Tehnologija oglašavanjasadržaj Marketing

Kontrolna lista dobavljača podataka s povjerenjima - postavljanje pravih pitanja

Donedavno su se digitalni marketinški stručnjaci i profesionalci oglasnih agencija koji su željeli programski kupovati oglase suočavali sa crna kutija scenarij podataka. Većina nisu inženjeri ili naučnici podataka, pa su morali iskoračiti i vjerovati tvrdnjama davatelja podataka o kvaliteti podataka, pregledavajući rezultate nakon implementacije - i nakon što je kupovina već obavljena.

Ali na šta bi trgovci i agencije trebali tražiti kod davatelja podataka? Kako mogu odrediti koji pružatelj usluga nudi najtačnije, najtransparentnije rješenje? Evo nekoliko pitanja:

Kako se prikupljaju podaci?

Da li se putem direktnog promatranja svakog korisnika ili zaključenih podataka uzorci ponašanja otkrivaju u maloj grupi korisnika, a zatim ekstrapoliraju za veće grupe? Ako se zaključe podaci, tačnost u velikoj mjeri ovisi o veličini izmjerene grupe - pa je važno provjeriti veličinu grupe prilikom procjene pružatelja usluga. Ali imajte na umu da, bez obzira na veličinu, zaključeni podaci uvijek uključuju pad točnosti kada se ekstrapoliraju. I ne zaboravite da će se, kada se podaci modeliraju u segmente, predviđanja zasnivati ​​na predviđanjima, a ne na stvarnim informacijama. Ova dinamika eksponencijalno povećava rizik da podaci neće raditi.

Dobra je ideja postaviti zdravorazumska pitanja koja vam omogućavaju da procijenite snagu podataka u toku, gledajući dalje od jednostavnih demografskih podataka da biste uzeli u obzir transakcije, praćenje metapodataka i druge signale koji preciznije predviđaju namjeru kupovine. Skimlinks svakodnevno bilježi 15 milijardi signala o namjerama kupovine iz mreže od 1.5 miliona domena izdavača i 20,000 trgovaca. Primjenjujući mašinsko učenje i obogaćujući analizu u svom sloju inteligencije proizvoda, Skimlinks razumije taksonomiju i metapodatke 100 miliona referenci i veza proizvoda. Te informacije koriste za stvaranje segmenata publike s visokom konverzijom na osnovu proizvoda i marki koje će korisnici vjerovatno kupiti, omogućavajući učinkovitije prikazivačke, društvene i video kampanje.

Koja vrsta podataka se prikuplja?

Sljedeće na listi je saznati kakvi se podaci prikupljaju. Kategorije mogu uključivati ​​klikove, veze, metapodatke, sadržaj stranice, pojmove za pretraživanje, marke i proizvode, informacije o cijenama, pojavljivanje transakcija, datum i vrijeme. Što se više vrsta podataka prikupi, to će više prediktivnih modela sirovina morati raditi, što može značajno poboljšati tačnost. Ako se prikupi samo nekoliko vrsta podataka - na primjer, samo prikazi ili klikovi - bit će ograničenih informacija koje se mogu koristiti za unakrsnu provjeru predviđanja ili poboljšanje korisničkih profila. U ovom scenariju postoji rizik da će se generirati previše pojednostavljeni i netačni korisnički profili.

Skimlinks prikuplja i analizira podatke i otkriva obrasce kod više izdavača i trgovaca kako bi precizno predvidjeli ponašanje prilikom kupovine. Na primjer, kombinacija jednog korisnika koji posjeti 10 stranica na pet različitih web lokacija može se identificirati kao obrazac koji ukazuje na interes za kupovinu u narednih sedmicu. Nijedan izdavač nije mogao dati podatke Skimlinks pristupa putem svoje mreže od 1.5 miliona domena, ali informacije o izdavačima samo su jedan dio signalnih podataka. Skimlinks također analizira podatke dobivene od 20,000 trgovaca u svojoj mreži, uključujući informacije o cijenama, vrijednost narudžbe i istoriju kupovine.

U tome, Skimlinks kombinira signale iz cijelog ekosistema maloprodaje.

Kako se podaci provjeravaju?

Sljedeća kritična sposobnost koju treba tražiti prilikom procjene dobavljača podataka je sposobnost provjere valjanosti predviđanja u praksi. Na primjer, bilo koji dobavljač koji tvrdi da će njihovi segmenti ostvariti konverzije, trebao bi prikupiti podatke o transakcijama kako bi potvrdio da je kupnja izvršena. Bez podataka o transakciji nije moguće potvrditi prijedlog vrijednosti.

Skimlinks ima programsku uslugu ciljanja publike koja pomaže oglašivačima da ciljaju korisnike prema tome gdje se nalaze u ciklusu kupovine. Predviđanja se izrađuju pomoću kontekstualnih podataka, podataka o proizvodima i cijenama, a provjeravaju se pomoću podataka o transakcijama. Korisnici se prate kako bi provjerili jesu li obavili očekivanu kupovinu, a sistem strojnog učenja koji stvara segmente kontinuirano se obučava na temelju tih informacija. To kupcima pomaže da izbjegnu scenarij u kojem ciljaju potrošače koji su možda istraživali proizvod koji si ne mogu priuštiti ili nemaju stvarnu namjeru da ga kupe. Rezultat su bolje performanse segmenta.

Digitalni trgovci i agencije koji se bave programskim oglašavanjem moraju odabrati pravog dobavljača podataka kako bi optimizirali svoje cijene po hiljadu prikaza (CPM) ili cijene po radnji (CPA). Stopa rasta u programskom oglašavanju i marketinškom sektoru na osnovu podataka može otežati znati kako odabrati pravog dobavljača podataka. No primjenjujući ova tri zdravorazumska pitanja prilikom procjene prijedloga vrijednosti dobavljača podataka, digitalni trgovci i agencije mogu otvoriti crni okvir i pronaći pravi splet podataka.

Alice Navarro

Alicia Navarro je izvršna direktorica i suosnivačica Skimlinks, platforma za unovčavanje sadržaja koja pomaže web lokacijama da budu nagrađene za namjeru kupovine stvorenu u njihovom sadržaju. Prije pokretanja Skimlinkova, radila je više od 10 godina na dizajniranju i pokretanju mobilnih i internetskih aplikacija u Australiji i Velikoj Britaniji. Od 2007. godine, Alicia je povećala kompaniju na preko 85 zaposlenih u uredima u Londonu, San Franciscu i New Yorku.

Vezani članci

Nazad na vrh dugmeta
blizu

Adblock otkriven

Martech Zone je u mogućnosti da vam pruži ovaj sadržaj bez ikakvih troškova jer mi unovčavamo našu stranicu putem prihoda od oglasa, partnerskih veza i sponzorstava. Bili bismo zahvalni ako biste uklonili svoj blokator oglasa dok gledate našu web stranicu.