Kuinka käytät attribuutioanalyysiä vahvempaan markkinointitietoon

tietovarasto ratkaisuna

Kosketuspisteiden määrä, jonka kautta olet tekemisissä asiakkaiden kanssa - ja tapa, jolla he kohtaavat brändisi, on räjähtänyt viime vuosina. Aiemmin valinnat olivat yksinkertaisia: teit painetun mainoksen, lähetysmainoksen, ehkä suoramainonnan tai jonkinlaisen yhdistelmän. Nykyään siellä on haku, online-näyttö, sosiaalinen media, mobiili, blogit, aggregaattorisivustot, ja luetteloa jatketaan.

With the proliferation of customer touch points has also come increased scrutiny regarding effectiveness. What is the real value of a dollar spent in any given medium? What medium gives you the most bang for your buck? How can you maximize impact moving forward?

Jälleen kerran mittaus oli yksinkertaista: juoksit mainoksen ja arvioitit tietoisuuteen, liikenteeseen ja myyntiin liittyvää eroa. Nykyään mainosvaihto tarjoaa käsityksen siitä, kuinka moni ihminen napsautti mainostasi ja tuli haluamaasi määränpäähän.

Mutta mitä sitten tapahtuu?

Attribution analysis can provide the answer to that question. It can bring together data from a number of disparate sources both internal to your business and external in terms of customer outreach. It can help you determine which channels are most cost effective in generating a volume of responses. Most importantly, it can help you identify your best customers within that group and act on that information by tweaking your marketing strategy accordingly moving forward.

Kuinka voit hyödyntää attribuutioanalyysi tehokkaasti ja hyödyntää näitä etuja? Tässä on nopea tapaustutkimus siitä, miten yksi yritys teki sen:

Käyttötapa attribuutioanalyysille

Mobiili tuottavuusyritys markkinoi sovelluksen, jonka avulla käyttäjät voivat luoda, tarkastella ja jakaa asiakirjoja mistä tahansa laitteesta. Varhaisessa vaiheessa yritys toteutti kolmannen osapuolen Analytics työkalut, joissa on valmiiksi kootut paneelit, joiden avulla voidaan seurata perustietoja, kuten latauksia, päivittäisiä / kuukausittaisia ​​käyttäjämääriä, sovelluksen kanssa vietettyä aikaa, luotujen asiakirjojen määrää jne.

Yhden koon analyysi ei sovi kaikille

Kun yhtiön kasvu räjähti ja käyttäjien määrä kasvoi miljooniin, tämä kaikille sopiva lähestymistapa oivalluksiin ei laajentunut. Heidän kolmas osapuoli Analytics palvelu ei pystynyt käsittelemään reaaliaikaisen datan integrointia useista lähteistä, kuten palvelinympäristön lokit, verkkosivustoliikenne ja mainoskampanjat.

What's more, the company needed to analyze attribution across multiple screens and channels to help them decide where the next incremental marketing dollar would best be spent for new customer acquisition. A typical scenario was this: a user saw the company's Facebook ad while on their phone, then searched for reviews about the company on their laptop, and finally clicked to install the app from a display ad on their tablet. Attribution in this case requires splitting the credit for acquiring that new customer across social media on mobile, paid search/reviews on the PC and in-app display ads on tablets.

The company needed to take things a step further and discover which online marketing source helped them acquire their most valuable users. They needed to identify user behaviors — beyond the generic click-to-install action — that were unique to the app and made the user valuable to the company. In its early days, Facebook developed a simple but powerful way to do this: they discovered that the number of people a user “friends” within a given number of days of sign-up was a great predictor of how engaged or valuable a user would be in the long run. Online media and third-party Analytics järjestelmät ovat sokeita tämän tyyppisille ajan siirtymille, monimutkaisille toiminnoille, joita tapahtuu sovelluksessa.

He tarvitsivat tapoja attribuutioanalyysi tehdä työ.

Attribuutioanalyysi on ratkaisu

Yksinkertaisesti aloittaen yritys kehitti sisäisesti alkuperäisen tavoitteen: selvittää tarkalleen, miten kukin käyttäjä pyrkii olemaan vuorovaikutuksessa tuotteensa kanssa yhden istunnon aikana. Kun se on määritetty, he voisivat syventyä kyseisiin tietoihin luodakseen asiakkaiden profiilisegmenttejä, jotka perustuvat heidän tilaansa maksavina käyttäjinä ja kuukausittain käytettyyn määrään. Yhdistämällä nämä kaksi tietoaluetta yritys pystyi määrittämään tietyn asiakkaan elinikäinen arvo - mittari, joka määrittelee, minkä tyyppisillä asiakkailla on eniten tulopotentiaalia. Nämä tiedot puolestaan ​​antoivat heille mahdollisuuden kohdistaa tarkemmin muita käyttäjiä - käyttäjiä, joilla oli sama "elinikäinen arvo" -profiili - hyvin erityisten mediavalintojen avulla erittäin tarkoilla tarjouksilla.

Lopputulos? Markkinointidollareiden älykkäämpi ja tietoisempi käyttö. Kasvu jatkui. Ja käytössä on mukautettu attribuutioanalyysijärjestelmä, joka voi kasvaa ja sopeutua yrityksen edetessä.

Onnistunut attribuutioanalyysi

Kun aloitat attribuutioanalyysi, on tärkeää määritellä menestys ensin omilla ehdoillasi - ja pitää se yksinkertaisena. Kysy itseltäsi, ketä pidän hyvänä asiakkaana? Kysy sitten, mitkä ovat tavoitteeni asiakkaan kanssa? Voit halutessasi lisätä kulutusta ja vahvistaa uskollisuutta arvokkaimpien asiakkaiden kanssa. Tai voit päättää määrittää, mistä löydät enemmän heidän kaltaisiaan arvokkaita asiakkaita. Kaikki on itse asiassa sinun ja organisaatiosi kannalta sopivaa.

Lyhyesti sanottuna attribuutioanalyysi voi olla erittäin nopea ja helppo tapa koota yhteen tietoja useista sisäisistä ja kolmansien osapuolten lähteistä, ja ymmärtää nämä tiedot termeillä, jotka määrität hyvin. Saat oivalluksia, jotka sinun on määriteltävä selkeästi ja saavutettava markkinointitavoitteesi, ja hio sitten strategiasi saavuttaaksesi korkeimman mahdollisen sijoitetun pääoman tuottoprosentin jokaisesta käytetystä markkinointidollarista.

Mikä on Data Warehouse palveluna

Kirjoitimme äskettäin miten tietotekniikat ovat nousussa markkinoijille. Data Warehouses tarjoaa keskitetyn tietovaraston, joka skaalaa ja tarjoaa hyvän oivalluksen markkinointiponnisteluistasi - mikä antaa mahdollisuuden tuoda valtavia määriä asiakas-, tapahtuma-, talous- ja markkinointitietoja. Keräämällä online-, offline- ja mobiilidataa keskustietokantaan markkinoijat pystyvät analysoimaan ja saamaan tarvitsemansa vastaukset tarvittaessa. Tietovaraston rakentaminen on tavallinen yritys keskimääräiselle yritykselle - mutta Data Warehouse as a Service (DWaaS) ratkaisee ongelman yrityksille.

Tietoja BitYota Data Warehousesta palveluna

Tämä viesti kirjoitettiin BitYota. BitYotan Data Warehouse as a Service -ratkaisu vie päänsärkyä uuden tietojärjestelmän perustamisesta ja hallinnasta. BitYota antaa markkinoijille mahdollisuuden saada tietovarastonsa nopeasti käyttöön ja muodostaa yhteyden helposti pilvipalvelujen tarjoajaan ja määrittää varastosi. Tekniikka hyödyntää SQL: ää JSON-tekniikan avulla varaston kyselyyn helposti, ja sen mukana toimitetaan reaaliaikaiset tietosyötteet nopeaan analytiikkaan.

Houkutteluanalyysi - BitYota

Yksi tärkeimmistä nopeuden estäjistä Analytics on tarve muuttaa tiedot ennen niiden tallentamista Analytics järjestelmään. Maailmassa, jossa sovellukset vaihtelevat jatkuvasti, useista lähteistä ja eri muodoissa saapuva data tarkoittaa, että yritykset joutuvat usein käyttämään liian paljon aikaa tiedonsiirtoprojekteihin tai kohtaamaan rikki Analytics järjestelmät. BitYota tallentaa ja analysoi tiedot natiivimuodossaan, jolloin ei tarvita työläitä, aikaa vieviä tiedonsiirtoprosesseja. Datan muuntamisen lopettaminen tarjoaa asiakkaillemme nopean Analytics, maksimaalisen joustavuuden ja täydellisen tietojen luotettavuuden. BitYota

Tarpeidesi muuttuessa voit lisätä tai poistaa solmuja klusterista tai muuttaa koneen kokoonpanoja. Täysin hallittuna ratkaisuna BitYota valvoo, hallinnoi, huolehtii ja skaalaa tietokonealustasi, jotta voit keskittyä tärkeään - tietojen analysointiin.

Mitä mieltä olet?

Tämä sivusto käyttää Akismetiä roskapostin vähentämiseksi. Lue, miten kommenttitietosi käsitellään.