Menggunakan pemodelan prediktif untuk merencanakan strategi pemasaran 2020 Anda

Segalanya mungkin tampak lambat selama bulan-bulan musim panas yang panas ini, tetapi musim gugur akan tiba di sini hanya dalam waktu delapan minggu, diikuti dengan liburan, lalu tahun baru.

Itu membuat sekarang waktu yang tepat untuk mulai membangun strategi pemasaran untuk tahun 2020 menggunakan data yang diperoleh dari dua kuartal pertama tahun 2019. Meskipun banyak data yang dikumpulkan dari upaya pemasaran Anda yang ada dapat membantu Anda memahami apa yang berhasil di masa lalu, itu tidak akan berhasil. tentu membantu Anda memprediksi apa yang harus dilakukan di masa depan.

Di situlah pemodelan prediktif masuk. Pemodelan prediktif menggunakan data historis dan probabilitas untuk meramalkan hasil. Platform seperti Sistem Keputusan Keen menyediakan analitik waktu nyata dan pemodelan data yang membantu pemasar merencanakan langkah selanjutnya berdasarkan keseluruhan perjalanan pelanggan.

Konten yang dihasilkan bekerja sama dengan Keen Decision Systems .

Membuat keputusan pemasaran yang baik

Dalam studi kolaboratif antara ClickZ dan Keen, 58% pemasar yang menggunakan pemodelan prediktif mengalami peningkatan 10-25%, sementara 19% lainnya mengalami peningkatan lebih dari 50%.

Platform analitik dan pemasaran membantu pengumpulan, kategorisasi, dan pelaporan data, tetapi apakah ini membuatnya prediktif? Hampir setengah dari pemasar yang disurvei menjawab “tidak” untuk pertanyaan ini.

Masalahnya adalah meskipun data kampanye (dan lainnya) bisa sangat berguna untuk pelaporan dan analisis, biasanya data tersebut tidak digunakan untuk memberikan arahan di masa mendatang tentang cara mengoptimalkan investasi untuk mendorong pertumbuhan.

Data yang terjebak dalam spreadsheet atau laporan statis tidak dapat ditindaklanjuti. Hal ini dapat membuat pengambilan keputusan menjadi lambat atau buruk ketika Anda duduk untuk membuat rencana pemasaran tahun depan.

Saat memulai perencanaan tahun depan, jelas jauh lebih berharga untuk mengetahui apa yang harus dilakukan selanjutnya daripada sekadar memahami apa yang berhasil di masa lalu.

Mengapa pemodelan prediktif lebih baik untuk perencanaan daripada analisis retroaktif?

Untuk pemasar saat ini, masalah yang paling penting untuk dipecahkan adalah mengetahui keluaran keuangan dari investasi pemasaran mereka, dan mampu menunjukkan keluaran tersebut dengan cara yang terukur dan dapat diprediksi.

Dalam tujuan menyeluruh itu, pemasar harus melihat:

• Perjalanan pelanggan di seluruh saluran, dan peran spesifik yang dimainkan dalam konversi
• Mengoptimalkan investasi media, dan mengetahui peningkatan bertahap dari setiap inisiatif
• Cara mengeksekusi dengan cepat dan menilai kinerja

Kebutuhan ini tidak dipenuhi oleh model analisis retroaktif saat ini, sebagaimana dibuktikan oleh fakta bahwa hampir 80% responden survei Keen/ClickZ merasa mereka kehilangan peluang karena pengambilan keputusan yang lambat atau tidak akurat.

Metode pelaporan tradisional berjuang untuk memberikan pemahaman yang mendalam tentang ketiga kebutuhan bisnis karena metode tersebut menggunakan pendekatan atribusi linier yang tidak dapat menjangkau semua saluran (misalnya, video online vs. pemrograman tingkat toko). Ini cenderung memberikan sebagian besar atau semua kredit untuk saluran media klik terakhir seperti pencarian, serta aktivitas transaksional dengan dampak jangka pendek yang terukur, yang keduanya hanya menceritakan sebagian dari cerita.

Pemodelan prediktif juga membantu pengoptimalan materi iklan dengan melihat tema umum yang mendorong kesuksesan di semua jenis media.

Hambatan untuk masuk

Lebih dari 70% responden mengindikasikan bahwa mereka menggunakan platform analitik untuk memahami kinerja pemasaran. Karena alat analitik terfokus secara historis, alat tersebut gagal dalam tugas perencanaan yang andal.

Dua pertiga responden survei menunjukkan bahwa mereka tidak menggunakan bentuk pemodelan prediktif sama sekali. Bagi mereka yang melakukannya, industri tertentu lebih menonjol daripada yang lain; yaitu, teknologi, kesehatan, dan komunikasi/media.

Saat ini, ada kurangnya niat untuk berinvestasi dalam teknologi pemodelan prediktif di antara responden, dengan mayoritas perusahaan yang saat ini tidak menggunakan pemodelan menunjukkan bahwa mereka tidak yakin untuk menggunakannya di masa depan (atau tidak berencana menggunakan itu sama sekali).

Hambatan utama untuk penggunaan tampaknya adalah kurangnya kepercayaan di antara tim kepemimpinan senior, dengan hanya 18% yang menjawab bahwa pemodelan prediktif sangat penting saat ini dan sekitar 33% mengindikasikan bahwa pemodelan akan menjadi penting di masa depan.

Agar pemodelan menjadi efektif, perlu mengintegrasikan data dari tim pemasaran, penjualan, produk, dan keuangan. Namun, 74% responden menunjukkan bahwa mereka belum mengintegrasikan pemodelan prediktif di semua departemen.

Perusahaan perlu menerapkan keterlibatan lintas fungsi di seluruh organisasi atau nilai prediksi data akan berkurang.

Pemodelan prediktif sebagai investasi

Untuk 80% responden survei, nilai jual utama untuk menerapkan analitik prediktif adalah meningkatkan ROI mereka. Di antara perusahaan yang saat ini berinvestasi dalam pemodelan prediktif dan melacak kesuksesan mereka, 58% mengalami peningkatan ROI 10-25% dan 19% mengalami peningkatan lebih dari 50%.

Perusahaan yang menggunakan pemodelan prediktif melihat dampak di berbagai bidang ekosistem pemasaran. Ini membantu mereka memahami audiens target mereka dengan lebih baik (71%), mengoptimalkan semua titik kontak sepanjang perjalanan pelanggan (53%), dan meningkatkan kinerja materi iklan (44%).

Model prediktif memanfaatkan berbagai kumpulan data yang melampaui data historis. Keen menggunakan basis prioritas statistik untuk mengurangi kualitas data dan lapisan dalam data penjualan dan keuangan untuk menentukan hasil di masa mendatang.

Pemodelan prediktif juga dapat membantu bisnis mensintesis volume data yang sangat banyak, yang menjadi perhatian utama responden, dengan 38% menunjukkan solusi pengukuran mereka saat ini tidak mendukung skala data mereka. Hal ini dapat mencegah bisnis membuat keputusan yang tepat waktu dan terinformasi, yang sama dengan kehilangan peluang.

Karena pemodelan prediktif memungkinkan analisis data waktu nyata, bisnis dapat bertindak cepat menggunakan data saat ini untuk membantu merencanakan inisiatif di masa depan.

Untuk informasi lebih lanjut tentang pemodelan prediktif dan apa yang dapat diberikannya ke siklus perencanaan 2020 Anda, unduh laporan ClickZ dan Keen “ Apa, mengapa, dan bagaimana pemodelan prediktif — Apakah Anda benar-benar membutuhkan bagian lain dari martech? ”