أو ربح على المحور ص. بعد القيام بذلك ، سوف يمنحك هذا "منحنى الأداء" الخاص بك:

الغرض من استخدام تكنولوجيا التسويق هو إزالة الضوابط غير الضرورية. في هذه الحالة ، نحتاج إلى إزالة الكلمات الرئيسية الضعيفة التي تؤثر سلبًا على عائد الاستثمار. لا يمكنك تحمل تكلفة الاستثمار في هذه الكلمات الرئيسية ، وبالتالي يمكن خفض ميزانيات كل منها.

من خلال استخدام طرق جديدة وأكثر كفاءة ، يمكنك تغيير منحنى الأداء نفسه. يمكنك تحقيق أداء أعلى بنفس الميزانية والكلمات الرئيسية. لتوضيح ذلك ، بالعودة إلى OZON.ru في عام 2016 ، استخدمنا معدِّلات عروض أسعار مدعومة بالتعلم الآلي للإعلانات على شبكة البحث ، وبالتالي ساعدنا Google و Yandex في جذب جماهير متكررة عالية الجودة.

نتيجة لذلك ، تنمو إيراداتك ، وتحقق عائد استثمار هامشي أعلى من الرقم المستهدف ، ويساعدك على فتح فرص جديدة. على سبيل المثال ، من خلال الاستثمار في كلمات رئيسية جديدة وزيادة الإنفاق ، يمكنك تحقيق أداء أعلى على رقم عائد الاستثمار المستهدف.

ربما نكون رواد التعلم الآلي للتسويق التنبئي في صناعات مثل العقارات والبنوك و SaaS. تأتي فكرة تسجيل المستخدمين واستخدام هذه النتيجة لأغراض التحسين من صناعة الألعاب. غالبًا ما تكون ألعاب الجوال مجانية ، ولكنها تأتي مع خيارات للشراء داخل اللعبة. "الحيتان" ، كما يشار إليها في صناعة الألعاب ، هي مجموعة من اللاعبين الذين يشكلون 1٪ فقط من تعداد اللاعبين ، ومع ذلك فهم قادرون على دفع تكلفة جميع اللاعبين من خلال عمليات الشراء داخل اللعبة.

تم تصميم جميع الألعاب من هذا النوع لزيادة حصتها من المنفقين المرتفعين ، والأهم من ذلك ، تحديد المنفقين المرتفعين المحتملين. لفترة طويلة في الصناعة ، من المعروف أن مديري المنتجات يستخدمون البيانات للتنبؤ بالقيمة الدائمة من أجل اتخاذ قراراتهم.

تم دمج تطبيقات ألعاب الهاتف المحمول بالفعل مع Google ، ولاحقًا مع Facebook ، لنقل بيانات الأحداث عبر الإنترنت. لتقييم احتمالية أن يصبح اللاعب "حوتًا" ، يستخدم المسوقون بيانات من الأيام القليلة الأولى للاعب من اللعب. ثم يقومون بعد ذلك بإنتاج تحويل تركيبي "تثبيت عالي الجودة" ، وإرسال هذا الحدث إلى Google UAC ، ثم تحسين التثبيت بجودة عالية ، بدلاً من التثبيت المنتظم.

نقوم بتنفيذ عمليات التكامل القياسية التالية لعملائنا:

1. Tomi.ai Pixel: تحتاج إلى تثبيت Tomi.ai pixel على موقع الويب الخاص بك لجمع البيانات السلوكية: مثل الصفحات التي زارها المستخدمون ، ومدة الإقامة على صفحات معينة ، والنقرات. ستقوم خوارزمية التعلم الآلي بفرز كل هذه الإشارات للعثور على تلك التي توفر أكثر التنبؤات دقة للتحويلات المستقبلية. على سبيل المثال ، الأشخاص الذين يعتزمون حقًا شراء منزل سيستخدمون حاسبة الرهن العقاري ويبحثون عن المدارس القريبة. ستنتج هذه العوامل المتغيرات التي سيستخدمها التعلم الآلي للتنبؤ باحتمالية التحويل إلى شراء.
2. تكامل CRM: نطلب من العملاء تقديم خلاصات المعاملات المكتملة (البيانات التاريخية). باستخدام رسائل البريد الإلكتروني وأرقام الهواتف المجزأة المقدمة على الموقع كمعرفات مجهولة ، يمكننا ربط المعاملات غير المتصلة بنشاط الأشخاص عبر الإنترنت. نستخدم عينة بيانات تاريخية مدتها شهر واحد (أو أكثر) لتدريب نماذجنا على سلوكيات الأشخاص واحتمالية عمليات الشراء اللاحقة.
3. تكامل واجهة برمجة التطبيقات (API): أخيرًا ، نقوم بتغذية هذه البيانات مرة أخرى في الحسابات الإعلانية. نطلب الوصول إلى واجهات برمجة التطبيقات للتسويق لنا لربط وتحميل التحويلات التركيبية وبيانات الجمهور التنبؤية إلى Google و Facebook.

العامل الأكثر أهمية للتعلم الآلي هو عدد النتائج الإيجابية التي حدثت - كم عدد التحويلات التي تمكنا من تسجيلها. نظريًا ، 20 عملية شراء كافية ، لكن عمليًا ، نحاول تحديد 100 عملية شراء على الأقل يمكننا ربطها بالسلوك عبر الإنترنت. بشكل عام ، نهدف إلى تدريب النموذج باستخدام عدة مئات أو آلاف من عمليات الشراء. من المهم أن نحقق على الأقل أول 100 نتيجة إيجابية خلال فترة جمع البيانات لدينا ، والتي تحدث عادةً في الشهر الأول من العمل (أو لفترة أطول إذا كانت التحويلات نادرة).

من واقع خبرتنا ، فإن المعايير الرئيسية لجودة البيانات هي حصة الطلبات غير المتصلة بالإنترنت التي يمكننا ربطها بنشاط العملاء عبر الإنترنت. لا تقتصر الفكرة الرئيسية على دمج موقع الويب ونظام إدارة علاقات العملاء فحسب ، بل تتمثل أيضًا في جمع معرفات ملفات تعريف الارتباط مجهولة المصدر. عادة ما يتم استخدام معرّف Google Analytics لهذا الغرض. تحتاج إلى جمع معرّفات Google Analytics للمستخدمين ثم إدخال هذا المعرّف في CRM في جميع المراحل اللاحقة: تأهيل العملاء المحتملين ، ودعم المبيعات ، وتنفيذ العقد ، وما إلى ذلك.

لا تكمن قيمة التعلم الآلي في البيانات الواردة في جدول واحد. يكمن في جودة الارتباط بين جداول متعددة.

قيمة البيانات ليست في البيانات ، ولكن بين البيانات.

هذا يعني أن القيمة ليست مجرد وجود الجداول ، ولكن في ربط عدة جداول معًا لإلغاء تأمين قيمة إضافية. تعد القدرة على ربط جداول السلوك عبر الإنترنت بجداول الطلبات أمرًا في غاية الأهمية للمسوقين.

إذا لم تتقدم الحملات الإعلانية أبدًا إلى ما بعد مرحلة التعلم (ويمكن أن يكون هذا هو الحال مع التحويلات النادرة للغاية) ، فيمكنك فعل شيء حيال ذلك باستخدام قوة التعلم الآلي.

إذا كنت لا تزال تعظم عدد النقرات على موقع الويب ، فأنت متأخر بالفعل. إذا كنت تقوم بتحسين إعلاناتك لتجميع جهات الاتصال ، وكانت جهات الاتصال هذه ذات جودة رديئة (فقط 5-10٪ من جهات الاتصال تم تحويلها إلى عملية بيع) ، فمن المرجح أن يعمل التعلم الآلي على تحسين ذلك.

أريد أن أؤكد أنه ليس عليك أن تكون عالم بيانات حتى تبدأ. تبلل قدميك وتعرّف على ما يمكن أن يفعله التعلم الآلي لحملاتك التسويقية. مع استمرار زيادة ترابط الصناعات ، حان الوقت الآن لإدخال ابتكارات تقنية جديدة في مجموعة أدواتك.