Verileri ve makine öğrenimini kullanarak satışları artırma ve yatırım getirisini artırma

Çevrimiçi reklamcılık algoritmaları, çok sayıda sinyal üzerinde gelişir. E-ticaret ve mobil oyun gibi endüstriler, bu algoritmaları eğitmek için yeterli veri sağlar. Bu nedenle, Google ve Facebook gibi reklam platformlarının yaygın olarak kullandığı yaklaşımlar, istenen kitlelerin etkin bir şekilde hedeflenmesine ve etkileşime girmesine olanak tanır.

Ancak, sinyal sayısının daha düşük olduğu diğer birçok sektörde, hedef dönüşüm oranı kanalların kıyaslamalarının çok altındadır. Kendinizi bu durumda bulursanız, geçiş yapmanız ve verilerinizden makine öğreniminin gücüyle yararlanmanız hayati önem taşır.

AdTech girişimi Tomi.ai'nin kurucusu Konstantin Bayandin ile makine öğrenimi ile açılabilecek çevrimiçi pazarlama fırsatlarını tartışmak için bir araya geldik.

OZON.ru'nun (Rusya'nın Amazon eşdeğeri) CMO ve Veri Bilimi ve Analitik Departmanı Başkanı olarak şirkette veriye dayalı pazarlamanın geliştirilmesine liderlik ediyorum. E-ticarette, bol miktarda değerli dönüşümler (satın almalar) ve kesilip parçalanacak çok sayıda veri vardır. Yüksek teknolojili bir emlak komisyoncusu olan Compass'ta çalışmak üzere ABD'ye taşındıktan sonra bir sorun keşfettim. Çevrimiçi reklamcılık ve e-ticaretten gayrimenkule geçiş yaptıktan sonra, çevrimiçi pazarlamanın bu sektör için ne kadar zorlu olduğunu görünce şok oldum. Ana sorun, insanlar nadiren ev veya daire satın aldığından, son dönüşümlerin son derece düşük sayısıydı. Perspektife koymak gerekirse, ABD'de yılda toplam sadece 5 milyon gayrimenkul işlemi var.

Bu nedenle, dönüşümler son derece nadirdir. Kabaca söylemek gerekirse, 10.000 web sitesi ziyaretçisi başına bir işlem elde ettiğiniz için bile şanslısınız. İşlemlere dönüşme oranı %0.01 veya daha azdır. Bu nedenle, emlak pazarlamacıları, Google ve Facebook'un reklam platformları tarafından sunulan otomatik teklif stratejileri olan akıllı teklifi kullanamıyor. Ya tıklama sayısını en üst düzeye çıkarmaları ya da huni ortası web sitesi etkinlikleri (kişi toplama gibi) için optimize etmeleri gerekir. İnsanlar genellikle satın almayla ilgili olmayan nedenlerle iletişim bilgilerini gönderdiklerinden, bu dönüşümlerin değeri her zaman net değildir.

Bu da şu soruyu akla getiriyor: Neden bazı sektörler çevrimiçi pazarlama konusunda daha çok zorlanıyor? Neden düşük dönüşüm oranlarına ve düşük yatırım getirisine sahipler? Bunun beş temel nedeni olduğuna inanıyorum:

1. Son derece spesifik bir kitle: Bir pazarlamacı ne kadar çaba sarf ederse etsin, hedeflenen kişilerin yalnızca %5'i önümüzdeki 12 ay içinde gayrimenkul alıp satacak.
2. Çevrimdışı bileşenlere sahip olmak: Kağıt üzerinde ve şahsen bir emlak sözleşmesi imzalamak gibi.
3. Uzun satış döngüleri: Zillow'a göre bir ev satın almak ortalama 4,5+ ay sürüyor. Bu arada, otomotiv endüstrisinde, insanların bir araba seçmesi genellikle haftalar veya aylar alır ve işlemi tamamlaması birkaç hafta daha sürer.
4. Büyük işlemler: Tahmin edebileceğiniz gibi, yukarıdakilerin tümü oldukça maliyetli olabilir. Ve doğal olarak, söz konusu miktar ne kadar yüksek olursa, karar verme süreci o kadar uzun sürebilir.
5. Düzenleme: Bu, tüm sektörlerde mutlaka önemli bir husus olmasa da, kesinlikle gayrimenkul ve finans içindir. Bu endüstriler, konut ve krediye eşit erişim sağlamak için yoğun bir şekilde düzenlenir. Örneğin, Adil Konut Koruma Yasası, cinsiyet, yaş, ırk ve coğrafi konum gibi gayrimenkul pazarlamasında yer alan çoğu hedeflemenin kullanımını yasaklar.

İşletmenizde yukarıda bahsedilen beş bileşenden en az üçü varsa, muhtemelen düşük bir dönüşüm oranınız vardır. Bu durumda, verilerinizi yönetirken çok dikkatli olmanız gerekir. Makine öğrenimini kendi yararınıza kullanmayı düşünün: Bu, onları dönüşüm hunisinin en üstünde bulunan talebe bağlayarak, gelecekteki işlemleriniz için geri bildirim döngüsünü kapatmaya yardımcı olabilir.

Bu zorluktan ilham alarak, makine öğrenimi ve web sitesi ziyaretçilerinin davranış verilerini kullanarak gelecekteki satın alma olasılığını tahmin eden bir çözüm oluşturdum. Tomi.ai, günümüzde çevrimiçi pazarlamacıların makine öğrenimi, davranışsal 1. taraf verileri ve API entegrasyonlarını kullanarak reklamcılık yatırım getirilerini iki katından fazlasına yardımcı olan bir platformdur. Gayrimenkul, bankacılık, sigorta, EdTech ve SaaS gibi çevrimiçi pazarlamanın zor olduğu sektörler için olanaklar sunar.

Karmaşık sektörlerden gelen müşterilerimiz için, tahmine dayalı puanları, tahmini değer tutarıyla özel dönüşümler olarak reklam hesaplarında etkinleştiririz. Yani, bir web sitesi ziyaretçisinin web sitesi etkileşim düzeyine bakarak oluşturabileceği beklenen geliri hesaplıyoruz. Bunu tamamlanmış bir satın alma işlemi olarak değerlendirir ve ardından bu ölçümü en üst düzeye çıkarırız. Sonuç olarak, müşterilerimiz, reklamlarını yüksek bir beklenen yaşam boyu değeri ile etkileşimi yüksek kullanıcılara gösterebilmektedir.

Makine öğrenimi, günümüzün çevrimiçi pazarlamasına güç veren motordur. Bence pazarlamacıların analistlere veya veri bilimcilerine dönüşmeleri gerekiyor çünkü pazarlama problemlerinin sıklıkla matematiksel çözümleri var. Çevrimiçi pazarlama operasyonları, bütçe, kanal ve diğer kısıtlamalar durumunda belirli bir parametrenin (örneğin gelir) artırılmasının gerektiği matematikteki bir optimizasyon problemine benzer.

Çevrimiçi pazarlamada makine öğrenimini kullanmanın tüm amacı, satın almalardan ve dönüşüm hunisinin başındaki olaylardan gelen geri bildirim döngüsünü kapatmaktır.

Tüm huni aşamalarında tahmine dayalı modeller oluşturmak mümkündür. Bunu, kullanıcıların erken davranışlarına dayalı olarak dönüşüm olasılığını tahmin ederek yapıyoruz. Daha sonra satın alma olasılığı ve satın almanın tahmini değeri cinsinden ifade ederiz.

Martech uzmanlarına sunulan zorluk, bu geri bildirim döngüsünü kapatmanın ve bu tür modeller tarafından üretilen LTV'ye dayalı değere dayalı benzer izleyiciler yaratmanın bir yolunu düşünmektir. Ayrıca, sürecin başlarında gerçekleşen erken sinyalleri ve mikro dönüşümleri kullanarak reklam platformu teklif kararlarını bildirmenin etkili bir yolunu bulmaları gerekir. Ardından, (nadiren gerçekleşen) nihai dönüşümleri kullanmak yerine, tahmin edilen dönüşümlerin ve satışların tek tip bir metriğini oluşturmak için bunları makine öğrenimi algoritmalarıyla harmanlayın.

Google ve Facebook zaten makine öğrenimine sahipse, pazarlamacılar neden makine öğrenimini kendi başlarına uygulamaya ihtiyaç duysun?

1. Makine öğrenimi sinyali genişletiyor

Tipik olarak, düşük dönüşümlü bir web sitesinde birçok kullanıcı oturumu bulunur. Örneğin, ortalama bir e-ticaret projesinin dönüşüm oranı %2 olacaktır, yani 100 oturumdan yalnızca 2'si sıfırdan farklı bir değere sahip olacaktır. Sinyal güçleri %100'e eşittir.

Makine öğrenimi, her oturumdaki erken olaylardan dönüşüm olasılığını anlamamıza ve buna sıfırdan farklı bir değer atamamıza yardımcı olur. Sinyal gücü %2 ile %10 arasında değişen web sitesi ziyaretçilerinin %25'ini tespit edebiliyoruz. Bu yaklaşım bize, segment oluşturma için kullanılabilecek daha zayıf bir sinyale sahip daha geniş bir kitle sağlar.

2. Makine öğrenimi, beklenen artan YBD'yi hesaplayabilir

Bu, kampanyanın ne kadar iyi performans gösterdiğini ve gelecekte hedef değerine ulaşıp ulaşamayacağını, hatta gerçek dönüşümler gerçekleşmeden önce anlamanıza yardımcı olur.

3. dLTV, reklam teklifi optimizasyonu için kullanılabilir

Kampanyanızın beklenen performansını anlamak için makine öğrenimiyle desteklenen tahmine dayalı ilişkilendirmeyi kullanarak teklifinizi optimize edebilirsiniz.

Google'da çok sayıda anahtar kelime içeren bir reklam yayınladığınızı varsayalım. Her bir anahtar kelime için belirli bir miktar harcadınız, belirli bir satış rakamına ulaştınız ve satışlarınızı yatırım getirisine böldünüz. Bu anahtar kelimeleri, ROI'lerine göre azalan düzende düzenleyerek sıraladınız, ardından maliyetlerin (kümülatif) %100'ünü X eksenine ve tüm iş sonuçlarını satış veya kâr şeklinde Y eksenine çizdiniz. Bunu yaptıktan sonra, bu size 'performans eğrinizi' verecektir:

Pazarlama teknolojisini kullanmanın amacı gereksiz kontrolleri ortadan kaldırmaktır. Bu durumda, YG'nizi olumsuz yönde etkileyen zayıf anahtar kelimeleri kaldırmamız gerekir. Bu anahtar kelimelere yatırım yapmayı göze alamazsınız, bu nedenle ilgili bütçeleri kesilebilir.

Yeni ve daha verimli yöntemler kullanarak performans eğrisinin kendisini değiştirebilirsiniz. Aynı bütçe ve anahtar kelimelerle daha yüksek performans elde edebilirsiniz. Bunu göstermek için, 2016'da OZON.ru'da, arama ağı reklamları için makine öğrenimi destekli teklif değiştiricileri kullandık ve böylece Google ve Yandex'in daha yüksek kaliteli tekrar eden kitleler çekmesine yardımcı olduk.

Sonuç olarak, geliriniz artar, hedef rakamınızdan daha yüksek bir marjinal yatırım getirisi elde edersiniz ve bu, yeni fırsatların kilidini açmanıza yardımcı olur. Örneğin, yeni anahtar kelimelere yatırım yaparak ve harcamaları artırarak, hedeflenen yatırım getirisi rakamınızda daha yüksek performans elde edebilirsiniz.

Belki de emlak, bankacılık ve SaaS gibi sektörlerde tahmine dayalı pazarlama için makine öğreniminin öncüleriyiz. Kullanıcıları puanlama ve bu puanı optimizasyon amacıyla kullanma fikri, oyun endüstrisinden gelir. Mobil oyunlar genellikle ücretsizdir, ancak oyun içi satın alma seçenekleriyle birlikte gelir. "Balinalar", oyun endüstrisindeki adıyla, oyuncu popülasyonunun yalnızca %1'ini oluşturan, ancak oyun içi satın alımlarla tüm oyuncuların maliyetini ödeyebilen bir oyuncu grubudur.

Bu türdeki tüm oyunlar, yüksek harcama yapanların payını artırmak ve en önemlisi, olası yüksek harcama yapanları belirlemek için tasarlanmıştır. Sektörde uzun süredir ürün yöneticilerinin, kararlarını bildirmek için LTV'yi tahmin etmek için verileri kullandığı biliniyor.

Mobil oyun uygulamaları, çevrimiçi etkinlik verilerini aktarmak için zaten Google ve daha sonra Facebook ile entegrasyonlara sahipti. Bir oyuncunun "balina" olma olasılığını değerlendirmek için pazarlamacılar, oyuncunun ilk birkaç gününden gelen verileri kullanır. Daha sonra "kaliteli yükleme" sentetik dönüşümü üretirler, bu etkinliği Google UAC'ye gönderirler ve ardından normal yükleme yerine kaliteli yükleme için optimize ederler.

Müşterilerimiz için aşağıdaki standart entegrasyonları uyguluyoruz:

1. Tomi.ai Piksel: Kullanıcıların ziyaret ettiği sayfalar, belirli sayfalarda kalma süresi ve tıklamalar gibi davranışsal verileri toplamak için web sitenize bir Tomi.ai pikseli yüklemeniz gerekir. Makine öğrenimi algoritması, gelecekteki dönüşümlere ilişkin en doğru tahminleri sağlayanları bulmak için tüm bu sinyalleri sıralayacaktır. Örneğin, gerçekten bir ev satın almayı düşünen kişiler bir ipotek hesaplayıcısı kullanacak ve yakındaki okulları arayacaktır. Bu faktörler, satın almaya dönüşme olasılığını tahmin etmek için makine öğrenimi tarafından kullanılacak değişkenleri verecektir.
2. CRM Entegrasyonu: Müşterilerden tamamlanmış işlem akışlarını (geçmiş verileri) sağlamalarını istiyoruz. Web sitesinde anonim tanımlayıcılar olarak gönderilen karma e-postaları ve telefon numaralarını kullanarak, çevrimdışı işlemleri insanların çevrimiçi etkinliklerine bağlayabiliyoruz. Modellerimizi insanların davranışları ve sonraki satın alma olasılıkları konusunda eğitmek için bir aylık (veya daha uzun) bir geçmiş veri örneği kullanıyoruz.
3. API Entegrasyonu: Son olarak, bu verileri reklam hesaplarına geri gönderiyoruz. Sentetik dönüşümleri ve tahmini hedef kitle verilerini Google ve Facebook'a bağlayıp yüklemek için pazarlama API'lerine erişim istiyoruz.

Makine öğrenimi için en önemli faktör, gerçekleşen olumlu sonuçların sayısıdır - kaç tane dönüşüm elde edebildiğimizdir. Teorik olarak, 20 satın alma yeterlidir, ancak pratikte, çevrimiçi davranışa bağlayabileceğimiz en az 100 satın alma işlemini belirlemeye çalışıyoruz. Genel olarak, modeli birkaç yüz veya bin satın alma ile eğitmeyi amaçlıyoruz. Tipik olarak çalışmanın ilk ayında (veya dönüşümler az ise daha uzun) gerçekleşen veri toplama dönemimizde en azından ilk 100 olumlu sonucu elde etmemiz önemlidir.

Deneyimlerimize göre, veri kalitesi için ana kriter, müşterilerin çevrimiçi etkinliklerine bağlayabildiğimiz çevrimdışı siparişlerin payıdır. Ana fikir sadece web sitesi ve CRM sistemini entegre etmek değil, aynı zamanda anonimleştirilmiş çerez tanımlayıcılarını toplamaktır. Bunun için genellikle Google Analytics Kimliği kullanılır. Kullanıcıların Google Analytics Kimliklerini toplamanız ve ardından bu tanımlayıcıyı sonraki tüm aşamalarda CRM'ye eklemeniz gerekir: olası satış kalifikasyonu, satış desteği, sözleşme yürütme vb.

Makine öğreniminin değeri, tek bir tabloda bulunan verilerde yatmaz. Birden çok tablo arasındaki bağlantının kalitesinde yatar.

Verinin değeri verilerde değil, veriler arasındadır.

Bu, değerin yalnızca tablolara sahip olmak değil, ekstra değerin kilidini açmak için birkaç tabloyu birbirine bağlamak olduğu anlamına gelir. Bu çevrimiçi davranış tablolarını sipariş tablolarıyla ilişkilendirebilmek pazarlamacılar için son derece önemlidir.

Reklam kampanyaları asla öğrenme aşamasının ötesine geçmiyorsa (ve bu son derece nadir dönüşümlerde söz konusu olabilir), makine öğreniminin gücüyle bu konuda bir şeyler yapabilirsiniz.

Web sitesindeki tıklama sayısını hala en üst düzeye çıkarıyorsanız, zaten zamanın gerisindesiniz. Reklamlarınızı kişi toplama için optimize ediyorsanız ve bu kişilerin kalitesi düşükse (kişilerin yalnızca %5-10'u satışa dönüştürülür), makine öğreniminin bunu iyileştirme olasılığı yüksektir.

Başlamak için veri bilimcisi olmanız gerekmediğini vurgulamak istiyorum. Ayaklarınızı ıslatın ve makine öğreniminin pazarlama kampanyalarınız için neler yapabileceğini görün. Endüstriler birbirine daha bağlı hale gelmeye devam ederken, şimdi yeni teknolojik yenilikleri araç setinize getirmenin zamanı geldi.