如何使用數據和機器學習促進銷售和提高投資回報率

在線廣告算法依賴於大量信號。 電子商務和移動遊戲等行業提供了足夠的數據來訓練這些算法。 因此，谷歌和 Facebook 等廣告平台普遍採用的方法可以有效地定位和吸引所需的受眾。

然而，在許多其他信號數量較少的行業中，目標轉化率遠低於渠道的基準。 如果您發現自己處於這種情況，那麼至關重要的是進行轉換並利用機器學習的力量利用您的數據。

我們與 adTech 初創公司 Tomi.ai 的創始人 Konstantin Bayandin 合作，討論可以通過機器學習解鎖的在線營銷機會。

作為 OZON.ru（俄羅斯亞馬遜同類網站）的首席營銷官和數據科學與分析部門負責人，我領導公司數據驅動營銷的發展。 在電子商務中，有大量有價值的轉化（購買），還有大量數據需要切片和切塊。 在搬到美國為高科技房地產經紀公司 Compass 工作時，我發現了一個問題。 從在線廣告和電子商務轉向房地產後，我對在線營銷對這個行業的挑戰感到震驚。 主要問題是最終轉換的數量極少，因為人們很少購買房屋或公寓。 換個角度來看，美國每年總共只有 500 萬筆房地產交易。

因此，轉換極為罕見。 粗略地說，你很幸運每 10,000 名網站訪問者獲得一筆交易。 轉化為交易的比率為 0.01% 或更低。 因此，房地產營銷人員無法使用智能競價：谷歌和 Facebook 廣告平台提供的自動競價策略。 他們要么必須最大化點擊次數，要么針對漏斗中的網站事件（例如聯繫人收集）進行優化。 這些轉化的價值並不總是很清楚，因為人們經常出於與購買無關的原因提交他們的聯繫信息。

所以這就引出了一個問題，為什麼有些行業在網絡營銷方面遇到了困難？ 為什麼他們的轉化率低，投資回報率低？ 我認為這有五個主要原因：

1. 高度特定的受眾：無論營銷人員付出多少努力，只有 5% 的目標人群會在未來 12 個月內購買或出售房地產。
2. 具有離線組件：例如必須在紙上和親自簽署房地產合同。
3. 銷售週期長：據 Zillow 稱，買房平均需要 4.5 個月以上。 與此同時，在汽車行業，人們通常需要數週或數月的時間來選擇一輛車，而完成交易則需要額外的數週時間。
4. 大宗交易：正如您想像的那樣，以上所有這些都可能非常昂貴。 而且，自然而然，所涉金額越高，決策過程所需的時間就越長。
5. 監管：雖然這不一定是所有行業的主要考慮因素，但肯定是房地產和金融。 這些行業受到嚴格監管，以確保平等獲得住房和信貸。 例如，《公平住房保護法》禁止使用涉及房地產營銷的大多數目標，例如性別、年齡、種族和地理位置。

如果您的企業至少具有上述五個組成部分中的三個，則您的轉化率可能較低。 在這種情況下，您需要非常小心地管理數據。 考慮實施機器學習對您有利：它可以幫助關閉您未來交易的反饋循環，將它們與存在於漏斗頂部的需求聯繫起來。

受到這一挑戰的啟發，我創建了一個解決方案，該解決方案使用機器學習和網站訪問者的行為數據來預測未來購買的可能性。 Tomi.ai 是一個使用機器學習、行為第一方數據和 API 集成幫助當今在線營銷人員將廣告投資回報率提高一倍以上的平台。 它為在線營銷面臨挑戰的行業開闢了可能性，例如房地產、銀行、保險、EdTech 和 SaaS。

對於來自複雜行業的客戶，我們將預測分數激活到他們的廣告帳戶中，作為具有預期價值金額的自定義轉換。 也就是說，我們通過查看網站訪問者的網站互動水平來計算網站訪問者可能產生的預期收入。 我們將其視為已完成的購買，然後最大化該指標。 因此，我們的客戶能夠以較高的預期生命週期價值向高度參與的用戶展示他們的廣告。

機器學習是推動當今在線營銷的引擎。 在我看來，營銷人員需要發展成為分析師或數據科學家，因為營銷問題經常有數學解決方案。 在線營銷操作本質上類似於數學上的優化問題，在預算、渠道和其他約束的情況下，需要增加某個參數（例如收入）。

在在線營銷中使用機器學習的全部目的是關閉來自購買和漏斗事件頂部的反饋循環。

可以在所有漏斗階段構建預測模型。 我們通過根據用戶的早期行為預測轉化的可能性來做到這一點。 然後我們用購買概率和購買的預測值來表示。

martech 專業人士面臨的挑戰是想出一種方法來關閉這個反饋循環，並根據此類模型產生的 LTV 創建基於價值的相似受眾。 他們還需要找到一種有效的方法，利用在流程早期發生的早期信號和微轉化來告知他們的廣告平台競價決策。 然後將它們與機器學習算法相結合，以創建預測轉化和銷售的統一指標，而不是使用最終轉化（這種情況很少發生）。

如果 Google 和 Facebook 已經擁有機器學習，那麼營銷人員為什麼需要自己實施機器學習呢？

1.機器學習拓寬信號

通常，低轉化率的網站會有很多用戶會話。 例如，一個平均電子商務項目的轉化率為 2%，這意味著 100 個會話中只有 2 個具有非零值。 它們的信號強度等於 100%。

機器學習幫助我們了解每個會話中早期事件的轉換可能性，並為其分配一個非零值。 我們可以識別出 25% 的網站訪問者的信號強度在 2% 到 10% 之間。 這種方法為我們提供了更廣泛的受眾，但信號較弱，可用於創建細分。

2.機器學習能夠計算預期的增量LTV

這有助於您了解廣告系列的效果如何，以及它是否會在未來達到其目標值——甚至在實際轉化發生之前。

3. dLTV 可用於廣告出價優化

您可以使用機器學習支持的預測歸因來優化您的出價，以了解您的廣告系列的預期效果。

假設您要在 Google 上發布包含大量關鍵字的廣告。 您在每個關鍵字上花費了一定的金額，達到了一定的銷售額，並將您的銷售額除以投資回報率。 您已通過按 ROI 以降序排列這些關鍵字，然後在 X 軸上繪製 100% 的成本（累積），並在 Y 軸上以銷售額或利潤的形式繪製所有業務成果。 這樣做後，這將為您提供“性能曲線”：

使用營銷技術的目的是消除不必要的控制。 在這種情況下，我們需要刪除對您的投資回報率產生負面影響的不良關鍵字。 您無法負擔對這些關鍵字的投資，因此可以削減它們各自的預算。

通過採用新的和更有效的方法，您可以改變性能曲線本身。 您可以使用相同的預算和關鍵字獲得更高的效果。 為了說明這一點，早在 2016 年的 OZON.ru，我們就使用機器學習驅動的搜索廣告出價修飾符，從而幫助 Google 和 Yandex 吸引更高質量的重複受眾。

結果，您的收入增長，您獲得的邊際投資回報率高於您的目標數字，並幫助您釋放新的機會。 例如，通過投資新關鍵字和增加支出，您可以在目標 ROI 數字上實現更高的績效。

也許我們是房地產、銀行和 SaaS 等行業預測營銷機器學習的先驅。 對用戶進行評分並將此分數用於優化目的的想法來自遊戲行業。 手機遊戲通常是免費的，但可以選擇在遊戲中購買。 “鯨魚”，正如他們在遊戲行業中所稱的那樣，是一群僅佔玩家人口 1% 的玩家，卻能夠通過他們的遊戲內購買支付所有玩家的成本。

所有此類游戲都旨在增加其在高消費人群中的份額，最重要的是，識別潛在的高消費人群。 長期以來，眾所周知，產品經理會使用數據來預測 LTV，以便為他們的決策提供信息。

移動遊戲應用程序已經與穀歌集成，後來又與 Facebook 集成，以傳輸在線事件數據。 為了評估玩家成為“鯨魚”的可能性，營銷人員使用玩家最初幾天的遊戲數據。 然後，他們生成“質量安裝”合成轉換，將此事件提交給 Google UAC，然後針對質量安裝進行優化，而不是常規安裝。

我們為客戶實施以下標準集成：

1. Tomi.ai Pixel：您需要在您的網站上安裝 Tomi.ai Pixel 以收集行為數據：例如用戶訪問的頁面、在某些頁面上的停留時間和點擊次數。 機器學習算法將對所有這些信號進行分類，以找到對未來轉化提供最準確預測的信號。 例如，真正打算買房的人會使用抵押計算器並查找附近的學校。 這些因素將產生變量，機器學習將使用這些變量來預測轉化為購買的可能性。
2. CRM 集成：我們要求客戶提供他們完成的交易提要（歷史數據）。 使用網站上提交的散列電子郵件和電話號碼作為匿名標識符，我們能夠將離線交易與人們的在線活動聯繫起來。 我們使用一個月（或更長）的歷史數據樣本來訓練我們的模型，了解人們的行為和後續購買的可能性。
3. API 集成：最後，我們將這些數據反饋到廣告帳戶中。 我們請求訪問營銷 API，以便將合成轉化和預測受眾數據連接並上傳到 Google 和 Facebook。

機器學習最重要的因素是發生的積極成果的數量——我們能夠捕捉到多少轉化。 理論上，20 次購買就足夠了，但實際上，我們試圖確定至少 100 次購買可以鏈接到在線行為。 通常，我們的目標是使用數百或數千次購買來訓練模型。 重要的是，我們在數據收集期間至少實現前 100 個積極成果，這通常發生在工作的第一個月（如果轉換很少，則更長時間）。

根據我們的經驗，數據質量的主要標準是我們可以鏈接到客戶在線活動的線下訂單的份額。 主要思想不僅是整合網站和 CRM 系統，而且還收集匿名 cookie 標識符。 Google Analytics ID 通常用於此目的。 您需要收集用戶的 Google Analytics ID，然後在所有後續階段將此標識符插入 CRM：潛在客戶資格、銷售支持、合同執行等。

機器學習的價值不在於單個表中包含的數據。 它在於多個表之間的鏈接質量。

數據的價值不在數據中，而在數據之間。

這意味著價值不在於簡單地擁有表格，而是將多個表格連接在一起以釋放額外的價值。 能夠將這些在線行為表與訂單表聯繫起來對營銷人員來說非常重要。

如果廣告活動從未超出學習階段（轉化率極低的情況可能就是這種情況），您可以利用機器學習的力量做一些事情。

如果您仍在最大化網站的點擊次數，那麼您已經落後於時代了。 如果您正在優化您的廣告以收集聯繫人，而這些聯繫人的質量很差（只有 5-10% 的聯繫人轉化為銷售），那麼機器學習很可能會改善這一點。

我想強調的是，您不必成為數據科學家即可開始使用。 讓您的腳濕透，看看機器學習可以為您的營銷活動做些什麼。 隨著各行各業之間的聯繫越來越緊密，現在是將新技術創新引入您的工具包的時候了。