Por que el análisis predictivo del comportamiento cambiará para siempre el retargeting

El retargeting trata a todos los clientes de la misma manera, independientemente de su comportamiento en el sitio. A quí es la razón por la orientación de comportamiento con algoritmos está a punto de hacer añicos ese modelo.

En la reorientación estándar, un consumidor visita un sitio de comercio electrónico como Amazon y luego continúa con su día. Al visitar otros sitios como CNN, verá anuncios de Amazon, siempre que Amazon supere a otros anunciantes interesados ​​como Best Buy o Target.

La mayoría de las empresas reorientan a los consumidores de la misma manera, sin importar cuál sea su intención. Si ven un comprador potencial que ha visitado su sitio y ha buscado productos, o incluso ha colocado productos en un carrito, pujan por un espacio publicitario para volver a orientar una vez que el cliente se va.

Pero piense en esto por un momento: el cliente que colocó un artículo en un carrito está mucho más cerca de realizar una compra real. En comparación con el cliente que simplemente buscó algunos productos, es más probable que regrese y complete la transacción si ve un anuncio en otro sitio.

Digamos que un cliente navegó por BestBuy y luego visitó Target, y de hecho puso un producto en un carrito. Históricamente, Best Buy y Target se dirigían a este cliente de la misma manera. Pero no tiene sentido hacerlo así.

El cliente estaba mucho más cerca de comprar un producto de Target. Como resultado, Target debería publicar anuncios para este cliente específico porque tiene más posibilidades de venderle algo a esta persona. Pero si Best Buy supera a Target, es muy posible que este cliente vea anuncios de productos que probablemente no comprará. Y, francamente, Best Buy está desperdiciando su dinero.

Seamos inteligentes con el retargeting

Creo que el retargeting algorítmico es el próximo gran avance en la publicidad online. Al desarrollar un algoritmo que segmenta a los clientes en función del comportamiento del sitio, así como de dónde se encuentran en el ciclo de compra, las marcas pueden aumentar la efectividad de sus programas de retargeting, reduciendo así el costo.

Podemos medir el nivel de interés, así como las áreas específicas de interés, y predecir la intención de los clientes. Luego, las marcas pueden usar esos datos para señalar sus esfuerzos de reorientación en aquellos clientes con más probabilidades de realizar una compra.

Esto significa que, en lugar de gastar millones de dólares para reorientar ciegamente a todos los clientes en todas las etapas, las empresas pueden dirigirse agresivamente a los más cercanos a la compra, gastar dólares publicitarios de manera más eficaz y aumentar las conversiones.

Reorientación algorítmica / conductual con Lenovo

Lenovo es una marca que prueba el retargeting algorítmico junto con el retargeting clásico. En el primero, utiliza modelos de comportamiento, que incluyen de 300 a 400 variables, basados ​​en datos demográficos y psicográficos.

“Cuando realmente miramos los datos observados, en nuestro caso era un grupo pequeño: el 1 por ciento de los clientes son responsables de la mayoría de las compras”, dice Ajit Sivadasan, vicepresidente y gerente general de comercio electrónico global de Lenovo. “Y la diferencia entre los que compran y los que no compran es casi 900 veces. Las personas que compran son 900 veces más altas en términos de su valor de transacción por unidad, en comparación con aquellas que no tienen una propensión a comprar ".

Una mejor experiencia de cliente

Sivadasan también señaló que con el retargeting estándar, las marcas terminan brindando a todos los clientes potenciales la misma experiencia. Lenovo se centra en el 1 por ciento de las personas que compran, y opta por no inundar al 99 por ciento restante con marketing.

O, como dijo Ashish Braganza, director de inteligencia empresarial global de la marca, Lenovo estaba muy basado en reglas antes de estas pruebas. La regla era generalmente que si alguien abandonaba su carrito, sería reorientado por todo el lugar.

“Si abandonaron y fueron, digamos, Yahoo o MSN o CNET, estaríamos reorientando porque estamos comprando inventario para reorientar. Es una metodología muy de rociar y orar ”, dice Braganza. "No sabes si debes gastar dinero en esa persona, [su] valor y su propensión a comprar un producto".

Sin embargo, con la reorientación algorítmica, Lenovo puede crear grupos de clientes de alto y bajo valor y comprar medios en consecuencia. Más allá de los carritos de la compra, la marca analiza qué otros productos ha visto alguien y con los que ha interactuado.

Analizar lo que hacen las personas después de agregar algo a sus carritos le da a Lenovo más confianza para predecir quién tiene una mayor propensión a comprar. A su vez, también permite que Lenovo sea más eficiente con su gasto en pantallas, basándolo en las acciones del consumidor, en lugar de rociar y rezar.

Un mayor nivel de confianza

Después de pruebas exhaustivas, Sivadasan dijo que está bastante seguro de que este modelo funciona y Lenovo ahora está descubriendo cómo aplicarlo a su mapa de viaje de extremo a extremo.

“Hay algunas cosas que debemos hacer para comprender realmente cómo se manifestará el modelo desde el punto de vista de la experiencia y qué es fundamental comprender para cada uno de los conjuntos de clientes, y realmente averiguar si brindamos la misma experiencia durante 60 días, 90 días, un año? ¿Cuál es el protocolo? pregunta Sivadasan. "Mi sensación es que realmente queremos hacerlo, por lo que podríamos probar en un país en los próximos seis meses".

Después de las simulaciones, Lenovo tiene un alto nivel de confianza en que el retargeting algorítmico superará al retargeting basado en reglas, pero la marca necesita implementar pruebas reales ahora. Sin embargo, según las pruebas iniciales, Braganza dijo que Lenovo parece ser capaz de generar conversiones adicionales a un costo menor, lo que significa ahorros para la empresa en general y una mayor eficiencia en la forma en que gasta sus dólares de marketing.

“La belleza de la programática es que el futuro será sobre algoritmos que compitan con otros algoritmos”, dice. “Mi equipo está donde queremos estar con la capacidad de probar la eficacia de diferentes algoritmos para optimizar nuestro gasto en medios, por lo que es continuo. No será uno y listo. Es un comienzo, pero, básicamente, es una carrera para tener un mejor algoritmo ".

Jay Marwaha es presidente y director ejecutivo de SYNTASA.