Come aumentare le vendite e migliorare il ROI utilizzando dati e machine learning

Gli algoritmi pubblicitari online prosperano su un numero elevato di segnali. Settori come l'e-commerce e i giochi mobili forniscono dati sufficienti per addestrare questi algoritmi. Pertanto, gli approcci comunemente impiegati dalle piattaforme pubblicitarie come Google e Facebook consentono un targeting e un coinvolgimento efficienti del pubblico desiderato.

Tuttavia, in molti altri settori in cui il numero di segnali è inferiore, il tasso di conversione target è molto al di sotto dei benchmark dei canali. Se ti trovi in ​​questa situazione, è fondamentale effettuare il passaggio e sfruttare i tuoi dati con la potenza dell'apprendimento automatico.

Abbiamo collaborato con Konstantin Bayandin, il fondatore della startup adTech Tomi.ai, per discutere le opportunità di marketing online che possono essere sbloccate con l'apprendimento automatico.

In qualità di CMO e Head of Data Science & Analytics Department di OZON.ru (l'equivalente russo di Amazon) guido lo sviluppo del marketing basato sui dati presso l'azienda. Nell'e-commerce ci sono conversioni (acquisti) di valore in abbondanza e molti dati da affettare. Dopo essermi trasferito negli Stati Uniti per lavorare per Compass, un'agenzia immobiliare high-tech, ho scoperto un problema. Essendo passato al settore immobiliare dalla pubblicità online e dall'e-commerce, sono rimasto scioccato da quanto il marketing online fosse impegnativo per questo settore. Il problema principale era il numero tremendamente basso di conversioni finali, dal momento che le persone acquistano raramente case o appartamenti. Per metterlo in prospettiva, gli Stati Uniti hanno un totale di appena 5 milioni di transazioni immobiliari all'anno.

Per questo motivo, le conversioni sono estremamente rare. In parole povere, sei fortunato ad ottenere anche una transazione ogni 10.000 visitatori del sito web. Il tasso di conversione in transazioni è pari o inferiore allo 0,01%. Pertanto, i marketer immobiliari non sono in grado di utilizzare lo smart bidding: le strategie di offerta automatizzate offerte dalle piattaforme pubblicitarie di Google e Facebook. Devono massimizzare il numero di clic o ottimizzare per gli eventi del sito Web a metà canalizzazione (come la raccolta dei contatti). Il valore di queste conversioni non è sempre chiaro, poiché le persone spesso inviano le proprie informazioni di contatto per motivi non correlati all'acquisto.

Quindi questo pone la domanda, perché alcuni settori hanno difficoltà con il marketing online? Perché hanno tassi di conversione bassi e un ROI scarso? Credo che ci siano cinque ragioni chiave per questo:

1. Un pubblico altamente specifico: indipendentemente dall'impegno profuso da un marketer, solo il 5% delle persone prese di mira acquisterà o venderà immobili nei prossimi 12 mesi.
2. Avere componenti offline: come dover firmare un contratto immobiliare su carta e di persona.
3. Cicli di vendita lunghi: secondo Zillow, ci vogliono in media più di 4,5 mesi per comprare una casa. Nel frattempo, nell'industria automobilistica, le persone in genere impiegano settimane o mesi per scegliere un'auto e un paio di settimane aggiuntive per completare la transazione.
4. Grandi transazioni: come puoi immaginare, tutto quanto sopra può essere piuttosto costoso. E, naturalmente, maggiore è l'importo in questione, più tempo può richiedere il processo decisionale.
5. Regolamentazione: sebbene questa non sia necessariamente una considerazione importante in tutti i settori, lo è certamente per il settore immobiliare e finanziario. Queste industrie sono fortemente regolamentate al fine di garantire parità di accesso all'edilizia abitativa e al credito. Ad esempio, il Fair Housing Protection Act vieta l'uso della maggior parte degli obiettivi coinvolti nel marketing immobiliare, come sesso, età, razza e geolocalizzazione.

Se la tua attività ha almeno tre dei cinque componenti sopra menzionati, probabilmente hai un tasso di conversione basso. In questo caso, devi stare molto attento nella gestione dei tuoi dati. Prendi in considerazione l'implementazione dell'apprendimento automatico a tuo vantaggio: può aiutare a chiudere il ciclo di feedback per le tue transazioni future, collegandole alla domanda che esiste nella parte superiore della canalizzazione.

Ispirato da questa sfida, ho creato una soluzione che prevede la probabilità di acquisti futuri utilizzando l'apprendimento automatico e i dati comportamentali dei visitatori del sito web. Tomi.ai è una piattaforma che aiuta i marketer online oggi a più del doppio del ROI pubblicitario utilizzando l'apprendimento automatico, i dati comportamentali di prima parte e le integrazioni API. Offre possibilità ai settori in cui il marketing online rappresenta una sfida, come quello immobiliare, bancario, assicurativo, EdTech e SaaS.

Per i nostri clienti provenienti da settori complessi, attiviamo i punteggi predittivi nei loro account pubblicitari come conversioni personalizzate con un importo di valore previsto. Cioè, calcoliamo il reddito previsto che potrebbe essere generato da un visitatore del sito web, osservando il suo livello di interazione con il sito web. Lo trattiamo come un acquisto completato, quindi massimizziamo questa metrica. Di conseguenza, i nostri clienti sono in grado di mostrare i loro annunci a utenti altamente coinvolti con un valore di vita atteso elevato.

L'apprendimento automatico è il motore del marketing online di oggi. Secondo me, i marketer devono evolversi in analisti o data scientist, perché i problemi di marketing hanno spesso soluzioni matematiche. Le operazioni di marketing online assomigliano essenzialmente a un problema di ottimizzazione in matematica, in cui un determinato parametro (ad esempio le entrate) deve essere aumentato in una situazione di budget, canale e altri vincoli.

L'intero scopo dell'utilizzo dell'apprendimento automatico nel marketing online è chiudere il ciclo di feedback dagli acquisti e dagli eventi più importanti della canalizzazione.

È possibile creare modelli predittivi in ​​tutte le fasi della canalizzazione. Lo facciamo prevedendo la probabilità di conversione in base al comportamento iniziale degli utenti. Quindi lo esprimiamo in termini di probabilità di acquisto e valore previsto dell'acquisto.

La sfida presentata ai professionisti del settore martech è pensare a un modo per chiudere questo ciclo di feedback e creare un pubblico simile a un valore basato sull'LTV prodotto da tali modelli. Devono anche trovare un modo efficiente per informare le loro decisioni sulle offerte della piattaforma pubblicitaria utilizzando i primi segnali e le micro conversioni che si verificano all'inizio del processo. Quindi uniscili agli algoritmi di apprendimento automatico per creare una metrica uniforme di conversioni e vendite previste, anziché utilizzare le conversioni finali (che si verificano raramente).

Se Google e Facebook hanno già il machine learning dalla loro parte, perché i marketer dovrebbero implementare il machine learning da soli?

1. L'apprendimento automatico amplia il segnale

In genere, un sito Web a bassa conversione avrà molte sessioni utente. Ad esempio, un progetto di e-commerce medio avrà un tasso di conversione del 2%, il che significa che solo 2 sessioni su 100 avranno un valore diverso da zero. La loro potenza del segnale è pari al 100%.

L'apprendimento automatico ci aiuta a comprendere la probabilità di conversione dai primi eventi in ogni sessione e ad assegnarle un valore diverso da zero. Possiamo identificare il 25% dei visitatori del sito web che hanno una potenza del segnale che varia dal 2% al 10%. Questo approccio ci offre un pubblico più ampio con un segnale più debole che può essere utilizzato per la creazione di segmenti.

2. L'apprendimento automatico è in grado di calcolare l'LTV incrementale atteso

Questo ti aiuta a capire il rendimento della campagna e se raggiungerà il suo valore target in futuro, anche prima che avvengano le conversioni effettive.

3. dLTV può essere utilizzato per l'ottimizzazione dell'offerta pubblicitaria

Puoi ottimizzare le tue offerte utilizzando l'attribuzione predittiva basata sull'apprendimento automatico per comprendere il rendimento previsto della tua campagna.

Supponiamo che tu stia lanciando un annuncio su Google con molte parole chiave. Hai speso un certo importo per ciascuna parola chiave, raggiunto una certa cifra di vendita e diviso le tue vendite per il ROI. Hai ordinato queste parole chiave disponendole in ordine decrescente in base al ROI, quindi hai tracciato il 100% dei costi (cumulativi) sull'asse X e tutti i risultati aziendali sotto forma di vendite o profitti sull'asse Y. Fatto ciò, questo ti darà la tua "curva delle prestazioni":

Lo scopo dell'utilizzo della tecnologia di marketing è rimuovere i controlli non necessari. In questo caso, dobbiamo rimuovere le parole chiave scadenti che incidono negativamente sul tuo ROI. Non puoi permetterti di investire in queste parole chiave, quindi i rispettivi budget possono essere tagliati.

Utilizzando metodi nuovi e più efficienti, è possibile modificare la curva delle prestazioni stessa. Puoi ottenere prestazioni più elevate con lo stesso budget e le stesse parole chiave. Per illustrare questo, nel 2016 su OZON.ru abbiamo utilizzato i modificatori di offerta basati sull'apprendimento automatico per gli annunci della rete di ricerca e quindi abbiamo aiutato Google e Yandex ad attirare un pubblico ripetuto di qualità superiore.

Di conseguenza, le tue entrate crescono, guadagni un ROI marginale più elevato rispetto alla cifra target e ti aiuta a sbloccare nuove opportunità. Ad esempio, investendo in nuove parole chiave e aumentando la spesa, puoi ottenere prestazioni più elevate sulla cifra del ROI target.

Forse siamo i pionieri dell'apprendimento automatico per il marketing predittivo in settori come quello immobiliare, bancario e SaaS. L'idea stessa di assegnare un punteggio agli utenti e di utilizzare questo punteggio per scopi di ottimizzazione viene dall'industria dei giochi. I giochi per dispositivi mobili sono spesso gratuiti, ma sono dotati di opzioni per l'acquisto all'interno del gioco. Le "balene", come vengono chiamate nel settore dei giochi, sono un gruppo di giocatori che costituiscono solo l'1% della popolazione dei giocatori, ma sono in grado di pagare il costo di tutti i giocatori attraverso i loro acquisti in-game.

Tutti i giochi di questo tipo sono progettati per aumentare la propria quota di spendaccioni elevati e, soprattutto, identificare i potenziali spendaccioni. Da molto tempo nel settore è noto che i product manager utilizzano i dati per prevedere l'LTV al fine di informare le loro decisioni.

Le app di gioco mobile hanno già integrazioni con Google, e successivamente con Facebook, per trasferire i dati degli eventi online. Per valutare la probabilità che un giocatore diventi una "balena", gli esperti di marketing utilizzano i dati dei primi giorni di gioco di un giocatore. Quindi producono una conversione sintetica di "installazione di qualità", inviano questo evento a Google UAC e quindi ottimizzano per l'installazione di qualità, anziché per l'installazione regolare.

Implementiamo le seguenti integrazioni standard per i nostri clienti:

1. Pixel Tomi.ai: devi installare un pixel Tomi.ai sul tuo sito Web per raccogliere dati comportamentali: come le pagine visitate dagli utenti, la durata della permanenza su determinate pagine e i clic. L'algoritmo di apprendimento automatico selezionerà tutti questi segnali per trovare quelli che forniscono le previsioni più accurate delle conversioni future. Ad esempio, le persone che intendono davvero acquistare una casa utilizzeranno un calcolatore di mutui e cercheranno le scuole vicine. Questi fattori produrranno le variabili che verranno utilizzate dall'apprendimento automatico per prevedere la probabilità di conversione in acquisto.
2. Integrazione CRM: Chiediamo ai clienti di fornire i feed delle transazioni completate (dati storici). Utilizzando e-mail con hash e numeri di telefono inviati sul sito Web come identificatori anonimi, siamo in grado di collegare le transazioni offline all'attività online delle persone. Utilizziamo un campione di dati storici di un mese (o più) per addestrare i nostri modelli sui comportamenti delle persone e sulla probabilità di acquisti successivi.
3. Integrazione API: infine, reinseriamo questi dati negli account pubblicitari. Richiediamo l'accesso alle API di marketing per connetterci e caricare conversioni sintetiche e dati predittivi sull'audience su Google e Facebook.

Il fattore più importante per l'apprendimento automatico è il numero di risultati positivi che si sono verificati: quante conversioni siamo stati in grado di acquisire. Teoricamente 20 acquisti sono sufficienti, ma in pratica cerchiamo di individuare almeno 100 acquisti che possiamo collegare al comportamento online. In generale, miriamo ad addestrare il modello utilizzando diverse centinaia o migliaia di acquisti. È importante ottenere almeno i primi 100 risultati positivi durante il nostro periodo di raccolta dei dati, che in genere si verifica nel primo mese di lavoro (o più a lungo se le conversioni sono scarse).

In base alla nostra esperienza, il criterio principale per la qualità dei dati è la quota di ordini offline che possiamo collegare all'attività online dei clienti. L'idea principale non è solo quella di integrare il sito Web e il sistema CRM, ma anche di raccogliere identificatori di cookie anonimi. L'ID di Google Analytics viene solitamente utilizzato per questo. È necessario raccogliere gli ID di Google Analytics degli utenti e quindi collegare questo identificatore al CRM in tutte le fasi successive: qualificazione dei lead, supporto alle vendite, esecuzione del contratto, ecc.

Il valore del machine learning non sta nei dati contenuti in una singola tabella. Sta nella qualità del collegamento tra più tabelle.

Il valore dei dati non è nei dati, ma tra i dati.

Ciò significa che il valore non sta semplicemente nell'avere i tavoli, ma nel collegare più tavoli insieme per sbloccare un valore extra. Essere in grado di collegare queste tabelle di comportamento online con le tabelle degli ordini è estremamente importante per i professionisti del marketing.

Se le campagne pubblicitarie non vanno mai oltre la fase di apprendimento (e questo può essere il caso di conversioni estremamente rare), puoi fare qualcosa con il potere del machine learning.

Se stai ancora massimizzando il numero di clic sul sito web, sei già indietro rispetto ai tempi. Se stai ottimizzando i tuoi annunci per la raccolta dei contatti e questi contatti sono di scarsa qualità (solo il 5-10% dei contatti è stato convertito in una vendita), è molto probabile che l'apprendimento automatico migliori la situazione.

Voglio sottolineare che non è necessario essere un data scientist per iniziare. Bagnati i piedi e guarda cosa può fare il machine learning per le tue campagne di marketing. Poiché le industrie continuano a diventare più interconnesse, ora è il momento di portare nuove innovazioni tecnologiche nel tuo kit di strumenti.