211service.com
Impulsar los resultados de marketing con Big Data
En alianza con Digilante
Para los especialistas en marketing que intentan maximizar su retorno de la inversión, el análisis predictivo basado en big data es una herramienta nueva y emocionante.
En el mundo digital, el análisis predictivo basado en big data promete crear una vista detallada de lo que funciona, brindando una guía que nunca antes había estado disponible para el ajuste fino de las campañas publicitarias.
La promesa del análisis de big data es que los especialistas en marketing pueden analizar miles de puntos de información sobre la actividad digital del comprador, sin información de identificación personal, y combinarla con su conocimiento de campañas de televisión, radio, vallas publicitarias e impresas para personalizar los mensajes de marketing. y, en última instancia, mejorar el retorno de la inversión (ROI). Con el análisis, los números muestran cuánto aumento proporcionó cada punto de datos para cada anuncio en cada canal. Con esos datos, los especialistas en marketing pueden tomar mejores decisiones sobre cómo asignar sus presupuestos publicitarios. De hecho, los propios análisis identificarán las opciones inteligentes.
Un desafío clave para cualquier vendedor es decidir qué combinación de medios (TV, Internet, correo directo, radio, prensa) promoverá mejor un producto o servicio. Podemos hacer modelos de combinación de medios utilizando big data y aprendizaje automático, dice Madan Bharadwaj, jefe de marketing de productos de Visual IQ, una empresa de análisis con sede en Needham, Massachusetts. Hay muchas microeficiencias que podemos aprovechar. Si mueve algunos miles de dólares aquí y allá, puede obtener mucha más eficiencia de marketing, en términos de ROI.
Históricamente, los especialistas en marketing más sofisticados se han basado en la planificación de campañas publicitarias de arriba hacia abajo. Desarrollan modelos econométricos observando la distribución de todo el presupuesto publicitario. Analizan los cambios en la asignación y las promociones únicas y ven cómo esos cambios afectan sus indicadores clave de rendimiento (KPI), que pueden ser realizar una compra en la tienda o abrir una nueva cuenta.
Ese paradigma se invierte en el mundo digital. Los especialistas en marketing confían en la puntuación digital de las acciones, comenzando de abajo hacia arriba con el KPI. Intenta trabajar hacia atrás para ver los puntos de contacto a lo largo del viaje digital de los consumidores, dice Kim Riedell, vicepresidente senior de productos y marketing de Digilante , una empresa de soluciones de medios programáticos personalizados en Boston. Gracias a tecnologías como las cookies y los píxeles del navegador, los especialistas en marketing ahora pueden saber exactamente dónde vio sus anuncios un comprador específico. Los datos incluso muestran cuánto tiempo ese comprador vio un video o permaneció en una página con el anuncio. Todo se encuentra rastreando hacia atrás desde el punto de venta del producto que la persona finalmente compró.
El mundo del conocimiento perfecto que se prometió en los primeros días de la publicidad digital ha resultado ilusorio. Pagar a los motores de búsqueda para estimular los clics que llevaron a las compras estuvo bien, pero la mayoría de los consumidores toman una ruta más tortuosa para sus decisiones finales. El embudo de marketing puede ser largo, especialmente para compras grandes como automóviles, donde las personas pueden investigar durante nueve meses antes de realizar una prueba de manejo.
El análisis predictivo avanzado ahora puede determinar qué audiencias han respondido más a un anuncio. Luego, los mismos algoritmos pueden encontrar audiencias similares en otros sitios web y presentarles los anuncios. Con suficientes datos y un buen algoritmo, las empresas de análisis dicen que pueden determinar qué anuncios marcaron la diferencia.
El análisis predictivo no puede incorporar todo. Una revisión favorable del producto en Informes de los consumidores o el respaldo de una celebridad en los Oscar queda fuera del algoritmo. Lo mismo ocurre con un accidente de avión que puede perjudicar las reservas de viajes. A veces, sin embargo, tales eventos provocarán un aumento en la discusión en las redes sociales, aquí se controlan e incluso se calculan en la ecuación.
La inmediatez es uno de los grandes beneficios de la analítica. En lugar de esperar a ver los resultados de ventas semanales y ajustar las estrategias publicitarias en respuesta, los especialistas en marketing pueden ver los resultados en línea todos los días. Con los KPI en línea, las empresas de análisis pueden analizar el rendimiento de los anuncios en tiempo real y recomendar el marketing de seguimiento más efectivo al día siguiente.
Jeff Zwelling, cofundador y director ejecutivo de Convertro de AOL, una empresa de análisis de publicidad con sede en Santa Mónica, California, dice que su empresa envía a los anunciantes informes sobre el rendimiento de los anuncios en 24 horas. El día después del Super Bowl, tuvimos informes para GoDaddy, Intuit, la NFL, a las 8 a.m.
Los análisis también pueden ayudar a proteger a los anunciantes de los riesgos de fraude sin obligarlos a desarrollar sus propios esfuerzos de investigación. Siempre que el KPI sea algo que los bots no puedan imitar (una compra, por ejemplo), los anuncios falsos no se mostrarán como efectivos. Todo lo que se necesita es una solución de atribución de primer nivel y una estructura de precios que alinee el rendimiento publicitario con las conversiones reales (en lugar de los clics o las impresiones) para evitar el fraude, escribió David Pérez, director de marketing de Convertro, en un artículo reciente. entrada en el blog.
En teoría, los algoritmos deberían poder asignar presupuesto a las redes publicitarias que vigilan su inventario para evitar anuncios falsos. Deberían generar más indicadores clave de rendimiento. Del mismo modo, los anuncios que no se pueden ver no impulsarán los KPI. No está claro si esa promesa se está cumpliendo.
Del mismo modo, el análisis predictivo puede descubrir correlaciones entre categorías de compradores potenciales que es poco probable que se les ocurran a los especialistas en marketing humanos. Por ejemplo, el científico jefe de Digilant, Krishna Boppana, recuerda que mientras trabajaba para un cliente de servicios financieros, su empresa descubrió que los hombres que habían estado mirando barcos en abril y mayo respondían a los anuncios de planes 401(k). Ahora plantea la hipótesis de que podrían haber recibido bonos en abril y planearon usar el dinero para divertirse antes de recordar, o que se les recuerde, que deberían financiar sus cuentas de jubilación.
Mientras trabajaba con una empresa de cosméticos de lujo, añade Boppana, Digilant descubrió una correlación entre las mujeres interesadas en viajes exóticos y las que compraban cereales Kashi. Si bien el análisis predictivo a menudo se critica por detectar la correlación en lugar de la causalidad, Boppana concluye que la publicidad tiene que ver con la correlación.