数据技术解决了困扰营销者100年的“哥德巴赫猜想”

  • 来源: 中华网 2019-06-21/17:31 访问量:
  •  

    100多年前,营销先驱、百货商店之父约翰·沃纳梅克提出的广告界“哥德巴赫猜想”:“我知道我的广告费有一半是浪费的,但我不知道是哪一半。“在如今的互联网营销时代,这个问题仍然存在。

    互联网营销与传统营销最大的差别是数据化、可定向、可追溯。但是由于各媒介渠道数据互不打通、广告曝光与销售转化数据难以连接,各家媒体平台都无法做出全面准确的价值贡献评估。营销者除了要思考我的广告预算有多少浪费掉了,以及浪费在了哪里,同时还要搞清楚对各 KPI 贡献最大的媒体,以便后续优化媒介组合和调整预算分配。

    杰瑞·卡普兰在《人工智能时代》中提到,人工智能就是让人类的“未来像过去一样”,让人类的工作和生活都变得简单和高效。有了人工智能和数据的加持,nEqual 恩亿科 正在努力让营销变得像朋友沟通一样的温暖和精准。同时,在数据和技术的加持下,力争去解决困惑营销者100多年的“哥德巴赫猜想”,帮助营销者找回丢失的“另一半”。

    nEqual 恩亿科 借助归因分析技术为广告主实现对在线营销中的用户全触点数据的分析和管理,并基于此给出详细的在线营销渠道转化归因分析。以某护肤品牌的 OTV 投放实践为例,高效利用归因分析,可以发现最佳频控设置,减少浪费;发现对不同人群的追投策略设置;及有助于最终转化的最佳媒介组合和预算搭配。

    实践案例

    品牌: 某护肤品牌

    主要需求: 该品牌在各大视频媒体投放后,收集到不同转化信息(Leads 和购买),品牌希望看到不同视频媒体对人群触达和最终转化的贡献和价值,优化未来投放计划。

    解决方案: 建立在线营销多触点归因分析模型,追溯人群在产生转化前,被曝光过的媒体和广告,评估各媒体和不同广告频次的贡献度。

    分析对象: 指定时间段内品牌 OTV 广告触达人群和指定追溯期内的留资或购买人群,并按购买渠道和购买频次将转化人群分组。

    洞察1:发现最佳频控设置,减少预算浪费:80%以上的首次购买,只需要被视频广告触达4次

    视频广告对消费者购买行为有正向影响是毋庸置疑的,但频次如何设置效率最高却难以确定。经过触媒频次分析,发现:

    • 对比于未被广告触达的消费者,被视频广告触达的消费者购买次数更多;

    • 多次广告触达能提升消费者多次购买的比例:在多次购买人群中,曾被视频广告多次触达的比例远高于单次触达的;在多次购买人群的分组1中,被广告多次触达的占比甚至是单次触达的2.6倍。

    但是,并不是触达次数越多转化效率越高。经过转化效果分析,发现:

    1. 不同类别的客户在首次购买前被广告触达的频次不同:80%以上已购买过品牌产品的老客被广告触达3次就会进行再一次购买,从未消费过品牌产品的新客则需要更多次的广告触达才会产生购买行为;

    2. 但整体而言,80%以上的首次购买,只需要被视频广告触达4次就能产生转化。

    洞察2:对无再次购买人群做针对性重定向,直接购买者采用策略性避投

    经过触媒路径分析,发现:

    • 可以量化用户经不同媒体触点影响后产生转化的比例、再次购买的比例、及无再次购买的人群比例;

    • 无再次购买的人群比例较高,可针对占比较大的无再次购买潜客人群,做针对性重定向投放以促进二次转化;

    • 在 campaign 营销期间,重复购买的直接转化的比例高于被广告曝光后再进行二次购买的人群比例,因此可对直接转化者进行策略性避投,减少浪费。

    洞察3:发现对转化贡献较大的媒体

    经过触媒分析和分媒体转化分析,发现:

    • 不同购买渠道和购买频次的转化人群在各视频媒体分布差异较大,例如:线下门店新客在视频媒体 F 分布较多;电商平台老客则更多集中在视频媒体 B;

    • 各媒体独占的和重合的用户分析发现,多个视频媒体人群重合度较小,各媒体的独占用户比例超过八成;

    • 不同媒体的人群覆盖范围、CTR、从曝光到购买的转化率等数据表现差异较大。如果以人群覆盖最大化为 KPI,视频媒体 F、B 和 G 表现较好;如果只看转化,视频媒体 A 和 C 表现最佳;如果既追求人群覆盖,又追求购买转化,B 媒体表现最佳。

    人工智能时代的到来,技术的发展让太多的不可能成为可能,数据技术不仅能够解决困扰营销者百年之久的“哥德巴赫猜想”,也能为企业、为社会、甚至为人类都带来颠覆性的改变。在这样的大趋势下,企业必须要充分重视数据的重要性,并善于利用数据技术提高和创造更大的商业价值。

    ---------------------------------------------------------

    免责声明:

    1.本文援引自互联网,旨在传递更多网络信息,仅代表作者本人观点,与本网站无关。

    2.本文仅供读者参考,本网站未对该内容进行证实,对其原创性、真实性、完整性、及时性不作任何保证。


    赞(0)
    • {{item.nickname}}
      {{item.add_time}}

      {{item.content}}

      {{v.nickname}}
      {{v.add_time}}

      {{v.content}}

    驱动号 更多