Viime aikoihin asti digitaaliset markkinoijat ja mainostoimistojen ammattilaiset, jotka halusivat tehdä ohjelmallisia mainosostoksia, kohtaavat a musta laatikko dataskenaario. Useimmat eivät ole insinöörejä tai datatieteilijöitä, ja heidän piti ottaa harppaus uskoa ja luottaa tietojen toimittajan väitteisiin tietojen laadusta, tarkastella tuloksia toteutuksen jälkeen - ja sen jälkeen, kun osto oli jo tehty.
Mutta mitä markkinoijien ja toimistojen tulisi etsiä tietojen tarjoajalta? Kuinka he voivat selvittää, mikä palveluntarjoaja tarjoaa tarkimman ja avoimimman ratkaisun? Tässä on joitain kysymyksiä:
Kuinka tiedot kerätään?
Onko se kunkin käyttäjän suoralla havainnoinnilla vai onko se päätelty tieto, jossa käyttäytymismallit havaitaan pienessä käyttäjäryhmässä ja ekstrapoloidaan sitten suuremmille ryhmille? Jos tiedoista päätellään, tarkkuus riippuu suuresti mitatun ryhmän koosta - joten on tärkeää tarkistaa ryhmän koko palveluntarjoajia arvioitaessa. Mutta pidä mielessä, että päätellyt tiedot koosta riippumatta tarkkuuden heikkenemisen ekstrapoloituina. Ja älä unohda, että kun tiedot mallinnetaan segmenteiksi, ennusteet perustuvat ennusteisiin eikä todellisiin tietoihin. Tämä dynaaminen lisää eksponentiaalisesti riskiä siitä, että tiedot eivät toimi.
On hyvä esittää tervettä järkeä koskevia kysymyksiä, joiden avulla voit arvioida tietojen vahvuutta kanavassa, katsomalla yksinkertaisten väestötietojen ulkopuolelle tapahtumia, metatietojen seurantaa ja muita ostotarkoitusta tarkemmin ennustavia signaaleja. Skimlinks sieppaa päivittäin 15 miljardia ostoaikeiden signaalia 1.5 miljoonan julkaisijaverkkotunnuksen ja 20,000 100 kauppiaan verkostosta. Soveltamalla koneoppimista ja rikastuttavaa analyysiä tuotetiedonkerroksessaan Skimlinks ymmärtää XNUMX miljoonan tuoteviitteen ja linkin taksonomian ja metatiedot. He käyttävät näitä tietoja rakentaakseen paljon tuottavia yleisösegmenttejä käyttäjien todennäköisesti ostamien tuotteiden ja tuotemerkkien perusteella, mikä mahdollistaa tehokkaammat näyttö-, sosiaaliset ja videokampanjat.
Minkä tyyppisiä tietoja kerätään?
Seuraavaksi luettelossa on selvittää, millaista tietoa kerätään. Luokat voivat sisältää napsautukset, linkit, metatiedot, sivun sisällön, hakutermit, tuotemerkit ja tuotteet, hintatiedot, tapahtuman tapahtuman, päivämäärän ja kellonajan. Mitä enemmän tietoja kerätään, sitä enemmän raaka-aineita ennustavia malleja on käytettävä, mikä voi parantaa merkittävästi tarkkuutta. Jos kerätään vain muutamia tietotyyppejä - esimerkiksi vain näyttökerrat tai napsautukset -, on rajallista tietoa, jota voidaan käyttää ennusteiden tarkistamiseen tai käyttäjäprofiilien parantamiseen. Tässä skenaariossa riski on, että syntyy liian yksinkertaisia ja epätarkkoja käyttäjäprofiileja.
Skimlinks kerää ja analysoi tietoja ja tunnistaa kuviot useista kustantajista ja kauppiaista ennustamaan ostokäyttäytymisen tarkasti. Esimerkiksi yhden käyttäjän yhdistelmä, joka käy 10 sivulla viidellä eri verkkosivustolla, voidaan tunnistaa malliksi, joka osoittaa kiinnostuksen tehdä ostoksia seuraavalla viikolla. Yksikään julkaisija ei voinut tuottaa tietoja Skimlinks käyttää 1.5 miljoonan verkkotunnuksen verkkoaan, mutta julkaisijoiden tiedot ovat vain yksi osa signaalitiedoista. Skimlinks analysoi myös verkostonsa 20,000 kauppiaalta peräisin olevat tiedot, mukaan lukien hintatiedot, tilausarvo ja ostohistoria.
Tekemällä niin Skimlinks yhdistää signaalit koko vähittäiskaupan ekosysteemistä.
Kuinka tiedot validoidaan?
Toinen kriittinen kyky etsiä arvioitaessa tietojen tarjoajia on kyky vahvistaa ennusteet käytännössä. Esimerkiksi kaikkien palveluntarjoajien, jotka väittävät, että segmenttinsä tuottavat tuloksia, tulisi kaapata tapahtumadataa vahvistaakseen, että osto tapahtuu. Ilman tapahtumatietoja arvoesitystä ei voida vahvistaa.
Skimlinksillä on ohjelmallinen yleisökohdistuspalvelu, joka auttaa mainostajia kohdistamaan käyttäjiä sen mukaan, missä he ovat ostosyklissä. Ennusteet tehdään kontekstuaalisten, tuote- ja hintatietojen avulla, ja ne vahvistetaan tapahtumainformaatioilla. Käyttäjiä seurataan tarkistaakseen, ovatko he suorittaneet odotetun ostoksen, ja segmenttejä muodostavaa koneoppimisjärjestelmää koulutetaan jatkuvasti näiden tietojen perusteella. Tämä auttaa ostajia välttämään tilanteita, joissa he kohdistavat kuluttajiin, jotka ovat saattaneet tutkia tuotetta, jolla ei ole varaa tai joilla ei ole todellista aikomusta ostaa. Tuloksena on parempi segmentin suorituskyky.
Digitaalisten markkinoijien ja ohjelmalliseen mainontaan osallistuvien toimistojen on valittava oikea tietojen tarjoaja tuhannen näyttökerran hinnan tai toimintakohtaisen hinnan optimoimiseksi. Ohjelmallisen mainonnan ja tietopohjaisen markkinoinnin kasvunopeus voi vaikeuttaa tietämystä siitä, miten valita oikea tietopalvelu. Mutta soveltamalla näitä kolmea järkevää kysymystä arvioidessaan tietojen tarjoajan arvolupaa, digitaaliset markkinoijat ja virastot voivat avata mustan laatikon ja löytää oikean tietoyhdistelmän.
