Mengapa analitik perilaku prediktif akan selamanya mengubah penargetan ulang

Penargetan ulang memperlakukan semua pelanggan dengan cara yang sama, terlepas dari perilaku mereka di lokasi. H ere sebabnya perilaku penargetan dengan algoritma siap untuk upend model tersebut.

Dalam penargetan ulang standar, konsumen mengunjungi situs e-niaga seperti Amazon dan kemudian menjalani harinya. Mengunjungi situs lain seperti CNN, dia akan melihat iklan Amazon, asalkan Amazon mengalahkan pengiklan lain yang tertarik seperti Best Buy atau Target.

Sebagian besar perusahaan menargetkan ulang konsumen dengan cara yang sama, apa pun niat mereka. Jika mereka melihat calon pembeli yang telah mengunjungi situs mereka dan menelusuri produk – atau bahkan menempatkan produk di keranjang – mereka menawar ruang iklan untuk ditargetkan ulang setelah pelanggan tersebut pergi.

Tapi pikirkan ini sejenak: Pelanggan yang menempatkan barang di keranjang lebih dekat untuk melakukan pembelian yang sebenarnya. Dibandingkan dengan pelanggan yang hanya melihat-lihat beberapa produk, dia lebih mungkin untuk kembali dan menyelesaikan transaksi jika dia melihat iklan di situs lain.

Katakanlah seorang pelanggan melihat-lihat BestBuy dan kemudian mengunjungi Target, dan benar-benar memasukkan produk ke dalam keranjang. Secara historis, Best Buy dan Target akan terus menargetkan pelanggan ini dengan cara yang sama. Tapi tidak masuk akal untuk melakukannya seperti ini.

Pelanggan lebih dekat untuk membeli produk dari Target. Akibatnya, Target harus beriklan ke pelanggan khusus ini karena Target memiliki peluang lebih baik untuk benar-benar menjual sesuatu kepada orang ini. Namun jika Best Buy mengalahkan Target, pelanggan ini mungkin akan melihat iklan untuk produk yang kemungkinan besar tidak akan dia beli. Dan Best Buy terus terang membuang-buang uangnya.

Mari menjadi pintar tentang Penargetan Ulang

Saya pikir penargetan ulang algoritmik adalah hal besar berikutnya dalam periklanan online. Dengan mengembangkan algoritme yang mengelompokkan pelanggan berdasarkan perilaku situs, serta di mana mereka berada dalam siklus pembelian, merek dapat meningkatkan efektivitas program penargetan ulang mereka, sehingga mengurangi biaya.

Kami dapat mengukur tingkat minat, serta bidang minat tertentu, dan memprediksi niat pelanggan. Merek kemudian dapat menggunakan data tersebut untuk menunjukkan dengan tepat upaya penargetan ulang mereka pada pelanggan yang kemungkinan besar akan melakukan pembelian.

Ini berarti bahwa alih-alih menghabiskan jutaan dolar untuk secara membabi buta menargetkan ulang semua pelanggan di semua tahap, perusahaan dapat secara agresif menargetkan mereka yang paling dekat dengan pembelian, membelanjakan dolar iklan secara lebih efektif, dan meningkatkan konversi.

Penargetan ulang algoritma/perilaku dengan Lenovo

Lenovo adalah salah satu merek yang menguji penargetan ulang algoritmik bersama penargetan ulang klasik. Yang pertama, menggunakan model perilaku – yang mencakup 300 hingga 400 variabel – berdasarkan data demografis dan psikografis.

“Ketika kami benar-benar melihat data yang diamati, itu adalah kelompok kecil dalam kasus kami – 1 persen pelanggan bertanggung jawab atas sebagian besar pembelian,” kata Ajit Sivadasan, wakil presiden dan manajer umum e-niaga global di Lenovo. “Dan perbedaan antara mereka yang membeli dan tidak hampir 900 kali lipat. Orang yang membeli 900 kali lebih tinggi dalam hal nilai transaksi per unit mereka, dibandingkan mereka yang tidak memiliki kecenderungan untuk membeli.”

Pengalaman pelanggan yang lebih baik

Sivadasan juga mencatat bahwa dengan penargetan ulang standar, merek pada akhirnya memberikan pengalaman yang sama kepada semua calon pelanggan. Lenovo berfokus pada 1 persen orang yang membeli, memilih untuk tidak membanjiri 99 persen lainnya dengan pemasaran.

Atau, seperti yang dikatakan Ashish Braganza, direktur intelijen bisnis global merek, Lenovo sangat berdasarkan aturan sebelum tes ini. Aturannya umumnya bahwa jika seseorang meninggalkan gerobak mereka, mereka akan ditarget ulang di semua tempat.

“Jika mereka meninggalkan dan pergi ke, katakanlah, Yahoo atau MSN atau CNET, kami akan menargetkan ulang karena kami membeli inventaris untuk menargetkan ulang. Ini sangat metodologi semprot-dan-berdoa,” kata Braganza. “Anda tidak tahu apakah Anda harus membelanjakan uang untuk orang itu, nilai [nya], dan kecenderungan untuk membeli suatu produk.”

Namun, dengan penargetan ulang algoritmik, Lenovo dapat membuat kelompok pelanggan bernilai tinggi dan rendah dan membeli media yang sesuai. Di luar hanya keranjang belanja, merek melihat produk lain yang telah dilihat dan digunakan seseorang.

Menganalisis apa yang dilakukan orang setelah menambahkan sesuatu ke troli mereka membuat Lenovo lebih percaya diri dalam memprediksi siapa yang memiliki kecenderungan lebih tinggi untuk membeli. Pada gilirannya, ini juga memungkinkan Lenovo untuk lebih efisien dengan pengeluaran tampilannya, mendasarkannya pada tindakan konsumen, daripada menyemprot dan berdoa.

Tingkat kepercayaan diri yang lebih tinggi

Setelah pengujian ekstensif, Sivadasan mengatakan dia cukup yakin model ini berfungsi dan Lenovo sekarang mencari cara untuk menerapkannya ke peta perjalanan ujung ke ujungnya.

“Ada beberapa hal yang perlu kami lakukan untuk benar-benar memahami bagaimana model akan memanifestasikan dirinya dari sudut pandang pengalaman dan apa yang penting untuk dipahami oleh setiap set pelanggan, dan benar-benar mencari tahu apakah kami memberikan pengalaman yang sama selama 60 hari, 90 hari. hari, setahun? Apa protokolnya?” tanya Sivadasan. “Menurut saya, kami benar-benar ingin menyelesaikannya, jadi kami mungkin menguji di satu negara dalam enam bulan ke depan.”

Setelah simulasi, Lenovo memiliki tingkat keyakinan yang tinggi bahwa penargetan ulang algoritmik akan mengungguli penargetan ulang berbasis aturan, tetapi merek tersebut perlu menerapkan pengujian aktual sekarang. Namun, berdasarkan pengujian awal, Braganza mengatakan Lenovo tampaknya dapat mendorong konversi tambahan dengan biaya lebih rendah, yang berarti penghematan untuk bisnis secara keseluruhan dan lebih efisien dengan cara menghabiskan uang pemasarannya.

“Keindahan programmatic adalah masa depan tentang algoritma yang bersaing dengan algoritma lain,” katanya. “Tim saya berada di tempat yang kami inginkan dengan kemampuan untuk menguji kemanjuran berbagai algoritme untuk mengoptimalkan pengeluaran media kami, jadi ini terus berlanjut. Itu tidak akan menjadi satu dan selesai. Ini adalah permulaan, tetapi, pada dasarnya, ini adalah perlombaan untuk memiliki algoritma yang lebih baik.”

Jay Marwaha adalah presiden dan CEO SYNTASA.