Tek kanallı ilişkilendirme modelleri neden CMO'lar için bir çıkmaz sokaktır?

Büyük miktarda müşteri verisine erişim sayesinde pazarlamacılar, neler olup bittiğine dair bütünsel bir resim elde edebilirler. Örneğin, pazarlamacılar müşterilerin markanızla tam olarak nasıl etkileşime girdiğini öğrenebilir, bir kullanıcının bir şeyi (ve ne zaman) satın alma olasılığını tahmin edebilir, müşterilerin hangi geliri getireceğini tahmin edebilir ve müşterilerle etkileşim kurmak için hangi kanalların en iyi olduğunu belirleyebilir. Ama bu madalyonun sadece bir yüzü. Öte yandan, reklam daha pahalı hale geliyor ve tüketicilerin dikkatini çekmek daha zor hale geliyor.

Teknolojik açıdan en gelişmiş pazarlamacılar bu yarışı kazanacak ve ilişkilendirme, reklam kanallarının etkinliğini değerlendirmede önemli bir rol oynuyor. Bu makale, tek kanallı ilişkilendirme modellerinin neden hiçbir yere varmayan bir yol olduğunu ve neden veriye dayalı modellerin bile başarılı pazarlama için yeterli olmadığını açıklıyor.

Teknolojinin gelişmesi, giderek daha fazla pazarlama kanalının (çevrimiçi ve çevrimdışı) ortaya çıkması ve pandemi nedeniyle işletmelerin internete geçişi ile birlikte, markaların müşterilerinin nereden geldiğini ve müşterilerin nasıl ve ne zaman dönüşüm sağladığını anlaması çok önemlidir. . Pazarlama atıfının devreye girdiği yer burasıdır.

Pazarlama analitiğinde ilişkilendirme, reklam kanallarının getirdiği değeri değerlendirmekle ilgilidir. Bu, dijital pazarlamacıların kritik görevlerinden biridir. Niye ya? Gartner'ın 2020'deki araştırmasının gösterdiği gibi, pazarlama bütçelerinin %80'inden fazlası dijital kanallara ayrılmış durumda. Basitçe söylemek gerekirse, reklamlara milyonlarca dolar harcanıyor ve şirketler açıkça bu harcamanın müşteri ve gelir getirdiğinden emin olmak istiyor.

İlişkilendirmenin amacı, bir kanalın dönüşümlere katkısını (müşterileri dönüşüm hunisinin bir sonraki adımına taşımadaki veya satın almaları artırmadaki rolünü) tanımlamak ve her bir dönüşüm hunisine bir değer atamaktır.

Markalar, bir müşterinin bir şirketle nasıl, nerede ve ne zaman etkileşime gireceğini tanımlamak için pazarlama analitiğini kullanır ve kanal verimliliğini değerlendirmek için ilişkilendirmeyi kullanır. Bu veriler sayesinde pazarlamacılar daha sonra reklam kampanyalarını değiştirebilir ve iyileştirebilir.

Pek çok farklı türde ilişkilendirme modeli vardır ve tek bir doğru model olmadığını belirtmekte fayda var. Genellikle, ilişkilendirme modelleri değeri hesapladıkları mantığa göre sınıflandırılır. İlişkilendirme modeli türleri şunları içerir:

• Konum tabanlı ilişkilendirme modelleri — Zaman Azalması, Konum Tabanlı
• Algoritmik ilişkilendirme modelleri — Veriye Dayalı, Markov Zincirleri
• Tek kanallı ilişkilendirme modelleri — Son Tıklama, İlk Tıklama
• Çok kanallı ilişkilendirme modelleri — Lineer, Time Decay

Çoğu şirket, tek kanallı ilişkilendirme modellerini kullanır. Bu modeller her zaman kullanıldı, öyleyse neden işe yarayan bir şeyi değiştirelim? Tek kanallı modeller basittir, Google Analytics'te (Universal) standarttır ve değerin nasıl dağıtıldığını anlamayı kolaylaştırır.

Aşağıda, tek kanallı ilişkilendirme modellerinde dönüşüm değerinin nasıl dağıtıldığına ilişkin bir örnek verilmiştir:

Ancak bu modeller yalnızca bir kanalı değerlendirebilir. Çok kanallı müşteri satın alma yolunu aşırı basitleştirerek ciddi yanlış anlamalara yol açarlar ve kesinlikle gerçek durumu göstermezler.

Örneğin, orta sayıda web sitesi ziyaretçisi olan çok kanallı bir perakendeci için Path raporuna bakarsak, ilk ziyarette verilen siparişlerin gelirden ne kadar pay aldığını görebiliriz. Burada iki ve daha fazla ziyaretin olduğu çok kanallı yollar gelirin %72'sini getiriyor.

Ortalama olarak, bir müşterinin dönüşüm gerçekleştirmesi için yedi ila dokuz temas noktası gerekir (en iyi performans gösterenler bunu beşe indirebilir). Açıkçası, bu temas noktalarının (kanalların) her biri dönüşüm olasılığını etkiler. Bu durumda tüm kanalların alıcı üzerindeki etkisini hesaba katmanın gerekli olması mantıklıdır.

Ancak, tek kanallı ilişkilendirme modelleri kullanılırken dönüşüm hunisinin farklı aşamaları göz ardı edilir. Satış hunisinin başında, ortasında ve sonunda olanları görmezden gelmek, uygun olmayan yönetim kararlarına ve parasal kayıplara yol açabilir.

Tek kanallı ilişkilendirme modellerine ek olarak, veriye dayalı modeller oldukça popülerdir. En ünlü örnekler arasında Google'ın Veriye Dayalı modeli, Facebook'tan Dönüşüm Artışı modeli ve Nielsen'in Kampanya Artışı modeli sayılabilir.

Veriye dayalı modeller, her kaynağın dönüşüm yolundaki etkisini daha doğru bir şekilde yansıtır. Tek kanallı modellere göre hızlı, uyarlanabilir ve daha objektiftirler çünkü markalarla kullanıcı etkileşimlerine ilişkin tüm verileri dikkate alırlar. Çok kanallı bir ortamda, tüm temas noktaları müşterileri bir ürün satın almaya ikna eder, ancak etkilerinin eşit olmadığı açıktır. Buna göre, basit, geleneksel ilişkilendirme modelleri, verileri analiz ederken büyük boşluklar bırakır ve neler olup bittiğine dair tam bir resim vermez.

Veriye dayalı ilişkilendirme, tüm kullanıcılar (dönüştürenler ve dönüştürmeyenler) hakkındaki verileri kullanarak kullanıcı yollarını karşılaştırır. Bu yaklaşım, pazarlamacıların hangi durumda dönüşüm olasılığının daha yüksek olduğunu değerlendirmesine olanak tanır.

Sonuç olarak model, konumundan bağımsız olarak, kullanıcının yolundaki her kanalın dönüşüm ağırlığını hesaplar.

Veriye dayalı modellerin dezavantajları, algoritmanın en doğru sonuçları göstermesi için yeterli veriyi alması gerektiği gerçeğini içerir. Bir modelin güvenilir bir tahmin sunması için çok sayıda geçmiş ve piyasa verisine ihtiyacı vardır. Veriye dayalı ilişkilendirme modellerinde yüksek doğruluk elde etmek için en az 12 temas noktası gerekir.

Özetlemek gerekirse, çoğu zaman tek kanallı bir modelin yanlış yönetim kararlarına yol açtığını söyleyebiliriz, çünkü bu kararlar tüm resmi hesaba katmayacaktır. Bu nedenle, veriye dayalı bir model, tek kanallı bir modelden daha iyidir. Ancak mükemmelliğin sınırı yoktur. Daha gelişmiş seçenekler, dönüşüm olasılığını dikkate alır ve makine öğrenimi teknolojileri kullanılarak piyasa verileri üzerinde eğitilir.

Veriye dayalı ilişkilendirme modellerindeki en büyük sorun, analiz için çok fazla veriye ihtiyaç duyulmasıdır. Müşteri ile iletişime katılan tek bir kanal değil, farklı varyasyonlarda bir dizi medya kaynağı. Örneğin, bir pazarlamacının yatırım getirisi metriğini ölçmek için tüm orkestrayı bir şekilde yönetmesi gerekir.

Makine öğrenimi (ML) ilişkilendirme modellerinin günü kurtardığı yer burasıdır! Makine öğrenimi ve piyasa verilerini kullanan modeller, ilişkilendirme yaklaşımını kesinlikle değiştirdi. ML modelleri, bir müşterinin satın alma yolunun en eksiksiz ve doğru resmini elde etmek için işletmelere göre uyarlanabilir. 2019 ve 2020 arasında internet satışlarında yıldan yıla %70'den fazla artışla, bir ML modeli herhangi bir pazarlamacı için bir zorunluluktur.

Miktarı her geçen gün artan pazarlama analitiği için gerekli olan tüm veriler, makine öğrenimi kullanılmadan işlenemez. Onun yardımıyla, pazarlamacıların artık yararlı içgörüler aramak için kendilerini bir sayı labirentinde zorlamalarına gerek yok.

Sonuçta, işletmelerin sadece hangi kanalların çalışmadığını anlamaları değil, aynı zamanda hangilerinin işe yaradığını anlamaları da önemlidir, böylece bütçelerini körü körüne tahsis etmezler.

Gartner'ın 2021 yılındaki CMO'lar için Digital Marketing Insights'a göre, CMO'ların %84'ü makine öğrenimi ve yapay zeka kullanmanın pazarlama işlevselliğini geliştirdiğine inanıyor. Aynı zamanda, profesyonellerin yalnızca %17'si AI/ML yeteneklerini kapsamlı bir şekilde kullanıyor.

OWOX BI ekibi 27.000'den fazla projeyle çalıştı ve her işletmenin kendi ilişkilendirme gereksinimlerinin olduğunu ve herkes için net bir yanıt olmadığını anlıyor. Bir şirket için tek kanallı bir model uygundur. Bazı işletmelerin veriye dayalı bir seçeneğe ihtiyacı vardır. Ve diğerleri için pazarlama karması optimizasyonu (MMO) gereklidir.

Teori her zaman pratikle el ele gider. OWOX modeli, on binlerce projeden elde edilen piyasa verileri üzerinde eğitildiği için artan hız ve mükemmel tahmin kalitesi ile karakterize edilir. Makine öğrenimi ilişkilendirmesinin kullanılması ve kitlelerin otomatik olarak içe aktarılması, müşterilerimizden birinin yatırım getirisini 2,2 kat artırmasına yardımcı oldu.

OWOX, yakın zamanda ilişkilendirme modelinin güncellenmiş bir sürümünü piyasaya sürdü. Bu yeni modelin faydaları nelerdir?

1. Huni adımlarını manuel olarak seçmeniz gerekmez. Modelin kendisi, dönüşüm olasılığına dayalı olarak kampanyaların katkısını belirler.
2. Herhangi bir oturum için değer tahmini alırsınız. Yeni model ile bu kampanyayı bugün devre dışı bıraksaydım gelecekte ne kadar dönüşüm alırdım sorusuna cevap verebilirsiniz. Bu yaklaşım, ertelenmiş kampanyaları devre dışı bırakmaktan kaçınmanıza ve verimsiz kampanyaları daha hızlı kapatmanıza yardımcı olur.

3. Hesaplama mantığı kesinlikle şeffaftır. Açık veri dönüştürme kodu, herhangi bir şirket özelliğini dikkate almanızı sağlar. OWOX müşterileri, hizmet pazarlama kaynaklarından (reklam hizmetleri, çağrı hizmetleri, CRM'ler) gelen verileri güncellerken, çeşitli reklam platformlarından gelen maliyet verileriyle birleştirirken ve gerekli raporları hazırlarken kodda gerekli değişiklikleri yapabilir.

İlişkilendirme modelleri, pazarlama kanallarını kontrol etmenize olanak tanıyarak, raporlarınızın pazarlamanızın etkinliğini ne kadar doğru bir şekilde gösterdiğini ve gerçekten önemli olan temas noktalarında pazarlamanızı nasıl optimize edebileceğinizi anlamanıza yardımcı olur.

Pazarlamacıların, her eylemin müşteriyi dönüşüme daha da yaklaştırdığından emin olmaları gerekir. İlişkilendirme modellerini, ne kadar yatırım yaptığınıza bağlı olarak en karlı pazarlama kampanyalarını belirlemek için kullanabilirsiniz.

Hangi modeli seçeceğiniz sektörünüze, şirketinizin hedeflerine ve işletmenizin büyüklüğüne bağlıdır. Ancak kesin olan bir şey var: Bu modellerin hiçbiri %100 doğru sonuçları garanti edemez.