211service.com
Guidare i risultati di marketing con i big data
In collaborazione con Digilante
Per i professionisti del marketing che cercano di massimizzare il ritorno sull'investimento, l'analisi predittiva basata sui big data è un nuovo strumento entusiasmante.
Nel mondo digitale, l'analisi predittiva basata sui big data promette di creare una visione dettagliata di ciò che funziona, fornendo una guida che non è mai stata disponibile prima per la messa a punto delle campagne pubblicitarie.
La promessa dell'analisi dei big data è che gli esperti di marketing possono analizzare migliaia di punti di informazioni sull'attività digitale dell'acquirente, privi di informazioni di identificazione personale, e combinarli con la loro conoscenza di campagne televisive, radiofoniche, cartelloni pubblicitari e stampa per personalizzare i messaggi di marketing e, in definitiva, migliorare il ritorno sull'investimento (ROI). Con l'analisi, i numeri mostrano l'aumento di ciascun punto dati fornito per ciascun annuncio in ciascun canale. Con questi dati, gli esperti di marketing possono prendere decisioni migliori su come allocare i propri budget pubblicitari. In effetti, le stesse analisi identificheranno le scelte intelligenti.
Una sfida fondamentale per qualsiasi marketer è decidere quale mix di media (TV, Internet, direct mail, radio, stampa) promuoverà al meglio un prodotto o servizio. Possiamo eseguire la modellazione del mix di media utilizzando big data e machine learning, afferma Madan Bharadwaj, product marketing chief di Visual IQ, una società di analisi con sede a Needham, nel Massachusetts. Ci sono molte micro-efficienze a cui possiamo attingere. Se sposti qualche migliaio di dollari qua e là, puoi ottenere molta più efficienza di marketing, in termini di ROI.
Storicamente, i marketer più sofisticati si sono affidati alla pianificazione top-down delle campagne pubblicitarie. Sviluppano modelli econometrici guardando alla distribuzione dell'intero budget pubblicitario. Analizzano le modifiche nell'allocazione e nelle promozioni una tantum e osservano in che modo tali modifiche influiscono sui loro indicatori chiave di prestazione (KPI), che possono essere l'acquisto in negozio o l'apertura di un nuovo account.
Quel paradigma è capovolto nel mondo digitale. I marketer si affidano al punteggio digitale delle azioni, partendo dal basso con il KPI. Cerchi di lavorare a ritroso per vedere i punti di contatto lungo il viaggio digitale dei consumatori, afferma Kim Riedell, vicepresidente senior del prodotto e del marketing presso Digilante , un'azienda di soluzioni multimediali programmatiche personalizzate con sede a Boston. Grazie a tecnologie come cookie e pixel del browser, gli esperti di marketing possono ora dire esattamente dove un determinato acquirente ha visto i propri annunci. I dati mostrano anche per quanto tempo l'acquirente ha guardato un video o si è soffermato su una pagina che conteneva l'annuncio. Si trova tutto tracciando a ritroso dal punto vendita del prodotto che la persona alla fine ha acquistato.
Il mondo della perfetta conoscenza che era stato promesso agli albori della pubblicità digitale si è rivelato illusorio. Pagare i motori di ricerca per stimolare i clic che hanno portato agli acquisti andava bene, ma la maggior parte dei consumatori prende un percorso più tortuoso verso le decisioni finali. L'imbuto di marketing può essere lungo, soprattutto per grandi acquisti come le automobili, dove le persone possono fare ricerche per nove mesi prima di fare un giro di prova.
L'analisi predittiva avanzata ora può capire quali segmenti di pubblico sono stati più reattivi a un annuncio. Quindi gli stessi algoritmi possono trovare segmenti di pubblico simili su altri siti Web e presentare loro gli annunci. Con dati sufficienti e un buon algoritmo, le società di analisi affermano di poter determinare solo quali annunci hanno fatto la differenza.
L'analisi predittiva non può incorporare tutto. Una recensione favorevole del prodotto in Rapporti sui consumatori o l'approvazione di una celebrità agli Oscar non rientra nell'algoritmo. Così fa un incidente aereo che potrebbe danneggiare le prenotazioni di viaggio. A volte, tuttavia, tali eventi provocano un picco nella discussione sui social media, qui vengono monitorati e persino calcolati nell'equazione.
L'immediatezza è uno dei grandi vantaggi dell'analisi. Invece di aspettare di vedere i risultati delle vendite settimanali e di modificare le strategie pubblicitarie in risposta, gli esperti di marketing possono vedere i risultati online ogni giorno. Con i KPI online, le società di analisi possono analizzare le prestazioni degli annunci in tempo reale e consigliare il marketing di follow-up più efficace il giorno successivo.
Jeff Zwelling, cofondatore e CEO di Convertro di AOL, una società di analisi pubblicitarie con sede a Santa Monica, in California, afferma che la sua azienda invia rapporti agli inserzionisti sulle prestazioni degli annunci entro 24 ore. Il giorno dopo il Super Bowl, abbiamo avuto rapporti con GoDaddy, Intuit, la NFL, entro le 8:00.
Analytics può anche aiutare a proteggere gli inserzionisti dai rischi di frode senza costringerli a costruire i propri sforzi investigativi. Finché il KPI è qualcosa che non può essere imitato dai bot, ad esempio un acquisto, gli annunci falsi non risulteranno efficaci. Tutto ciò che serve è una soluzione di attribuzione di prim'ordine e una struttura dei prezzi che allinei la performance pubblicitaria alle conversioni effettive (piuttosto che ai clic o alle impressioni) per evitare le frodi, ha scritto David Perez, chief marketing officer di Convertro, in un recente post sul blog.
In teoria, gli algoritmi dovrebbero essere in grado di allocare il budget alle reti pubblicitarie che controllano il loro inventario per evitare annunci falsi. Dovrebbero generare più indicatori chiave di prestazione. Allo stesso modo, gli annunci non visualizzabili non genereranno KPI. Non è chiaro se quella promessa sia stata mantenuta.
Allo stesso modo, l'analisi predittiva può scoprire correlazioni tra categorie di potenziali acquirenti che difficilmente si verificherebbero per i marketer umani. Ad esempio, il capo scienziato di Digilant Krishna Boppana ricorda che mentre lavorava per un cliente di servizi finanziari, la sua azienda ha scoperto che gli uomini che avevano osservato le barche in aprile e maggio rispondevano agli annunci per i piani 401(k). Ora ipotizza che potrebbero aver ricevuto bonus ad aprile e programmato di utilizzare i soldi per divertimento prima di ricordare - o essere ricordato - che avrebbero dovuto finanziare i loro conti pensionistici.
Mentre lavorava con un'azienda di cosmetici di lusso, aggiunge Boppana, Digilant ha scoperto una correlazione tra le donne interessate ai viaggi esotici e quelle che acquistavano i cereali Kashi. Mentre l'analisi predittiva è spesso criticata per individuare la correlazione piuttosto che la causalità, Boppana conclude che la pubblicità riguarda esclusivamente la correlazione.