Donedavno su se digitalni marketinški stručnjaci i profesionalci oglasnih agencija koji su željeli programski kupovati oglasi suočili s Crna kutija scenarij podataka. Većina nisu inženjeri ili znanstvenici podataka, pa su morali iskoračiti i vjerovati tvrdnjama davatelja podataka o kvaliteti podataka, pregledavajući rezultate nakon implementacije - i nakon što je kupnja već obavljena.
Ali što bi trgovci i agencije trebali tražiti kod davatelja podataka? Kako mogu odrediti koji pružatelj usluga nudi najtočnije, najtransparentnije rješenje? Evo nekoliko pitanja:
Kako se prikupljaju podaci?
Je li to izravnim promatranjem svakog korisnika ili su izvedeni podaci kada se uzorci ponašanja otkrivaju u maloj skupini korisnika, a zatim ekstrapoliraju za veće skupine? Ako se zaključe podaci, točnost uvelike ovisi o veličini izmjerene skupine - stoga je važno provjeriti veličinu grupe prilikom procjene davatelja 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 temeljiti na predviđanjima, a ne na stvarnim informacijama. Ova dinamika eksponencijalno povećava rizik da podaci neće raditi.
Dobra je ideja postaviti zdravorazumska pitanja koja vam omogućuju da procijenite snagu podataka u toku, gledajući dalje od jednostavnih demografskih podataka da biste uzeli u obzir transakcije, praćenje metapodataka i druge signale koji točnije predviđaju namjeru kupnje. Skimlinks svakodnevno bilježi 15 milijardi signala o namjerama kupnje iz mreže od 1.5 milijuna domena izdavača i 20,000 trgovaca. Primjenjujući strojno učenje i obogaćujući analizu u svom sloju inteligencije proizvoda, Skimlinkovi razumiju taksonomiju i metapodatke 100 milijuna referenci i veza na proizvode. Te podatke koriste za stvaranje segmenata publike s visokom konverzijom na temelju proizvoda i marki koje će korisnici vjerojatno kupiti, omogućujući učinkovitije prikazivačke, društvene i video kampanje.
Koja se vrsta podataka prikuplja?
Sljedeće na popisu je saznati kakvi se podaci prikupljaju. Kategorije mogu uključivati klikove, poveznice, 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 točnost. Ako se prikupi samo nekoliko vrsta podataka - na primjer, samo pojavljivanja ili klikovi - bit će ograničenih podataka koji se mogu koristiti za unakrsnu provjeru predviđanja ili poboljšanje korisničkih profila. U ovom je scenariju rizik da će se generirati pretjerano pojednostavljeni i netočni korisnički profili.
Skimlinks prikuplja i analizira podatke te otkriva uzorke kod više izdavača i trgovaca kako bi precizno predvidjeli ponašanje pri kupnji. Na primjer, kombinacija jednog korisnika koji posjeti 10 stranica na pet različitih web mjesta može se prepoznati kao obrazac koji ukazuje na interes za kupnju u sljedećem tjednu. Niti jedan izdavač nije mogao dati podatke Skimlinks pristupa putem svoje mreže od 1.5 milijuna domena, ali informacije o izdavačima samo su jedan dio signalnih podataka. Skimlinks također analizira podatke dobivene od 20,000 trgovaca u njegovoj mreži, uključujući informacije o cijenama, vrijednost narudžbe i povijest kupnje.
Pritom, Skimlinks kombinira signale iz cijelog ekosustava maloprodaje.
Kako se podaci provjeravaju?
Sljedeća kritična sposobnost koju treba tražiti prilikom procjene davatelja podataka je sposobnost provjere valjanosti predviđanja u praksi. Na primjer, svaki davatelj usluga koji tvrdi da će njihovi segmenti ostvariti konverzije trebao bi prikupiti podatke o transakcijama kako bi potvrdio da se kupnja odvija. Bez podataka o transakciji nije moguće provjeriti valjanost prijedloga vrijednosti.
Skimlinks ima programsku uslugu ciljanja publike koja pomaže oglašivačima ciljati korisnike prema mjestu u ciklusu kupnje. 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 kupnju, a sustav strojnog učenja koji stvara segmente kontinuirano se obučava na temelju tih podataka. To kupcima pomaže da izbjegnu scenarij u kojem ciljaju potrošače koji su možda istraživali proizvod koji si ne mogu priuštiti ili ga nemaju stvarnu namjeru kupiti. Rezultat je bolja izvedba segmenta.
Digitalni trgovci i agencije koji se bave programskim oglašavanjem moraju odabrati pravog davatelja podataka kako bi optimizirali svoje cijene po tisuću pojavljivanja (CPM) ili cijene po radnji (CPA). Stopa rasta u programskom oglašavanju i marketinškom sektoru na temelju podataka može otežati znati kako odabrati pravog davatelja podataka. No primjenom ova tri zdravorazumska pitanja prilikom procjene prijedloga vrijednosti davatelja podataka, trgovci digitalnim medijima i agencije mogu otvoriti crni okvir i pronaći pravi spoj podataka.