Veriye dayalı pazarlama ilişkilendirmesi için pazarlamacı kılavuzu

Pazarlama ilişkilendirmesi, potansiyel müşterilerinize ulaşan kampanyaların ve kanalların değerini ölçmenin bir yoludur.

Bir ilişkilendirme modelinin sonuçlarını kullanarak, başarılı alıcı yolculuklarında hangi temas noktalarının en fazla etkiye sahip olduğunu anlayabilir ve gelecekteki pazarlama kaynaklarına yatırımı nasıl optimize edeceğiniz konusunda daha bilinçli kararlar verebilirsiniz.

Ancak alıcı yolculuklarının nadiren kolay olduğunu ve başarıya giden yolların uzun ve dolambaçlı olabileceğini hepimiz biliyoruz.

Dikkate alınması gereken bu kadar çok temas noktası varken, yanlış bir kredi dağılımına ve pazarlama performansının yanlış bir temsiline yol açabilecek gerçek yüksek ve düşük etkili etkileşimleri ayırt etmek zordur.

Bu nedenle işletmeniz için en iyi ilişkilendirme modelini seçmek çok önemlidir.

Bu gönderide, farklı ilişkilendirme modelleri hakkında biraz arka plan ve son olarak, küresel kampanyaların performansını ölçmek için özel, veriye dayalı bir ilişkilendirme modelinin nasıl oluşturulacağını tartışacağız.

Geleneksel pazarlama ilişkilendirme modellerinin sınırlamaları

Tüm ilişkilendirme modellerinin artıları ve eksileri vardır, ancak geleneksel modellerin ortak bir dezavantajı kurallara dayalı olmalarıdır. Kullanıcı, satış etkinlikleri kredisinin temas noktaları arasında nasıl bölünmesini istediğine önceden karar vermelidir.

Geleneksel modeller şunları içerir:

Neyse ki, istenen bir satış sonucunu etkilemek için temas noktalarının alıcılarla ve birbirleriyle gerçekte nasıl etkileşime girdiğini modelleyerek alıcı yolculuklarının inceliklerini yakalayabilen daha karmaşık veriye dayalı yaklaşımlar var.

Ayrıca işbirlikçi oyun teorisinden Shapley modelini de değerlendirdik. Bu popüler (Nobel ödüllü) model, kanal performansına ilişkin geleneksel yaklaşımlardan çok daha fazla içgörü sağladı, ancak günümüzün dijital dünyasındaki temas noktalarının büyük hacmini ele alacak şekilde ölçeklendirilmedi.

Shapley modeli nispeten az sayıda kanalda iyi performans gösterdi, ancak çoğu şirketin tüm kampanyalar için ilişkilendirme yapması gerekiyor, bu da bir alıcının yolculuğu boyunca yüzlerce temas noktasına eşit olabilir.

Markov ilişkilendirme modelini değerlendirme

Markov'un olasılık modeli, alıcı yolculuklarını bir grafik olarak temsil eder, grafiğin düğümleri temas noktaları veya "durumlar"dır ve grafiğin bağlantı kenarları bu durumlar arasında gözlemlenen geçişlerdir.

Örneğin, bir alıcı bir ürün Web Semineri'ni izler (birinci durum), ardından aynı ürün için bir Reklam gösterimini tıkladığı LinkedIn'e (geçiş) göz atar (ikinci durum).

Modelin temel bileşeni, geçiş olasılıklarıdır (durumlar arasında hareket etme olasılığı).

Alıcıların iki durum arasında geçiş yapma sayısı bir olasılığa dönüştürülür ve grafiğin tamamı her bir durumun önemini ve başarıya giden en olası yolları ölçmek için kullanılabilir.

Örneğin, bir alıcı yolculuğu verisi örneğinde, Web Semineri temas noktasının 8 kez gerçekleştiğini ve alıcıların web seminerini izledikten sonra LinkedIn Reklamını yalnızca 3 kez tıkladığını gözlemliyoruz, bu nedenle iki durum arasındaki geçiş olasılığı 3 / 8 = 0,375 (%37.5).

Grafiği tamamlamak için her geçiş için bir olasılık hesaplanır.

Kampanya ilişkilendirmesini hesaplamaya başlamadan önce, Markov grafiği bize alıcı yolculuklarımız hakkında birkaç faydalı bilgi verebilir.

Yukarıdaki örnekten, başarı olasılığı en yüksek olan yolun, toplam olasılıkla %42,5 (1.0 * 0.425 * 1.0) olan "Başlat > Web Semineri > Kampanya Z > Başarı" olduğunu görebilirsiniz.

Markov grafiği ayrıca bize genel başarı oranını da söyleyebilir; yani, tüm alıcı yolculuklarının geçmişi göz önüne alındığında, başarılı bir alıcı yolculuğunun olasılığı. Başarı oranı, genel pazarlama performansı için bir temel ve herhangi bir değişikliğin etkinliğini ölçmek için bir iğnedir.

Yukarıdaki örnek Markov grafiği %67,5'lik bir başarı oranına sahiptir:

kampanya ilişkilendirmesi

Kaldırma Etkisi olarak bilinen şeyi hesaplayarak her kampanyanın önemini ölçmek için bir Markov grafiği kullanılabilir.

Bir kampanyanın etkinliği, grafikten kaldırılarak ve başarı oranındaki değişimi, kampanya olmadan ölçmek için alıcı yolculuklarını simüle ederek belirlenir.

Kaldırma Etkisini pazarlama atıfları için kullanmak bulmacanın son parçasıdır. Her bir kampanyanın ilişkilendirme değerini hesaplamak için aşağıdaki formülü kullanabiliriz:

Örneğin, mali yılın ilk çeyreğinde tüm başarılı alıcı yolculuklarının toplam ABD Doları değerinin 1 milyon ABD Doları olduğunu varsayalım.

Aynı alıcı yolculukları bir Markov modeli oluşturmak için kullanılıyor ve bu, Reklam kampanyamızın Kaldırma Etkisini 0,7 olarak hesapladı (yani, Reklam kampanyası Markov grafiğinden kaldırıldığında alıcı yolculuğu başarı oranı %70 düştü).

Girdi verilerinde gözlemlenen her kampanya için Kaldırma Etkisi değerlerini biliyoruz ve bu örnek için toplamlarının 2,8 olduğunu varsayalım. Rakamları formüle ekleyerek, Reklam kampanyamızın ilişkilendirme değerini 250 bin ABD Doları olarak hesaplıyoruz.

Kendi modelinize başlayın

Yukarıdaki pazarlama ilişkilendirme uygulaması, Cloudera'nın Pazarlama ve Veri Merkezi Mükemmellik tarafından geliştirilmiştir, ancak bugün kendi modeliniz üzerinde başlayabilirsiniz.

Veriye dayalı bir ilişkilendirme modelinden yararlanarak, geleneksel ilişkilendirme mekanizmalarıyla ilişkili önyargıları ortadan kaldırabilir ve çeşitli mesajların potansiyel müşterileri nasıl etkilediğini ve coğrafya ve gelir türüne göre farklılıkları anlayabilirsiniz.

İlişkilendirmenin arkasında sağlam ve güvenilir verilere sahip olduğunuzda, pazarlama karması stratejisini ve yatırım kararlarını bilgilendirmek ve yönlendirmek için sonuçları kullanmaktan emin olabilirsiniz. Ayrıca, pazarlama stratejilerini ilerletmek için satış ekipleriyle ortak olduğunuzda rakamlara güvenebilirsiniz.

James Kinley, Cloudera'da Baş Veri Bilimcisidir. Onlara, siber güvenlik konusunda uzmanlaştığı Birleşik Krallık savunma endüstrisinden katıldı.