Dołącz do czytelników
Brak wyników

Temat numeru

16 kwietnia 2020

NR 51 (Kwiecień 2020)

Dane w programmatic – jak połączyć kreatywne sposoby na perfekcyjne targetowanie i uczenie maszynowe?

137

O danych mówi się coraz więcej, odmieniając je przez wszystkie przypadki. W świecie reklamy oraz marketingu analityka danych to podstawa do wyciągania wniosków, optymalizacji kampanii i weryfikacji ich efektywności. Informacje wykorzystywane do skuteczniejszego kierowania reklam w programmaticu zasługują na osobne omówienie. Z tego artykułu dowiesz się, jak w kreatywny sposób podchodzić do analizy wieloźródłowych zbiorów, a także jak szukać nieoczywistych połączeń dzięki algorytmom uczenia maszynowego (machine learning).

Kreatywne podejście do danych powinno zostać ujęte już na etapie strategii marketingowej i właściwej definicji grup celowych. Niemniej istotna jest skuteczna implementacja kampanii oraz kompetencje zespołów pracujących nad analityką w trakcie jej optymalizacji. Jasne określenie celów kampanii (KPI) i wyciąganie wniosków opartych na poprawnych informacjach to podstawa do tworzenia bardziej zaawansowanych modeli analitycznych. Brak zdefiniowanych celów i niekonsekwencja w optymalizacji działań są największym wrogiem wnioskowania statystycznego oraz modeli opracowywanych przez analityków data science.
Warto spojrzeć na dane w ujęciu ich własności. Dane 1st party to często najcenniejsze, ale i najmniej liczne zbiory. Dzięki nim dowiemy się, jak skuteczna była kampania – czy zanotowaliśmy sprzedaż, jak zachowali się użytkownicy na stronie lub czy nastąpiła walidacja akcji użytkownika w CRM-ie.
Dane 1st data party to informacje zebrane przez marketera. Stanowią cenny zbiór mogący posłużyć do uczenia algorytmów. To dzięki tym informacjom na kolejnym etapie uda nam się wartościować podobnie zachowujących się użytkowników w sieci. Do określenia KPI kampanii opartej na danych warto wykorzystać wiedzę płynącą z narzędzi analitycznych na stronie, aby definicje celów były spójne i aplikowane do pozostałych działań. 
 

POLECAMY

Rys. 1. Przykład prostego modelu analizy jakości mikrokonwersji względem wielkości prób

 

Wskazówka

Jedną z najprostszych, a jednocześnie skutecznych metod jest określenie mikrokonwersji, które odzwierciedlają konkretne akcje użytkownika – czas spędzany na stronie, dotarcie w określone miejsce, uzupełnienie formularza czy dokonanie zakupu/rezerwacji usługi. Każde z wybranych zdarzeń musi być możliwe do zmierzenia, gdyż warunkuje to możliwość określenia etapu użytkownika na ścieżce zakupowej. 


Analogiczne podejście do granulacji danych możemy zastosować w odniesieniu do danych 2nd party. Zarówno technologie emisji reklamy, jak i strony naszych partnerów mogą być cennym źródłem informacji. 
 

Wskazówka

Wizyta użytkownika na stronie partnera, którą uważamy za cenną mikrokonwersję, lub interakcja z reklamą może być doskonałym wskaźnikiem nie tylko do oceny efektywności pojedynczej odsłony, ale również do tworzenia modeli statystycznych. 


Dowolne zdarzenie przekazane jako próbka do uczenia algorytmu może pozwolić walidować zarówno jakość ruchu użytkownika, jak i w automatyczny sposób wyszukiwać schematy zachowań znane z modelowania atrybucyjnego lub pomagać oszacować wagi tych zdarzeń w budowaniu świadomości produktu czy sprzedaży. Technologie do emisji kampanii programatycznych dają szereg możliwości wzbogacenia podstawowych statystyk. Są to log level data (szczegółowe dane emisji kampanii), dzięki którym możemy dowiedzieć się więcej chociażby o urządzeniu użytkownika czy przebiegu aukcji reklamowej.
Szukając jednego prostego rozwiązania, które mogłoby optymalizować skuteczność dotarcia do grup celowych, warto skupić się na połączeniu danych ze strony marketera ze statystykami klikalności i widoczności reklam. Dostarczenie wag tych zdarzeń oraz połączenie ich z efektywnością realizacji celów na stronie pozwoli w znaczący sposób budować pule najbardziej wartościowych mikrokonwersji niezbędnych do tworzenia skutecznych algorytmów (rys. 1).
Z perspektywy marketera brakującym ogniwem w danych własnych i kampanijnych jest wiedza o użytkowniku poza jego zasięgiem. Nie zapominając o tym, że najcenniejszym zasobem są dane własne, warto wspomagać je skalą danych 3rd party. To one dają możliwość dotarcia do użytkowników podobnych do naszych najcenniejszych klientów. 
 

Rys. 2. Przykład modelowania lookalike na bazie twardych danych demograficznych

 

Porada

Poszukując similar-audiences, skupiamy się zazwyczaj na perspektywie lookalike, czyli znalezieniu użytkowników podobnych. Dzięki dostępowi do danych 3rd party otrzymujemy możliwość wykorzystania założeń modeli statystycznych w znacznie większej skali. 


Zazwyczaj nie możemy oczekiwać, że skuteczność kampanii na danych zewnętrznych będzie wyższa od remarketingu w obrębie naszej strony, ale cele tych działań z założenia powinny być inne. 
Jeśli mówimy o optymalizacji remarketingu i konwersji, powinniśmy korzystać ze scoringów oraz segmentacji użytkowników na kohorty z szansą na konwersję. Takie podejście daje nam możliwość przewidzenia innych scenariuszy w DSP zarówno od strony kreacji, jak i stawek, które jesteśmy w stanie zapłacić za dotarcie do konkretnego użytkownika (rys. 2).
Wracając do poszukiwania użytkownika podobnego, wykraczamy poza znany nam zbiór danych i próbujemy implikować nasze wnioski do danych zewnętrznych. Tu warto cofnąć się na chwilę do przemyślanego celu wykorzystania danych własnych i wzbogacenia ich zewnętrznymi możliwościami.
Dane 3rd party dostawców zewnętrznych często odpowiadają zapotrzebowaniu po stronie reklamodawców. Rynek reklamowy przez wiele lat oczekiwał skali dostępnych informacji i nie zawsze rozróżniał intencje zakupowe od zainteresowań użytkownika. 
Każdy dostawca danych (data provider) do platform DSP rozlicza się w modelu CPM, co niesie za sobą potrzebę dostarczania produktu masowego. Stąd w ofercie wszystkich dostawców pojawiają się informacje wnioskowane, dostarczane z wykorzystaniem modelowania lookalike (rys. 3). 
 

Wskazówka

Przy współpracy z dostawcą danych warto spróbować kontaktu bezpośredniego i sprecyzować swoje oczekiwania. Daje to możliwość pracy na dedykowanych segmentach, gdzie skala modelowania i definicji profilu może być dopasowana do potrzeb marketera oraz konkretnej kampanii. 

 

Rys. 3. Różne modele poziomów dopasowania algorytmów lookalike


Współpraca marketera z dostawcą danych 3rd party może przybierać różne warianty.
Najprostszy model zakłada odbiór gotowych segmentów analogicznie do zakupu gotowych dań w sklepach – jest szybko i powtarzalnie, ale nie zawsze udaje się nam to połączyć w wykwintny dwudaniowy obiad z deserem. 
Perspektywa może się zmienić, gdy spojrzymy na data providera jak na sklep ze składnikami do swojego przepisu. Takie podejście daje nam możliwość wyboru komponentów niezbędnych do skomponowania własnych dań, niemniej nie oznacza to, że dostawca danych opowie nam o swoim łańcuchu dostaw lub da możliwość zakupu informacji bezpośrednio od swojego partnera.
Powyższe ograniczenie wywołuje wrażenie braku transparentności danych 3rd party. Rolą data providera jest możliwie duża przejrzystość w sposobie budowania własnego grafu danych oraz historia legalności współpracy z partnerami po stronie dostawców. 
 

Ważne

Dane a prawo
W dniu 25 maja 2018 r. weszło w życie rozporządzenie Parlamentu Europejskiego i Rady (UE) 2016/679 regulujące obowiązki administratorów danych względem...

Pozostałe 70% treści dostępne jest tylko dla Prenumeratorów

Co zyskasz, kupując prenumeratę?
  • 6 drukowanych wydań magazynu Online Marketing
  • Dodatkowe artykuły niepublikowane w formie papierowej
  • Dostęp do czasopisma w wersji online
  • Dostęp do wszystkich archiwalnych wydań magazynu oraz dodatków specjalnych
  • ... i wiele więcej!
Sprawdź szczegóły

Przypisy