Predictive Marketing, Cara Baru Buat Marketing ROI Tinggi
Marketing.co.id – Berita Digital | Sebagai seorang marketers Anda pasti tahu betul betapa sulitnya merencanakan sebuah campaign. Banyak energi, waktu, dan kreatifitas yang dituangkan dalam sebuah campaign tapi hampir mustahil memprediksi hasil akurat ROI dan engagementnya.
Usaha seperti A/B Testing dilakukan, namun tidak semua dapat memprediksi hasil akhir. Ada strategi yang kini dapat membuat hal ini seperti berhasil, yaitu predictive marketing.
Apa itu predictive marketing?
Predictive marketing adalah penggunaan statistik dan model untuk menentukan kinerja masa depan berdasarkan data saat ini dan masa lalu. Singkatnya, predictive marketing melibatkan data perilaku audiens, histori penelitian konsumen, riwayat pembelian, analisis situs web, dan area lain untuk memperkirakan hasil taktik pemasaran.
Meskipun predictive marketing terdengar baru, namun menggunakan data untuk memperkirakan hasil sebenarnya sudah dimulai sejak tahun 1930-an dengan sebutan predictive analysis. Ini memungkinkan marketers menghitung dan menganalisis peluang keberhasilan, kegagalan, dan hasil dalam berbagai skenario, seperti kesehatan atau cuaca.
Pengguna menyelesaikan tindakan awal — menambahkan produk ke keranjang, melakukan pembelian. Data ini dikirim melalui sistem pelacakan pengiklan ke predictive marketing dan modelnya belajar berdasarkan perilaku audiens. Predictive Marketing menggunakan data ini untuk menganalisis perilaku pengguna baru dalam 24-72 jam pertama dan memprediksi metrik yang diminta oleh pengiklan.
Prakiraan dikirim kembali ke tracker dan pengiklan dapat menggunakannya di platform iklan. Algoritma ini memungkinkan untuk menarik hanya pengguna yang nilai metrik prediktifnya memenuhi tujuan bisnis.
Bagaimana cara kerja model prediktif dalam periklanan web
Prinsip dasar periklanan web hampir sama dengan periklanan seluler: data dari sistem analitik diproses dalam model prediktif dan dikembalikan ke saluran periklanan untuk menarik pengguna baru. Namun ada satu perbedaan penting. Untuk iklan seluler biasanya AppsFlyer atau Adjust dan untuk web — Google Analytics.
Juga di iklan web, dalam beberapa kasus, Anda perlu menggunakan konektor pihak ketiga untuk transfer data. Misalnya, ketika pengguna tidak berinteraksi dengan situs, tetapi hanya melihat iklan. Konektor ini dapat dibuat secara manual atau Anda dapat menggunakan layanan untuk otomatisasi dan pengoptimalan kampanye iklan, di mana integrasi tersebut telah ditambahkan.
Menggunakan analitik prediktif di web memiliki kekhasan lain. Tidak semua data dari sumber dapat diintegrasikan ke dalam Google Analytics —jika data ini hilang, model menjadi tidak akurat. Google akan berhenti menggunakan cookie pihak ketiga untuk melacak aktivitas pengguna di internet pada akhir tahun 2023. Tanpa mengumpulkan data pribadi, tidak mungkin melihat sekitar 60% dari lalu lintas dan itu akan memperumit pembelajaran model.
Apa yang diberikan analitik prediktif dari perspektif marketing
01/ Pengguna tertarik berdasarkan pengembalian mereka di masa depan
Dengan bantuan analitik prediktif, Anda dapat memperkirakan berapa pengembalian pengguna, berapa banyak keuntungan yang akan diperoleh pengguna dan seberapa cepat. Berdasarkan informasi ini, Anda dapat menarik pengguna dengan pLTV tinggi dan menghitung jumlah uang yang diperlukan pengiklan untuk menarik pengguna tersebut.
Mari kita lihat sebuah contoh. Untuk menarik satu pengguna, pengiklan membayar CPI $10, dan untuk pengguna kedua ia membayar $5. Dia sengaja membayar lebih banyak uang untuk pengguna pertama, mengetahui bahwa LTV-nya akan lebih tinggi dan dia akan memberinya lebih banyak keuntungan.
02/ Tujuan pengoptimalan dipindahkan ke metrik yang penting untuk bisnis
Tujuan paling umum untuk bisnis adalah pendapatan. Untuk memahami apakah pengguna akan menghasilkan uang, dalam pemasaran klasik Anda harus menunggu setidaknya satu bulan.
Dalam pemasaran prediktif, dengan menganalisis perilaku utama setiap pengguna tertentu, dimungkinkan untuk memperkirakan nilai metrik jangka panjang yang penting bagi bisnis. Mari kita lihat dua contoh bagaimana menarik pelanggan yang menguntungkan.
Tanpa analisis prediktif:
Jika bisnis membutuhkan pengguna yang membeli banyak, pembeli media menetapkan tindakan konversi sebagai «tambahkan ke keranjang». Dia meminta jaringan iklan untuk membawa pengguna yang mirip dengan mereka yang telah menambahkan item ke keranjang. Hipotesisnya adalah bahwa mereka yang menambah troli akan membawa lebih
banyak keuntungan. Namun, untuk beberapa pengguna hipotesis ini akan berhasil, dan untuk yang lain tidak.
Dengan analisis prediktif:
Bekerja dengan model prediktif, pengiklan meminta jaringan iklan untuk menarik pengguna yang serupa dengan mereka yang memiliki metrik target tinggi. Jaringan periklanan mulai tidak membawa 1000 pengguna yang akan menambahkan produk ke keranjang dan 20 di antaranya akan membelinya, tetapi membawa 1000 pengguna yang serupa dengan mereka yang memiliki LTV tinggi. Artinya mereka semua akan membeli produk tersebut.
Ini penting untuk bisnis yang ingin membeli lalu lintas dalam jumlah besar secara menguntungkan.
03/ Kampanye penargetan ulang hanya mengembalikan segmen dengan potensi tertinggi
Dalam kampanye penargetan ulang reguler, ROI pelanggan dan ekonomi unit kabur. Pendapatan dari kampanye semacam itu akan lebih sedikit, karena beberapa pengguna kembali, dan hanya beberapa dari mereka yang memesan.
Dengan analitik prediktif, pendapatannya lebih tinggi, karena Anda dapat segera mengetahui berapa banyak uang yang akan dibawa pengguna, apakah dia akan membawanya sama sekali dan apakah masuk akal untuk mengembalikannya — mungkin dia akan mengembalikan dirinya sendiri. Ini memungkinkan Anda untuk mengoptimalkan biaya dan meningkatkan profitabilitas kampanye.
04/ Dimungkinkan untuk secara akurat mengevaluasi saluran akuisisi pengguna baru
Saat meluncurkan iklan di saluran akuisisi baru, Anda tidak perlu menghabiskan waktu berbulan-bulan mengujinya untuk memahami CRR-nya — rasio pembelanjaan iklan terhadap pendapatan iklan tersebut.
Dengan analitik prediktif, dalam beberapa hari jelas apa keuntungan pengguna di saluran ini. Jika hasilnya tidak memuaskan, Anda dapat mematikan kampanye dan tidak mengeluarkan uang untuk sumber ini.
Prinsip ini dapat diterapkan ke kelompok pengguna baru, materi iklan baru, kampanye baru. Analisis prediktif membantu mengevaluasi efektivitasnya dengan cepat dan membuat keputusan pengoptimalan.
05/ Dimungkinkan untuk membeli lebih banyak lalu lintas
Dalam kampanye kinerja, tolok ukur sedang ditetapkan — biaya tindakan konversi. Misalnya, untuk peristiwa konversi «tambahkan ke keranjang», pengiklan bersedia membayar layanan iklan $2 per pengguna. Tetapi jika Anda memasang satu tolok ukur, maka Anda dapat membeli di pelelangan hanya apa yang Anda pasang.
Dengan bantuan analisis prediktif, Anda dapat mengetahui dengan tepat berapa banyak uang yang akan dibawa pengguna. Kemudian, Anda dapat menetapkan tolok ukur individual untuk kampanye yang dioptimalkan untuk nilai metrik prediktif dari segmen audiens yang berbeda. Jadi Anda dapat membayar pengguna tergantung pada berapa banyak uang yang dia bawa berdasarkan nilai metrik.
Mari kita lihat sebuah contoh. Kita buat acara yang dibuat oleh pengguna yang pLTV nya 1000-2000, 2000-15000, 15000-20000. Kita akan membayar $2 untuk segmen pertama, $15 untuk segmen kedua, dan $75 untuk segmen ketiga. Jadi, kita membeli tidak hanya satu segmen lelang, tetapi kita memecahnya menjadi tolok ukur yang diperlukan untuk bisnis dan membeli seluruh lelang.
Di mana analitik prediktif akan bekerja secara efektif
Pemasaran prediktif cocok untuk hampir semua perusahaan karena teknologinya bersifat universal. Ini paling cocok untuk bisnis dengan pembelian dalam aplikasi yang sering — ada cukup banyak audiens yang dapat dipelajari oleh model.
Analisis prediktif mungkin bukan yang terbaik untuk:
Usaha kecil, karena tidak ada cukup data untuk dipelajari sistem.
Bisnis yang tidak memiliki pembelian dalam aplikasi atau bisnis yang memonetisasi melalui iklan. Misalnya, game gratis yang menghasilkan uang dengan menampilkan iklan. Pengguna tidak memiliki kesempatan melakukan tindakan yang akan mendatangkan pendapatan ke aplikasi, oleh karena itu tidak akan ada yang bisa diprediksi.
Bisnis berbasis langganan. Ada beberapa pembelian yang dapat diprediksi. Kemungkinan besar, pengguna akan berlangganan pada hari pertama, dan akan diperpanjang secara otomatis.
Bisnis dengan siklus pengembalian yang singkat. Dengan siklus pengembalian yang singkat, pengiklan menghabiskan uang untuk menarik pengguna, dan sudah pada urutan pertama, pengguna mengembalikan jumlah ini. Dalam hal ini, tidak masuk akal untuk menggunakan analisis prediktif — sudah diketahui kapan pengguna akan membayar. (***)
