如何使用数据和机器学习促进销售和提高投资回报率

在线广告算法依赖于大量信号。 电子商务和移动游戏等行业提供了足够的数据来训练这些算法。 因此，谷歌和 Facebook 等广告平台普遍采用的方法可以有效地定位和吸引所需的受众。

然而，在许多其他信号数量较少的行业中，目标转化率远低于渠道的基准。 如果您发现自己处于这种情况，那么至关重要的是进行转换并利用机器学习的力量利用您的数据。

我们与 adTech 初创公司 Tomi.ai 的创始人 Konstantin Bayandin 合作，讨论可以通过机器学习解锁的在线营销机会。

作为 OZON.ru（俄罗斯亚马逊同类网站）的首席营销官和数据科学与分析部门负责人，我领导公司数据驱动营销的发展。 在电子商务中，有大量有价值的转化（购买），还有大量数据需要切片和切块。 在搬到美国为高科技房地产经纪公司 Compass 工作时，我发现了一个问题。 从在线广告和电子商务转向房地产后，我对在线营销对这个行业的挑战感到震惊。 主要问题是最终转换的数量极少，因为人们很少购买房屋或公寓。 换个角度来看，美国每年总共只有 500 万笔房地产交易。

因此，转换极为罕见。 粗略地说，你很幸运每 10,000 名网站访问者获得一笔交易。 转化为交易的比率为 0.01% 或更低。 因此，房地产营销人员无法使用智能竞价：谷歌和 Facebook 广告平台提供的自动竞价策略。 他们要么必须最大化点击次数，要么针对漏斗中的网站事件（例如联系人收集）进行优化。 这些转化的价值并不总是很清楚，因为人们经常出于与购买无关的原因提交他们的联系信息。

所以这就引出了一个问题，为什么有些行业在网络营销方面遇到了困难？ 为什么他们的转化率低，投资回报率低？ 我认为这有五个主要原因：

1. 高度特定的受众：无论营销人员付出多少努力，只有 5% 的目标人群会在未来 12 个月内购买或出售房地产。
2. 具有离线组件：例如必须在纸上和亲自签署房地产合同。
3. 销售周期长：据 Zillow 称，买房平均需要 4.5 个月以上。 与此同时，在汽车行业，人们通常需要数周或数月的时间来选择一辆车，而完成交易则需要额外的数周时间。
4. 大宗交易：正如您想象的那样，以上所有这些都可能非常昂贵。 而且，自然而然，所涉金额越高，决策过程所需的时间就越长。
5. 监管：虽然这不一定是所有行业的主要考虑因素，但肯定是房地产和金融。 这些行业受到严格监管，以确保平等获得住房和信贷。 例如，《公平住房保护法》禁止使用涉及房地产营销的大多数目标，例如性别、年龄、种族和地理位置。

如果您的企业至少具有上述五个组成部分中的三个，则您的转化率可能较低。 在这种情况下，您需要非常小心地管理数据。 考虑实施机器学习对您有利：它可以帮助关闭您未来交易的反馈循环，将它们与存在于漏斗顶部的需求联系起来。

受到这一挑战的启发，我创建了一个解决方案，该解决方案使用机器学习和网站访问者的行为数据来预测未来购买的可能性。 Tomi.ai 是一个使用机器学习、行为第一方数据和 API 集成帮助当今在线营销人员将广告投资回报率提高一倍以上的平台。 它为在线营销面临挑战的行业开辟了可能性，例如房地产、银行、保险、EdTech 和 SaaS。

对于来自复杂行业的客户，我们将预测分数激活到他们的广告帐户中，作为具有预期价值金额的自定义转换。 也就是说，我们通过查看网站访问者的网站互动水平来计算网站访问者可能产生的预期收入。 我们将其视为已完成的购买，然后最大化该指标。 因此，我们的客户能够以较高的预期生命周期价值向高度参与的用户展示他们的广告。

机器学习是推动当今在线营销的引擎。 在我看来，营销人员需要发展成为分析师或数据科学家，因为营销问题经常有数学解决方案。 在线营销操作本质上类似于数学上的优化问题，在预算、渠道和其他约束的情况下，需要增加某个参数（例如收入）。

在在线营销中使用机器学习的全部目的是关闭来自购买和漏斗事件顶部的反馈循环。

可以在所有漏斗阶段构建预测模型。 我们通过根据用户的早期行为预测转化的可能性来做到这一点。 然后我们用购买概率和购买的预测值来表示。

martech 专业人士面临的挑战是想出一种方法来关闭这个反馈循环，并根据此类模型产生的 LTV 创建基于价值的相似受众。 他们还需要找到一种有效的方法，利用在流程早期发生的早期信号和微转化来告知他们的广告平台竞价决策。 然后将它们与机器学习算法相结合，以创建预测转化和销售的统一指标，而不是使用最终转化（这种情况很少发生）。

如果 Google 和 Facebook 已经拥有机器学习，那么营销人员为什么需要自己实施机器学习呢？

1.机器学习拓宽信号

通常，低转化率的网站会有很多用户会话。 例如，一个平均电子商务项目的转化率为 2%，这意味着 100 个会话中只有 2 个具有非零值。 它们的信号强度等于 100%。

机器学习帮助我们了解每个会话中早期事件的转换可能性，并为其分配一个非零值。 我们可以识别出 25% 的网站访问者的信号强度在 2% 到 10% 之间。 这种方法为我们提供了更广泛的受众，但信号较弱，可用于创建细分。

2.机器学习能够计算预期的增量LTV

这有助于您了解广告系列的效果如何，以及它是否会在未来达到其目标值——甚至在实际转化发生之前。

3. dLTV 可用于广告出价优化

您可以使用机器学习支持的预测归因来优化您的出价，以了解您的广告系列的预期效果。

假设您要在 Google 上发布包含大量关键字的广告。 您在每个关键字上花费了一定的金额，达到了一定的销售额，并将您的销售额除以投资回报率。 您已通过按 ROI 以降序排列这些关键字，然后在 X 轴上绘制 100% 的成本（累积），并在 Y 轴上以销售额或利润的形式绘制所有业务成果。 这样做后，这将为您提供“性能曲线”：

使用营销技术的目的是消除不必要的控制。 在这种情况下，我们需要删除对您的投资回报率产生负面影响的不良关键字。 您无法负担对这些关键字的投资，因此可以削减它们各自的预算。

通过采用新的和更有效的方法，您可以改变性能曲线本身。 您可以使用相同的预算和关键字获得更高的效果。 为了说明这一点，早在 2016 年的 OZON.ru，我们就使用机器学习驱动的搜索广告出价修饰符，从而帮助 Google 和 Yandex 吸引更高质量的重复受众。

结果，您的收入增长，您获得的边际投资回报率高于您的目标数字，并帮助您释放新的机会。 例如，通过投资新关键字和增加支出，您可以在目标 ROI 数字上实现更高的绩效。

也许我们是房地产、银行和 SaaS 等行业预测营销机器学习的先驱。 对用户进行评分并将此分数用于优化目的的想法来自游戏行业。 手机游戏通常是免费的，但可以选择在游戏中购买。 “鲸鱼”，正如他们在游戏行业中所称的那样，是一群仅占玩家总数 1% 的玩家，却能够通过他们的游戏内购买支付所有玩家的成本。

所有此类游戏都旨在增加其在高消费人群中的份额，最重要的是，识别潜在的高消费人群。 长期以来，众所周知，产品经理会使用数据来预测 LTV，以便为他们的决策提供信息。

移动游戏应用程序已经与谷歌集成，后来又与 Facebook 集成，以传输在线事件数据。 为了评估玩家成为“鲸鱼”的可能性，营销人员使用玩家最初几天的游戏数据。 然后，他们生成“质量安装”合成转换，将此事件提交给 Google UAC，然后针对质量安装进行优化，而不是常规安装。

我们为客户实施以下标准集成：

1. Tomi.ai Pixel：您需要在您的网站上安装 Tomi.ai Pixel 以收集行为数据：例如用户访问的页面、在某些页面上的停留时间和点击次数。 机器学习算法将对所有这些信号进行分类，以找到对未来转化提供最准确预测的信号。 例如，真正打算买房的人会使用抵押计算器并查找附近的学校。 这些因素将产生变量，机器学习将使用这些变量来预测转化为购买的可能性。
2. CRM 集成：我们要求客户提供他们完成的交易提要（历史数据）。 使用网站上提交的散列电子邮件和电话号码作为匿名标识符，我们能够将离线交易与人们的在线活动联系起来。 我们使用一个月（或更长）的历史数据样本来训练我们的模型，了解人们的行为和后续购买的可能性。
3. API 集成：最后，我们将这些数据反馈到广告帐户中。 我们请求访问营销 API，以便将合成转化和预测受众数据连接并上传到 Google 和 Facebook。

机器学习最重要的因素是发生的积极成果的数量——我们能够捕捉到多少转化。 理论上，20 次购买就足够了，但实际上，我们试图确定至少 100 次购买可以链接到在线行为。 通常，我们的目标是使用数百或数千次购买来训练模型。 重要的是，我们在数据收集期间至少实现前 100 个积极成果，这通常发生在工作的第一个月（如果转换很少，则更长时间）。

根据我们的经验，数据质量的主要标准是我们可以链接到客户在线活动的线下订单的份额。 主要思想不仅是整合网站和 CRM 系统，而且还收集匿名 cookie 标识符。 Google Analytics ID 通常用于此目的。 您需要收集用户的 Google Analytics ID，然后在所有后续阶段将此标识符插入 CRM：潜在客户资格、销售支持、合同执行等。

机器学习的价值不在于单个表中包含的数据。 它在于多个表之间的链接质量。

数据的价值不在数据中，而在数据之间。

这意味着价值不在于简单地拥有表格，而是将多个表格连接在一起以释放额外的价值。 能够将这些在线行为表与订单表联系起来对营销人员来说非常重要。

如果广告活动从未超出学习阶段（这可能是极少数转化的情况），您可以利用机器学习的力量做一些事情。

如果您仍在最大化网站的点击次数，那么您已经落后于时代了。 如果您正在优化您的广告以收集联系人，而这些联系人的质量很差（只有 5-10% 的联系人转化为销售），那么机器学习很可能会改善这一点。

我想强调的是，您不必成为数据科学家即可开始使用。 让您的脚湿透，看看机器学习可以为您的营销活动做些什么。 随着各行各业之间的联系越来越紧密，现在是将新技术创新引入您的工具包的时候了。