Až donedávna čelili digitální marketingoví pracovníci a profesionálové v oblasti reklamních agentur, kteří hledali programatické nákupy reklam, a Černá skříňka datový scénář. Většina z nich nejsou inženýři ani vědci v oblasti dat a museli se rozhodnout a důvěřovat tvrzením poskytovatele údajů o kvalitě dat, kontrole výsledků po implementaci - a poté, co již byl proveden nákup.
Co by však měli marketingoví pracovníci a agentury hledat u poskytovatele dat? Jak mohou určit, který poskytovatel nabízí nejpřesnější a nejtransparentnější řešení? Zde je třeba se zeptat na několik otázek:
Jak se shromažďují údaje?
Je to přímým pozorováním každého uživatele, nebo jde o odvozená data, kde jsou vzorce chování detekovány u malé skupiny uživatelů a poté extrapolovány pro větší skupiny? Pokud jsou data odvozena, přesnost velmi závisí na velikosti měřené skupiny - proto je důležité při hodnocení poskytovatelů zkontrolovat velikost skupiny. Mějte však na paměti, že bez ohledu na velikost odvozená data vždy zahrnují pokles přesnosti při extrapolaci. A nezapomeňte, že při modelování dat do segmentů budou předpovědi založeny spíše na předpovědích než na skutečných informacích. Tato dynamika exponenciálně zvyšuje riziko, že data nebudou fungovat.
Je vhodné klást otázky zdravého rozumu, které vám umožní posoudit sílu dat v celé trychtýři a dívat se nad rámec jednoduchých demografických údajů na faktor v transakcích, sledování metadat a další signály, které přesněji předpovídají záměr nákupu. Skimlinks každý den zachycuje 15 miliard signálů o záměru nakupování ze sítě 1.5 milionu domén vydavatelů a 20,000 100 obchodníků. Použitím strojového učení a obohacující analýzy ve své vrstvě produktové inteligence rozumí Skimlinks taxonomii a metadata XNUMX milionů referencí a odkazů na produkty. Tyto informace využívají k vytváření segmentů publika s vysokou mírou konverze na základě produktů a značek, které si uživatelé pravděpodobně zakoupí, což umožňuje efektivnější obsahové, sociální a videokampaně.
Jaký typ údajů se shromažďuje?
Další na seznamu je zjistit, jaký druh dat se shromažďuje. Kategorie mohou zahrnovat kliknutí, odkazy, metadata, obsah stránky, hledané výrazy, značky a produkty, informace o cenách, výskyt transakcí, datum a čas. Čím více druhů dat se shromáždí, tím více bude muset pracovat s prediktivními modely surovin, což může výrazně zlepšit přesnost. Pokud se shromáždí pouze několik typů údajů - například jen zobrazení nebo kliknutí -, bude k dispozici omezené množství informací, které lze použít ke křížové kontrole předpovědí nebo vylepšení profilů uživatelů. V tomto scénáři existuje riziko, že se vygenerují příliš zjednodušující a nepřesné uživatelské profily.
Skimlinks shromažďuje a analyzuje data a detekuje vzory mezi více vydavateli a obchodníky, aby přesně předpověděl chování nákupu. Například kombinace jednoho uživatele, který navštíví 10 stránek na pěti různých webech, může být identifikována jako vzor, který naznačuje zájem o nákup v příštím týdnu. Žádný vydavatel nemohl data vyrobit Skimlinks přistupuje prostřednictvím své sítě 1.5 milionu domén, ale informace o vydavateli jsou jen jednou částí dat signálu. Skimlinks také analyzuje data získaná od 20,000 XNUMX obchodníků v její síti, včetně informací o cenách, hodnotě objednávky a historii nákupů.
Přitom Skimlinks kombinuje signály z celého maloobchodního ekosystému.
Jak jsou údaje ověřovány?
Další kritickou schopností, kterou je třeba při hodnocení poskytovatelů dat hledat, je schopnost ověřovat předpovědi v praxi. Například každý poskytovatel, který tvrdí, že jeho segmenty budou řídit konverze, by měl zachytit údaje o transakcích, aby potvrdil, že došlo k nákupu. Bez údajů o transakcích není možné ověřit návrh hodnoty.
Skimlinks má programovou službu cílení na publikum, která pomáhá inzerentům cílit na uživatele podle toho, kde se v nákupním cyklu nacházejí. Předpovědi jsou vytvářeny pomocí kontextových, produktových a cenových údajů a jsou ověřovány pomocí informací o transakcích. Uživatelé jsou sledováni, aby zkontrolovali, zda provedli očekávaný nákup, a systém strojového učení, který vytváří segmenty, je na základě těchto informací průběžně trénován. To pomáhá kupujícím vyhnout se scénáři, ve kterém se zaměřují na spotřebitele, kteří možná zkoumali produkt, který si nemohou dovolit nebo nemají žádný skutečný záměr koupit. Výsledkem je lepší výkon segmentu.
Digitální marketingoví pracovníci a agentury, které se zabývají programatickou reklamou, si musí vybrat správného poskytovatele dat, aby optimalizovaly své ceny za tisíc zobrazení (CPM) nebo ceny za akci (CPA). Tempo růstu v sektorech programatické reklamy a marketingu založeného na datech může ztěžovat umět vybrat správného poskytovatele dat. Použitím těchto tří otázek zdravého rozumu při hodnocení hodnotové nabídky poskytovatele dat však mohou digitální marketingoví pracovníci a agentury otevřít černou skříňku a najít správný mix dat.
