AdTech, hozzárendelés és az események növekedéshez való kapcsolódásának / összekapcsolásának módja

Az elmúlt 2 napban néhány oldalt olvastam az AdTech-en, a hozzárendelés problémáján és az események (a felhasználó utazása során) összekapcsolhatóságáról; és ez alázatos erőfeszítéseim azért, hogy leírjam azt, amit megértettem.

Tehát mi az AdTech?

Az AdTech alapvetően a digitális marketing tér működésének mögött rejlik. Véleményem szerint ennek a technológiának hatalmas fejlődési lehetősége van, főleg azért, mert innovatív és személyre szabott lehet. Gondolj rá a digitális reklámozás jövedelmező módszereinek tudományára. Vagyis megtudja, hová tehet több hirdetést, kire célozza meg, melyik adta meg a maximális konverziót stb.

Nos, mi az átalakulás?

A digitális piaci térben történő átalakítás értékesítés lehet, ha valaki feliratkozik a SaaS-re, felhasználói regisztráció. Gondoljon rá, mivel az ügylet, ha az ügyfél elegendő alkalommal megismétli, meghozza a profitot.

Célunk az, hogy megértsük, melyik hirdetés hozott létre maximális konverziót, így több pénzt költene erre, és kevesebbet (vagy egyáltalán nem) arra, amely nem.

Beszéljünk a hozzárendelésről

A hozzárendelés az a tudományos eredmény, amely értéket (számot) ad a felhasználó utazásának minden érintési pontjára, amely végül átalakuláshoz vezet. Ez alapvetően szükséges a jobb elemzéshez szükséges folyamat mennyiségi meghatározásához, például -

  1. Keresse meg a konverziós csatorna melyik lépését a legkritikusabb a konverzióhoz
  2. Keresse meg, hogy melyik lépés után a legtöbb felhasználó távozik (és soha nem tér vissza, vagy nem végez konvertálást más adathordozón keresztül)
  3. Kísérletezzen az eseményekkel és megértse, hogyan befolyásolja az átalakításokat.

De mi az a konverziós csatorna, kérdezed? Nagyon jó kérdés. A konverziós csatorna a felhasználó által véglegesen átalakítás előtt végrehajtott lépésről lépésre történik.

A hozzárendelés problémája

Csináljunk esettanulmányt (azokról a forgatókönyvekről, amelyekről tudok) egy csomó felhasználóról. Ne feledje, hogy ezeknek a felhasználóknak a leírása elég unalmas lehet:

Az A felhasználó sportcipőt akar. Pontosan ugyanaznak a sportcipőnek a hirdetését látja, amelyet akar (annak ellenére, hogy ezt sehol nem említette, és csak gondolkodott rajta: /), rákattint a hirdetésre, és mivel tetszett neki sok, bevételt hajt végre. Csodálatos termék; boldog, az eladó boldog.

A B felhasználó is sportcipőt vágyott. Kattint a hirdetésre, és ellenőrzi, de nem biztos abban, hogy jól néz ki-e rajta. Tehát másnap elmegy ugyanazon cég boltjába, és megpróbálja. Imádja, ezért megveszi.

Most már tudjuk, hogy mindenki sportcipőt akar, és vásárol, miután rendben van egy hirdetés?

A C felhasználó a cipőt vásárolta, amikor a telefonja hirtelen kifogyott, így felteszi és megvásárolja a laptopjáról.

A D felhasználó elküldi a márkát és a termékazonosítót szüleinek, és arra kéri őket, hogy vásárolják meg neki születésnapi ajándékként.

Az E felhasználó imádja a terméket, de eltört, ezért örökre megtartja a kívánságlistájában, és később megvásárolja. Igen, én vagyok E. felhasználó. E felhasználó vagyok én.

Vizsgáljuk meg, hogy miként készíthetünk egy számítógépet (vagy legalább egy digitális marketing / növekedési hackert) megtalálni a kapcsolatot az átalakítás és az azt okozó hirdetés között.

Az A eset elég egyszerű. A hirdetés közvetlenül konverzióhoz vezet, és ezeket az adatokat visszatér a hirdetőhöz.

A B. esetben a hirdetés vezet végül ahhoz, hogy a felhasználó megvásárolja a terméket. Ha nem a hirdetéshez, akkor a felhasználó vásárolt volna egy másik cég cipőjét. Ezért szeretnénk összekapcsolni ezt a konverziót a hirdetéssel. De hogyan csináljuk ezt?

Tadaaaaa! Üdvözöljük a hozzárendelés problémájában

Képzelje el, hogy egy hirdetés egy fa gyökere, az ágak különböző felhasználói utak, és az ág végén lévő levél átalakítás. Előtted az a probléma, hogy összekapcsolod a leveleket a gyökérrel.

Tehát vissza a B esethez - ezt nevezik online-offline-hozzárendelésnek. E kettő összekapcsolására a leggyakoribb módszer az olyan promóciós kód megadása, amelyet a felhasználó ideális esetben használ, amikor üzletben vásárol. A Google-nak van egy üzletben történő látogatási mutatója, amely az elfogadható hirdetők számára megmutatja, hogy a hirdető webhelyére tett látogatások hogyan befolyásolják üzletük látogatását. Ez azonban nem oldja meg teljesen a kérdést; és a probléma továbbra is fennáll.

A C és a D eset nagyjából hasonló. Az az eszköz, ahonnan a felhasználók láthatták a hirdetést, nem az a hely, ahonnan megvásárolták a terméket. Ezt általában eszközön keresztüli hozzárendelési problémának nevezik. A képernyők számának növekedésével és a keresés távoli fejlődésével a keresőmezőkről AR / VR vagy Personal Digital Assistants eszközévé válik, és a felhasználók eszközön keresztüli nyomon követése egyre bonyolultabbá válik! Mostantól a probléma megoldásának egyik módja a google / facebook-fiókjaik bejelentkezett állapotainak használata stb.

Az E esethez hasonlóan az a megoldás, hogy a weboldalak kívánságlistákat állítanak elő, hogy a felhasználó a hirdetésre kattintás után aktívan hozzáadhassa az elemet az övékhez. A kívánságlista ezután csak egy újabb lépés lenne a csatornában, és nyomon követhető a hirdetéshez, amikor a konverzió megtörténik.

Azt hiszem, ez (talán egyfajta) megmondja, hogy miért fontos nyomon követni az ügyfél utazásának minden egyes lépését. Egyetlen érintéses hozzárendelés (az érték megadva a felhasználói út első vagy utolsó érintési pontjának) nem jár jó munkával ezeknek a nehéz hozzárendelési problémáknak a megoldásában (vagy legalábbis megkísérelni megoldani azokat). Különböző hozzárendelési algoritmusokat kell használni (talán még létrehozni is?) Ezeknek az érdekes problémáknak a megoldására.

Ezekben a hozzárendelési problémákban hogyan tudjuk biztosan megmondani, mi okozta a konverziókat? Valójában hogyan mondhatjuk általánosságban, hogy az A esemény konverziót okozott? Ha egy lépéssel tovább lépünk, hogyan mondhatjuk el valaha, hogy az A esemény okozta a B eseményt?

Hogyan kapcsolódnak az események? Összefüggés az okkal

Most, hogy tudta, hogyan kell számszerűsíteni a konverziókat, beszéljünk arról, hogy miként döntenek arról, hogy mi okozta a konverziókat, és hogyan tudod bebizonyítani.

A két leggyakoribb (és nyilvánvalóan félreértelmezett, hogy ugyanaz) terminológia a korreláció és az okozati összefüggések. Most hirdetései okozhatják néhány konverziót. Hirdetései korrelálnak bizonyos konverziókkal. Látja a különbséget a kettő között?

Most a korreláció és az okozati összefüggések annyira zavaróak, mert hajlamosak úgy hívni, hogy okozati összefüggések, még akkor is, ha ez csak egy egyszerű társulás. Zavaros? Csak olvass tovább.

Csináljunk egy esettanulmányt (Ismét):

X asszony egyetemen tanítja a matematikát. Ebben a félévben megkapja a tétel legrosszabb teljesítményű osztályát (vagy akár a századot is). X asszony feladata az osztály teljesítményének javítása, mivel azt állítják, hogy ő a legszebb az egész világon. X asszony bemegy az osztályba és bejelenti - Nincs több kötelező látogatás az osztályom alatt. A vizsga előtti napon gyorsan összefoglalja az üléseket. Ez az.

Az eredmény - a vizsgákat sikeres gyermekek% -a növekszik!

Tanár vagyok ugyanabban az egyetemen, és szeretném tudni, hogy kellene-e ugyanazt a rutinot alkalmaznom.

Most már egy csomó változó található ebben a szimulációban. Legyen A azoknak a hallgatóknak a száma, akik átadják a vizsgákat. Legyen B az a könnyűség, amellyel önmagában tanulmányozhatja ezt a témát. Tegyük fel, hogy C az, hogy hány gyerek jár az osztályba a vizsga előtt. D az, hogy mennyire jó egy professzor X Ms. És E az, amit csak az utolsó osztályban tanít. F az, hogy hány nap van egy félévben (Ahhoz, hogy megszámolhassa napjait a szabadságig)

Egy hipotézis (h1) szerint a C növekedése okozza az A növekedését.

Logikusnak tűnik? Csak egy osztály jár, amely szintén közvetlenül a vizsga előtt történik. Mindent egyszerre tanít, elég gyors, tudós rögökkel, és ez okozza az A-t.

De akkor azt is állíthatom, hogy (h2) az E változása okozza az A növekedését.

Úgy értem, képzelje el, hogy csak ő pontosan azt tanítja, amit a vizsgalap tartalmaz. Nyilvánvaló, hogy mindenki, aki részt vett, elmész. De vajon ha szörnyű tanár (azaz a D értéke alacsony)? De mi lenne, ha az erőforrások könnyen hozzáférhetők (B magas), és minden kérdést feltesz, csak azt, hogy szopja, amikor megtanítja, hogyan kell megoldani őket?

Pontosan. Most már tudjuk, hogy B, C, D és E befolyásolja az A-t, és nyilvánvalóan F nem releváns az A számára. De nem tudjuk, melyik változó okozza az A-t. Néha csak egyetlen eseményt látunk (vagy megfigyelünk), és azt gondoljuk, hogy az oka. Képzelje el, hogy csak az A és C változókat figyeltük meg / vettük figyelembe, de a h2 az igazság!

Leggyakrabban ez a helyzet, vagy sem. Nem tudjuk a teljes képet; és ennek a meggyőződésnek a alapján a nehéz fogadások bizonyíték nélkül történő végrehajtása káros lesz.

Bizonyítás> Hit. Adatok> elméleti bizonyíték Periódus.

A mi esetünkben most tudjuk, hogy B, C, D és E összefüggésben vannak A-val. És meg kell találnunk, mi az igazi valóság. Mi okozza A.

Hogyan bizonyítható az okozati összefüggés?

2 A módszer az A / B / n tesztelés és a Hipotézis tesztelés.

Az A / B / n-ben a (a szimulációból emlékszem?) Osztályban a hallgatókat részhalmazokra osztom és minden egyes részhalmazban tartom állandóan B, C, D vagy E mindegyikét. Tehát most egy változó növekedésével és csökkentésével látom, hogy az eredmény változik ezen alcsoportok mindegyikében, és logikus következtetésre jutok, ha a változó tényleges változása okozta-e az eredményt. Mint láthatja, ez a fajta tesztelés, amely valós időben történik. Aka kísérletezik a jelenben, hogy később megkapja az eredményt a jövőben.

A hipotézis tesztelésekor elsődleges hipotézist fogalmazok meg. Vegyük a h1-et. És most tagadom. Ezt nullhipotézisnek (h0) nevezzük. A h0 értéke A nem változik a C változásban. Az órákban részt vevő gyermekek száma nem befolyásolja az elhaladó gyermekek számát. Oké, miért próbáljuk bizonyítani a h0-t, ahelyett, hogy csak a h1-et bizonyítanánk? Úgy értem, vannak adatok ezekről a változókról, akkor mi van?

Szóval itt van a helyzet. h1 azt állítja, hogy függetlenül a B, D és E változásától, a C növekedése az A növekedését jelenti. De a h0 azt jelenti, hogy ha B, D és E állandóak és hagyom, hogy C változzon, A nem változás.

A h0 könnyebb bizonyítani, mint a h1, mivel sokkal kevesebb változó van!

Következtetés

Tehát e hosszú rajzolt cikk végére, amit megtanultál, bármit is megtanultam a hibáim során, amelyeket én is megtanultam. Remélem, hogy mindketten, és megértettem a digitális marketing mögött rejlő logikai alapokat, és hogy ez hogyan befolyásolja egy termék növekedését; és hogyan lehet megtalálni ennek a növekedésnek az okát és bebizonyítani. Ha szakértő vagy és elolvassa ezt, kérjük, tudassa velem, hol tévedek és mit tudok elolvasni, hogy jobban megértsem ezeket a fogalmakat.

Nem vagyok biztos abban, hogy ezek a tények helytállóak-e vagy sem. Te? Hadd értesítsen az alábbi megjegyzésekben!