TURNING DATA INTO GOLD. Od czego zacząć?

Transkrypt

1 TURNING DATA INTO GOLD Od czego zacząć?

2 2

3 3 86% reklam programatycznych w Europie wykorzystuje dane beahwioralne Wielkość rynku reklamy Europa: wydatki na targetowane reklamy (mld ) 25,00 Współczynnik konwersji Średnie współczynniki konwersji 8 20, % 21, ,00 10, , , , % 2, Run-of-network Behawioralne Retargeting Targetowanie behawioralne Targetowanie nie-behawioralne Źródło: IHS Markit Behavioural Impact Model is forecast data assuming average Annual growth rates o 10% between 2016 and Źródło: IHS Markit industry survey, Data refers to advertising campaigns in the EU-28.

4 Prosta analiza - zawartość koszyka / sfinalizowana transakcja Analityka - mapowanie źródeł ruchu, dopasowanie i testowanie modelu Machine Learning, rekomendacja segmentacji Głębsza analityka - modelowanie lookalike, budowanie wolumenów Prawdziwe Złoto zaawansowane analizy

5 5 Większość graczy zaczyna pracę z danymi od ostatniego etapu ścieżki zakupowej Etap ścieżki zakupowej Ilość danych Wartość danych Zakup (lojalni) Zakup (wszyscy) Włożenie do koszyka Wszyscy użytkownicy na stronie

6 6 Przykładowa segmentacja użytkowników na podstawie wykonywanych czynności 3. Segmentacja osób zapisujących się na jazdę próbną 1. Segmentacja użytkowników wchodzących na główną stronę serwisu 2. Segmentacja osób przeglądających oferty finansowanie 4. Segmentacja osób otwierających konfigurator 5. Segmentacja osób wyszukujących dealerów

7 7 Przykładowa segmentacja użytkowników na podstawie wykonywanych czynności JAZDA PRÓBNA DEALERZY KONFIGURATOR 3RD PARTY DATA

8 8 Przykładowa segmentacja użytkowników na podstawie wykonywanych czynności NADAJNIKI BTS JAZDA PRÓBNA JAZDA PRÓBNA WI-FI DEALERZY DEALERZY E GPS KONFIGURATOR KONFIGURATOR BEACONY 3RD PARTY DATA 3RD PARTY DATA

9 9 Polskie firmy również stosują te metody: projekt dla dużej sieci Supermarketów Etap 1: Niezainteresowani Etap 2-4: Kupujący online ~ 1% danych ~ 99% danych Etap 1: Kupujący offline Kluczowe założenie modelu: zainteresowani zakupem zachowują się podobnie do momentu włożenia do koszyka, niezależnie od kanału zamknięcia transakcji Legenda Stopień podobieństwa między grupami (pod względem zachowania na stronie )

10 10 Efektem modelu jest indywidualny scoring dla każdego użytkownika, który kiedykolwiek wszedł na stronę. Scoring wszystkich użytkowników wchodzących na stronę Bardzo zainteresowani - 43 odsłony / użytkownika - 3 dni / 3 miesiące - Kluczowe elementy na ścieżce klienta: - Kalkulator - Blog - Dobierz kolor Średnio zainteresowani - 8 odsłony / użytkownika dni / 3 miesiące - Kluczowe elementy na ścieżce klienta (mniejsza częstotliwość): - Kalkulator - Blog - Dobierz kolor Niezainteresowani : - Średnio wykonuje 1.3 odsłony - Średnio pojawił się tylko raz w ciągu 3 miesięcy - Wyróżniające adresy url: - brak

11 11 Efekty połączenia Big Data i Machine Learning Liczba konwersji na odsłon Remarketing: z ~3 do ~11 konwersji na 100. odsłon (wzrost + 270%) Prospecting: ~80% skuteczności remarketingu Źródło: GA, Luty 2018r

12 12 Kluczowa rola danych na wszystkich etapach ścieżki klienta Etap ścieżki zakupowej Liczba klientów (ilustracyjnie) Rola danych Typ wykorzystywanych danych Poszukiwania w Internecie Budowanie wartościowego wolumenu. 3rd party Wejście na stronę Zainteresowanie Włożenie do koszyka Zakup Rozróżnienie zainteresowanych od niezainteresowanych Podgrzewanie zainteresowania Zamknięcie koszyka Identyfikacja cykliczności i przewidywanie momentów zakupowych 3rd party /1st party 1st party 1st party 1st party

13 13 Świat CMO to w coraz większym stopniu świat danych Główne trendy i obserwacje ze styku światów CMO, danych i programmatic Coraz więcej CMO planuje działania w oparciu o analizę dużych danych o zachowaniach klientów (we własnym ekosystemie oraz w szerokim Internecie z użyciem 3rd party data). Wiedza o klientach jest unikalną przewagą konkurencyjną. Bez tej wiedzy świat reklamy programatycznej jest bardzo drogi. Dlatego 86% kampanii programatycznych wykorzystuje dane behawioralne. Marketing Online jest jednym z liderów w tworzeniu i korzystaniu z technologii Big Data Z perspektywy CMO bardzo ważne jest uchwycenie równowagi między outsorcingiem a budową kompetencji własnych w obszarze Big Data i Data Science Coraz więcej pracowników w pionie CMO to Data Scientists

14 Dziękujemy za uwagę Zapraszamy do kontaktu: Paweł Godula Chief Data Scientist Leszek Kobyliński Head of Big Data Solutions