เหตุใดการวิเคราะห์พฤติกรรมเชิงคาดการณ์จะเปลี่ยนการกำหนดเป้าหมายใหม่ตลอดไป

การกำหนดเป้าหมายใหม่จะปฏิบัติต่อลูกค้าทั้งหมดในลักษณะเดียวกัน โดยไม่คำนึงถึงพฤติกรรมในไซต์ของพวกเขา H ERE เป็นเหตุผลพฤติกรรมการกำหนดเป้าหมายกับขั้นตอนวิธีจะทรงตัวที่จะคว่ำรูปแบบที่

ในการกำหนดเป้าหมายใหม่แบบมาตรฐาน ผู้บริโภคเข้าชมไซต์อีคอมเมิร์ซเช่น Amazon แล้วไปเกี่ยวกับวันของเขาหรือเธอ การเยี่ยมชมไซต์อื่น ๆ เช่น CNN เขาหรือเธอจะเห็นโฆษณาของ Amazon โดยที่ Amazon เสนอราคาสูงกว่าผู้โฆษณาที่สนใจอื่นๆ เช่น Best Buy หรือ Target

บริษัทส่วนใหญ่กำหนดเป้าหมายผู้บริโภคใหม่ในลักษณะเดียวกัน ไม่ว่าพวกเขาจะมีเจตนาอย่างไร หากพวกเขาเห็นผู้มีโอกาสเป็นผู้ซื้อซึ่งได้เข้าชมไซต์และเรียกดูผลิตภัณฑ์ของตน – หรือแม้แต่วางผลิตภัณฑ์ลงในรถเข็น – พวกเขาเสนอราคาสำหรับพื้นที่โฆษณาเพื่อกำหนดเป้าหมายใหม่เมื่อลูกค้าออกไป

แต่ลองคิดดูสักครู่: ลูกค้าที่ใส่สินค้าลงในรถเข็นจะเข้าใกล้การซื้อจริงมากขึ้น เมื่อเทียบกับลูกค้าที่เพิ่งเรียกดูผลิตภัณฑ์เพียงไม่กี่รายการ เขาหรือเธอมีแนวโน้มที่จะส่งคืนและทำธุรกรรมให้เสร็จสิ้นหากเขาหรือเธอเห็นโฆษณาในไซต์อื่น

สมมติว่าลูกค้าเรียกดู BestBuy แล้วไปที่ Target และใส่ผลิตภัณฑ์ลงในรถเข็นจริงๆ ในอดีต Best Buy และ Target จะกำหนดเป้าหมายลูกค้ารายนี้ในลักษณะเดียวกัน แต่มันไม่สมเหตุสมผลเลยที่จะทำแบบนี้

ลูกค้าใกล้ชิดกับการซื้อผลิตภัณฑ์จาก Target มากขึ้น ด้วยเหตุนี้ Target จึงควรโฆษณากับลูกค้ารายนี้โดยเฉพาะ เนื่องจาก Target มีโอกาสดีกว่าในการขายของให้บุคคลนี้จริงๆ แต่ถ้า Best Buy เสนอราคาสูงกว่าเป้าหมาย ลูกค้ารายนี้อาจเห็นโฆษณาสำหรับผลิตภัณฑ์ที่เขาหรือเธอไม่น่าจะซื้อได้เป็นอย่างดี และ Best Buy ก็เสียเงินไปเปล่าๆ

มาฉลาดเกี่ยวกับการกำหนดเป้าหมายใหม่กันเถอะ

ฉันคิดว่าการกำหนดเป้าหมายใหม่ด้วยอัลกอริธึมเป็นเรื่องใหญ่รองลงมาในการโฆษณาออนไลน์ ด้วยการพัฒนาอัลกอริธึมที่แบ่งกลุ่มลูกค้าตามพฤติกรรมของไซต์ รวมถึงตำแหน่งที่พวกเขาอยู่ในวงจรการซื้อ แบรนด์สามารถเพิ่มประสิทธิภาพของโปรแกรมการกำหนดเป้าหมายซ้ำได้ ซึ่งจะช่วยลดต้นทุนได้

เราสามารถวัดระดับความสนใจ รวมถึงประเด็นที่น่าสนใจเฉพาะ และคาดการณ์ความตั้งใจของลูกค้าได้ แบรนด์สามารถใช้ข้อมูลนั้นเพื่อระบุความพยายามในการกำหนดเป้าหมายใหม่กับลูกค้าที่มีแนวโน้มว่าจะซื้อสินค้ามากที่สุด

ซึ่งหมายความว่าแทนที่จะใช้เงินหลายล้านดอลลาร์เพื่อกำหนดเป้าหมายใหม่กับลูกค้าทุกรายในทุกขั้นตอนอย่างสุ่มสี่สุ่มห้า บริษัทต่างๆ สามารถกำหนดเป้าหมายไปยังผู้ที่ใกล้เคียงที่สุดกับการซื้อในเชิงรุก ใช้จ่ายดอลลาร์โฆษณาได้อย่างมีประสิทธิภาพมากขึ้น และเพิ่มการแปลง

การกำหนดเป้าหมายใหม่ตามอัลกอริทึม/ตามพฤติกรรมด้วย Lenovo

Lenovo เป็นหนึ่งในแบรนด์ที่ทำการทดสอบการกำหนดเป้าหมายใหม่ด้วยอัลกอริธึมควบคู่ไปกับการกำหนดเป้​​าหมายใหม่แบบคลาสสิก ในอดีต ใช้แบบจำลองพฤติกรรมซึ่งรวมถึงตัวแปร 300 ถึง 400 โดยอิงจากข้อมูลทางประชากรศาสตร์และจิตวิทยา

Ajit Sivadasan รองประธานและผู้จัดการทั่วไปฝ่ายอีคอมเมิร์ซระดับโลกของ Lenovo กล่าวว่า "เมื่อเราดูข้อมูลที่สังเกตได้จริงๆ แล้ว ในกรณีของเราเป็นกลุ่มเล็กๆ - 1 เปอร์เซ็นต์ของลูกค้าต้องรับผิดชอบในการซื้อส่วนใหญ่" “และความแตกต่างระหว่างผู้ที่ซื้อและไม่ซื้อนั้นเกือบ 900 เท่า ผู้ที่ซื้อมีมูลค่าการทำธุรกรรมต่อหน่วยสูงกว่า 900 เท่า เมื่อเทียบกับผู้ที่ไม่มีแนวโน้มที่จะซื้อ”

ประสบการณ์ลูกค้าที่ดีขึ้น

Sivadasan ยังตั้งข้อสังเกตว่าด้วยการกำหนดเป้าหมายซ้ำแบบมาตรฐาน แบรนด์ต่างๆ ลงเอยด้วยการมอบประสบการณ์แบบเดียวกันให้ผู้มีโอกาสเป็นลูกค้าทั้งหมด Lenovo มุ่งเน้นไปที่ 1 เปอร์เซ็นต์ของผู้ที่ซื้อ โดยเลือกที่จะไม่ท่วมอีก 99 เปอร์เซ็นต์ด้วยการตลาด

หรืออย่างที่ Ashish Braganza ผู้อำนวยการฝ่ายธุรกิจอัจฉริยะระดับโลกของแบรนด์กล่าวไว้ Lenovo นั้นใช้กฎเกณฑ์มากก่อนการทดสอบเหล่านี้ กฎโดยทั่วไปคือถ้ามีใครละทิ้งรถเข็นของพวกเขา พวกเขาจะถูกกำหนดเป้าหมายใหม่ไปทั่วทุกที่

“ถ้าพวกเขาละทิ้งและไปที่ Yahoo หรือ MSN หรือ CNET เราจะกำหนดเป้าหมายใหม่เพราะเรากำลังซื้อพื้นที่โฆษณาเพื่อกำหนดเป้าหมายใหม่ มันเป็นวิธีการฉีดพ่นและอธิษฐานอย่างมาก” บราแกนซากล่าว “คุณไม่รู้ว่าคุณควรใช้จ่ายเงินให้กับบุคคลนั้นหรือไม่ คุณค่าและแนวโน้มที่จะซื้อสินค้า [ของเขาหรือเธอ]”

อย่างไรก็ตาม ด้วยการกำหนดเป้าหมายใหม่ด้วยอัลกอริธึม Lenovo สามารถสร้างคลัสเตอร์ของลูกค้าที่มีมูลค่าสูงและต่ำ และซื้อสื่อตามนั้น นอกเหนือจากตะกร้าสินค้าแล้ว แบรนด์ยังพิจารณาว่าผลิตภัณฑ์อื่นๆ ที่ผู้อื่นดูและมีส่วนร่วมด้วยเป็นอย่างไร

การวิเคราะห์สิ่งที่ผู้คนทำหลังจากเพิ่มบางอย่างลงในรถเข็นช่วยให้ Lenovo มีความมั่นใจมากขึ้นในการคาดการณ์ว่าใครมีแนวโน้มที่จะซื้อมากกว่า ในทางกลับกัน ยังช่วยให้ Lenovo มีประสิทธิภาพมากขึ้นด้วยการใช้จ่ายในการแสดงผล โดยพิจารณาจากการกระทำของผู้บริโภค มากกว่าการฉีดพ่นและอธิษฐาน

ความมั่นใจที่สูงขึ้น

หลังจากการทดสอบอย่างกว้างขวาง Sivadasan กล่าวว่าเขาค่อนข้างมั่นใจว่ารุ่นนี้ใช้งานได้ และตอนนี้ Lenovo กำลังหาวิธีนำไปใช้กับแผนที่การเดินทางแบบ end-to-end

“มีบางสิ่งที่เราต้องทำเพื่อให้เข้าใจจริง ๆ ว่าโมเดลจะแสดงออกมาอย่างไรจากมุมมองของประสบการณ์ และสิ่งที่สำคัญต่อการทำความเข้าใจกลุ่มลูกค้าแต่ละกลุ่มคืออะไร และคิดออกไหมว่าเราให้ประสบการณ์แบบเดียวกันเป็นเวลา 60 วัน 90 วัน ปี? โปรโตคอลคืออะไร” ศิวะดาสันถาม “ความรู้สึกของฉันคือเราต้องการทำมันให้สำเร็จจริง ๆ ดังนั้นเราอาจทดสอบในประเทศใดประเทศหนึ่งในอีกหกเดือนข้างหน้า”

หลังจากการจำลองแล้ว Lenovo มีความมั่นใจในระดับสูงว่าการกำหนดเป้าหมายใหม่ด้วยอัลกอริธึมจะมีประสิทธิภาพเหนือกว่าการกำหนดเป้าหมายซ้ำตามกฎ แต่แบรนด์จำเป็นต้องทำการทดสอบจริงในตอนนี้ อย่างไรก็ตาม จากการทดสอบเบื้องต้น Braganza กล่าวว่า Lenovo ดูเหมือนว่าจะสามารถผลักดันให้เกิด Conversion เพิ่มเติมด้วยต้นทุนที่ต่ำลง ซึ่งหมายถึงการประหยัดสำหรับธุรกิจโดยรวมและประสิทธิภาพที่มากขึ้นด้วยการใช้จ่ายดอลลาร์ทางการตลาด

"ความสวยงามของการเขียนโปรแกรมคืออนาคตที่เกี่ยวกับอัลกอริทึมที่แข่งขันกับอัลกอริทึมอื่นๆ" เขากล่าว “ทีมของฉันเป็นที่ที่เราต้องการให้มีความสามารถในการทดสอบประสิทธิภาพของอัลกอริธึมต่างๆ เพื่อเพิ่มประสิทธิภาพการใช้จ่ายด้านสื่อของเรา ดังนั้นจึงมีการดำเนินการอย่างต่อเนื่อง มันจะไม่เป็นที่หนึ่งและทำ มันเป็นการเริ่มต้น แต่โดยพื้นฐานแล้ว มันคือการแข่งขันที่จะมีอัลกอริธึมที่ดีกว่า”

Jay Marwaha เป็นประธานและซีอีโอของ SYNTASA