Dlaczego predykcyjna analiza behawioralna na zawsze zmieni retargeting

Retargeting traktuje wszystkich klientów w ten sam sposób, niezależnie od ich zachowania na stronie. H ere dlatego behawioralne targetowanie z algorytmów jest gotowy do upend tego modelu.

W standardowym retargetingu konsument odwiedza witrynę e-commerce, taką jak Amazon, a następnie zajmuje się swoim dniem. Odwiedzając inne witryny, takie jak CNN, zobaczy reklamy Amazon, pod warunkiem, że Amazon przebije innych zainteresowanych reklamodawców, takich jak Best Buy lub Target.

Większość firm retargetuje konsumentów w ten sam sposób, bez względu na ich intencje. Jeśli widzą potencjalnego nabywcę, który odwiedził ich witrynę i przeglądał produkty – lub nawet umieścił produkty w koszyku – licytują przestrzeń reklamową do ponownego kierowania po tym, jak ten klient odejdzie.

Zastanów się jednak przez chwilę: Klient, który umieścił towar w koszyku, jest znacznie bliższy dokonania faktycznego zakupu. W porównaniu z klientem, który po prostu przeglądał kilka produktów, jest bardziej prawdopodobne, że wróci i sfinalizuje transakcję, jeśli zobaczy reklamę w innej witrynie.

Załóżmy, że klient przeglądał BestBuy, a następnie odwiedził Target i faktycznie umieścił produkt w koszyku. Historycznie, Best Buy i Target kierowały się do tego klienta w ten sam sposób. Ale nie ma sensu robić tego w ten sposób.

Klient był znacznie bliżej zakupu produktu od Target. W rezultacie Target powinien kierować reklamy do tego konkretnego klienta, ponieważ Target ma większą szansę na faktyczne sprzedanie czegoś tej osobie. Ale jeśli Best Buy przebije stawkę docelową, ten klient może zobaczyć reklamy produktów, których zakup nie jest tak prawdopodobne. A Best Buy szczerze marnuje swoje pieniądze.

Bądźmy sprytni w retargetingu

Myślę, że retargeting algorytmiczny to kolejna wielka rzecz w reklamie internetowej. Opracowując algorytm, który segmentuje klientów na podstawie zachowań w witrynie, a także miejsca, w którym znajdują się w cyklu zakupowym, marki mogą zwiększyć skuteczność swoich programów retargetingowych, zmniejszając w ten sposób koszty.

Potrafimy ocenić poziom zainteresowania, a także określone obszary zainteresowania i przewidzieć intencje klientów. Marki mogą następnie wykorzystać te dane, aby określić swoje wysiłki w zakresie retargetowania tych klientów, którzy najprawdopodobniej dokonają zakupu.

Oznacza to, że zamiast wydawać miliony dolarów na ślepe retargetowanie wszystkich klientów na wszystkich etapach, firmy mogą agresywnie kierować reklamy na tych, którzy są najbliżej zakupu, wydajniej wydawać pieniądze na reklamę i zwiększać konwersje.

Retargetowanie algorytmiczne/behawioralne z Lenovo

Lenovo to jedna marka, która testuje algorytmiczne retargetowanie obok klasycznego retargetingu. W pierwszym korzysta z modeli behawioralnych – obejmujących od 300 do 400 zmiennych – opartych na danych demograficznych i psychograficznych.

„Kiedy naprawdę przyjrzeliśmy się zaobserwowanym danym, w naszym przypadku była to niewielka grupa — za większość zakupów odpowiada 1 procent klientów” — mówi Ajit Sivadasan, wiceprezes i dyrektor generalny ds. globalnego handlu elektronicznego w Lenovo. „A różnica między tymi, którzy kupują, a nie, jest prawie 900 razy. Ludzie, którzy kupują, mają 900 razy wyższą wartość jednostkową transakcji w porównaniu z tymi, którzy nie mają skłonności do kupowania”.

Lepsze doświadczenie klienta

Sivadasan zauważył również, że przy standardowym retargetingu marki zapewniają wszystkim potencjalnym klientom takie same wrażenia. Lenovo skupia się na 1 proc. kupujących, nie zalewając pozostałych 99 proc. marketingiem.

Albo, jak ujął to Ashish Braganza, dyrektor ds. globalnego wywiadu biznesowego marki, Lenovo przed tymi testami bardzo opierało się na zasadach. Ogólna zasada była taka, że ​​jeśli ktoś porzuci swój wózek, zostanie ponownie skierowany do wszystkich miejsc.

„Gdyby zrezygnowali i udali się, powiedzmy, do Yahoo, MSN lub CNET, przekierowalibyśmy się, ponieważ kupujemy zasoby reklamowe do ponownego kierowania. To bardzo metoda „spryskaj i módl się” – mówi Braganza. „Nie wiesz, czy powinieneś wydawać pieniądze na tę osobę, [jej] wartość i skłonność do zakupu produktu”.

Jednak dzięki retargetingowi algorytmicznemu Lenovo może tworzyć klastry klientów o wysokiej i niskiej wartości i odpowiednio kupować media. Oprócz samych wózków sklepowych marka sprawdza, jakie inne produkty ktoś oglądał i z którymi się angażował.

Analiza tego, co ludzie robią po dodaniu czegoś do koszyka, daje firmie Lenovo więcej pewności w przewidywaniu, kto ma większą skłonność do zakupów. To z kolei pozwala firmie Lenovo na wydajniejsze wydatki na wyświetlacze, opierając je na działaniach konsumenta, zamiast spryskiwania i modlenia się.

Wyższy poziom pewności

Po szeroko zakrojonych testach Sivadasan powiedział, że jest całkiem pewien, że ten model działa, a Lenovo zastanawia się teraz, jak zastosować go do swojej kompleksowej mapy podróży.

„Jest kilka rzeczy, które musimy zrobić, aby naprawdę zrozumieć, w jaki sposób model będzie manifestował się z punktu widzenia doświadczenia i co jest kluczowe, aby zrozumieć każdy z zestawów klientów, i naprawdę dowiedzieć się, czy zapewniamy takie samo doświadczenie przez 60 dni, 90 dni, rok? Jaki jest protokół?” – pyta Sivadasan. „Mam wrażenie, że naprawdę chcemy to zrobić, więc możemy testować w jednym kraju w ciągu najbliższych sześciu miesięcy”.

Po przeprowadzeniu symulacji Lenovo ma dużą pewność, że retargeting algorytmiczny przewyższy retargeting oparty na regułach, ale marka musi teraz przeprowadzić rzeczywiste testy. Jednak na podstawie wstępnych testów Braganza powiedział, że Lenovo wydaje się być w stanie uzyskać dodatkowe konwersje przy niższych kosztach, co oznacza ogólne oszczędności dla firmy i większą efektywność w wydawaniu pieniędzy na marketing.

„Piękno programatyki polega na tym, że w przyszłości algorytmy będą konkurować z innymi algorytmami” – mówi. „Mój zespół jest tam, gdzie chcemy być, mając możliwość testowania skuteczności różnych algorytmów w celu optymalizacji wydatków na media, więc cały czas się to odbywa. To nie będzie jedno i gotowe. To początek, ale w zasadzie to wyścig o lepszy algorytm”.

Jay Marwaha jest prezesem i dyrektorem generalnym SYNTASA.