Cara meningkatkan penjualan dan meningkatkan ROI menggunakan data dan pembelajaran mesin

Algoritme periklanan online berkembang pesat pada sejumlah besar sinyal. Industri seperti e-niaga dan game seluler menyediakan data yang cukup untuk melatih algoritme ini. Oleh karena itu, pendekatan yang populer digunakan oleh platform periklanan seperti Google dan Facebook memungkinkan penargetan dan keterlibatan audiens yang diinginkan secara efisien.

Namun, di banyak industri lain di mana jumlah sinyal lebih rendah, tingkat konversi target jauh di bawah tolok ukur saluran. Jika Anda berada dalam situasi ini, penting untuk beralih dan memanfaatkan data Anda dengan kekuatan pembelajaran mesin.

Kami telah bekerja sama dengan Konstantin Bayandin, pendiri startup adTech Tomi.ai, untuk membahas peluang pemasaran online yang dapat dibuka dengan pembelajaran mesin.

Sebagai CMO dan Kepala Departemen Ilmu Data & Analisis OZON.ru (setara dengan Amazon di Rusia), saya memimpin pengembangan pemasaran berbasis data di perusahaan. Dalam e-niaga ada banyak sekali konversi (pembelian) yang berharga, dan banyak data untuk diiris-iris. Setelah pindah ke AS untuk bekerja di Compass, pialang real estat berteknologi tinggi, saya menemukan masalah. Setelah beralih ke real estat dari periklanan online dan e-commerce, saya terkejut dengan betapa menantangnya pemasaran online untuk industri ini. Masalah utama adalah rendahnya jumlah konversi akhir, karena orang jarang membeli rumah atau apartemen. Sebagai gambaran, AS hanya memiliki total 5 juta transaksi real estat per tahun.

Karena itu, konversi sangat jarang. Secara kasar, Anda beruntung bahkan mendapatkan satu transaksi per 10.000 pengunjung situs web. Tingkat konversi menjadi transaksi berjumlah 0,01% atau kurang. Oleh karena itu, pemasar real estat tidak dapat menggunakan penawaran cerdas: strategi penawaran otomatis yang ditawarkan oleh platform periklanan Google dan Facebook. Mereka juga harus memaksimalkan jumlah klik, atau mengoptimalkan acara situs web corong tengah (seperti pengumpulan kontak). Nilai konversi ini tidak selalu jelas, karena orang sering mengirimkan info kontak mereka untuk alasan yang tidak terkait dengan pembelian.

Jadi ini menimbulkan pertanyaan, mengapa beberapa industri mengalami kesulitan dengan pemasaran online? Mengapa mereka memiliki tingkat konversi yang rendah dan ROI yang buruk? Saya percaya ada lima alasan utama untuk ini:

1. Pemirsa yang sangat spesifik: Tidak peduli seberapa besar upaya yang dilakukan pemasar, hanya 5% orang yang ditargetkan yang akan membeli atau menjual real estat dalam 12 bulan ke depan.
2. Memiliki komponen offline: Seperti harus menandatangani kontrak real estat di atas kertas dan secara langsung.
3. Siklus penjualan yang panjang: Menurut Zillow, dibutuhkan rata-rata 4,5+ bulan untuk membeli rumah. Sementara itu, di industri otomotif, orang biasanya membutuhkan waktu berminggu-minggu atau berbulan-bulan untuk memilih mobil, dan tambahan beberapa minggu untuk menyelesaikan transaksi.
4. Transaksi besar: Seperti yang dapat Anda bayangkan, semua hal di atas bisa sangat mahal. Dan, tentu saja, semakin tinggi jumlah yang dipermasalahkan, semakin lama proses pengambilan keputusan dapat berlangsung.
5. Regulasi: Meskipun hal ini tidak selalu menjadi pertimbangan utama di semua industri, hal ini tentu saja berlaku untuk real estat dan keuangan. Industri-industri ini diatur secara ketat untuk menjamin akses yang sama terhadap perumahan dan kredit. Misalnya, Undang-Undang Perlindungan Perumahan yang Adil melarang penggunaan sebagian besar penargetan yang terlibat dalam pemasaran real estat, seperti jenis kelamin, usia, ras, dan geolokasi.

Jika bisnis Anda memiliki setidaknya tiga dari lima komponen yang disebutkan di atas, Anda mungkin memiliki tingkat konversi yang rendah. Dalam hal ini, Anda harus sangat berhati-hati dalam mengelola data Anda. Pertimbangkan untuk menerapkan pembelajaran mesin untuk keuntungan Anda: ini dapat membantu menutup loop umpan balik untuk transaksi Anda di masa mendatang, dengan menautkannya ke permintaan yang ada di bagian atas corong.

Terinspirasi oleh tantangan ini, saya membuat solusi yang memprediksi kemungkinan pembelian di masa mendatang menggunakan pembelajaran mesin dan data perilaku pengunjung situs web. Tomi.ai adalah platform yang membantu pemasar online saat ini lebih dari dua kali lipat ROI iklan mereka menggunakan pembelajaran mesin, data perilaku pihak pertama, dan integrasi API. Ini membuka kemungkinan untuk industri di mana pemasaran online merupakan tantangan, seperti real estat, perbankan, asuransi, EdTech, dan SaaS.

Untuk pelanggan kami yang berasal dari industri yang kompleks, kami mengaktifkan skor prediktif ke dalam akun iklan mereka sebagai konversi khusus dengan jumlah nilai yang diharapkan. Artinya, kami menghitung pendapatan yang diantisipasi yang dapat dihasilkan oleh pengunjung situs web, dengan melihat tingkat interaksi situs web mereka. Kami memperlakukannya sebagai pembelian yang selesai, lalu memaksimalkan metrik ini. Hasilnya, pelanggan kami dapat menampilkan iklan mereka kepada pengguna yang sangat terlibat dengan nilai umur yang diharapkan tinggi.

Pembelajaran mesin adalah mesin yang menggerakkan pemasaran online saat ini. Menurut pendapat saya, pemasar perlu berkembang menjadi analis atau ilmuwan data, karena masalah pemasaran sering kali memiliki solusi matematis. Operasi pemasaran online pada dasarnya menyerupai masalah optimasi dalam matematika, di mana parameter tertentu (misalnya pendapatan) perlu ditingkatkan dalam situasi anggaran, saluran dan kendala lainnya.

Seluruh tujuan menggunakan pembelajaran mesin dalam pemasaran online adalah untuk menutup lingkaran umpan balik dari pembelian dan puncak peristiwa corong.

Dimungkinkan untuk membangun model prediktif di semua tahapan corong. Kami melakukan ini dengan memprediksi kemungkinan konversi berdasarkan perilaku awal pengguna. Kemudian kami menyatakannya dalam hal probabilitas pembelian dan nilai prediksi pembelian.

Tantangan yang disajikan kepada para profesional martech adalah memikirkan cara untuk menutup lingkaran umpan balik ini, dan menciptakan pemirsa serupa berbasis nilai berdasarkan LTV yang diproduksi oleh model semacam itu. Mereka juga perlu menemukan cara yang efisien untuk menginformasikan keputusan bidding platform iklan mereka menggunakan sinyal awal dan konversi mikro yang terjadi di awal proses. Kemudian gabungkan dengan algoritme pembelajaran mesin untuk membuat metrik yang seragam dari konversi dan penjualan yang diprediksi, daripada menggunakan konversi akhir (yang jarang terjadi).

Jika Google dan Facebook sudah memiliki pembelajaran mesin di pihak mereka, mengapa pemasar perlu menerapkan pembelajaran mesin sendiri?

1. Pembelajaran mesin memperluas sinyal

Biasanya, situs web dengan konversi rendah akan memiliki banyak sesi pengguna. Misalnya, proyek e-niaga rata-rata akan memiliki rasio konversi 2%, artinya hanya 2 dari 100 sesi yang memiliki nilai bukan nol. Kekuatan sinyal mereka sama dengan 100%.

Pembelajaran mesin membantu kami memahami kemungkinan konversi dari peristiwa awal di setiap sesi, dan menetapkan nilai bukan nol untuknya. Kami dapat mengidentifikasi 25% pengunjung situs web yang memiliki kekuatan sinyal bervariasi dari 2% hingga 10%. Pendekatan ini memberi kita audiens yang lebih luas dengan sinyal yang lebih lemah yang dapat digunakan untuk pembuatan segmen.

2. Pembelajaran mesin mampu menghitung LTV inkremental yang diharapkan

Ini membantu Anda memahami seberapa baik kinerja kampanye, dan apakah kampanye akan mencapai nilai targetnya di masa mendatang – bahkan sebelum konversi yang sebenarnya terjadi.

3. dLTV dapat digunakan untuk pengoptimalan tawaran iklan

Anda dapat mengoptimalkan bidding menggunakan atribusi prediktif yang didukung oleh machine learning untuk memahami performa yang diharapkan dari kampanye Anda.

Anggap saja Anda meluncurkan iklan di Google dengan banyak kata kunci. Anda telah menghabiskan jumlah tertentu untuk setiap kata kunci, mencapai angka penjualan tertentu, dan membagi penjualan Anda dengan ROI. Anda telah mengurutkan kata kunci tersebut dengan menyusunnya dalam urutan menurun berdasarkan ROI-nya, kemudian memplot 100% biaya (kumulatif) pada sumbu X, dan memplot semua hasil bisnis dalam bentuk penjualan atau laba pada sumbu Y. Setelah melakukannya, ini akan memberi Anda 'kurva kinerja' Anda:

Tujuan penggunaan teknologi pemasaran adalah untuk menghilangkan kontrol yang tidak perlu. Dalam hal ini, kami perlu menghapus kata kunci buruk yang berdampak negatif terhadap ROI Anda. Anda tidak mampu untuk berinvestasi dalam kata kunci ini, oleh karena itu anggaran masing-masing dapat dipotong.

Dengan menggunakan metode baru dan lebih efisien, Anda dapat mengubah kurva kinerja itu sendiri. Anda dapat mencapai kinerja yang lebih tinggi dengan anggaran dan kata kunci yang sama. Untuk mengilustrasikannya, di OZON.ru pada tahun 2016, kami menggunakan pengubah tawaran yang didukung pembelajaran mesin untuk iklan penelusuran dan dengan demikian membantu Google dan Yandex menarik pemirsa berulang dengan kualitas lebih tinggi.

Akibatnya, pendapatan Anda tumbuh, Anda memperoleh ROI marjinal yang lebih tinggi daripada angka target Anda, dan ini membantu Anda membuka peluang baru. Misalnya, dengan berinvestasi dalam kata kunci baru dan meningkatkan pengeluaran, Anda dapat mencapai kinerja yang lebih tinggi pada angka ROI target Anda.

Mungkin kami adalah pelopor pembelajaran mesin untuk pemasaran prediktif di industri seperti real estat, perbankan, dan SaaS. Gagasan untuk menilai pengguna dan menggunakan skor ini untuk tujuan pengoptimalan berasal dari industri game. Game seluler sering kali gratis, tetapi dilengkapi dengan opsi untuk membeli dalam game. “Paus,” seperti yang disebut dalam industri game, adalah sekelompok pemain yang hanya terdiri dari 1% dari populasi pemain, namun mampu membayar biaya semua pemain melalui pembelian dalam game mereka.

Semua game semacam ini dirancang untuk meningkatkan jumlah pembelanja tinggi, dan yang terpenting, mengidentifikasi calon pembelanja tinggi. Untuk waktu yang lama di industri, manajer produk telah dikenal menggunakan data untuk memprediksi LTV untuk menginformasikan keputusan mereka.

Aplikasi game seluler telah terintegrasi dengan Google, dan kemudian dengan Facebook, untuk mentransfer data acara online. Untuk menilai kemungkinan seorang pemain menjadi "paus", pemasar menggunakan data dari beberapa hari pertama permainan pemain. Mereka kemudian menghasilkan konversi sintetis "pemasangan berkualitas", mengirimkan acara ini ke Google UAC, dan kemudian mengoptimalkan pemasangan berkualitas, bukan pemasangan biasa.

Kami menerapkan integrasi standar berikut untuk pelanggan kami:

1. Piksel Tomi.ai: Anda perlu memasang Piksel Tomi.ai di situs web Anda untuk mengumpulkan data perilaku: seperti laman yang dikunjungi pengguna, lama tinggal di laman tertentu, dan klik. Algoritme pembelajaran mesin akan menyortir semua sinyal ini untuk menemukan sinyal yang memberikan prediksi paling akurat tentang konversi di masa mendatang. Misalnya, orang yang benar-benar berniat membeli rumah akan menggunakan kalkulator hipotek dan mencari sekolah terdekat. Faktor-faktor ini akan menghasilkan variabel yang akan digunakan oleh pembelajaran mesin untuk memprediksi kemungkinan konversi menjadi pembelian.
2. Integrasi CRM: Kami meminta pelanggan untuk memberikan umpan transaksi lengkap mereka (data historis). Menggunakan email hash dan nomor telepon yang dikirimkan di situs web sebagai pengidentifikasi anonim, kami dapat menautkan transaksi offline ke aktivitas online orang-orang. Kami menggunakan sampel data historis satu bulan (atau lebih lama) untuk melatih model kami tentang perilaku orang dan kemungkinan pembelian berikutnya.
3. Integrasi API: Terakhir, kami memasukkan data ini kembali ke akun iklan. Kami meminta akses ke API pemasaran untuk menghubungkan dan mengunggah konversi sintetis dan data audiens prediktif ke Google dan Facebook.

Faktor terpenting untuk pembelajaran mesin adalah jumlah hasil positif yang terjadi – berapa banyak konversi yang dapat kami tangkap. Secara teoritis, 20 pembelian sudah cukup, tetapi secara praktis, kami mencoba untuk menentukan setidaknya 100 pembelian yang dapat kami tautkan ke perilaku online. Umumnya, kami bertujuan untuk melatih model menggunakan beberapa ratus atau ribuan pembelian. Penting bagi kita untuk mencapai setidaknya 100 hasil positif pertama selama periode pengumpulan data, yang biasanya terjadi pada bulan pertama kerja (atau lebih lama jika konversi jarang terjadi).

Dari pengalaman kami, kriteria utama untuk kualitas data adalah pangsa pesanan offline yang dapat kami tautkan ke aktivitas online pelanggan. Ide utamanya tidak hanya untuk mengintegrasikan situs web dan sistem CRM tetapi juga mengumpulkan pengidentifikasi cookie yang dianonimkan. ID Google Analytics biasanya digunakan untuk ini. Anda perlu mengumpulkan ID Google Analytics pengguna dan kemudian memasukkan pengenal ini ke CRM pada semua tahap berikutnya: kualifikasi prospek, dukungan penjualan, pelaksanaan kontrak, dll.

Nilai pembelajaran mesin tidak terletak pada data yang terkandung dalam satu tabel. Itu terletak pada kualitas tautan antara beberapa tabel.

Nilai data bukan di dalam data, tetapi di antara data.

Ini berarti bahwa nilainya tidak hanya memiliki tabel, tetapi menghubungkan beberapa tabel bersama untuk membuka nilai tambahan. Mampu menautkan tabel perilaku online ini dengan tabel pesanan sangat penting bagi pemasar.

Jika kampanye iklan tidak pernah berkembang melampaui fase pembelajaran (dan ini dapat terjadi dengan konversi yang sangat jarang), Anda dapat melakukan sesuatu dengan kekuatan pembelajaran mesin.

Jika Anda masih memaksimalkan jumlah klik di situs web, Anda sudah ketinggalan zaman. Jika Anda mengoptimalkan iklan untuk pengumpulan kontak, dan kontak ini berkualitas buruk (hanya 5-10% kontak yang dikonversi menjadi penjualan), pembelajaran mesin kemungkinan besar akan meningkatkannya.

Saya ingin menekankan bahwa Anda tidak harus menjadi ilmuwan data untuk memulai. Basahi kaki Anda dan lihat apa yang dapat dilakukan pembelajaran mesin untuk kampanye pemasaran Anda. Karena industri terus menjadi lebih saling berhubungan, sekaranglah waktunya untuk membawa inovasi teknologi baru ke dalam perangkat Anda.