データと機械学習を使用して売り上げを伸ばし、ROIを向上させる方法

オンライン広告アルゴリズムは、多数の信号で繁栄します。 eコマースやモバイルゲームなどの業界は、これらのアルゴリズムをトレーニングするのに十分なデータを提供しています。 したがって、GoogleやFacebookなどの広告プラットフォームで一般的に採用されているアプローチにより、目的のオーディエンスの効率的なターゲティングとエンゲージメントが可能になります。

ただし、信号の数が少ない他の多くの業界では、目標コンバージョン率はチャネルのベンチマークをはるかに下回っています。 このような状況に陥った場合は、切り替えを行い、機械学習の力でデータを活用することが重要です。

adTechのスタートアップTomi.aiの創設者であるKonstantinBayandinと協力して、機械学習で解き放つことができるオンラインマーケティングの機会について話し合いました。

OZON.ru（ロシアのAmazonに相当）のCMOおよびデータサイエンスおよび分析部門の責任者として、私は会社でデータドリブンマーケティングの開発を主導しています。 電子商取引では、貴重な変換（購入）が豊富にあり、スライスしてさいの目に切るための大量のデータがあります。 ハイテク不動産仲介業者であるコンパスで働くために米国に転居したとき、私は問題を発見しました。 オンライン広告やeコマースから不動産に切り替えた私は、この業界にとってオンラインマーケティングがいかに難しいかということにショックを受けました。 主な問題は、人々が家やアパートを購入することはめったにないため、最終的なコンバージョンの数が非常に少ないことでした。 概観すると、米国の不動産取引は年間合計500万件に過ぎません。

このため、変換は非常にまれです。 大まかに言えば、10,000のWebサイト訪問者ごとに1つのトランザクションを取得することさえ幸運です。 取引への転換率は0.01％以下です。 したがって、不動産マーケターはスマート入札を採用できません。これは、GoogleとFacebookの広告プラットフォームが提供する自動入札戦略です。 クリック数を最大化するか、目標到達プロセス中のWebサイトイベント（連絡先の収集など）に合わせて最適化する必要があります。 購入とは関係のない理由で連絡先情報を送信することが多いため、これらのコンバージョンの価値は必ずしも明確ではありません。

それで、これは疑問を投げかけます、なぜいくつかの産業はオンラインマーケティングに苦労しているのですか？ なぜコンバージョン率が低く、ROIが低いのですか？ これには5つの主な理由があると思います。

1. 非常に具体的なオーディエンス：マーケティング担当者がいくら努力しても、ターゲットとする人々の5％だけが今後12か月で不動産を売買します。
2. オフラインコンポーネントを持つ：紙で直接不動産契約に署名する必要があるなど。
3. 長い販売サイクル： Zillowによると、家を購入するのに平均4.5か月以上かかります。 一方、自動車業界では、人々は通常、車を選ぶのに数週間から数か月かかり、取引を完了するのにさらに数週間かかります。
4. 大規模なトランザクション：ご想像のとおり、上記のすべては非常にコストがかかる可能性があります。 そして当然、問題の金額が多ければ多いほど、意思決定プロセスにかかる時間が長くなります。
5. 規制：これは必ずしもすべての業界で主要な考慮事項ではありませんが、それは確かに不動産と金融のためのものです。 これらの業界は、住宅と信用への平等なアクセスを確保するために厳しく規制されています。 たとえば、公正住宅保護法は、性別、年齢、人種、地理的位置など、不動産マーケティングに関係するほとんどのターゲティングの使用を禁止しています。

上記の5つの要素のうち少なくとも3つがビジネスに含まれている場合は、コンバージョン率が低い可能性があります。 この場合、データの管理には細心の注意を払う必要があります。 機械学習を有利に実装することを検討してください。これは、目標到達プロセスの上部に存在する需要にリンクすることで、将来のトランザクションのフィードバックループを閉じるのに役立ちます。

この課題に触発されて、機械学習とWebサイト訪問者の行動データを使用して、将来の購入の可能性を予測するソリューションを作成しました。 Tomi.aiは、機械学習、行動のファーストパーティデータ、API統合を使用して、今日のオンラインマーケティング担当者が広告のROIを2倍以上にするのに役立つプラットフォームです。 これにより、不動産、銀行、保険、EdTech、SaaSなど、オンラインマーケティングが課題となる業界に可能性が開かれます。

複雑な業界から来ているお客様のために、期待値のカスタムコンバージョンとして予測スコアを広告アカウントにアクティブ化します。 つまり、Webサイトの相互作用のレベルを調べることにより、Webサイトの訪問者が生み出す可能性のある予想収入を計算します。 完了した購入として扱い、この指標を最大化します。 その結果、お客様は、期待される生涯価値の高いエンゲージメントの高いユーザーに広告を表示することができます。

機械学習は、今日のオンラインマーケティングを推進するエンジンです。 私の意見では、マーケティングの問題には数学的な解決策があることが多いため、マーケターはアナリストまたはデータサイエンティストに進化する必要があります。 オンラインマーケティング業務は、基本的に数学の最適化問題に似ており、予算、チャネル、およびその他の制約の状況で特定のパラメーター（収益など）を増やす必要があります。

オンラインマーケティングで機械学習を使用する目的は、購入や目標到達プロセスの最上位からのフィードバックループを閉じることです。

すべての目標到達プロセスの段階にわたって予測モデルを構築することが可能です。 これは、ユーザーの初期の行動に基づいてコンバージョンの可能性を予測することで実現します。 次に、購入確率と購入の予測値で表現します。

マーテックの専門家に提示される課題は、このフィードバックループを閉じ、そのようなモデルによって生成されたLTVに基づいて価値ベースの類似オーディエンスを作成する方法を考えることです。 また、プロセスの早い段階で発生する初期のシグナルとマイクロコンバージョンを使用して、広告プラットフォームの入札決定を通知する効率的な方法を見つける必要があります。 次に、それらを機械学習アルゴリズムとブレンドして、最終的なコンバージョン（めったに発生しない）を使用するのではなく、予測されるコンバージョンと売上の均一なメトリックを作成します。

GoogleとFacebookがすでに機械学習を側に置いている場合、マーケターが自分で機械学習を実装する必要があるのはなぜですか？

1.機械学習は信号を広げます

通常、コンバージョン率の低いWebサイトには、多くのユーザーセッションがあります。 たとえば、平均的なeコマースプロジェクトのコンバージョン率は2％です。つまり、100セッションのうち2つだけがゼロ以外の値になります。 それらの信号強度は100％に等しい。

機械学習は、各セッションの初期のイベントからの変換の可能性を理解し、それにゼロ以外の値を割り当てるのに役立ちます。 信号強度が2％から10％まで変化するWebサイト訪問者の25％を特定できます。 このアプローチにより、セグメントの作成に使用できる信号が弱くなり、より多くのオーディエンスが得られます。

2.機械学習は、予想される増分LTVを計算できます

これは、キャンペーンのパフォーマンスと、実際のコンバージョンが発生する前であっても、キャンペーンが将来的に目標値に到達するかどうかを理解するのに役立ちます。

3.dLTVは広告入札の最適化に使用できます

機械学習を利用した予測アトリビューションを使用して入札を最適化し、キャンペーンの期待されるパフォーマンスを理解できます。

あなたがたくさんのキーワードでグーグルで広告を始めていると仮定しましょう。 各キーワードに一定の金額を費やし、一定の売上高を達成し、売上高をROIで割った。 これらのキーワードをROIの降順で並べ替え、X軸にコスト（累積）の100％をプロットし、Y軸に売上または利益の形ですべてのビジネス成果をプロットしました。 そうすると、これにより「パフォーマンス曲線」が得られます。

マーケティングテクノロジーを使用する目的は、不要なコントロールを削除することです。 この場合、ROIに悪影響を及ぼしている不適切なキーワードを削除する必要があります。 これらのキーワードに投資する余裕がないため、それぞれの予算を削減できます。

新しい、より効率的な方法を採用することで、パフォーマンス曲線自体を変更できます。 同じ予算とキーワードでより高いパフォーマンスを達成できます。 これを説明するために、2016年のOZON.ruに戻って、検索広告に機械学習を利用した入札単価調整比を使用し、GoogleとYandexがより質の高いリピーターを引き付けるのを支援しました。

その結果、収益が増加し、目標値よりも高い限界ROIを獲得し、新しい機会を開拓するのに役立ちます。 たとえば、新しいキーワードに投資して支出を増やすことで、目標のROIの数値でより高いパフォーマンスを達成できます。

おそらく私たちは、不動産、銀行、SaaSなどの業界における予測マーケティングのための機械学習のパイオニアです。 ユーザーをスコアリングし、このスコアを最適化の目的で使用するというアイデアは、ゲーム業界から生まれました。 多くの場合、モバイルゲームは無料ですが、ゲーム内で購入するオプションがあります。 「クジラ」は、ゲーム業界で呼ばれているように、プレーヤー人口の1％しか含まないプレーヤーのグループですが、ゲーム内購入を通じてすべてのプレーヤーの費用を支払うことができます。

この種のゲームはすべて、高額の消費者のシェアを拡大​​するように設計されており、最も重要なこととして、将来の高額の消費者を特定することです。 業界では長い間、製品マネージャーはデータを使用してLTVを予測し、意思決定に情報を提供することが知られています。

モバイルゲームアプリは、オンラインイベントデータを転送するために、すでにGoogleと統合されており、後にFacebookと統合されています。 プレーヤーが「クジラ」になる可能性を評価するために、マーケターはプレーヤーのゲームプレイの最初の数日間のデータを使用します。 次に、「高品質インストール」合成変換を生成し、このイベントをGoogle UACに送信してから、通常のインストールではなく、高品質インストール用に最適化します。

お客様のために、次の標準統合を実装しています。

1. Tomi.aiピクセル：ユーザーがアクセスしたページ、特定のページでの滞在時間、クリック数などの行動データを収集するには、WebサイトにTomi.aiピクセルをインストールする必要があります。 機械学習アルゴリズムは、これらすべての信号を並べ替えて、将来の変換の最も正確な予測を提供する信号を見つけます。 たとえば、本当に家を買うつもりの人は、住宅ローン計算機を使って近くの学校を調べます。 これらの要因により、機械学習が購入への転換の可能性を予測するために使用する変数が生成されます。
2. CRM統合：完了したトランザクションフィード（履歴データ）を提供するようにお客様にお願いしています。 Webサイトで送信されたハッシュ化された電子メールと電話番号を匿名の識別子として使用して、オフライントランザクションを人々のオンラインアクティビティにリンクすることができます。 1か月（またはそれ以上）の履歴データサンプルを使用して、人々の行動とその後の購入の可能性についてモデルをトレーニングします。
3. API統合：最後に、このデータを広告アカウントにフィードバックします。 合成コンバージョンと予測オーディエンスデータをGoogleとFacebookに接続してアップロードするために、マーケティングAPIへのアクセスをリクエストします。

機械学習の最も重要な要素は、発生した肯定的な結果の数、つまりキャプチャできたコンバージョンの数です。 理論的には20回の購入で十分ですが、実際には、オンライン行動にリンクできる少なくとも100回の購入を特定しようとしています。 一般的に、私たちは数百または数千の購入を使用してモデルをトレーニングすることを目指しています。 データ収集期間中に少なくとも最初の100の肯定的な結果を達成することが重要です。これは通常、作業の最初の月に発生します（コンバージョンが少ない場合はそれ以上）。

私たちの経験から、データ品質の主な基準は、顧客のオンライン活動にリンクできるオフライン注文の割合です。 主なアイデアは、WebサイトとCRMシステムを統合するだけでなく、匿名化されたCookie識別子を収集することです。 これには通常、GoogleAnalyticsIDが使用されます。 ユーザーのGoogleAnalyticsIDを収集し、その後のすべての段階（リードの資格、販売サポート、契約の履行など）でこの識別子をCRMにプラグインする必要があります。

機械学習の価値は、単一のテーブルに含まれるデータにはありません。 それは、複数のテーブル間のリンクの品質にあります。

データの値はデータ内ではなく、データ間にあります。

これは、価値が単にテーブルを持っていることではなく、余分な価値を解き放つためにいくつかのテーブルを一緒に接続することであることを意味します。 これらのオンライン行動表を注文表とリンクできることは、マーケターにとって非常に重要です。

広告キャンペーンが学習フェーズを超えて進行しない場合（これは非常にまれなコンバージョンの場合である可能性があります）、機械学習の力でそれについて何かを行うことができます。

それでもウェブサイトのクリック数を最大化している場合は、すでに時代遅れになっています。 連絡先の収集のために広告を最適化していて、これらの連絡先の品質が低い場合（連絡先の5〜10％のみが販売に変換されます）、機械学習によって改善される可能性が高くなります。

始めるのにデータサイエンティストである必要はないことを強調したいと思います。 足を濡らして、機械学習がマーケティングキャンペーンに何ができるかを確認してください。 業界の相互接続が進む中、今こそ新しい技術革新をツールキットに取り入れるべき時です。