데이터와 머신 러닝을 사용하여 매출을 늘리고 ROI를 개선하는 방법

온라인 광고 알고리즘은 많은 수의 신호를 기반으로 번창합니다. 전자 상거래 및 모바일 게임과 같은 산업은 이러한 알고리즘을 훈련하기에 충분한 데이터를 제공합니다. 따라서 Google 및 Facebook과 같은 광고 플랫폼에서 널리 사용되는 접근 방식을 사용하면 원하는 청중을 효율적으로 타겟팅하고 참여시킬 수 있습니다.

그러나 신호 수가 더 적은 다른 많은 산업에서는 목표 전환율이 채널의 벤치마크보다 훨씬 낮습니다. 이러한 상황에 처한 경우 기계 학습의 힘으로 전환하고 데이터를 활용하는 것이 중요합니다.

우리는 adTech 스타트업 Tomi.ai의 설립자인 Konstantin Bayandin과 협력하여 머신 러닝으로 열 수 있는 온라인 마케팅 기회에 대해 논의했습니다.

OZON.ru(러시아의 Amazon에 해당)의 CMO이자 데이터 과학 및 분석 부서 책임자로서 저는 회사에서 데이터 기반 마케팅 개발을 이끌고 있습니다. 전자 상거래에는 가치 있는 전환(구매)이 풍부하고 분할할 데이터가 많습니다. 첨단 부동산 중개업체인 Compass에서 일하기 위해 미국으로 이주하면서 문제를 발견했습니다. 온라인 광고 및 전자 상거래에서 부동산으로 전환한 후 이 업계에서 온라인 마케팅이 얼마나 어려운지 충격을 받았습니다. 주요 문제는 사람들이 주택이나 아파트를 거의 구입하지 않기 때문에 최종 개종자가 엄청나게 적다는 것입니다. 미국의 연간 부동산 거래 건수는 총 500만 건에 불과합니다.

이 때문에 전환은 극히 드뭅니다. 대략적으로 말하면, 10,000명의 웹사이트 방문자당 하나의 거래를 얻는다는 것은 운이 좋은 것입니다. 거래로의 전환율은 0.01% 이하입니다. 따라서 부동산 마케팅 담당자는 Google 및 Facebook의 광고 플랫폼에서 제공하는 자동 입찰 전략인 스마트 자동 입찰을 사용할 수 없습니다. 클릭 수를 최대화하거나 중간 유입경로 웹사이트 이벤트(예: 연락처 수집)에 맞게 최적화해야 합니다. 사람들이 구매와 관련 없는 이유로 연락처 정보를 제출하는 경우가 많기 때문에 이러한 전환의 가치가 항상 명확하지는 않습니다.

그렇다면 일부 산업은 온라인 마케팅에 어려움을 겪는 이유가 무엇입니까? 전환율이 낮고 ROI가 낮은 이유는 무엇입니까? 여기에는 다섯 가지 주요 이유가 있다고 생각합니다.

1. 매우 구체적인 청중: 마케터가 아무리 많은 노력을 기울이더라도 목표로 삼은 사람들의 5%만이 향후 12개월 동안 부동산을 사거나 팔 것입니다.
2. 오프라인 구성 요소 보유: 부동산 계약서에 서면으로 또는 직접 서명해야 하는 것과 같은 것입니다.
3. 긴 판매 주기: Zillow에 따르면 집을 구입하는 데 평균 4.5개월 이상이 걸립니다. 한편, 자동차 산업에서 사람들은 일반적으로 자동차를 선택하는 데 몇 주 또는 몇 달이 걸리고 거래를 완료하는 데 추가로 몇 주가 걸립니다.
4. 대규모 거래: 상상할 수 있듯이 위의 모든 것은 비용이 많이 들 수 있습니다. 그리고 당연히 문제의 금액이 높을수록 의사 결정 과정이 더 오래 걸릴 수 있습니다.
5. 규제: 이것이 모든 산업에서 반드시 주요 고려 사항은 아니지만 부동산 및 금융에 대한 것은 확실합니다. 이러한 산업은 주택과 신용에 대한 평등한 접근을 보장하기 위해 엄격하게 규제됩니다. 예를 들어 공정주택보호법은 성별, 연령, 인종, 지리적 위치 등 부동산 마케팅과 관련된 대부분의 타겟팅 사용을 금지하고 있습니다.

비즈니스에 위에서 언급한 5가지 구성 요소 중 3가지 이상이 있다면 전환율이 낮을 수 있습니다. 이 경우 데이터 관리에 매우 주의해야 합니다. 머신 러닝을 유리하게 구현하는 것을 고려하십시오. 퍼널 상단에 존재하는 수요에 연결하여 향후 트랜잭션에 대한 피드백 루프를 닫는 데 도움이 될 수 있습니다.

이 과제에서 영감을 받아 머신 러닝과 웹사이트 방문자의 행동 데이터를 사용하여 향후 구매 가능성을 예측하는 솔루션을 만들었습니다. Tomi.ai는 오늘날 온라인 마케터가 기계 학습, 행동 1자 데이터 및 API 통합을 사용하여 광고 ROI를 두 배 이상 높일 수 있도록 돕는 플랫폼입니다. 부동산, 은행, 보험, 교육 기술 및 SaaS와 같이 온라인 마케팅이 어려운 산업에 가능성을 열어줍니다.

복잡한 산업 분야의 고객을 위해 예상 가치 금액이 있는 맞춤 전환으로 광고 계정에 예측 점수를 활성화합니다. 즉, 웹 사이트 방문자의 웹 사이트 상호 작용 수준을 보고 웹 사이트 방문자가 생성할 수 있는 예상 수입을 계산합니다. 우리는 그것을 완료된 구매로 취급하고 이 메트릭을 최대화합니다. 결과적으로 고객은 기대 평생 가치가 높은 참여도가 높은 사용자에게 광고를 게재할 수 있습니다.

머신 러닝은 오늘날의 온라인 마케팅을 지원하는 엔진입니다. 제 생각에는 마케팅 문제에는 종종 수학적 솔루션이 있기 때문에 마케터는 분석가나 데이터 과학자로 진화해야 합니다. 온라인 마케팅 운영은 예산, 채널 및 기타 제약 조건에서 특정 매개변수(예: 수익)를 늘려야 하는 수학의 최적화 문제와 본질적으로 유사합니다.

온라인 마케팅에서 기계 학습을 사용하는 전체 목적은 구매 및 퍼널 이벤트의 상단에서 피드백 루프를 닫는 것입니다.

모든 깔때기 단계에 걸쳐 예측 모델을 구축하는 것이 가능합니다. 사용자의 초기 행동을 기반으로 전환 가능성을 예측하여 이를 수행합니다. 그런 다음 구매 확률과 구매 예상 가치로 표현합니다.

마테크 전문가에게 주어진 과제는 이 피드백 루프를 닫고 그러한 모델에 의해 생성된 LTV를 기반으로 가치 기반 유사 청중을 생성하는 방법을 생각하는 것입니다. 또한 프로세스 초기에 발생하는 초기 신호 및 마이크로 전환을 사용하여 광고 플랫폼 입찰 결정을 알리는 효율적인 방법을 찾아야 합니다. 그런 다음 최종 전환(거의 발생하지 않음)을 사용하는 대신 기계 학습 알고리즘과 혼합하여 예측 전환 및 판매에 대한 균일한 메트릭을 만듭니다.

구글과 페이스북이 이미 머신 러닝을 가지고 있다면 마케팅 담당자가 스스로 머신 러닝을 구현해야 하는 이유는 무엇입니까?

1. 기계 학습은 신호를 넓힙니다.

일반적으로 전환율이 낮은 웹사이트에는 많은 사용자 세션이 있습니다. 예를 들어, 평균 전자상거래 프로젝트의 전환율은 2%입니다. 즉, 세션 100개 중 2개만 0이 아닌 값을 가집니다. 신호 강도는 100%입니다.

기계 학습은 각 세션의 초기 이벤트에서 전환 가능성을 이해하고 0이 아닌 값을 할당하는 데 도움이 됩니다. 신호 강도가 2%에서 10% 사이인 웹사이트 방문자의 25%를 식별할 수 있습니다. 이 접근 방식은 세그먼트 생성에 사용할 수 있는 약한 신호로 더 많은 청중을 제공합니다.

2. 머신 러닝은 예상되는 증분 LTV를 계산할 수 있습니다.

이렇게 하면 캠페인이 얼마나 잘 수행되고 있는지 , 실제 전환이 발생하기 전에도 향후 목표 가치에 도달할지 여부를 이해하는 데 도움이 됩니다.

3. dLTV는 광고 입찰 최적화에 사용될 수 있습니다.

캠페인의 예상 실적을 이해하기 위해 머신 러닝을 기반으로 하는 예측 기여를 사용하여 입찰을 최적화할 수 있습니다.

많은 키워드를 사용하여 Google에서 광고를 시작한다고 가정해 보겠습니다. 각 키워드에 특정 금액을 지출하고 특정 매출 수치를 달성하고 매출을 ROI로 나눕니다. 이러한 키워드를 ROI의 내림차순으로 정렬하여 정렬한 다음 X축에 비용의 100%(누적)를 표시하고 Y축에 판매 또는 이익의 형태로 모든 비즈니스 결과를 표시했습니다. 이렇게 하면 '성능 곡선'이 표시됩니다.

마케팅 기술을 사용하는 목적은 불필요한 통제를 제거하는 것입니다. 이 경우 ROI에 부정적인 영향을 미치는 좋지 않은 키워드를 제거해야 합니다. 이러한 키워드에 투자할 여력이 없으므로 각각의 예산이 삭감될 수 있습니다.

새롭고 더 효율적인 방법을 사용하여 성능 곡선 자체를 변경할 수 있습니다. 동일한 예산과 키워드로 더 높은 실적을 달성할 수 있습니다. 이를 설명하기 위해 2016년 OZON.ru에서 검색 광고에 기계 학습 기반 입찰 수정자를 사용하여 Google과 Yandex가 고품질 반복 잠재고객을 유치하는 데 도움이 되었습니다.

결과적으로 수익이 증가하고 목표 수치보다 더 높은 한계 ROI를 얻을 수 있으며 새로운 기회를 여는 데 도움이 됩니다. 예를 들어, 새 키워드에 투자하고 지출을 늘리면 목표 ROI 수치에 대해 더 높은 실적을 달성할 수 있습니다.

아마도 우리는 부동산, 은행 및 SaaS와 같은 산업에서 예측 마케팅을 위한 기계 학습의 선구자일 것입니다. 사용자 점수를 매기고 이 점수를 최적화 목적으로 사용하는 아이디어는 게임 업계에서 나온 것입니다. 모바일 게임은 무료인 경우가 많지만 게임 내에서 구매할 수 있는 옵션이 함께 제공됩니다. 게임 산업에서 언급되는 "고래"는 플레이어 인구의 1%에 불과하지만 게임 내 구매를 통해 모든 플레이어의 비용을 지불할 수 있는 플레이어 그룹입니다.

이러한 종류의 모든 게임은 고액 소비자의 점유율을 높이고 가장 중요한 것은 잠재적 고액 소비자를 식별하도록 설계되었습니다. 업계에서 오랫동안 제품 관리자는 결정을 내리기 위해 데이터를 사용하여 LTV를 예측하는 것으로 알려져 있습니다.

모바일 게임 앱은 온라인 이벤트 데이터를 전송하기 위해 이미 Google 및 나중에 Facebook과 통합되었습니다. 플레이어가 "고래"가 될 가능성을 평가하기 위해 마케팅 담당자는 플레이어가 게임을 시작한 후 처음 며칠 동안의 데이터를 사용합니다. 그런 다음 "품질 설치" 합성 전환을 생성하고 이 이벤트를 Google UAC에 제출한 다음 일반 설치가 아닌 품질 설치를 위해 최적화합니다.

우리는 고객을 위해 다음과 같은 표준 통합을 구현합니다.

1. Tomi.ai 픽셀: 사용자가 방문한 페이지, 특정 페이지에 머문 시간, 클릭과 같은 행동 데이터를 수집하려면 웹사이트에 Tomi.ai 픽셀을 설치해야 합니다. 기계 학습 알고리즘은 이러한 모든 신호를 정렬하여 향후 전환에 대한 가장 정확한 예측을 제공하는 신호를 찾습니다. 예를 들어, 집을 사고자 하는 사람들은 모기지 계산기를 사용하여 근처 학교를 검색합니다. 이러한 요소는 기계 학습에서 구매로의 전환 가능성을 예측하는 데 사용할 변수를 산출합니다.
2. CRM 통합: 고객에게 완료된 거래 피드(이력 데이터)를 제공하도록 요청합니다. 웹사이트에 제출된 해시된 이메일과 전화번호를 익명 식별자로 사용하여 오프라인 거래를 사람들의 온라인 활동과 연결할 수 있습니다. 우리는 1개월(또는 그 이상)의 과거 데이터 샘플을 사용하여 사람들의 행동과 후속 구매 가능성에 대해 모델을 교육합니다.
3. API 통합: 마지막으로 이 데이터를 광고 계정에 다시 제공합니다. 합성 전환 및 예측 잠재고객 데이터를 Google 및 Facebook에 연결하고 업로드하기 위해 마케팅 API에 대한 액세스를 요청합니다.

머신 러닝에서 가장 중요한 요소는 긍정적인 결과의 수, 즉 우리가 포착할 수 있었던 전환의 수입니다. 이론적으로 20개 구매로 충분하지만 실제로는 온라인 행동과 연결할 수 있는 최소 100개 구매를 찾아내려고 합니다. 일반적으로 수백 또는 수천 개의 구매를 사용하여 모델을 학습시키는 것을 목표로 합니다. 일반적으로 작업 첫 달에 발생하는 데이터 수집 기간 동안 처음 100개 이상의 긍정적인 결과를 달성하는 것이 중요합니다(전환이 부족한 경우 더 오래).

우리의 경험에 따르면 데이터 품질의 주요 기준은 고객의 온라인 활동에 연결할 수 있는 오프라인 주문의 비율입니다. 주요 아이디어는 웹사이트와 CRM 시스템을 통합할 뿐만 아니라 익명화된 쿠키 식별자를 수집하는 것입니다. 이를 위해 일반적으로 Google Analytics ID가 사용됩니다. 사용자의 Google Analytics ID를 수집한 다음 리드 자격, 영업 지원, 계약 실행 등의 모든 후속 단계에서 이 식별자를 CRM에 연결해야 합니다.

머신 러닝의 가치는 단일 테이블에 포함된 데이터에 있지 않습니다. 그것은 여러 테이블 간의 링크 품질에 있습니다.

데이터의 가치는 데이터 안에 있는 것이 아니라 데이터 사이에 있습니다.

이것은 가치가 단순히 테이블을 갖는 것이 아니라 추가 가치를 잠금 해제하기 위해 여러 테이블을 함께 연결한다는 것을 의미합니다. 이러한 온라인 행동 테이블을 주문 테이블과 연결할 수 있다는 것은 마케터에게 매우 중요합니다.

광고 캠페인이 학습 단계 이상으로 진행되지 않으면(매우 드문 전환의 경우일 수 있음) 기계 학습의 힘으로 이에 대해 뭔가를 할 수 있습니다.

웹사이트에서 여전히 클릭 수를 최대화하고 있다면 이미 시대에 뒤떨어져 있습니다. 연락처 수집을 위해 광고를 최적화하고 이러한 연락처의 품질이 좋지 않은 경우(연락처의 5-10%만 판매로 전환됨) 머신 러닝이 이를 개선할 가능성이 높습니다.

시작하기 위해 데이터 과학자가 될 필요는 없다는 점을 강조하고 싶습니다. 발을 담그고 머신 러닝이 마케팅 캠페인에 무엇을 할 수 있는지 확인하십시오. 산업이 지속적으로 상호 연결됨에 따라 지금은 새로운 기술 혁신을 툴킷에 도입해야 할 때입니다.