Jak zwiększyć sprzedaż i poprawić ROI za pomocą danych i uczenia maszynowego

Algorytmy reklamy internetowej rozwijają się dzięki dużej liczbie sygnałów. Branże takie jak e-commerce i gry mobilne dostarczają wystarczającej ilości danych do trenowania tych algorytmów. Dlatego podejścia, które są powszechnie stosowane przez platformy reklamowe, takie jak Google i Facebook, pozwalają na skuteczne targetowanie i angażowanie pożądanych odbiorców.

Jednak w wielu innych branżach, w których liczba sygnałów jest mniejsza, docelowy współczynnik konwersji jest znacznie poniżej benchmarków kanałów. Jeśli znajdziesz się w takiej sytuacji, konieczne jest dokonanie zmiany i wykorzystanie danych dzięki mocy uczenia maszynowego.

Połączyliśmy siły z Konstantinem Bayandinem, założycielem startupu adTech Tomi.ai, aby omówić możliwości marketingu online, które można odblokować dzięki uczeniu maszynowemu.

Jako CMO i Head of Data Science & Analytics Department w OZON.ru (rosyjski odpowiednik Amazon) kieruję rozwojem marketingu opartego na danych w firmie. W e-commerce istnieje mnóstwo cennych konwersji (zakupów) i mnóstwo danych do wycinania. Po przeprowadzce do Stanów Zjednoczonych, aby pracować dla Compass, zaawansowanego technologicznie pośrednika w obrocie nieruchomościami, odkryłem problem. Po przejściu na rynek nieruchomości z reklamy internetowej i e-commerce byłem zszokowany tym, jak trudnym dla tej branży był marketing internetowy. Głównym problemem była niezwykle niska liczba końcowych przebudów, ponieważ ludzie rzadko kupują domy lub mieszkania. Mówiąc wprost, Stany Zjednoczone przeprowadzają w sumie zaledwie 5 milionów transakcji na rynku nieruchomości rocznie.

Z tego powodu konwersje są niezwykle rzadkie. Z grubsza mówiąc, masz szczęście, że otrzymujesz nawet jedną transakcję na 10 000 odwiedzających witrynę. Współczynnik konwersji na transakcje wynosi 0,01% lub mniej. Dlatego sprzedawcy nieruchomości nie są w stanie zastosować inteligentnego licytowania: strategii automatycznego licytowania oferowanych przez platformy reklamowe Google i Facebooka. Muszą albo zmaksymalizować liczbę kliknięć, albo zoptymalizować pod kątem zdarzeń w witrynie w połowie ścieżki (takich jak zbieranie kontaktów). Wartość tych konwersji nie zawsze jest jasna, ponieważ ludzie często przesyłają swoje dane kontaktowe z powodów niezwiązanych z zakupami.

Nasuwa się więc pytanie, dlaczego niektórym branżom trudniej jest z marketingiem online? Dlaczego mają niskie współczynniki konwersji i niski ROI? Uważam, że istnieje pięć kluczowych powodów takiego stanu rzeczy:

1. Bardzo specyficzna grupa odbiorców: bez względu na to, ile wysiłku włoży marketer, tylko 5% docelowych osób kupi lub sprzeda nieruchomości w ciągu najbliższych 12 miesięcy.
2. Posiadanie komponentów offline: na przykład konieczność podpisania umowy dotyczącej nieruchomości na papierze i osobiście.
3. Długie cykle sprzedaży: Według Zillow zakup domu zajmuje średnio 4,5+ miesiąca. Tymczasem w branży motoryzacyjnej wybór samochodu zajmuje zazwyczaj tygodnie lub miesiące, a sfinalizowanie transakcji zajmuje dodatkowe kilka tygodni.
4. Duże transakcje: Jak możesz sobie wyobrazić, wszystkie powyższe mogą być dość kosztowne. I oczywiście im wyższa kwota, tym dłużej może potrwać proces decyzyjny.
5. Regulacja: Chociaż niekoniecznie jest to ważna kwestia we wszystkich branżach, z pewnością dotyczy to nieruchomości i finansów. Branże te są silnie regulowane w celu zapewnienia równego dostępu do mieszkań i kredytów. Na przykład ustawa o ochronie mieszkań zakazuje korzystania z większości ukierunkowanych działań związanych z marketingiem nieruchomości, takich jak płeć, wiek, rasa i geolokalizacja.

Jeśli Twoja firma ma co najmniej trzy z pięciu wymienionych powyżej komponentów, prawdopodobnie masz niski współczynnik konwersji. W takim przypadku musisz bardzo ostrożnie zarządzać swoimi danymi. Rozważ wdrożenie uczenia maszynowego na swoją korzyść: może ono pomóc zamknąć pętlę sprzężenia zwrotnego dla przyszłych transakcji, łącząc je z zapotrzebowaniem na górze ścieżki.

Zainspirowany tym wyzwaniem stworzyłem rozwiązanie, które przewiduje prawdopodobieństwo przyszłych zakupów z wykorzystaniem uczenia maszynowego i danych behawioralnych odwiedzających witrynę. Tomi.ai to platforma pomagająca marketerom internetowym ponad dwukrotnie zwiększyć zwrot z inwestycji w reklamę dzięki uczeniu maszynowemu, behawioralnym danym własnym i integracji API. Otwiera możliwości dla branż, w których marketing online jest wyzwaniem, takich jak nieruchomości, bankowość, ubezpieczenia, EdTech i SaaS.

Dla naszych klientów pochodzących ze złożonych branż aktywujemy predykcyjne wyniki na ich kontach reklamowych jako niestandardowe konwersje o oczekiwanej wartości. Oznacza to, że obliczamy przewidywany dochód, jaki może wygenerować odwiedzający witrynę, patrząc na poziom interakcji w witrynie. Traktujemy to jako sfinalizowany zakup, a następnie maksymalizujemy tę metrykę. Dzięki temu nasi klienci mogą wyświetlać swoje reklamy bardzo zaangażowanym użytkownikom o wysokiej oczekiwanej wartości w całym okresie użytkowania.

Uczenie maszynowe to silnik napędzający dzisiejszy marketing online. Moim zdaniem marketerzy muszą ewoluować w analityków lub naukowców zajmujących się danymi, ponieważ problemy marketingowe często mają matematyczne rozwiązania. Działania marketingowe online w istocie przypominają problem optymalizacji w matematyce, gdzie pewien parametr (np. przychód) musi zostać zwiększony w sytuacji ograniczeń budżetowych, kanałowych i innych.

Cały cel wykorzystania uczenia maszynowego w marketingu online polega na zamknięciu pętli sprzężenia zwrotnego z zakupów i szczytowych wydarzeń w lejku.

Możliwe jest budowanie modeli predykcyjnych na wszystkich etapach ścieżki. Robimy to, przewidując prawdopodobieństwo konwersji na podstawie wczesnych zachowań użytkowników. Następnie wyrażamy to w kategoriach prawdopodobieństwa zakupu i przewidywanej wartości zakupu.

Wyzwanie stojące przed profesjonalistami z branży martech polega na wymyśleniu sposobu na zamknięcie tego sprzężenia zwrotnego i stworzenie podobnych odbiorców opartych na wartościach w oparciu o LTV produkowane przez takie modele. Muszą także znaleźć skuteczny sposób na podejmowanie decyzji dotyczących ustalania stawek na platformę reklamową na podstawie wczesnych sygnałów i mikrokonwersji, które mają miejsce na wczesnym etapie procesu. Następnie połącz je z algorytmami uczenia maszynowego, aby stworzyć jednolite dane dotyczące przewidywanych konwersji i sprzedaży, zamiast używać ostatecznych konwersji (które zdarzają się rzadko).

Jeśli Google i Facebook mają już po swojej stronie uczenie maszynowe, dlaczego marketerzy mieliby sami wdrażać uczenie maszynowe?

1. Uczenie maszynowe poszerza sygnał

Zazwyczaj witryna o niskiej konwersji będzie miała wiele sesji użytkowników. Na przykład przeciętny projekt e-commerce będzie miał współczynnik konwersji 2%, co oznacza, że ​​tylko 2 na 100 sesji będzie miało wartość niezerową. Ich siła sygnału wynosi 100%.

Uczenie maszynowe pomaga nam zrozumieć prawdopodobieństwo konwersji na podstawie wczesnych zdarzeń w każdej sesji i przypisać do niej wartość niezerową. Możemy zidentyfikować 25% odwiedzających witrynę, których siła sygnału waha się od 2% do 10%. Takie podejście daje nam szerszą publiczność ze słabszym sygnałem, który można wykorzystać do tworzenia segmentów.

2. Uczenie maszynowe jest w stanie obliczyć oczekiwany przyrostowy LTV

Pomaga to zrozumieć, jak dobrze działa kampania i czy osiągnie wartość docelową w przyszłości – nawet przed faktycznymi konwersjami.

3. dLTV może służyć do optymalizacji stawek reklamowych

Możesz zoptymalizować stawki, korzystając z predykcyjnej atrybucji opartej na systemach uczących się, aby poznać oczekiwaną skuteczność kampanii.

Załóżmy, że uruchamiasz reklamę w Google z dużą ilością słów kluczowych. Wydałeś określoną kwotę na każde słowo kluczowe, osiągnąłeś określoną wartość sprzedaży i podzieliłeś sprzedaż przez ROI. Te słowa kluczowe zostały posortowane, ułożone w kolejności malejącej według ich zwrotu z inwestycji, a następnie wykreślone 100% kosztów (skumulowane) na osi X, a wszystkie wyniki biznesowe w postaci sprzedaży lub zysku na osi Y. Po wykonaniu tej czynności otrzymasz „krzywą wydajności”:

Celem korzystania z technologii marketingowych jest usunięcie zbędnych kontroli. W takim przypadku musimy usunąć słabe słowa kluczowe, które negatywnie wpływają na ROI. Nie możesz sobie pozwolić na inwestowanie w te słowa kluczowe, dlatego można obniżyć ich budżety.

Stosując nowe i wydajniejsze metody, możesz zmienić samą krzywą wydajności. Możesz osiągnąć wyższą skuteczność przy tym samym budżecie i słowach kluczowych. Aby to zilustrować, na stronie OZON.ru w 2016 r. zastosowaliśmy w reklamach w wyszukiwarce modyfikatory stawek oparte na uczeniu maszynowym, dzięki czemu pomogliśmy Google i Yandex przyciągnąć powtarzających się odbiorców o wyższej jakości.

W rezultacie Twoje przychody rosną, zyskujesz wyższy krańcowy zwrot z inwestycji niż wartość docelowa, a to pomaga Ci odblokować nowe możliwości. Na przykład, inwestując w nowe słowa kluczowe i zwiększając wydatki, możesz osiągnąć wyższą skuteczność na docelowym wskaźniku ROI.

Być może jesteśmy pionierami uczenia maszynowego w marketingu predykcyjnym w branżach takich jak nieruchomości, bankowość i SaaS. Sam pomysł oceniania użytkowników i wykorzystywania tego wyniku do celów optymalizacji pochodzi z branży gier. Gry mobilne są często bezpłatne, ale można je kupić w grze. „Wieloryby”, jak określa się je w branży gier, to grupa graczy, która stanowi tylko 1% populacji graczy, ale jest w stanie zapłacić koszty wszystkich graczy poprzez zakupy w grze.

Wszystkie tego typu gry mają na celu zwiększenie udziału osób wysoko wydających, a co najważniejsze, zidentyfikowanie potencjalnych, wysoko wydających. W branży od dawna wiadomo, że menedżerowie produktu wykorzystują dane do przewidywania LTV w celu podejmowania decyzji.

Mobilne aplikacje do gier mają już integrację z Google, a później z Facebookiem, aby przesyłać dane o wydarzeniach online. Aby ocenić prawdopodobieństwo, że gracz stanie się „wielorybem”, marketerzy wykorzystują dane z pierwszych kilku dni rozgrywki gracza. Następnie tworzą syntetyczną konwersję „instalacji wysokiej jakości”, przesyłają to zdarzenie do kontroli konta użytkownika Google, a następnie optymalizują pod kątem instalacji wysokiej jakości, a nie zwykłej instalacji.

Dla naszych klientów wdrażamy następujące standardowe integracje:

1. Piksel Tomi.ai: Musisz zainstalować piksel Tomi.ai w swojej witrynie, aby gromadzić dane behawioralne: takie jak strony odwiedzane przez użytkowników, długość pobytu na niektórych stronach i kliknięcia. Algorytm uczenia maszynowego posortuje wszystkie te sygnały, aby znaleźć te, które zapewniają najdokładniejsze prognozy przyszłych konwersji. Na przykład osoby, które naprawdę zamierzają kupić dom, skorzystają z kalkulatora hipotecznego i wyszukają pobliskie szkoły. Czynniki te dostarczą zmiennych, które będą wykorzystywane przez uczenie maszynowe do przewidywania prawdopodobieństwa konwersji na zakup.
2. Integracja z CRM: Prosimy klientów o dostarczenie wypełnionych kanałów transakcyjnych (dane historyczne). Używając zaszyfrowanych adresów e-mail i numerów telefonów podanych na stronie internetowej jako anonimowych identyfikatorów, jesteśmy w stanie powiązać transakcje offline z aktywnością użytkowników online. Używamy jednomiesięcznej (lub dłuższej) próbki danych historycznych, aby trenować nasze modele dotyczące zachowań ludzi i prawdopodobieństwa kolejnych zakupów.
3. Integracja API: Na koniec przesyłamy te dane z powrotem na konta reklamowe. Prosimy o dostęp do marketingowych interfejsów API, abyśmy mogli łączyć i przesyłać syntetyczne konwersje i przewidywane dane odbiorców do Google i Facebooka.

Najważniejszym czynnikiem dla uczenia maszynowego jest liczba pozytywnych wyników, które miały miejsce – ile konwersji udało nam się uchwycić. Teoretycznie wystarczy 20 zakupów, ale w praktyce próbujemy wskazać co najmniej 100 zakupów, które możemy powiązać z zachowaniem online. Generalnie naszym celem jest wytrenowanie modelu za pomocą kilkuset lub tysięcy zakupów. Ważne jest, abyśmy osiągnęli co najmniej pierwszych 100 pozytywnych wyników w okresie zbierania danych, który zwykle ma miejsce w pierwszym miesiącu pracy (lub dłużej, jeśli konwersje są rzadkie).

Z naszego doświadczenia wynika, że ​​głównym kryterium jakości danych jest udział zamówień offline, które możemy powiązać z aktywnością online klientów. Główną ideą jest nie tylko integracja serwisu i systemu CRM, ale także zbieranie anonimowych identyfikatorów plików cookie. Zwykle służy do tego identyfikator Google Analytics. Musisz zbierać identyfikatory Google Analytics użytkowników, a następnie podłączać ten identyfikator do CRM na wszystkich kolejnych etapach: kwalifikacja leadów, wsparcie sprzedaży, realizacja umowy itp.

Wartość uczenia maszynowego nie tkwi w danych zawartych w jednej tabeli. Leży na jakości połączenia między wieloma tabelami.

Wartość danych nie znajduje się w danych, ale między danymi.

Oznacza to, że wartością nie jest zwykłe posiadanie stołów, ale połączenie kilku stołów w celu odblokowania dodatkowej wartości. Możliwość połączenia tych tabel zachowań online z tabelami zamówień jest niezwykle ważna dla marketerów.

Jeśli kampanie reklamowe nigdy nie wychodzą poza fazę uczenia się (a może to mieć miejsce w przypadku niezwykle rzadkich konwersji), możesz coś z tym zrobić dzięki mocy uczenia maszynowego.

Jeśli nadal maksymalizujesz liczbę kliknięć na stronie, to już jesteś w tyle. Jeśli optymalizujesz swoje reklamy pod kątem zbierania kontaktów, a te kontakty są słabej jakości (tylko 5-10% kontaktów przeliczonych na sprzedaż), uczenie maszynowe z dużym prawdopodobieństwem to poprawi.

Chcę podkreślić, że nie trzeba być analitykiem danych, aby zacząć. Zmocz stopy i zobacz, co uczenie maszynowe może zrobić dla Twoich kampanii marketingowych. Ponieważ branże stają się coraz bardziej połączone, nadszedł czas, aby wprowadzić nowe innowacje technologiczne do swojego zestawu narzędzi.