Почему прогнозная поведенческая аналитика навсегда изменит ретаргетинг

Ретаргетинг относится ко всем клиентам одинаково, независимо от их поведения на сайте. H ERE поэтому поведенческий таргетинг с алгоритмами готов перевернуть эту модель.

При стандартном ретаргетинге потребитель посещает сайт электронной коммерции, такой как Amazon, а затем занимается своими делами. Посещая другие сайты, такие как CNN, он или она увидит рекламу Amazon при условии, что Amazon превзойдет других заинтересованных рекламодателей, таких как Best Buy или Target.

Большинство компаний таким же образом перенаправляют потребителей, независимо от их намерений. Если они видят потенциального покупателя, который посетил их сайт и просмотрел продукты - или даже поместил продукты в корзину, - они делают ставку на рекламное место для перенацеливания после того, как этот покупатель уйдет.

Но подумайте об этом на мгновение: покупатель, поместивший товар в корзину, гораздо ближе к совершению реальной покупки. По сравнению с клиентом, который просто просмотрел несколько продуктов, он или она с большей вероятностью вернутся и завершат транзакцию, если увидят рекламу на другом сайте.

Допустим, клиент просматривал BestBuy, а затем зашел в Target и фактически положил товар в корзину. Исторически сложилось так, что Best Buy и Target нацелены на этого клиента таким же образом. Но делать это так не имеет смысла.

Заказчик был гораздо ближе к покупке продукта у Target. В результате Target должна рекламировать этого конкретного клиента, потому что у Target есть больше шансов продать этому человеку что-то. Но если Best Buy перебьет целевую ставку, этот покупатель вполне может увидеть рекламу продуктов, которые он или она вряд ли купят. И Best Buy откровенно зря тратит свои деньги.

Давайте подумаем о ретаргетинге

Я думаю, что алгоритмический ретаргетинг - это следующий важный шаг в онлайн-рекламе. Разрабатывая алгоритм, который сегментирует клиентов на основе поведения на сайте, а также того, где они находятся в цикле покупки, бренды могут повысить эффективность своих программ ретаргетинга, тем самым снизив стоимость.

Мы можем оценить уровень интереса, а также конкретные области интересов и предсказать намерения клиентов. Затем бренды могут использовать эти данные для определения своих усилий по ретаргетингу на тех клиентов, которые с наибольшей вероятностью совершат покупку.

Это означает, что вместо того, чтобы тратить миллионы долларов на слепую перенацеливание всех клиентов на всех этапах, компании могут агрессивно нацеливаться на ближайших к покупке, более эффективно тратить рекламные доллары и увеличивать конверсию.

Алгоритмический / поведенческий ретаргетинг с Lenovo

Lenovo - один из брендов, тестирующих алгоритмический ретаргетинг наряду с классическим ретаргетингом. В первом случае используются поведенческие модели, включающие от 300 до 400 переменных, на основе демографических и психографических данных.

«Когда мы действительно посмотрели на наблюдаемые данные, в нашем случае это была небольшая группа - 1 процент клиентов несет ответственность за большинство покупок», - говорит Аджит Сивадасан, вице-президент и генеральный менеджер по глобальной электронной торговле в Lenovo. «А разница между теми, кто покупает, и тем, кто не покупает, составляет почти 900 раз. Стоимость транзакции на единицу продукции у людей, которые покупают, в 900 раз выше, чем у тех, кто не склонен покупать ».

Лучший клиентский опыт

Сивадасан также отметил, что при стандартном ретаргетинге бренды в конечном итоге предоставляют всем потенциальным клиентам одинаковый опыт. Lenovo ориентируется на 1 процент людей, которые покупают, предпочитая не перегружать остальные 99 процентов маркетингом.

Или, как сказал Ашиш Браганза, директор компании по глобальной бизнес-аналитике, до этих тестов компания Lenovo очень строго придерживалась правил. Как правило, действовало правило: если кто-то бросил свою тележку, его повсюду перенаправили.

«Если бы они отказались и перешли, скажем, на Yahoo, MSN или CNET, мы бы переориентировались, потому что покупаем инвентарь для перенацеливания. Это очень простая методология, - говорит Браганса. «Вы не знаете, стоит ли тратить деньги на этого человека, на [его или ее] ценность и склонность покупать продукт».

Однако с помощью алгоритмического ретаргетинга Lenovo может создавать кластеры клиентов с высокой и низкой стоимостью и соответственно покупать носители. Помимо тележек для покупок, бренд смотрит на то, какие еще товары кто-то просматривал и с которыми взаимодействовал.

Анализ того, что люди делают после того, как что-то добавляют в свои тележки, дает Lenovo больше уверенности в прогнозировании того, кто более склонен к покупке. В свою очередь, это также позволяет Lenovo более эффективно расходовать средства на дисплеи, основываясь на действиях потребителя, а не на разбрызгивании и молитве.

Более высокий уровень уверенности

После обширного тестирования Сивадасан сказал, что он вполне уверен, что эта модель работает, и теперь Lenovo выясняет, как применить ее к своей сквозной карте пути.

«Есть несколько вещей, которые нам нужно сделать, чтобы по-настоящему понять, как модель проявит себя с точки зрения опыта и что важно понять для каждого из наборов клиентов, и действительно выяснить, даем ли мы один и тот же опыт в течение 60 дней, 90 дни, год? Какой протокол? » - спрашивает Сивадасан. «Я чувствую, что мы действительно хотим это сделать, поэтому мы можем провести испытания в одной стране в течение следующих шести месяцев».

После моделирования у Lenovo появилась высокая степень уверенности в том, что алгоритмический ретаргетинг превзойдет ретаргетинг на основе правил, но бренду необходимо провести реальные тесты сейчас. Однако, основываясь на первоначальных тестах, Браганса сказал, что Lenovo, похоже, может обеспечить дополнительные конверсии с меньшими затратами, что означает экономию для бизнеса в целом и большую эффективность в отношении того, как она тратит свои маркетинговые доллары.

«Прелесть programmatic в том, что в будущем алгоритмы будут конкурировать с другими алгоритмами», - говорит он. «Моя команда находится там, где мы хотим быть, имея возможность тестировать эффективность различных алгоритмов для оптимизации наших медиа-расходов, так что это продолжается. Это не будет одним и тем же. Это начало, но, по сути, это гонка за лучший алгоритм ».

Джей Марваха - президент и генеральный директор SYNTASA.