Pazarlama İlişkilendirmesinin Nedenleri ve Nasılları: Veriye Dayalı Bir Kılavuz

Vasat markalar şöyle tahmin ediyor : "Görünüşe göre son Facebook reklam yayınımız iyi çalışıyor."

Üst düzey markalar şunu biliyor : "Mevcut Facebook reklam setimiz trafiği artırıyor, ancak müşterileri dönüştüren, yeniden hedefleme pikselimiz."

Sofistike pazarlamacıları diğerlerinden ayıran şey, neyin işe yarayıp neyin yaramadığına dair veriye dayalı anlayıştır.

Pazarlama ilişkilendirme modelleri, pazarlamacıların yatırım getirisi üzerindeki etkisini anlamak için kullanıcı temas noktalarının ve dönüşümlerin ardındaki verileri değerlendirmesine yardımcı olur.

Bu makalede, pazarlama ilişkilendirmesinin nasıl çalıştığını, altı farklı modelle nasıl ölçülebileceğini ve pazarlama bütçenizi iyileştiren veriye dayalı kararları nasıl alacağınızı öğreneceksiniz.

Pazarlama ilişkilendirmesi nedir ve neden önemlidir?

Pazarlama ilişkilendirmesi, müşterilerin satın alma yolculukları boyunca pazarlama temas noktalarıyla nasıl etkileşim kurduklarını analiz etme uygulamasıdır.

Pazarlama taktiklerinizin gelir artışına nasıl katkıda bulunduğunu anlamak için bir ilişkilendirme modeli (dönüşüm kredisini her bir temas noktasıyla nasıl ilişkilendireceğinizi yöneten bir dizi kural) seçersiniz.

Pazarlama ilişkilendirmesi, aşağıdaki gibi içgörüleri destekleyen verileri sağlar:

• Google Reklamlarımız, en önemli gelir kaynağımızdır.
• Bu e-posta yetiştirme kampanyası etkisiz ve yeniden oluşturulması gerekiyor.
• Müşterilerimizin çoğu bizi organik içeriğimiz aracılığıyla keşfediyor.

Bu veriler olmadan, pazarlama kararları büyük ölçüde sezgiye dayalıdır.

Diyelim ki, kuruluşunuzun bu yılki gelir hedeflerini tamamlamanın peşinde koşarken, gelecek çeyrek için olası satış yaratma oranını %25 artırma göreviyle görevlendirildiniz.

Örneğin, pazarlama ilişkilendirme verileri size, organik içeriğinizin tipik müşteri yolculuğunuzdaki en yaygın ilk temas noktası olduğunu gösterebilir. Diğer bir deyişle içerik, çoğu müşterinin şirketinizi nasıl bulduğudur.

Bu veriler olmadan, şu anda faaliyette olan pazarlama kanallarına ve taktiklerine bakıp “Bu çeyrekte içerik bütçesini Google Ads'e yeniden ayıralım. Bu gelir hedefinde koşmamız gerekiyor.”

Bu örnekte, içerik yayınlama çabalarına öncelik vermemek yanlış bir harekettir, ancak ilişkilendirme verilerine erişiminiz yoksa kolayca yapabilirsiniz.

Bu içgörülerin ne kadar etkili olduğu, pazarlama ilişkilendirmesini nasıl ölçtüğünüze bağlıdır.

Pazarlama ilişkilendirmesi nasıl ölçülür?

Çoğu pazarlamacı, ilişkilendirme yazılımlarında kullanıma hazır modellerden birini kullanır. Bunların kusurları olsa da (kısaca tartışacağız), müşterilerin pazarlama temas noktalarıyla nasıl etkileşime girdiğine dair temel bir anlayış sağlarlar.

Tek dokunuşla ilişkilendirme modelleri

Tek dokunuşlu ilişkilendirme modelleri, müşteri yolculuğunda yalnızca bir temas noktasına kredi verir.

Buradaki dezavantaj hemen göze çarpıyor: Müşteriler nadiren tek bir temas noktasının arkasından dönüşüm gerçekleştiriyor.

Dijital satış danışmanlığı Columbia Road'un bir karara giden yolda 10 temas noktası içeren bu müşteri yolculuğu haritasını düşünün.

Ancak, bu basit ilişkilendirme modellerinde bazı değerler vardır. Müşterilerin bir e-ticaret markasından alışveriş yapmak için izledikleri tipik yola yaklaşan bu müşteri yolculuğunu düşünün:

• Bir müşteri, bir Google Reklamı aracılığıyla web sitenize gelir
• Sepetlerine bir ürün ekliyorlar, ancak dönüşüm gerçekleştirmiyorlar
• Bu, müşterinin gördüğü ancak tıklamadığı, terk edilmiş bir alışveriş sepeti e-postasını tetikler.
• Müşteri ayrıca Facebook'ta yeniden hedefleme reklamları görür ve bunlardan biri satın alma işlemini tetikler

Görünürde, Facebook reklamı dönüşümden tamamen sorumludur.

Ancak ilk temasla ilişkilendirme modeli, Google Reklam katalizörünü vurgular.

Tek dokunuşla ilişkilendirme modelleri kapsamlı olmayabilir, ancak neyin işe yaradığına dair size daha iyi bir gösterge sağlamak için temas noktalarının nasıl bir araya geldiğini anlamanıza yardımcı olurlar.

İlk temasla ilişkilendirme

İlk temas ilişkilendirmesi, bir müşterinin markanızla yaptığı ilk etkileşime tüm krediyi verir.

Bundan sonra kaç temas noktasının geldiği veya müşterinin bu ilk etkileşimden sonra satın almasının ne kadar sürdüğü önemli değildir. İlk tıklama kredinin %100'ünü alır.

Yukarıdaki örnekte, ilk Google Reklamı tüm ilişkilendirme kredisini alır.

Sınırlı olmasına rağmen, bu ilişkilendirme modeli, hangi pazarlama faaliyetlerinin müşterileri çektiğini anlamak için kullanışlıdır.

Dönüşüm hunisinin en üstündeki etkinlikleri optimize etmek ve daha fazla yeni müşteri adayı çekmek için bu verileri kullanabilirsiniz.

Son dokunuş ilişkilendirmesi

Son dokunuş ilişkilendirmesi, tüm krediyi müşteri yolculuğundaki son temas noktasına verir. Bu, yukarıdaki örneğimizdeki yeniden hedefleme Facebook reklamı olacaktır.

Özellikle satın alma döngüleri ve değerlendirme aşamaları kısa olan işletmeler için en yaygın kullanılan tek dokunuşla ilişkilendirme modelidir. Bu durumlarda, son etkileşimin satın alma işlemini motive etmesi daha olasıdır.

Aksi takdirde satın almayı asla düşünmeyeceğiniz tuhaf ürünleri satmasıyla tanınan çevrimiçi bir pazar yeri olan Wish'i ele alalım. Muhtemelen ayrıntılı müşteri yolculukları yoktur, bu nedenle son dokunuş ilişkilendirmesi uygun bir model olacaktır.

Doğrudan olmayan son tıklama ilişkilendirmesi

Doğrudan olmayan son tıklama ilişkilendirme modeli, doğrudan trafiği azaltması dışında son temas modeline benzer.

Biraz farklı bir e-ticaret satın alma yolculuğunu ele alalım:

• Bir müşteri, bir Google Reklamı aracılığıyla web sitenize gelir
• Sepetlerine bir ürün ekliyorlar, ancak dönüşüm gerçekleştirmiyorlar
• Bu, müşterinin gördüğü ancak tıklamadığı, terk edilmiş bir alışveriş sepeti e-postasını tetikler.
• Daha sonra müşteri doğrudan sitenize geri döner ve satın alır.

Son tıklama ilişkilendirme modelinde doğrudan trafiğe giderdi. En son doğrudan olmayan etkileşim modelini kullanan alışveriş sepeti kurtarma e-postası tüm krediyi alır.

Bu model, müşterilerin sitenize girdikten sonra hızlı bir şekilde dönüşüm gerçekleştirmesi durumunda uygundur (örneğin, istedikleri ürünü sepetlerine ekleyip doğrudan ödemeye yönelirler).

Dönüşümde etkili faktörleri (CTA'lar ve öne çıkan müşteri incelemeleri gibi) göz ardı ettiği için müşterilerinizin dönüşüm gerçekleştirmesi daha uzun sürüyorsa bu modelden kaçının.

Çoklu dokunma ilişkilendirme modelleri

Çoklu dokunma ilişkilendirme modelleri, tüm dijital temas noktalarını hesaba katar ve her etkileşime en azından bir miktar dönüşüm oranı kredisi atar.

Bir B2B alıcısının bir proje yönetimi platformu satın almak için izleyebileceği yolu düşünün.

Müşteri, YouTube'da Asana için bir ürün reklamı görür ve CTA'yı tıklar. Açılış sayfasını okurlar, ancak dönüştürmezler.

Müşteri, video reklamda sunulan sorunu (örneğin, serbest çalışanlardan oluşan bir ekibi yönetme) düşünerek, "serbest çalışanları yönetme" için bir Google araması yapar. Müşteri, markayı tanıyan Asana'nın gönderisine tıklar.

Yararlı ve birkaç strateji uygulamaya karar veriyorlar. Daha sonra LinkedIn'de Asana için bir reklam görürler ve bir e-kitap indirmek için CTA'ya tıklarlar.

Ardından, bir dizi Asana lider yetiştirme e-postası alırlar. Sonuncusu, kabul ettikleri bir yıllık plana kaydolduklarında ilk ayları için ücretsiz bir tekliftir.

Bu yolculukta altı farklı dijital pazarlama kanalı yer alıyor:

• YouTube reklamı
• Açılış sayfası
• Organik içerik
• LinkedIn reklamı
• e-kitap
• E-posta yetiştirme kampanyası

Tek dokunuşlu ilişkilendirme modelleri, doğası gereği bu etkileşimlerin altıda beşini göz ardı eder. Multi-touch modelleri, ilişkilendirme kredisini tüm kanallarda paylaşır, ancak kredinin nasıl dağıtıldığı, uyguladığınız modele bağlıdır.

Doğrusal ilişkilendirme

Doğrusal ilişkilendirme modeli, krediyi tüm temas noktalarına eşit olarak atar. Yukarıdaki örnekte, altı temas noktasının her biri, ilişkilendirme kredisinin %16,67'sini alacaktır.

Daha doğru ağırlıklandırmalar belirlemek için bütçeniz veya verileriniz yoksa, ancak tek dokunuşlu model sınırlamalarıyla yetinemiyorsanız bu model uygundur.

Geniş kaynaklara sahip yerleşik bir şirketseniz, daha doğru tespitlere yatırım yapın.

Pozisyona dayalı ilişkilendirme

Konuma dayalı ilişkilendirme (U-şekilli ilişkilendirme olarak da adlandırılır), ilk ve son etkileşimlere daha fazla ağırlık verir. Yine de, aradaki temas noktalarına bir miktar kredi atar.

En yaygın model, ilk ve son temas noktalarının her birine %40 atamak ve kalan %20'yi geri kalanına eşit olarak dağıtmaktır.

Yukarıdaki örneğimizde, kredi dağılımı şöyle görünecektir:

• YouTube reklamı – %40
• Açılış sayfası – %5
• Organik içerik – %5
• LinkedIn reklamı – %5
• E-kitap – %5
• E-posta yetiştirme kampanyası – %40

Konuma dayalı ilişkilendirme, satış döngünüz uzunsa ve B2B satın alma gibi bir satın alma kararında yer alan birkaç temas noktası varsa kullanışlıdır. Uzun satın alma döngüleri için, sohbeti canlı tutan her etkileşime en azından biraz itibar etmek önemlidir.

Zamana bağlı azalma özelliği

Zaman azalması ilişkilendirme modeli, krediyi etkileşimden bu yana ne kadar zaman geçtiğine göre dağıtır.

Nihai temas noktası her zaman en fazla krediyi alırken, ilk temas noktası en az krediyi alır.

Asana örneğimizde, kredi dağılımı şöyle görünebilir:

• YouTube reklamı – %5
• Açılış sayfası – %7,5
• Organik içerik – %12,5
• LinkedIn reklamı – %20
• E-kitap – %25
• E-posta yetiştirme kampanyası – %30

İlk etkileşimler dönüşüm için daha az önemli olma eğiliminde olduğundan, kurumsal satışlar gibi ilişki kurmanın önemli bir faktör olduğu durumlarda zaman aşımı modelleri yararlıdır.

Bununla birlikte, marka oluşturma ve bilinirlik kanalları iş hedefleriniz için kritik öneme sahipse, konuma dayalı modeli kullanın.

Pazarlama atıfının zorlukları ve sınırlamaları

İlişkilendirme modelleri, pazarlamacıların müşteri davranışı hakkında temel bir anlayış kazanmasına yardımcı olsa da kusurlu ve eksiktir. Talep yaratmaktan ziyade yakalamakla sınırlıdırlar.

Geleneksel modellerin çoğu tahmine dayalı oldukları veya karanlık huni etkinliklerini tamamen kaçırdıkları için yetersiz kalıyor.

Sofistike ilişkilendirme modelleri, temel olanlardan daha iyi performans gösterir, ancak bir yön seçmeden önce bu sınırlamaları göz önünde bulundurun.

İlişkilendirme modeli seçimi büyük ölçüde keyfidir

Bir ilişkilendirme modeli seçmek, somut verilere değil, büyük ölçüde sezgiye dayalıdır.

Örneğin, en fazla krediyi ilk ve son temas noktalarına atamak mantıklı görünüyorsa, konuma dayalı ilişkilendirme modelini seçebilirsiniz.

Ama neden her biri %40'ı hak ediyor? Neden ilk etkileşim için %30 ve son etkileşim için %50 olmasın veya tam tersi? Kredi dağılımı, somut verilere değil, içgüdüsel duygulara dayalıdır.

İdeal çözüm, Impact.com veya Google Analytics 360 gibi bir platform kullanarak veriye dayalı veya algoritmik bir ilişkilendirme modeli uygulamaktır.

Bu modelleme araçları, dönüşüm sağlayan ve sağlamayan müşteriler arasındaki farkları anlamak için gelişmiş istatistiksel hesaplamalar ve makine öğrenimi kullanır. Ardından, kredinin temas noktalarında etkili bir şekilde nasıl ilişkilendirileceğini belirlemek için bu katılım modellerini yorumlayın.

Ne yazık ki, bu ürünler bazı işletmeler için aşırı derecede pahalıdır (Google Analytics 360 üyelikleri yıllık 150.000 dolardan başlar).

Bu ilişkilendirme modelleme düzeyine ulaşılamıyorsa en iyi yol şudur:

1. Stratejiniz için en anlamlı olan standart ilişkilendirme modelini seçin
2. Neyin işe yarayıp neyin yaramadığı hakkında daha fazla bilgi edindikçe optimize edin ve özelleştirin
3. Pazarlama kararlarını bilgilendirmek için içgörüleri kullanırken algoritmik olmayan ilişkilendirmenin sınırlamalarını anlayın

Çoğu ilişkilendirme modeli, dijital olmayan temas noktalarını hesaba katmaz

Yukarıda tartışılan tüm ilişkilendirme modelleri dijital temas noktalarına hitap eder, ancak satın alma yolculukları tamamen dijital değildir.

Bu, özellikle standart çevrimiçi ve çevrimdışı yaklaşımlara ek olarak iki farklı satın alma modelinin ortaya çıktığı giyim ve hazır giyim gibi perakende sektörleri için geçerlidir:

• ROPO (çevrimiçi araştırma yapın, çevrimdışı satın alın). Alıcılar, dönüşüm hunisinin çoğunu çevrimiçi olarak gözden geçirir, ancak daha sonra satın alma işlemlerini fiziksel bir mağazada tamamlar.
• teşhir salonu. Alıcılar, ürünleri fiziksel mağazalarda inceler ve ardından çevrimiçi olarak satın alır.

Her iki durumda da tamamen dijital ilişkilendirme modelleri tüm temas noktalarını hesaba katmaz.

Bu zorluğa tam bir çözüm bulmak zordur. Stratejilerden biri, çevrimdışı satın alımları dijital profillerle bağlamak için bağlılık kartlarını kullanmaktır.

Yotpo ve Stampme gibi platformlar, markaların çevrimdışı temas noktalarını etkili bir şekilde takip edebilmeleri için sadakat programlarını entegre etmelerine olanak tanır.

Mobilya ve dekorasyon üreticisi VOX gibi başka bir taktik de müşterileri kasıtlı olarak çevrimdışına yönlendirmektir.

VOXBOX uygulamaları, müşterilerin çevrimiçi olarak sanal mobilya düzenleri tasarlamasına olanak tanır. Ardından, alıcıların fiziksel bir mağazada yüz yüze görüşmeler planlamasını önerirler.

Bu, VOX'un satın alma yolculuğunun çevrimiçi ortamdan çevrimdışı duruma geçişini kontrol etmesine ve çevrimdışı temas noktalarını ilişkilendirme modellerine entegre etmesine olanak tanır.

Markanız ve sektörünüz için uygunsa, çevrimdışı etkileşimleri izlemek için bu stratejilerden birini uygulamayı düşünün. Aksi takdirde, yalnızca dijital bir ilişkilendirme modelinin tüm resmi yakalayamayacağını unutmayın.

Halihazırda piyasada bulunan müşterilerin muhasebeleştirilmesi zordur

Pazarlama ilişkilendirme modelleri genellikle, müşteri yolculuğundaki olaylara (örn. dönüşüm) başka bir olayın (örn. son temas noktası) neden olduğunun varsayıldığı korelasyona dayalı önyargılara yol açar. Gerçekte, durum böyle olmayabilir.

Özellikle pazarlamacılar, o ürünü zaten satın almak için pazarda bulunan müşterilere uygunsuz bir şekilde dönüşüm ilişkilendirmesi atayabilir.

Shopify'ın bu hedefli Facebook reklamını düşünün.

Shopify'ın bu reklamı, Facebook'ta e-ticaretle ilgili belirli sayfalarla etkileşim kuran bir kitleyi hedeflemek için oluşturduğunu varsayalım.

İzleyiciler bu sayfalarla etkileşim kurar ve sık sık piyasadaki en iyi araçları tartışır. Reklam çıkmadan önce Shopify'ın doğru seçim olduğuna karar vermiş olma ihtimalleri yüksektir.

Peki görüp tıkladıklarında dönüşümden sorumlu mu?

Satın alma sonrası anketler yaparak pazardaki önyargıyı hesaba katın. “Bizi nasıl duydunuz?” diye sormanın ötesine geçin. ve "Bizden satın almaya karar vermenize neden olan nedir?"

Daha nitel veriler için "Shopify'a kaydolmadan önce bu Facebook reklamına tıkladınız" gibi bir soru ekleyin. Bu reklam satın alma işleminizi ne kadar etkiledi?” Müşterilerin yanıtları 1-5 arasında derecelendirmesini sağlayın. Bu, reklamlarınızın dönüşümü gerçekten etkileyip etkilemediğini , yoksa zaten gerçekleşecek olan bir satın alma işleminin önüne geçip geçmediğini daha iyi anlamanıza yardımcı olur.

Gelişmiş ilişkilendirme için özel ilişkilendirme modellemesini kullanma

Yukarıdaki modeller temel ilişkilendirme modelleridir; Google Analytics'te bulunan basit buluşsal tabanlı ve kullanıma hazır modeller. Hepsi size bir cevap verir, ancak en iyi pazarlamacılar bunların doğruluğunu sorgulayacaktır.

Google Analytics'teki kullanıma hazır kural tabanlı modellerin üzerine özel modeller de oluşturabilirsiniz.

Google Analytics'teki kullanıma hazır kural tabanlı modellerin üzerine özel modeller de oluşturabilirsiniz.

Bununla birlikte, özel modeller bile keyfi ve müşteri yolculuğunuzun nüanslarına dayanan önyargılara ve varsayımlara yönelme riski taşır.

Ayrıca, Google Analytics'te Markov Modellerini uygulamaya ilişkin bazı ilginç makaleler de gördük. Bunlar, özellikle müşteri yolculuğunuzun tam bir resmini elde etmek için belirli veri noktalarına sahip değilseniz, yukarıda belirtilen modellerden memnun kalmadığınızda yardımcı olur.

Bu kullanım durumunda Markov Modelini basitleştirmek için, belirli bir dönüşüm yolunda sonraki adımların olasılığına bakın. Kaldırılmasına bağlı olarak belirli bir temas noktasının göreli önemini hesaplayın:

Markov Modelleri, bu belgede özetlendiği gibi aşağıdaki avantajlara sahiptir:

• Nesnellik - İçgüdüsel his yok.
• Tahmini Doğruluk – Dönüşüm olaylarını tahmin eder.
• Sağlamlık – Geçerli ve güvenilir sonuçlar.
• Yorumlanabilirlik – Şeffaf ve yorumlaması nispeten kolay.
• Çok yönlülük – Veri kümesine bağlı değildir. Yeni verilere uyum sağlayabilen.
• Algoritmik Verimlilik – Zamanında sonuçlar sağlar.

İşte bunun nasıl yapılacağını açıklayan güzel bir gönderi. İşte bir tane daha. İyi bir veri analisti, bunu ilişkilendirme modelinize uygulayabilecektir.

Grupları kullanarak belirli eylemlerin etkinliğini ölçün

Zamana dayalı kohortlar, pazarlama faaliyetlerinde veya uygulandıkları kanallarda yapılan değişikliklerin etkililiğini bulmanın anahtarını elinde tutabilir. En azından, daha fazla geçerlilik için kohort analizini kontrollü deneylerle birleştirerek bir etkinlik göstergesi bulabilirsiniz.

Spesifik olarak, kohortlara bakmak, belirli bir pazarlama eyleminin en azından bağlantılı olarak ne kadar etkili olduğunu belirlemenize yardımcı olabilir. The Drilling Down Project'in kurucusu Jim Novo, bunu bir Digital Analytics Podcast bölümünde iyi bir şekilde dile getirdi:

SaaS'ta kohort analizi ile çalışan kişilerin bunu iyi yaptığını düşünüyorum.

Yani Ocak ayında kaydolan insanlara bakıyorsunuz ve Mart ayına geldiğimizde bu yüzde düştü. Bunu o zaman diliminde yaptığımız belirli bir tanıtım çalışmasıyla ilişkilendirebiliriz.

Ama sonra Mart ayında başlayan gruba bakarız, devam eden farklı türde bir tanıtım çabamız vardı ve bu modelde ücretsizden ücretliye veya her neyse ona çok daha iyi dönüşüm sağladık.

Bununla ilgili olarak, belirli bir kanalın etkinliğini, onu bir süreliğine karışımdan çıkararak anladığınız bir tür varoluş testidir, Jim, onsuz yaşayıp yaşayamayacağınızı görmek için test etmeyi önerir:

[Görüntünün] diğer kampanyalara yardım etme açısından çok değerli olduğunu düşünüyorsanız, neden onu bir veya iki haftalığına öldürüp ne olacağını görmüyorsunuz? Ve sonra geri ekleyin.

Böyle bir test yapamaz mısın? O parayı başka bir yere yatırmaya değer mi? Ekranın değerini bulma konusunda ne kadar ciddisiniz?

Her zaman yaptığınız aktivite sandığınız kadar büyük bir etki yaratmayabilir. Test, ekleme olduğu kadar çıkarma sanatıdır. Bu, tüm girişimlerin tamamen kesilmesi anlamına gelir.

Veriye dayalı daha güçlü kararlar almak için pazarlama ilişkilendirmesi nasıl kullanılır?

İlişkilendirme modelleri, müşteri yolculuğuna ilişkin görünürlüğü ve içgörüleri iyileştirmek için mevcuttur. Doğru yapıldığında, müşterilerin temas noktalarıyla nasıl etkileşime girdiği ve satın alma davranışını nelerin etkilediği üzerindeki perdeyi kaldırıyorlar.

Daha etkili, veriye dayalı bir strateji geliştirmek için bu bulguları pazarlama çabalarınıza dahil edin.

Daha gerçekçi müşteri yolculuğu haritaları oluşturun

Müşteri yolculuğu haritaları, satın alma döngüsü boyunca temas noktalarını ve mesajlaşmayı hizalamak için güçlü araçlar olabilir.

Ne yazık ki, birçoğu bu kadar yardımcı olamayacak kadar basit. Örneğin bu harita, her aşamada birden fazla potansiyel temas noktasını zar zor kapsıyor ve yeterince ayrıntıya girmiyor. Örneğin, ürün araştırması nerede yapılıyor?

Müşterilerin hangi temas noktalarıyla ve yolculuklarının hangi noktasında etkileşim kurduğunu anlayarak, Rail Europe'un bunun gibi kapsamlı bir yolculuk haritası oluşturabilirsiniz.

Bu müşteri yolculuğu haritasında, her müşteri deneyimi aynı olmadığı için her aşama için birden çok temas noktası vardır. Rail Europe bu farklılığı hesaba katar ve ilişkilendirme yoluyla tanımlanan tüm olası temas noktalarını birleştirir. Özel ilişkilendirme, karmaşık müşteri etkileşimlerini ve yolculuklarını haritalandırmaya yardımcı olur.

Daha gerçekçi müşteri yolculuğu haritaları oluşturmak için ilişkilendirme verilerinizi kullanın ve nerede segmentasyonun gerekli olabileceğini düşünün.

Örneğin, bir e-ticaret markası satın almak için iki yaygın yol belirleyebilir:

1. Facebook'ta hedeflenen reklam > Web sitesine göz atma > Sepete ürün ekle > Hemen Çık > Terk edilmiş alışveriş sepeti kurtarma e-postası > Dönüştürme
2. Organik arama > Web sitesine göz atma > Sadakat üyeliği için kaydolun > Hemen Çık > Mağazada satın al

İlişkilendirme verilerindeki eğilimleri arayın ve uygunsa müşteri yolculuklarını bölümlere ayırın.

Harcama tahsisini kurumsal hedeflerle uyumlu hale getirmek için pazarlama ilişkilendirmesini kullanın

Farklı kanallara ve temas noktalarına nasıl yatırım yapacağınız konusunda bilgi edinmek için pazarlama ilişkilendirmesini kullanın ve gerçek dünya verilerini kullanarak bütçe tahsisini optimize edin.

Analitik paketinizin en etkili olarak adlandırdığı etkinlikleri ikiye katlayın. Örneğin, ilişkilendirme platformunuz size Google Ads'ün iyi performans gösterdiğini söylüyorsa bu kanala yapılan yatırımı artırmanız mantıklı olacaktır.

İlişkilendirme modelinizin ve kredi tahsisinizin bu bilgileri sağladığını unutmayın.

Diyelim ki bu örnekte, bir ilk temas ilişkilendirme modeli kullanıyorsunuz.

Bu verilerin size söylediği şey, Google Reklamlarınızın ilk etkileşim olarak iyi performans gösterdiği, ancak dönüşüm söz konusu olduğunda mutlaka ağır bir yük getirmediğidir. Reklam harcamalarını ikiye katlamak, daha fazla potansiyel müşteriyi huninin tepesine çeker, ancak onları daha etkili bir şekilde dönüştürmesi gerekmez .

Bunun yerine, 360 derecelik bir bakış açısı elde etmek için birden fazla ilişkilendirme modelini analiz edin ve ardından harcama tahsisini şirket hedeflerinizle uyumlu hale getirmek için bu bilgileri kullanın.

Bu örnekte, son dokunuş modelini kullanarak ilişkilendirmenin nasıl göründüğünü de analiz ederek yolculuğun diğer ucunda hangi kanalların iyi çalıştığına dair fikir verebilirsiniz.

Ardından, şirket hedeflerinize göre harcamayı ayarlayın. Yeni müşteri kazanımı bir öncelikse, son dokunuş etkileşimine daha fazla yatırım yapın. Marka bilinirliği oluşturmak ve dönüşüm hunisinin tepesine çıkmak daha kritikse, ilk temas noktasına yatırım yapın.

Mesajlaşmanın temas noktası etkinliği üzerindeki etkisini anlayın

Pazarlama atıfıyla ilgili genel varsayım, bir kanal diğerleri kadar iyi performans göstermiyorsa, suçlunun o kanal olduğu yönündedir. Müşterileriniz basitçe LinkedIn'de değil diyorsunuz.

Ama bu mutlaka doğru değil. Örneğin, müşterileriniz orada olabilir , ancak mesajlarınız bağlanmıyor olabilir.

Pazarlama ilişkilendirmesi, farklı mesajlaşmanın temas noktası etkinliğini nasıl etkilediğini anlamak için kullanılabilir.

Facebook yeniden hedefleme reklamlarınızın son derece iyi dönüşüm sağladığını, ancak LinkedIn reklamlarınızın düşük performans gösterdiğini varsayalım. Kullanmakta olduğunuz mesajlaşmayı sunulduğu bağlam içinde değerlendirin.

Bir kanal için işe yarayan şey mutlaka diğerine tercüme edilmeyecektir ve dönüşüm hunisinin tepesindeki potansiyel müşterilerle rezonansa giren mesajlar, huninin sonundaki alıcıları çizgi boyunca çekmeyecektir.

Farklı dönüşüm hunisi aşamalarındaki mesajlaşma etkisini ölçmek için farklı ilişkilendirme modelleri kullanın.

Örneğin, Google Ads ilk temas modeli altında güçlü görünüyorsa, erken aşamadaki alıcıları hedeflemek için bu mesajı diğer kanallarda nasıl çoğaltabileceğinizi düşünün. Ardından, bu değişiklikler devreye girdikçe ilişkilendirme kredisinin nasıl değiştiğini analiz edin.

Bir Google Reklamındaki aynı mesajı, bu mesajın kanal üzerindeki etkisini test etmek için yeni bir LinkedIn reklam yayınında kullanabilirsiniz.

İlişkilendirme kredisi LinkedIn lehine değişirse, değişiklik işe yarar. Değilse, bu özel mesajın LinkedIn kitleniz için işe yaramadığını öğrendiniz. Test edin, analiz edin ve optimize edin.

Pazarlama ilişkilendirme araçları: İşletmeniz için doğru olanı nasıl seçersiniz?

Google Analytics, pazarlama ilişkilendirmesi için kolayca en yaygın kullanılan araçtır, ancak tek araç değildir.

Ruler Analytics, pazarlama temas noktalarını dolar düzeyinde ölçebilmeniz için geliri ilişkilendirmeye bağlayan güçlü bir araçtır. Oktopost, B2B sosyal medya kullanımı ve dönüşüme katkıda bulunan sosyal temas noktaları hakkında güçlü analitik sağlar. AppsFlyer, mobil uygulama büyümesi bağlamında pazarlama ilişkilendirmesine bakar.

Sektörünüze, büyüme aşamanıza ve iş hedeflerinize bağlı olarak bu platformlardan birini veya birkaçını kullanmayı seçebilirsiniz.

Google Analytics

Google Analytics'in en büyük avantajlarından biri, sağlam bir ürün olmasına rağmen ücretsiz olmasıdır.

Bu, yeni başlayanların pazarlama ilişkilendirme dünyasına ayak uydurmalarını ve ilk veya son tıklama gibi daha temel modellerden bazılarıyla başlamalarını kolaylaştırır.

Google Analytics, şu kanallarda temel ilişkilendirmeyi izlemek için uygundur:

• Ücretli ve organik arama (sadece Google'da değil tüm arama motorlarında)
• Yönlendirme ve bağlı kuruluş web siteleri
• Sosyal medya ağları
• E-posta
• Google Analytics'te oluşturduysanız özel kampanyalar (örneğin, trafiği özel URL'lere yönlendiren çevrimdışı kampanyalar)

Her 30 günlük dönemde 600'den fazla müşteriyi dönüştürüyorsanız, Google Analytics'in veriye dayalı ilişkilendirme modelinden de (şu anda Beta sürümündedir) yararlanabileceksiniz. Bu model, hangi temas noktalarının dönüşümü artırma olasılığının yüksek olduğunu anlamak için makine öğrenimini kullanır ve buna göre ilişkilendirme kredisi atar.

Cetvel Analizi

Ruler Analytics, pazarlama karması modellemesi ve tahmine dayalı analitik gibi pazarlama ilişkilendirmesinin ötesinde bir dizi yararlı özellik sunar.

Ancak en önemli avantajı, platformu CRM'nize bağlama ve gelir verilerini ilişkilendirme modelinize çekme yeteneğidir.

Standart modelleri kullanan ilişkilendirme, size hangi temas noktalarının ve kanalların dönüşüm sağladığını söyler. Ruler Analytics ile bu temas noktalarının geliri nasıl etkilediğini anlayacaksınız.

Diyelim ki iki ana dönüşüm yolunuz olduğunu belirlediniz.

• Birinci yol: Müşterilerinizin %70'i bunu kabul ediyor ve yıllık 4.500 ABD doları müşteri değeri sağlıyor.
• İkinci yol: Müşterilerinizin %30'u bunu kabul eder (her kurumsal müşteri dahil) ve yıllık müşteri değeri 560.000 ABD dolarıdır.

Gelir döngüsünü kapatmadan, aslında daha düşük değerli müşterileri dönüştüren ilk yola muhtemelen daha fazla yatırım yapmış olursunuz.

Pazarlama kampanyalarınızdaki temas noktalarının yalnızca dönüşümleri değil geliri de nasıl etkilediğini daha iyi anlamak için Ruler Analytics'i kullanın.

Oktopost

Oktopost tam olarak bir pazarlama ilişkilendirme aracı değildir; B2B pazarlama ekipleri için bir sosyal medya etkileşim yönetimi platformudur.

İster LinkedIn'de reklam yayınlayın, ister satış temsilcilerinin Twitter'da kişisel markalar oluşturmasını sağlayın, B2B pazarlamacıları sosyal medyanın değerini giderek daha fazla anlıyor.

Oktopost, pazarlamacıların bu faaliyetlerin değerini doğru bir şekilde ölçmesine ve ilişkilendirmesine yardımcı olur.

Etkileşimi kanala, içerik türüne ve bölgeye göre ölçebileceksiniz. Mesajlaşma, anahtar kelimeler, hashtag'ler ve medya türlerinin etkileşimle nasıl ilişkili olduğunu analiz etmek için gönderi düzeyine bile inebilirsiniz.

B2B'deyseniz, LinkedIn'in artan farkındalık için çalıştığını bilmenin ötesinde, sosyal medyanın dönüşümü nasıl etkilediğini daha derinlemesine incelemek için Oktopost'u kullanın.

AppsFlyer

AppsFlyer, özellikle uygulama büyümesini ölçmek için bir pazarlama analitiği platformudur.

Diğer ilişkilendirme araçları genellikle bir web sitesi bağlamındaki dönüşümlere odaklanırken, AppsFlyer mobil ekosistemdeki ilişkilendirme modellemesine bakar.

AppsFlyer ile, bir uygulamanın yüklenmesine yol açan temas noktalarına kredi atayabilirsiniz. Örneğin, diğer uygulamalardaki reklamlarla etkileşime ve yeni bir müşterinin kendi reklamınızı indirmesine nasıl katkıda bulunduklarına bakabilirsiniz.

İlişkilendirme modellemeleri, uygulama içindeki etkinlikleri ölçmek için de genişler, böylece uygulama yüklemelerini ve dönüşümleri ücretli planlarla ayrı ayrı ilişkilendirebilirsiniz.

Reklam ağınızın uygulama indirmelerini nasıl etkilediğini anlamak ve reklam harcaması tahsisinizin etkinliğini artırmak için AppsFlyer'ı kullanın.

Çözüm

Müşterilerin çeşitli pazarlama temas noktalarıyla nasıl etkileşime girdiğine dair temel bir anlayış elde etmek için çoğu analiz platformunda bulunan standart ilişkilendirme modelleri yeterli olacaktır.

Hangi kanalların ve taktiklerin dönüşümü etkilediğine daha kapsamlı bir bakış ve pazarlama harcaması tahsisinde veriye dayalı kararlar almak için yapay zekaya dayalı algoritmik modellere bakın.

Uzman görüşleriyle dolu çevrimiçi kursumuzla ilişkilendirme becerilerinizi geliştirin: İlişkilendirmede mükemmel olun.