PPC Çoklu Dokunma İlişkilendirme Modellerine Machine Learning Insights Uygulayın

Çoklu Dokunma İlişkilendirme Modellerine Makine Öğrenimi Uygulaması

4.30.2020 güncellendi

Yeni medya pazarlama planlayıcınız , 2020'ler için PPC reklamlarında kullanılan çoklu dokunma ilişkilendirme modellerini optimize etmek için makine öğrenimini kullanabilir.

Yarının başarılı dijital pazarlama ajansları, çok dokunuşlu ilişkilendirme modellerini optimize etmek için verilerden yararlanabilen ve makine öğreniminden elde edilen bilgileri uygulayabilenler olacaktır. Elde edilen bilgiler, başarılı yeniden pazarlama kampanyaları için de gereklidir.

Google'da Makine Zekası alanındaki yeni yeniliklerin keşfedilmesi, 2020'lere girerken şirketin dünya çapında daha etkili ikinci marka olarak konumlandırılmasına yardımcı oldu. Arama devi, daha klasik algoritmalardan derin öğrenme gibi son teknoloji tekniklere kadar makine öğreniminin ilerleyen yönlerini aktif olarak araştırıyor. Google AdWords'ü kullanarak reklam veren işletmelerin ücretli aramada yeni kazançlar elde etmeye devam ettiği göz önüne alındığında, makine öğrenimi ve çok dokunuşlu ilişkilendirme modellerinin birlikte nasıl çalıştığını anlamak faydalı olacaktır.

İlk olarak, insanların sorduğu bazı yaygın soruları yanıtlayalım.

Çoklu dokunma özelliği nedir?

Çoklu dokunuşla ilişkilendirme, pazarlama etkinliğini ölçmenin bir yoludur. Bu , tüm tüketici yolculuğu temas noktalarını değerlendiren ve dijital pazarlamacının her bir kanalın bir satış üzerinde ne kadar etkisi olduğunu değerlendirebilmesi için her eyleme kısmi kredi atayan bir tekniktir .

Pazarlamada ilişkilendirme modeli nedir?

Kullanıcı ilişkilendirme modeli, dönüşüm yollarındaki tüketici temas noktalarına satışlar ve dönüşümler için nasıl kredi atanacağına karar veren bir kurallar dizisidir. Model Karşılaştırma Aracı, farklı ilişkilendirme modellerinin pazarlama kanallarınızın değerlemesini ve performansını nasıl etkilediğine ilişkin karşılaştırmalar sunar.

Çoklu dokunuşla ilişkilendirme, tüketici bir satın alma, indirme veya dönüşüm gerçekleştirmeden önce tüm krediyi ilk veya son pazarlama temas noktasına veren ilk ve son dokunuş gibi geleneksel, kurala dayalı ilişkilendirme yaklaşımlarına daha karmaşık bir alternatif sunar. başka herhangi bir olay.

Önce derinlemesine pazarlama araştırması yaparsanız, kullanıcınızın sitedeki etkinliklerini daha iyi belirleyebilirsiniz.

Bu, Makine Zekası'ndan yararlanan dil tanımlama, konuşma, çeviri, görsel işleme eğilimleri , sıralama ve tahmin yetenekleri üzerinde çalışmayı içerir. Doğrudan veya dolaylı ilgi ilişkilerinin kanıtını sunan çok miktarda büyük veri, daha doğru arama sonuçlarını anlamak ve hızlı bir şekilde üretmek için öğrenme yaklaşımları geliştirmek için kullanılır.

Makine öğrenimindeki gelişmeler, SEO'ların farkında olsun ya da olmasın, dijital pazarlamacıları gelişmeye zorluyor. Ya da web sitenizi buna hazırlasanız da hazırlamasanız da. Bu makale, çok dokunuşlu ilişkilendirmede neden konum tabanlı modellemeyi kullanmayı tercih ettiğimizi açıklayacaktır.

En büyük değişiklik şudur: medya planlama ve satın alma şirketleri , çevrimiçi satış hacmini artırmada başarılı olmak için reklam stratejilerinde yeni bir yaklaşımla ortaya çıktıklarını biliyorlar.

Çoklu Dokunma İlişkilendirme Modellerini Anlama: Kurallara Dayalı ve Algoritmik

Kural tabanlı bir yaklaşım mı yoksa algoritmik bir PPC ilişkilendirme modeli mi kullanmalıyım?

Markanızın ilişkilendirme modelini doğru bir şekilde belirlemek, iki model kategorisine ayrılabilir: kural tabanlı ve algoritmik makine öğrenimi. Kurallara dayalı bir model, insan tarafından çıkarılır ve bu nedenle oldukça öznel olarak etiketlenebilir. Bu daha geleneksel ilişkilendirme modelleri, ilk ve son dokunuş, eşit dokunuş, zamanla azalan ilişkilendirme ve diğer senaryolar hakkında yaygın olarak anlaşılan varsayımlara dayanmaktadır. Örneğin, kişinin satın alma kararını yönlendiren son maruziyetti veya ilk ve son dokunuşlara eşit ağırlık verildi.

Kurallara dayalı pazarlama ilişkilendirmesi, basit ilişkilendirme yaklaşımı olarak bilinir. Bu modeller, önceden tanımlanmış bir formülle oluşturulan her bir tüketici temas noktasına değerler atar. Satın alma yolculuğunda, genellikle ilk veya sonuncusu olmak üzere, yalnızca bir temas noktasına %100 kredi atar.

Bu öznel süreci iyileştirmek için, algıların yanlış hizalanması durumunda, analitik olgunluk ölçeğine dayanan çok dokunuşlu ilişkilendirme modellemesi daha açıklayıcıdır ve makine öğrenimine yaslanırken daha düşük bir değerlendirme süreci içerir. Tek bir temas noktası ilişkilendirmesini (son etkileşim ve ilk etkileşim) çoklu temas noktası modelleriyle değiştirerek, mevcut kurallara dayalı olarak çeşitli temas noktalarına kredi atamak daha kolaydır.

Google BERT algoritmasındaki makine öğrenimindeki gelişmeler göz önüne alındığında, veriye dayalı bir algoritmik yaklaşımın daha güvenilir olduğu kanıtlanmıştır. Bu, ilişkilendirme çıktılarının verilere ve bu verilerin modellenmesine dayalı olarak oluşturulduğu anlamına gelir. Kısmi ilişkilendirme, tek dokunuşun bütüne göre değerine bağlı olarak yüzdeye göre atanır. Yine de doğru olmak gerekirse, algoritmik makine öğrenimi özelliği, büyük ölçüde girilen verilerin zenginliğine bağlıdır. Güvenilir bir kaynak kullanıldığında kapsamlı bir enstantane elde edilir, ancak aksi takdirde sonuçlar büyük ölçüde kusurlu olabilir.

Makine öğrenimine güveniyor olsak da, bu model hala yüksek derecede insan etkileşimine bağlı. Bir insan analistten elde edilen bağlamsal içgörüler, olası kusurlu girdilerin azaltılmasına yardımcı olur. Deneyimli bir dijital pazarlamacının, çıktıları etkilemeden önce bir aksiliği çabucak fark etmesi daha olasıdır.

Çoklu dokunma ilişkilendirme modeli, pazarlamacılara her kullanıcı etkileşiminin nihai hedef üzerindeki etkisine kapsamlı bir bakış sağlar. Bu, bu devasa, kanallar arası bulmacada neyin işe yarayıp neyin yaramadığını ve neyin neleri etkilediğini daha iyi anlamaya yardımcı olur. Bu içgörüler, pazarlamacıların ve markaların daha akıllı pazarlama kararları alma potansiyelini büyük ölçüde üretir. Yerel arama pazarlaması çabalarınızı bilgilendirmesine izin verin.

Eric Enge, “Makine Öğrenimi, kullanıcı katılımını doğru bir şekilde ilişkilendirdiğinde, SEO planlamasından çevrimiçi satın alma kazanmaya kadar kullanılabilir” diyor. 4 Şubat 2016 tarihli Moz makalesinde, Makine Öğrenimi Devrimi: Nasıl Çalışır ve SEO Üzerindeki Etkisi *, Google ve diğer arama motorlarının algoritma tabanlı teknolojiye yaptığı yatırımın nasıl kullanılabileceğine derinlemesine giriyor. Buna bir bak.

İşletmeniz için Çoklu Dokunma Modeli İlişkilendirmesini kullanmalı mısınız?

Makine Öğrenimi, kullanıcı katılımını doğru bir şekilde belirlediğinde, çevik pazarlama planlamasını çevrimiçi satın almaları kazanmak için bilgilendirmek için kullanılabilir.

Veri madenciliğinden yararlanmanın en iyi yollarından biri, müşterilerinizi segmentlere ayırmak ve ardından AdWords'ü kullanarak hedefli mesajlar göndermektir. Ve oldukça basit bir süreç. Yalnızca Search Console ve Google Analytics verilerinizden, hedef kitlenizi yaş, ilgi alanları, gelir, meslek veya cinsiyet gibi anlamlı segmentlere ayırmanız mümkündür. Ve bu, e-posta pazarlama kampanyaları yürütürken , ücretli arama yapıyor veya SEO stratejilerinizi yeniliyor olsanız da etkilidir.

Veri segmentasyonunun bir başka avantajı da rekabet ortamınızı daha iyi anlama yeteneğidir. Bu içgörü tek başına, hızlı bir şekilde belirlediğiniz olağan pazarların yanı sıra işletmenizin hizmet vermek istediği aynı potansiyel alıcıları hedefleyen pazarları belirlemenize yardımcı olacaktır.

Rakiplerini listelemeleri istendiğinde, bir kişi listesiyle geri gelen tipik bir işletme gibiyseniz. Daha büyük düşünün ve planlayın. Daha fazla müşteriye ulaşmak için ücretli arama pazarlamasını kullanın . Arama motorları, kullanıcı arama sorguları için dünya çapında bir potansiyel eşleşme havuzundan seçim yapmak zorundadır. Çoğu işletme, gerçekten rekabet etmek ve kazanmak istiyorlarsa, rekabetçi web sitesi çemberlerini iki veya üç kez genişletmek zorundadır. Veri madenciliği ve makine öğreniminin nasıl çalıştığı hakkında daha fazla bilgi edinmek, bunu yapmanıza yardımcı olacaktır.

Google'ın Makine Öğrenimine Yolculuğu: Pazarlamacıların Bilmeleri Gerekenler başlıklı E Pazarlamacılar makalesi, dönüşüm hunisinin üst kısmındaki yaklaşımla var olan çeşitli yöntemlerden bahsediyor. Bu, doğrudan Google Haritalar'dan gelen müşteriler de dahil olmak üzere, web sitenize gelen nitelikli potansiyel müşterileri elde etmeye yönelik stratejik bir planı içerir.

Justin Cutroni, "Bir işletmenin web sitesine yapılan ziyaretler ve ziyaretlerin tümü eşit değerde değildir ve bir şirket tüm olası satışlar için aynı tutarı ödememelidir," diyor.

Bir Makine Öğrenimi Modelinin Dönüşümleri İyileştirmeye Yönelik 8 Önemli Avantajı:

Daha iyi reklam kararları vermek, doğru verilere sahip olmakla ve her dönüşümde makine öğrenimi modeli güncellemesini kullanma becerisiyle başlar.

1. Site ziyaretçinizin dönüşüm hunisinin ne kadar derin olduğunu ve kullanıcının nasıl karar verdiğini kolayca anlayın.

2. Kullanıcıların bir satın alma işlemi yaparak başladıkları ve bitirdikleri yere göre dönüşüm gerçekleştirmelerinin genellikle ne kadar sürdüğünü görerek ne zaman optimize edeceğinizi bilin.

3. Gelecek çeyrekte yatırım getirisini ve işletme gelirini artırmak için reklam harcamalarının nereye harcanacağını daha iyi belirleyebilme.

4. Kullanılan cihaza göre dönüşüm sayısını ve huninin farklı bölümlerinde stratejik cihaz hedeflemenin etkisini deşifre edin.

5. Dönüşüm hunisinin üst kısmındaki taktiklerinizin ve video içeriği kullanımınızın her dönüşümde nasıl rol oynadığını daha iyi görme yeteneği.

6. Hem yeni hem de geri dönen işletmeler için tüm müşteri yaşam döngüsünü anlamak için daha doğru yetenek.

7. Algoritmik ilişkilendirme modellerinin bir avantajı, erken tahminde bulunmanın daha az olmasıdır.

8. Geri görüşte verilerinizi yeniden kontrol etme ihtiyacını azaltır.

Pazar Harcamalarını Tahsis Etmek için Makine Öğrenimi Süresinde Azalma İlişkilendirmesini Kullanın

"Temel olarak, olası satışın etkileşimde bulunduğu son kampanya veya gösterim, tüm dönüşüm kredisini alır. Yalnızca bir veya iki kampanya yürütüyorsanız, bu modelin sadeliği ve kullanıma hazır erişilebilirliği çekicidir. Ancak, birden fazla pazarlama kanalınızın olduğu durumlarda, bu tür bir ilişkilendirme yanıltıcıdır ve pazarlama harcamalarınızı daha iyi tahsis etmenize yardımcı olmaz”, diyor Segment Analytics Akademisi**.

Zaman Azalması İlişkilendirme Modelini kullanırken, tüketicinin satın almasına veya dönüştürmesine zaman açısından en yakın temas noktaları, kredinin en büyük payına atfedilir. Örneğin, hem bir AdWords kampanyası tıklaması hem de E-posta kanalları, satıştan birkaç saat önce en son müşteri etkileşimleri olarak tanınırsa, başka bir kanal, Reklam veya E-posta kanallarından daha az kredi alır. Ücretli Arama etkileşimi satış zamanına yakın gerçekleştiğinden, bu kanal, bir aracıyla daha önceki bir sosyal etkileşimden çok daha fazla kredi alır.

Google'ın Veriye Dayalı İlişkilendirme Modelini Kullanma

Google, toplam dönüşüm hacmini en üst düzeye çıkarmak için en iyi ilişkilendirme modelini bulmak için kullanıcı davranışı verilerinizi ve aritmetik bilginizi etkileyen makine öğrenimine daha fazla güveniyor. AdWords mobil dönüşüm hacminizi rakiplerinizden daha fazla artıracak bir veri seti bulmak bir altın madeni hayalidir.

AdWords içi veriye dayalı ilişkilendirmenin zorluklarından biri, kullanıcı etkileşiminin tek kanallı bir yorumunu en iyi şekilde sunmasıdır. Ürününüzü çevrimiçi olarak arayan yeni müşterileri başarılı bir şekilde hedeflemek için, e-posta veya sosyal ağlar gibi diğer arama dışı pazarlama çalışmalarından gelmiş olabilecek dönüşümleri belirlemek zordur. Makine öğrenimi, görüntü varlıklarını insanların aradığı bir ürünle eşleştirmede daha iyidir. Ürün resimleriniz ve reklamlarınız çevrimiçi ürün karusellerinde görüntülenebilir .

Google, bir aylık süre içinde en az 20.000 tıklama ve 800 dönüşüm alınmasını önerir. AdWords'le başlayan birçok işletmenin daha mütevazı sayıları vardır ve en iyisini başlangıçta konum tabanlı ilişkilendirme ile yapar. İşletmeniz için PPC için en iyi ilişkilendirme modelini bulmak birçok faktöre bağlıdır ve zaman ve testlerle ortaya çıkar.

En İyi Çok Kanallı İlişkilendirme Modelini Seçmenin Zorlukları

Hangi modeli seçerseniz seçin, tüketici şeffaflığına ve en iyi gizlilik uygulamalarına saygı göstermeyi unutmayın.

Analitiğin pek çok yönü işiniz için kullanılacak en iyi çok kanallı ilişkilendirme modelini keşfetmekten daha karmaşık değildir.

Yıllardır varsayılan PPC ilişkilendirme modeli olduktan sonra son tıklama nasıl yanlış olabilir? Ve sonra, ilk tıklama ilişkilendirmesinin de hatalı olduğunu öğrenmek zor olabilir. Zaman azalmasına rağmen konum tabanlı modellere doğru ilerlerken, hiçbir veriye dayalı ilişkilendirme tekniği mükemmel görünmüyor. Önümüzdeki yıl pazarlama PPC harcamanız, daha iyi sonuçlar ve ücretli reklamcılık yatırımınız için daha fazla getiri ile artırılabilir. İster organik arama, ister ücretli arama ekibinde olun, sonunda tüketicilere daha fazla değer sunuyorsanız öne çıkıyorsunuz.

Son dokunuş ilişkilendirme modeli basittir ve çoğu pazarlamacının geri döndüğü budur. Ancak, tüm reklam gösterimlerinin uyaranlarını tamamen göz ardı eder, sonuncusunu engeller. Alternatif olarak, çok dokunuşlu ilişkilendirme (MTA) modelinin daha yeni fikri birçok kişi tarafından benimsenmiştir. Bu, birden fazla temas noktasının her birinin, kullanıcının satın alma kararına yol açan her temas noktasında daha gerçek bir kullanıcı etkisine dayalı olarak kredinin bir kısmına sahip olabileceği anlamına gelir.

Yeni makine öğrenimi teknolojileri nedeniyle, bu konudaki eski fikirlere kapılmayın. Arama ve site ziyaretçi davranışının kalıp tanımadan doğan yapay zeka araştırma çalışması, işletmenizin verilerden ve kullanıcı temas noktalarından öğrenmesini sağlar. Dönüşüm verilerini daha iyi görselleştirmek ve kredilendirmek mümkündür. Modeller yeni verilere maruz kaldıkça bağımsız olarak uyarlanabildiklerinden, makine öğreniminin yinelemeli yönü önemlidir. Güvenilir, tekrarlanabilir kararlar ve sonuçlar üretmek için önceki hesaplamalardan öğrenirler. Bu eski bir bilimdir, ancak büyük ölçüde geliştirilmiş ve bilgili dijital pazarlamacılardan yeni katılım sağlayan bir bilimdir. SEO pazarlama uygulamalarınızı güncel tutarsanız , PPC operasyonlarınıza da fayda sağlayacaktır.

Birçok makine öğrenimi algoritması yıllardır var olmasına rağmen, Google Analytics verilerinize daha hızlı ve çok daha güvenilir bir şekilde karmaşık matematiksel hesaplamaları otomatik olarak uygulama gücü son zamanlardaki bir gelişmedir.

Çok Kanallı Huniler Analytics En İyi Dönüşüm Yolları Raporu Nasıl Kullanılır

Google Analytics'inizdeki (veya benzer platformdaki) Çok Kanallı Dönüşüm Hunileri standart raporundaki Yol Uzunluğu raporunu inceleyin. Genellikle çok sayıda site dönüşümünün birden fazla yol uzunluğu vardır ve bu da dönüşümü doğru şekilde ilişkilendirmeyi zorlaştırır. Google Analytics, pazarlamacıların, Genel Bakış bölümünde bulunan çok kanallı dönüşüm görselleştirmesiyle, kullanıcının dönüşüm yolu hakkındaki bilgileri birleştirmesine olanak tanır.

Google Analytics'teki Desteklenen Dönüşümler raporunu inceleyin. Tüm Desteklenen/Son Tıklama veya Doğrudan Dönüşümleri gösteren son sütuna odaklanın:

• Birin altındaki değerler için, o kanalın son tıklama dönüşümlerini sağlama olasılığı daha yüksektir.

• Birin üzerindeki değerler için, bu kanalın dönüştürme aşamasında daha erken kullanılabilir olma olasılığı vardır. Bu kanallar, bir son tıklama ilişkilendirme stratejisi kullanırken uygun krediyi kaçırabilir.

Pazarlama kanallarınızda hangi alanların düşük değerli olabileceğini deşifre etmek mümkündür.

Ardından, bütçe tahsisinin bir yüzdesini ayarlayın ve yeni sonuçları ölçün. Tüm pazarlama ekipleri, hangi kanalın önce geldiğini ( markanızı tüketiciye tanıtmak için çalışan kanal), sonra hangi kanalın geldiğini ("potansiyel alıcı kararlarımızı besler"), hangi kanalın ondan sonra geldiğini bilmekten yararlanır.

Ardından, Analytics En İyi Dönüşüm Yolları raporundaki bilgileri bulun.

Daha İyi İlişkilendirme Modelleri için Veri Madenciliği

Veri tabanınızı segmentlere ayırma ve içgörülerinizin nasıl şekillendiğini test etme Reklam metni, iş dönüşüm oranlarını ve dolayısıyla kâr marjlarını artırabilir. PPC promosyonlarınızı sıkı, son derece ilgi çekici bir pazarlama planından çıkararak, şirketinizi, daha genel ve geniş bir promosyonun muhtemelen sağlayabileceği benzersiz bir kitlenin ihtiyaçlarını daha iyi karşılamak için ürünleri ve promosyonları özelleştirmesi için güçlendirebilir.

Web sitenize yeni ve nitelikli müşteri adayları kazanma konusunda daha akıllı üst huni yaklaşımları, daha fazla orta huniye odaklanmayı gerektirebilir. Kar odaklı pazarlama , kesintiye, kullanıcı katılımına ve daha iyi elde tutma oranlarına neyin neden olduğunu tahmin etmeyi içerir, kurumsal siloları azaltmak ve işletmelerin veri kaynaklarını entegre ettiğini görmek mümkündür. Yeni müşteri kazanımını sağlamak, açılış sayfası hemen çıkma oranlarını azaltmak ve mevcut müşterilerden iade satın almaları oluşturmak için kullanılabilecek veri entegrasyonunu geliştirmek için makine öğrenimini kullanma yeteneğine sahibiz.

Birçoğu, makine öğrenimi, müşteri analitiği ve belirli bir tür cihazda belirli bir mesajla belirli bir alıcı türüne ulaşmayı aşmak için büyük verilerin birlikte nasıl çalışabileceğini ilişkilendiriyor. Pazarlamacılar, bir site ziyaretçisinin gerçekleştirdiği tetikleyici davranışı belirledikten sonra, ücretli reklamcılığı daha verimli hale getirmek için mesajlaşma, teklifler, sıklık, günün saati ve diğer faktörlerde nelerin değiştirileceği konusunda daha nitelikli bilgiler edinir.

PPC İlişkilendirmesinde Konum Bazlı Modelleme

Her işletme, reklam harcamalarından maksimum sonuç elde etmek ve görünür özellikli snippet'ler göstermek için mümkün olduğunca tutumlu olmak ister. Son tıklama ilişkilendirmesi, dönüşüm huninizin alt kısmına dikkatle incelerseniz, birçok pazarlamacının çabalarının çoğunu hak eder. Hedef PPC verimliliği olduğunda ve dışa doğru büyüme daha az dikkat gerektiriyorsa, bunun nedenini anlamak kolay olsa da, tercihim bir zaman kaybı modelidir.

Bununla birlikte, işin odak noktası büyüme ve yeni müşteri kazanımını artırma olduğunda, dönüşüm hunisinin en üstüne daha yakın olmak, AdWords optimizasyonu için bir önceliktir . Hem ilk tıklama ilişkilendirmesi hem de son tıklama pastanın yalnızca küçük parçalarını sunar. AdWords ve Google Analytics verilerindeki Google, bir gün zaman azalmasının tersine bir yinelemesini sağlayabilir, ancak bugün sunulmadığından, konum tabanlı veya u-şekilli bir model, daha fazla çalışma ve mevcut veri raporlarının yetenekli bir şekilde yorumlanmasını gerektirir.

Tahmini verilere ve ilgili satın alma bilgilerine odaklanarak, tüketicilerin ürün ve hizmetlerinizle olan ilişkilerini artırmanız mümkündür. Bu, her zaman yeşil kalan satış huniniz için çalışan net bir içerik pazarlama stratejisi gerektirir.

U-Shaped konum tabanlı ilişkilendirme modeli, daha önceki pazarlama çabalarına aynı anda bir yüzde kredi atfederken, önemli kullanıcı temas noktalarını tanımlamayı kolaylaştırır. İşletme uzun bir satın alma döngüsüne sahip olduğunda, ortadaki temas noktalarına genellikle daha az ağırlık verilir. Alıcılar, karar vermelerine yardımcı olacak ürün incelemeleri arıyor . İlişkilendirme modellemesi tamamen keyfidir. Yıllarca süren uygulama ve analitik bir zihin, iş hedeflerinize en uygun metriklere ve kanallara kredi atamanıza yardımcı olur.

Cihazlar Arası İzleme Çalışması, Ölçüm ve İlişkilendirme için Öngörüler sunar

Gelişmiş cihazlar arası izleme, bir kullanıcının davranışının eksiksiz bir görünümünü sunar ve reklam hedefleme, çoklu dokunuşla ilişkilendirme, araştırma ve dönüşüm ilişkilendirme dahil olmak üzere çeşitli amaçlar için değerli olabilir. Bununla birlikte, site kullanıcıları, davranışlarının farklı cihazlarda nasıl ve ne sıklıkla izlendiğine ilişkin sayfaların alt kısmında yayınlanan çerez bildirimlerini genellikle bilmezler veya okumayı atlarlar. Bu nedenle OTech tarafından yapılan bir çalışma , cihazlar arası izleme hakkında bilgi toplar ve son kullanıcının bakış açısından gözlemler sunar.

FTC'nin Teknoloji Bölümünden Aaron Alva'nın 5 Ocak'ta yaptığı bir e-posta iletisine göre, "İnternet reklamcılığı ve analitik teknolojisi şirketleri, tüketicilerin sahip olduğu çeşitli cihazlar arasında davranışları birbirine bağlamanın yollarını giderek daha fazla bulmaya çalışıyor. Bu cihazlar arası izleme, bir tüketicinin davranışının daha eksiksiz bir görünümünü sağlayabilir ve reklam hedefleme, araştırma ve dönüşüm ilişkilendirme dahil olmak üzere çeşitli amaçlar için değerli olabilir."

Daha fazla bilgi için, FTC'nin Cihazlar Arası İzleme: Teknoloji Araştırma ve Soruşturma Ofisi (OTech) tarafından hazırlanan Ölçüm ve Açıklama adlı yeni yayınlanan raporunu okuyun.

Makine Öğrenimi Google Reklamlarınızdan Nasıl Yarar Sağlar?

İşletme Sahipleri neden her Müşterinin her Temas Noktasındaki Etkinliğini bilmek ister:

• Google Ads için iyileştirilmiş reklam hedefleme ve özel iletişim — müşteri davranışı ve çevrimiçi etkileşimler konusunda daha keskin bilgilerle, arama pazarlama stratejileriniz tüm kanallarda daha iyi uyum sağlamak için özelleştirilmiş mesajlar oluşturabilir .

• Daha iyi ürün ve hizmet kararları — analiz için geliştirilmiş müşteri verileri içgörüleri ile perakende açılış sayfalarınız, bilinçli pazarlama, sayfa SEO'su ve konumlandırma kararları yoluyla ince ayar yapıldıktan sonra daha faydalı olabilir.

• Müşteri sadakatini artırır — tek bir müşterinin, pazarlama stratejilerinizin müşteri hizmetlerini iyileştirmesine ve müşteri sadakatini olumlu yönde etkilemesine nasıl yardımcı olabileceği.

• Görüntülü reklamlarda kopya ve ücretli promosyonlar daha iyi sunar” — kullanıcı davranışlarınızı ve markanızla etkileşim kurarken müşterilerin nasıl düşündüklerini anlamak, pazarlama ekiplerinizin müşteri odaklı ve sizin için en önemli olan teklifleri ve promosyonları bulabileceği anlamına gelir. site ziyaretçileri.

“Pozisyon Bazlı ilişkilendirme modelinde ilk ve son etkileşimin her birine %40 kredi atanır ve kalan %20 kredi ortadaki etkileşimlere eşit olarak dağıtılır. Bu örnekte, Ücretli Arama ve Doğrudan kanalların her biri %40 kredi alırken, Sosyal Ağ ve E-posta kanallarının her biri %10 kredi alacaktır." – Google Analytics Desteği

NOT: Google, çok kanallı reklam kampanyalarında veriye dayalı çok dokunuşlu ilişkilendirme belirlemeye yönelik bir yöntem ve aygıt için 15 Şubat 2013'te başvurusunu yaptı. Aksi takdirde, derin öğrenmeden yararlanmaya dayanan US 20140236705 A1 olarak bilinir.

İşletmem için Hangi Modelin En İyi Olduğunu Nasıl Belirlerim?

Dijital pazarlama yöneticileri, hangi Google Ads kampanyalarının, reklam öğelerinin ve yerleşimlerin en iyi performansı gösterdiğini, bunları nasıl değiştireceğinizi veya belirli kampanyalara yatırım yapmanız gerekip gerekmediğini belirleme konusunda en iyi kişilerdir. Önceden var olan marka bilinirliği, yatırım getirisi marjları ve demografi gibi diğer faktörlerin tümü devreye girdiğinden, "bağlıdır" yanıtı burada doğrudur; kesirli atıf yapmaz.

Dar nişlerde dijital pazarlamacılar üzerinde daha fazla baskı var. Giderek daha fazla dönüşümü artırmaktan ve arama sonuçlarında zengin özellikli snippet'ler elde etmekten sorumlu tutuluyorlar. Yeni ölçümler ortaya çıktıkça, bu modellerden herhangi birinin silo kanal ölçümünden daha iyi olup olmadığını deşifre etmek daha kolaydır. Bu yöntemler, daha önce sahip olmadığınız tüketici yolculuğuna ilişkin içgörülerle sizi donatacak. Ürünleriniz için hangi multi-touch ilişkilendirme çözümünün en iyi olduğuna karar vermek, büyük ölçüde iş hedeflerinize, gereksinimlerinize, bütçenize ve çıktıyı ücretli pazarlamanızın etkinliğini artırmak için nasıl kullanmak istediğinize göre belirlenir.

ÖZET

Jeannie Hill ve Google Ads hizmetleri hakkında istediğiniz zaman daha fazla bilgi edinin .

Bir makine öğrenimi yaklaşımının dahil edilmesinin neler yapabileceğini görmek istiyorsanız, Daha Güçlü Dönüşüm Oranları için AdWords Optimizasyon Hizmetlerimiz hakkında daha fazla konuşalım.

* https://moz.com/blog/machine-learning-revolution

** https://segment.com/academy/advanced-analytics/an-introduction-to-multi-touch-attribution/