Por que a análise comportamental preditiva mudará para sempre a retargeting

O retargeting trata todos os clientes da mesma maneira, independentemente de seu comportamento no local. H ere É por isso segmentação comportamental com algoritmos está pronta para derrubar esse modelo.

No retargeting padrão, um consumidor visita um site de comércio eletrônico como a Amazon e depois passa o dia. Visitando outros sites como o CNN, ele ou ela verá anúncios da Amazon, desde que a Amazon supere a oferta de outros anunciantes interessados, como Best Buy ou Target.

A maioria das empresas redireciona os consumidores da mesma forma, não importa qual seja sua intenção. Se virem um comprador em potencial que visitou seu site e navegou em produtos - ou mesmo colocou produtos em um carrinho -, eles licitaram por um espaço de anúncio para redirecionar assim que o cliente sair.

Mas pense por um momento: o cliente que colocou um item no carrinho está muito mais perto de fazer uma compra real. Em comparação com o cliente que simplesmente consultou alguns produtos, é mais provável que ele retorne e conclua a transação se vir um anúncio em outro site.

Digamos que um cliente navegue na BestBuy e, em seguida, visite a Target e realmente coloque um produto em um carrinho. Historicamente, a Best Buy e a Target continuariam a atingir esse cliente da mesma maneira. Mas não faz sentido fazer assim.

O cliente estava muito mais perto de comprar um produto da Target. Como resultado, a Target deve anunciar para esse cliente específico, porque a Target tem uma chance melhor de realmente vender algo para essa pessoa. Mas se a Best Buy superar a oferta da Target, esse cliente poderá muito bem ver anúncios de produtos que ele provavelmente não comprará. E a Best Buy está francamente desperdiçando seu dinheiro.

Vamos ser espertos quanto ao redirecionamento

Acho que o redirecionamento algorítmico é a próxima grande novidade na publicidade online. Ao desenvolver um algoritmo que segmenta os clientes com base no comportamento do site, bem como em onde eles estão no ciclo de compra, as marcas podem aumentar a eficácia de seus programas de retargeting, reduzindo assim o custo.

Podemos avaliar o nível de interesse, bem como áreas específicas de interesse, e prever a intenção dos clientes. As marcas podem então usar esses dados para apontar seus esforços de retargeting nos clientes com maior probabilidade de fazer uma compra.

Isso significa que, em vez de gastar milhões de dólares para segmentar cegamente todos os clientes em todos os estágios, as empresas podem direcionar agressivamente aqueles que estão mais próximos da compra, gastar dólares em publicidade de forma mais eficaz e aumentar as conversões.

Retargeting algorítmico / comportamental com a Lenovo

A Lenovo é uma marca que está testando o retargeting algorítmico ao lado do retargeting clássico. No primeiro caso, utiliza modelos comportamentais - que incluem de 300 a 400 variáveis ​​- baseados em dados demográficos e psicográficos.

“Quando realmente olhamos os dados observados, era um pequeno grupo em nosso caso - 1 por cento dos clientes é responsável pela maioria das compras”, disse Ajit Sivadasan, vice-presidente e gerente geral de comércio eletrônico global da Lenovo. “E a diferença entre quem compra e quem não compra é de quase 900 vezes. As pessoas que compram são 900 vezes mais altas em termos de valor de transação por unidade, em comparação com aquelas que não têm propensão a comprar. ”

Uma melhor experiência do cliente

Sivadasan também observou que, com o redirecionamento padrão, as marcas acabam proporcionando a todos os clientes em potencial a mesma experiência. A Lenovo concentra-se em 1 por cento das pessoas que compram, optando por não inundar os outros 99 por cento com marketing.

Ou, como disse Ashish Braganza, diretor de inteligência de negócios global da marca, a Lenovo era muito baseada em regras antes desses testes. A regra geral era que, se alguém abandonasse o carrinho, seria redirecionado para todos os lugares.

“Se eles abandonassem e fossem, digamos, Yahoo ou MSN ou CNET, estaríamos fazendo um redirecionamento porque estamos comprando estoque para redirecionar. É uma metodologia muito spray-and-pray ”, diz Braganza. “Você não sabe se deve gastar dinheiro com essa pessoa, o valor [dela] e a propensão para comprar um produto.”

Com o redirecionamento algorítmico, no entanto, a Lenovo pode criar grupos de clientes de alto e baixo valor e comprar mídia de acordo. Além dos carrinhos de compras, a marca analisa os outros produtos que alguém viu e com os quais se engajou.

Analisar o que as pessoas fazem depois de adicionar algo a seus carrinhos dá à Lenovo mais confiança ao prever quem tem maior propensão a comprar. Por sua vez, também permite que a Lenovo seja mais eficiente com seus gastos com tela, baseando-se nas ações do consumidor, ao invés de borrifar e orar.

Um nível mais alto de confiança

Após extensos testes, Sivadasan disse que está bastante certo de que este modelo funciona e que a Lenovo está agora descobrindo como aplicá-lo em seu mapa de jornada de ponta a ponta.

“Existem algumas coisas que precisamos fazer para realmente entender como o modelo se manifestará do ponto de vista da experiência e o que é fundamental entender para cada um dos conjuntos de clientes, e realmente descobrir se damos a mesma experiência por 60 dias, 90 dias, um ano? Qual é o protocolo? ” pergunta Sivadasan. “Minha sensação é que realmente queremos fazer isso, então podemos testar em um país nos próximos seis meses.”

Após as simulações, a Lenovo tem um alto nível de confiança de que a retargeting algorítmica superará a retargeting baseada em regras, mas a marca precisa implementar testes reais agora. No entanto, com base em testes iniciais, Braganza disse que a Lenovo parece ser capaz de gerar conversões adicionais a um custo menor, o que significa economia para o negócio em geral e mais eficiência na forma como gasta seu dinheiro em marketing.

“A beleza da programática é que o futuro será sobre algoritmos competindo com outros algoritmos”, diz ele. “Minha equipe está onde queremos estar com a capacidade de testar a eficácia de diferentes algoritmos para otimizar nossos gastos com mídia, então é contínua. Não será um e feito. É um começo, mas, basicamente, é uma corrida para ter um algoritmo melhor. ”

Jay Marwaha é presidente e CEO da SYNTASA.