Cum să creșteți vânzările și să îmbunătățiți rentabilitatea investiției folosind date și învățarea automată

Algoritmii de publicitate online prosperă pe un număr mare de semnale. Industrii precum comerțul electronic și jocurile mobile oferă date suficiente pentru a antrena acești algoritmi. Prin urmare, abordările care sunt folosite în mod popular de platformele de publicitate precum Google și Facebook permit direcționarea și implicarea eficientă a publicului dorit.

Cu toate acestea, în multe alte industrii în care numărul de semnale este mai mic, rata de conversie țintă este cu mult sub valorile de referință ale canalelor. Dacă vă aflați în această situație, este vital să faceți schimbarea și să vă folosiți datele cu puterea învățării automate.

Ne-am făcut echipă cu Konstantin Bayandin, fondatorul startup-ului adTech Tomi.ai, pentru a discuta despre oportunitățile de marketing online care pot fi deblocate prin învățarea automată.

În calitate de CMO și șef al departamentului Data Science & Analytics al OZON.ru (echivalentul Amazon al Rusiei), conduc dezvoltarea de marketing bazat pe date la companie. În comerțul electronic există conversii valoroase (achiziții) din belșug și o mulțime de date de tăiat și tăiat. După ce m-am mutat în SUA pentru a lucra pentru Compass, un agent imobiliar de înaltă tehnologie, am descoperit o problemă. După ce am trecut la imobiliare de la publicitatea online și comerțul electronic, am fost șocat de cât de dificil a fost marketingul online pentru această industrie. Principala problemă a fost numărul extrem de scăzut de conversii finale, deoarece oamenii cumpără rareori case sau apartamente. Pentru a pune lucrurile în perspectivă, SUA au un total de doar 5 milioane de tranzacții imobiliare pe an.

Din această cauză, conversiile sunt extrem de rare. Aproximativ vorbind, sunteți norocos să obțineți chiar și o tranzacție la 10.000 de vizitatori ai site-ului. Rata de conversie în tranzacții se ridică la 0,01% sau mai puțin. Prin urmare, agenții de marketing imobiliar nu pot folosi licitarea inteligentă: strategiile de licitare automată oferite de platformele de publicitate ale Google și Facebook. Ei fie trebuie să maximizeze numărul de clicuri, fie să optimizeze pentru evenimentele site-ului de la mijlocul pâlniei (cum ar fi colectarea de contacte). Valoarea acestor conversii nu este întotdeauna clară, deoarece oamenii își trimit adesea informațiile de contact din motive care nu au legătură cu cumpărarea.

Deci, aceasta ridică întrebarea, de ce unele industrii au un timp mai greu cu marketingul online? De ce au rate de conversie scăzute și rentabilitate scăzută a investiției? Cred că există cinci motive cheie pentru aceasta:

1. Un public foarte specific: indiferent de cât de mult efort depune un marketer, doar 5% dintre persoanele vizate vor cumpăra sau vinde imobiliare în următoarele 12 luni.
2. A avea componente offline: cum ar fi nevoia de a semna un contract imobiliar pe hârtie și în persoană.
3. Cicluri lungi de vânzări: Potrivit lui Zillow, este nevoie în medie de 4,5+ luni pentru a cumpăra o casă. Între timp, în industria auto, oamenilor le ia de obicei săptămâni sau luni pentru a alege o mașină și încă câteva săptămâni pentru a finaliza tranzacția.
4. Tranzacții mari: după cum vă puteți imagina, toate cele de mai sus pot fi destul de costisitoare. Și, firește, cu cât este mai mare suma în cauză, cu atât procesul decizional poate dura mai mult.
5. Reglementare: Deși acest lucru nu este neapărat un aspect major în toate industriile, cu siguranță este pentru imobiliare și finanțe. Aceste industrii sunt puternic reglementate pentru a asigura accesul egal la locuințe și credit. De exemplu, Legea privind protecția locuințelor echitabile interzice utilizarea celor mai multe direcționări implicate în marketingul imobiliar, cum ar fi sexul, vârsta, rasa și localizarea geografică.

Dacă afacerea dvs. are cel puțin trei dintre cele cinci componente menționate mai sus, probabil că aveți o rată de conversie scăzută. În acest caz, trebuie să fii foarte atent la gestionarea datelor. Luați în considerare implementarea învățării automate în avantajul dvs.: poate ajuta la închiderea buclei de feedback pentru tranzacțiile dvs. viitoare, legându-le la cererea care există în partea de sus a pâlniei.

Inspirat de această provocare, am creat o soluție care prezice probabilitatea achizițiilor viitoare folosind învățarea automată și datele comportamentale ale vizitatorilor site-ului web. Tomi.ai este o platformă care îi ajută pe marketerii online de astăzi cu mai mult decât să-și dubleze rentabilitatea investiției în publicitate, folosind învățarea automată, date comportamentale de la prima parte și integrări API. Deschide posibilități pentru industriile în care marketingul online este o provocare, cum ar fi imobiliare, bancar, asigurări, EdTech și SaaS.

Pentru clienții noștri care provin din industrii complexe, activăm scoruri predictive în conturile lor de publicitate ca conversii personalizate cu o valoare estimată. Adică, calculăm venitul anticipat care ar putea fi generat de un vizitator al site-ului, analizând nivelul lor de interacțiune cu site-ul. O tratăm ca pe o achiziție finalizată și apoi maximizăm această valoare. Drept urmare, clienții noștri pot să-și arate reclamele unor utilizatori foarte implicați, cu o valoare de viață estimată ridicată.

Învățarea automată este motorul care alimentează marketingul online de astăzi. În opinia mea, marketerii trebuie să evolueze în analiști sau oameni de știință a datelor, deoarece problemele de marketing au adesea soluții matematice. Operațiunile de marketing online seamănă în esență cu o problemă de optimizare din matematică, în care un anumit parametru (de exemplu, venitul) trebuie crescut într-o situație de buget, canal și alte constrângeri.

Întregul scop al utilizării învățării automate în marketingul online este de a închide bucla de feedback din achiziții și din partea de sus a evenimentelor din pâlnie.

Este posibil să construiți modele predictive în toate etapele pâlniei. Facem acest lucru anticipând probabilitatea de conversie pe baza comportamentului timpuriu al utilizatorilor. Apoi îl exprimăm în termeni de probabilitate de cumpărare și valoarea estimată a achiziției.

Provocarea prezentată profesioniștilor martech este să se gândească la o modalitate de a închide această buclă de feedback și de a crea audiențe asemănătoare bazate pe valoare, bazate pe LTV-ul produs de astfel de modele. De asemenea, trebuie să găsească o modalitate eficientă de a-și informa deciziile de licitare pe platforma publicitară folosind semnale timpurii și microconversii care au loc la începutul procesului. Apoi combinați-le cu algoritmi de învățare automată pentru a crea o valoare uniformă a conversiilor și vânzărilor estimate, în loc să folosiți conversiile finale (care apar rar).

Dacă Google și Facebook au deja învățarea automată de partea lor, de ce ar trebui să implementeze învățarea automată pe cont propriu?

1. Învățarea automată extinde semnalul

De obicei, un site web cu conversii reduse va avea multe sesiuni de utilizatori. De exemplu, un proiect mediu de comerț electronic va avea o rată de conversie de 2%, ceea ce înseamnă că doar 2 din 100 de sesiuni vor avea o valoare diferită de zero. Puterea semnalului lor este egală cu 100%.

Învățarea automată ne ajută să înțelegem probabilitatea conversiei de la evenimentele timpurii din fiecare sesiune și să îi atribuim o valoare diferită de zero. Putem identifica 25% dintre vizitatorii site-ului web care au o putere a semnalului variind de la 2% la 10%. Această abordare ne oferă un public mai larg cu un semnal mai slab care poate fi folosit pentru crearea segmentelor.

2. Învățarea automată este capabilă să calculeze LTV-ul incremental așteptat

Acest lucru vă ajută să înțelegeți cât de bine funcționează campania și dacă își va atinge valoarea țintă în viitor, chiar înainte ca conversiile reale să aibă loc.

3. dLTV poate fi utilizat pentru optimizarea sumelor licitate publicitare

Vă puteți optimiza licitarea utilizând atribuirea predictivă bazată pe învățarea automată pentru a înțelege performanța așteptată a campaniei dvs.

Să presupunem că lansați un anunț pe Google cu multe cuvinte cheie. Ați cheltuit o anumită sumă pentru fiecare cuvânt cheie, ați obținut o anumită cifră de vânzări și v-ați împărțit vânzările la rentabilitatea investiției. Ați sortat aceste cuvinte cheie aranjandu-le în ordine descrescătoare în funcție de rentabilitatea investiției, apoi ați reprezentat 100% din costuri (cumulative) pe axa X și ați reprezentat toate rezultatele afacerii sub formă de vânzări sau profit pe axa Y. După ce ați făcut acest lucru, aceasta vă va oferi „curba de performanță”:

Scopul utilizării tehnologiei de marketing este de a elimina controalele inutile. În acest caz, trebuie să eliminăm cuvintele cheie slabe care au un impact negativ asupra rentabilității investiției. Nu vă permiteți să investiți în aceste cuvinte cheie, prin urmare bugetele lor respective pot fi reduse.

Prin folosirea unor metode noi și mai eficiente, puteți schimba curba de performanță în sine. Puteți obține performanțe mai mari cu același buget și cuvinte cheie. Pentru a ilustra acest lucru, la OZON.ru, în 2016, am folosit modificatori ai sumelor licitate bazate pe învățare automată pentru anunțurile afișate în Rețeaua de căutare și, astfel, am ajutat Google și Yandex să atragă audiențe repetate de calitate superioară.

În consecință, veniturile dvs. cresc, obțineți un ROI marginal mai mare decât cifra țintă și vă ajută să deblocați noi oportunități. De exemplu, investind în cuvinte cheie noi și sporind cheltuielile, puteți obține performanțe mai mari în ceea ce privește valoarea țintă a rentabilității investiției.

Poate că suntem pionierii învățării automate pentru marketingul predictiv în industrii precum imobiliare, bancar și SaaS. Însăși ideea de a marca utilizatorii și de a utiliza acest scor în scopuri de optimizare vine din industria jocurilor de noroc. Jocurile mobile sunt adesea gratuite, dar vin cu opțiuni de cumpărare în joc. „Balenele”, așa cum sunt denumite în industria jocurilor de noroc, sunt un grup de jucători care reprezintă doar 1% din populația de jucători, dar sunt capabili să plătească costul tuturor jucătorilor prin achizițiile lor în joc.

Toate jocurile de acest fel sunt concepute pentru a-și crește cota de cheltuitori mari și, cel mai important, pentru a identifica potențialii care cheltuiesc mari. Pentru o lungă perioadă de timp în industrie, managerii de produse au fost cunoscute că folosesc date pentru a prezice LTV pentru a-și informa deciziile.

Aplicațiile de jocuri mobile au avut deja integrări cu Google și, ulterior, cu Facebook, pentru a transfera date despre evenimente online. Pentru a evalua probabilitatea ca un jucător să devină o „balenă”, agenții de marketing folosesc datele din primele zile de joc ale unui jucător. Apoi produc o conversie sintetică „instalare de calitate”, trimit acest eveniment la Google UAC și apoi optimizează pentru instalare de calitate, mai degrabă decât pentru instalare obișnuită.

Implementăm următoarele integrări standard pentru clienții noștri:

1. Tomi.ai Pixel: trebuie să instalați un pixel Tomi.ai pe site-ul dvs. web pentru a colecta date comportamentale: cum ar fi paginile vizitate de utilizatori, durata șederii pe anumite pagini și clicuri. Algoritmul de învățare automată va sorta toate aceste semnale pentru a le găsi pe cele care oferă cele mai precise predicții ale conversiilor viitoare. De exemplu, oamenii care intenționează cu adevărat să cumpere o casă vor folosi un calculator ipotecar și vor căuta școlile din apropiere. Acești factori vor genera variabilele care vor fi utilizate de învățarea automată pentru a prezice probabilitatea conversiei în achiziție.
2. Integrare CRM: le rugăm clienților să furnizeze fluxurile de tranzacții finalizate (date istorice). Folosind e-mailurile cu hashing și numerele de telefon trimise pe site-ul web ca identificatori anonimi, putem face legătura între tranzacțiile offline și activitatea online a oamenilor. Folosim un eșantion de date istorice de o lună (sau mai mult) pentru a ne instrui modelele cu privire la comportamentele oamenilor și probabilitatea unor achiziții ulterioare.
3. Integrarea API: în cele din urmă, alimentăm aceste date înapoi în conturile de publicitate. Solicităm acces la API-urile de marketing pentru a ne conecta și a încărca conversii sintetice și date predictive de audiență la Google și Facebook.

Cel mai important factor pentru învățarea automată este numărul de rezultate pozitive care au avut loc - câte conversii am reușit să captăm. Teoretic, 20 de achiziții sunt suficiente, dar practic, încercăm să identificăm cel puțin 100 de achiziții pe care le putem lega de comportamentul online. În general, ne propunem să antrenăm modelul folosind câteva sute sau mii de achiziții. Este important să obținem cel puțin primele 100 de rezultate pozitive în timpul perioadei noastre de colectare a datelor, care are loc de obicei în prima lună de lucru (sau mai mult dacă conversiile sunt limitate).

Din experiența noastră, principalul criteriu pentru calitatea datelor este ponderea comenzilor offline pe care le putem lega de activitatea online a clienților. Ideea principală nu este doar să integrăm site-ul web și sistemul CRM, ci și să colectăm identificatori anonimi de cookie-uri. ID-ul Google Analytics este de obicei folosit pentru aceasta. Trebuie să colectați ID-urile Google Analytics ale utilizatorilor și apoi să conectați acest identificator în CRM în toate etapele ulterioare: calificarea potențialului, asistența vânzărilor, executarea contractului etc.

Valoarea învățării automate nu constă în datele conținute într-un singur tabel. Constă în calitatea legăturii dintre mai multe tabele.

Valoarea datelor nu este în date, ci între date.

Aceasta înseamnă că valoarea nu constă doar în a avea tabele, ci în conectarea mai multor mese împreună pentru a debloca o valoare suplimentară. Posibilitatea de a lega aceste tabele de comportament online cu tabelele de ordine este extrem de importantă pentru marketeri.

Dacă campaniile de publicitate nu progresează niciodată dincolo de faza de învățare (și acest lucru poate fi cazul conversiilor extrem de rare), puteți face ceva în acest sens cu puterea învățării automate.

Dacă încă maximizați numărul de clicuri pe site, sunteți deja în urmă. Dacă vă optimizați anunțurile pentru colectarea de contacte, iar aceste contacte sunt de proastă calitate (doar 5-10% dintre contacte transformate în vânzare), este foarte probabil ca învățarea automată să îmbunătățească acest lucru.

Vreau să subliniez că nu trebuie să fii un cercetător al datelor pentru a începe. Udați-vă picioarele și vedeți ce poate face învățarea automată pentru campaniile dvs. de marketing. Pe măsură ce industriile continuă să devină mai interconectate, acum este momentul să aduceți noi inovații tehnologice în trusa dvs. de instrumente.