Makine öğrenimi hunisi tabanlı ilişkilendirme modeli kullanılarak dahili analiz nasıl geliştirilir?

Müşterilere ulaşmak için mümkün olduğunca çok reklam kanalı uygulamakla işletmeler, performansın, başarının ve tabii ki gelir artışının doğru değerlendirilmesinde büyük bir sorunla karşı karşıyadır. Cevaplamaları gereken sorular şudur: Hangi kanal daha iyi çalışır? Hangisi elenmeli ve hangisi nitelikli müşteri adayları sağlıyor? Artık ilişkilendirme modellerinin oyuna girme zamanı geldi.

Bu durumda, performansını iyileştirme ve doğru ilişkilendirme modelini kullanma konusunda zorluklar yaşayan büyük bir çevrimiçi perakendeci için OWOX BI ekibi tarafından sağlanan çözümü açıklıyoruz.

OWOX BI ile işbirliği yapmadan önce şirket, siparişten önceki tüm adımların katkısını göz ardı ederek tüm değeri son kaynağa veren Son Tıklama ilişkilendirme modelini kullandı. Reklam kampanyalarının performansını doğru değerlendirmek için ML dönüşüm hunisine dayalı ilişkilendirme modelinin kurulmasına karar verildi.

Şirketin çeşitli kullanıcı temas noktaları vardır: sosyal medya reklamları, fiyat karşılaştırma web sitesi, PPC, web sitesi, telefon görüşmeleri, doğrudan pazarlama, yerine getirme merkezleri ve karakollar. Çok kanallı pazarlamaya sahip çoğu perakendeciye benzer şekilde, şirket verileri farklı sistemlerde toplayıp depoladığından, verileri dağıtma sorunuyla karşı karşıya kaldı.

Her kanalın müşterilerin dönüşüm hunisindeki yolculuğuna katkısını değerlendirmek için perakendecinin kullanıcı davranışı, reklam maliyetleri, çevrimdışı siparişler ve gerçek şirketin geliri hakkındaki verileri tamamlanmış siparişlerin hesabıyla birleştirmesi gerekiyordu. Bu, şirketin şu adımları atarak pazarlama analitiği kurması gerektiği anlamına gelir:

1. Web sitesinden Google Analytics 360'a kullanıcı davranışı verilerini toplamak için ayrı bir metrik seti geliştirin. Standart dışa aktarma kullanılarak, örneklenmemiş veriler Google BigQuery'ye gönderilebilir.
2. Reklam hizmetlerinden Google BigQuery'ye veri toplamak için OWOX BI Pipeline'ı kurun.
3. İşlem verilerinin CRM sisteminden Google BigQuery'ye dışa aktarımını yapılandırın.
4. Google BigQuery'deki birleştirilmiş verileri temel alan bir makine öğrenimi hunisi tabanlı ilişkilendirme modeli oluşturun.
5. Perakendecinin kanal gruplamaları için kendi adları GA 360'tan farklı olduğundan, kanal gruplamaları için kayıt bağlantısını OWOX BI analistleriyle birlikte yapın.
6. Aylık bütçe planlaması için Google E-Tablolar'da raporlar alın.

Aşağıda veri konsolidasyon tablosu yer almaktadır:

Şimdi, raporlarla birlikte makine öğrenimi hunisi tabanlı ilişkilendirme modelinin nasıl oluşturulduğuna daha yakından bakalım.

OWOX BI analistleri, perakendeci için bireysel metrik setinin geliştirilmesine, kurulmasına ve uygulanmasına yardımcı oldu. Ayrıca uzmanlarımız, yeni özelliklerle birlikte yeni alanlar için metrik sistemi düzenli olarak test eder ve günceller.

Web sitesindeki kullanıcı davranışıyla ilgili veriler Google Analytics 360'ta toplandı ve reklam maliyetleri ve işlemlerle ilgili verilerle ilişkilendirilmek üzere günlük olarak Google BigQuery'ye gönderildi. Şirket, web sitesi yüksek trafik seviyesine sahip olduğu için Google Analytics'in ücretli sürümünü seçti. Standart sürüm, kullanıcı oturumlarının sayısı 500.000'in üzerine çıktığında örnekleme uygularken, Google Analytics 360 isabete kadar doğru verilerin alınmasına izin verir.

Yerel entegrasyon sayesinde, AdWords maliyetleriyle ilgili veriler Google Analytics 360'a gider. OWOX BI Pipeline, Facebook'tan Google Analytics 360'a veri göndermek ve Google BigQuery'deki tüm reklam hizmetleriyle ilgili maliyet verilerini birleştirmek için kullanılır. Aşağıdaki tablo gönderilen verilerin yapısını göstermektedir:

Analistler, iadeler ve tamamlanan siparişlerle ilgili verileri hesaba katmak için işlemlerle ilgili verileri CRM sisteminden Google BigQuery'ye aktarır. Verilerin yapısı aşağıda gösterilmiştir:

Bu yapı, user_id ve zaman anahtarlarını kullanarak, tamamlanmış siparişler hakkındaki verileri web sitesi kullanıcı davranışı hakkındaki verilerle birleştirmeye yardımcı olur.

Perakendecinin satış hunisi 5 adımdan oluşur: Ziyaret, Ürün Sayfası, Sepete Ekle, Ödeme, Satın Alma. OWOX BI ekibi, web sitesi ziyaretinden satın almaya kadar geçen ortalama süreyi hesapladı ve en uygun dönüşüm aralığını ve işlem aralığını önerdi.

Bu veriler kullanılarak, makine öğrenimi hunisi tabanlı bir ilişkilendirme modeli oluşturuldu:

ML dönüşüm hunisine dayalı ilişkilendirme modeli, bir kullanıcının satış dönüşüm hunisinin bir adımından diğerine geçme olasılığını değerlendirir. Gri sütun olasılık değerini gösterir. Bir adımdan diğerine geçme olasılığı ne kadar düşükse, kullanıcının bu adımı geçtiği oturum o kadar fazla değer alır. Yalnızca siparişe yol açan oturumlar değeri alacaktır. OWOX BI Attribution'ın hesaplama mantığı hakkında daha fazla bilgiyi blog yazımızda bulabilirsiniz.

İlişkilendirme sonuçları, 6. adımda açıklayacağımız raporları oluşturmak için kullanılır.

Google Analytics 360 raporlarındaki tüm trafik kaynakları varsayılan olarak şu kanal gruplamalarında oluşturulur: Doğrudan, Organik, E-posta, Yönlendirme, Sosyal, Görüntülü Reklamcılık, TBM ve Diğer.

Ancak pazarlama uzmanları, dahili raporlar için kendi kanal gruplandırma adlarını kullanır. İlişkilendirme modelini oluşturmak için şirket ekibi, kanal gruplamaları için kendi adlarıyla geçmiş dönemlere ait halihazırda toplanan verileri kullandı. Bu nedenle Google Analytics 360 ayarlarında adları değiştirmek için çok geçti. Bu nedenle, OWOX BI analistleri kayıt bağlantısını yürüttü ve Google E-Tablolar'daki kanal gruplamaları için güncellenebilir bir eşleşen ad listesi oluşturdu. Aşağıdaki tablo liste yapısını göstermektedir:

OWOX BI ekibi, kaynak ve orta anahtarları kullanarak Google BigQuery'deki kayıt bağlantısını aylık olarak ilişkilendirme sonuçlarıyla birleştirmek için bir komut dosyası oluşturdu.

OWOX BI analistlerinin yardımıyla iki rapor oluşturuldu. İlk rapor, hangi bağlı kuruluşların diğer kanalların değerini kendilerine atfettiğini anlamaya yardımcı oldu. Bu rapor, OWOX BI Smart Data'da mevcuttur. Analistler, ücretsiz OWOX BI BigQuery Reports eklentisini kullanarak elde edilen rapordaki verileri Google E-Tablolar'a aktardı.

OWOX BI analistlerinin verileri Google E-Tablolar'a aktarmak için attığı adımlar şunlardır:

1. Akıllı Verilere gidin ve huni adımları arasında dağıtılan kaynakların ve ortamların değerinin nasıl olduğunu sorun ve raporu açın.
2. Sağ üst köşeye gidin ve SQL sorgusunu Panoya kopyala öğesini seçin.

1. Google E-Tablolar'da yeni bir rapor oluşturun. Bunu yapmak için Eklentiler menüsünü açın, ardından OWOX BI BigQuery Raporları'nı ve Yeni bir rapor ekle'yi seçin. Ardından mevcut Google Cloud Platform projelerini seçin, Yeni rapor ekle'yi seçin ve Yapıştır 'ı tıklayın:

Lütfen her yeni raporun yeni bir sayfada oluşturulduğunu unutmayın:

Rapor yapılandırmasını bir kenar çubuğunda sağlayın: mevcut bir Google Cloud Platform projesini ve yüklenecek verileri sağlayacak bir Google BigQuery sorgusu seçin.

Not! Rapor yapılandırması hakkında daha fazla ayrıntıyı burada bulabilirsiniz.

1. Artık rapor Google E-Tablolar'da mevcuttur. Daha fazla kolaylık sağlamak için otomatik rapor güncellemesini planlayabilirsiniz. Bunu yapmak için OWOX BI BigQuery Raporları ayarlarında Raporları planla'ya gidin:

Güncelleme için gerekli süreyi ayarlayın:

Not! Düzenli rapor güncellemesinin nasıl planlanacağı hakkında daha fazla bilgi edinmek için bu bağlantıyı izleyin.

OWOX BI uzmanları sorguyu değiştirdi ve dinamik parametreler ekledi: kaynak ve analiz periyodu.

Not! Sorgulardaki dinamik parametreler hakkında daha fazla bilgi edinmek için bu bağlantıyı izleyin.

Sonuç olarak, trafik analiz raporu elde edildi ve hangi huni adımının belirli bir kaynaktan daha fazla etkilendiğini gösteriyor:

Yalnızca bağlı ortakları filtreleyen şirket, dönüşüm hunisinin son adımında en değerli olanları belirleyebilir:

İkinci rapor, reklam kampanyalarındaki gerçek maliyetleri, geliri ve ROAS'ı gösterir. Pazarlama uzmanları bu raporu kullanarak hangi kaynakların daha fazla gelir getirdiğini ve hangilerinin getiri sağlamadığını öğrenebilir:

• Doğru ve esnek veri toplama sistemi OWOX BI ekibi tarafından kurulmuştur.
• OWOX BI ve Google ürünleri kullanılarak veri toplama süreci otomatikleştirildi. Tüm veriler artık gerçek zamanlı olarak tek bir arayüzde mevcuttur.
• Makine öğrenimi hunisi tabanlı ilişkilendirme modeli, şirketin reklam kampanyalarının ve kanallarının performansını daha iyi değerlendirmesine yardımcı oldu.