Hvordan du bruger attributionsanalyse til stærkere marketingindsigt

datalager som en løsning

Antallet af berøringspunkter, hvorigennem du interagerer med kunder - og måder, de møder dit brand på - er eksploderet i de senere år. Tidligere var valgene enkle: du kørte en printannonce, en udsendelsesreklame, måske direct mail eller en kombination. I dag er der søgning, onlinevisning, sociale medier, mobil, blogs, aggregatorwebsteder, og listen fortsætter.

Med udbredelsen af ​​kundens berøringspunkter er der også kommet øget kontrol med hensyn til effektivitet. Hvad er den reelle værdi af en dollar brugt i et givet medium? Hvilket medium giver dig mest penge for pengene? Hvordan kan du maksimere effekten fremad?

I fortiden var målingen enkel: du kørte en annonce og vurderede forskellen med hensyn til bevidsthed, trafik og salg. I dag giver annonceudvekslinger indsigt i, hvor mange mennesker der klikkede på din annonce og kom til den ønskede destination.

Men hvad sker der så?

Attributionsanalyse kan give svaret på dette spørgsmål. Det kan samle data fra en række forskellige kilder, både interne for din virksomhed og eksterne med hensyn til kundeopnåelse. Det kan hjælpe dig med at bestemme, hvilke kanaler der er mest omkostningseffektive til at generere en mængde svar. Vigtigst er det, det kan hjælpe dig med at identificere dine bedste kunder inden for den gruppe og handle på den information ved at tilpasse din marketingstrategi i overensstemmelse hermed fremad.

Hvordan kan du bruge tilskrivningsanalyse effektivt og høste disse fordele? Her er en hurtig casestudie om, hvordan en virksomhed gjorde det:

Brugssagen til tilskrivningsanalyse

En mobil produktivitetsvirksomhed markedsfører en applikation, der giver brugerne mulighed for at oprette, gennemse og dele dokumenter fra enhver enhed. Tidligt implementerede virksomheden tredjepart analytics værktøjer med forudbyggede dashboards til at spore grundlæggende metrics som downloads, daglige / månedlige brugeroptællinger, tid brugt med appen, antal oprettede dokumenter osv.

One Size Analytics passer ikke til alle

Da virksomhedens vækst eksploderede, og deres antal brugere steg i millioner, blev denne one-size-fits-all tilgang til indsigt ikke skaleret. Deres tredjepart analytics tjenesten kunne ikke håndtere integrationen af ​​realtidsdata fra flere kilder som f.eks. serverplatformslogfiler, websitetrafik og annoncekampagner.

Hvad mere er, virksomheden havde brug for at analysere tilskrivning på tværs af flere skærme og kanaler for at hjælpe dem med at beslutte, hvor den næste trinvise markedsføringsdollar bedst ville blive brugt til erhvervelse af nye kunder. Et typisk scenarie var dette: en bruger så virksomhedens Facebook-annonce, mens han var på sin telefon, søgte derefter efter anmeldelser om virksomheden på sin bærbare computer og til sidst klikkede for at installere appen fra en displayannonce på deres tablet. Tilskrivning i dette tilfælde kræver, at kreditten deles for at erhverve den nye kunde på tværs af sociale medier på mobil, betalt søgning / anmeldelser på pc'en og displayannoncer i appen på tablets.

Virksomheden havde brug for at tage tingene et skridt videre og finde ud af, hvilken online marketingkilde der hjalp dem med at erhverve deres mest værdifulde brugere. De havde brug for at identificere brugeradfærd - ud over den generiske klik-til-installation-handling - der var unik for appen og gjorde brugeren værdifuld for virksomheden. I sine tidlige dage udviklede Facebook en enkel, men effektiv måde at gøre dette på: De opdagede, at antallet af mennesker, som en bruger “venner” inden for et givet antal dage efter tilmelding, var en god forudsigelse for, hvor engageret eller værdifuld en bruger ville være i det lange løb. Onlinemedier og tredjepart analytics systemer er blinde for denne slags tidsfordrevne, komplekse handlinger, der forekommer i en app.

De havde brug for brugerdefineret tilskrivningsanalyse at gøre jobbet.

Attributionsanalyse er løsningen

Begyndende simpelthen udviklede virksomheden internt et indledende mål: at opdage præcist, hvordan en given bruger har tendens til at interagere med deres produkt inden for en enkelt session. Når det var bestemt, kunne de yderligere gå ned i disse data for at oprette profilsegmenter af kunder baseret på deres status som betalende brugere og det beløb, der blev brugt hver måned. Ved at flette disse to dataområder var virksomheden i stand til at bestemme en given kundes levetid værdi - en metrik, der definerede, hvilke typer kunder der havde det største indtægtspotentiale. Disse oplysninger gjorde det igen muligt for dem mere specifikt at målrette mod andre brugere - dem, der havde den samme "levetidsværdi" -profil - gennem meget specifikke medievalg med meget specifikke tilbud.

Resultatet? Smartere, mere informeret brug af marketing dollars. Fortsat vækst. Og et tilpasset tilskrivningsanalysesystem på plads, der kunne vokse og tilpasse sig, når virksomheden bevæger sig fremad.

En vellykket tilskrivningsanalyse

Når du begynder at engagere dig i tilskrivningsanalyse, er det vigtigt først at definere succes på dine egne vilkår - og holde det enkelt. Spørg dig selv, hvem anser jeg for en god kunde? Spørg så, hvad er mine mål med den kunde? Du kan vælge at øge forbruget og styrke loyaliteten hos dine kunder med den højeste værdi. Eller du kan vælge at bestemme, hvor du kan finde flere værdifulde kunder ligesom dem. Det er alt op til dig, og hvad der passer til din organisation.

Kort sagt kan tilskrivningsanalyse være en meget hurtig og nem måde at samle data fra en række interne og tredjepartskilder og give mening om disse data i termer, som du meget specifikt bestemmer. Du får den indsigt, du har brug for til klart at definere og opfylde dine markedsføringsmål, og derefter finpudse din strategi for at opnå det højest mulige investeringsafkast på hver brugt marketingdollar.

Hvad er Data Warehouse as a Service

Vi skrev for nylig om hvordan datateknologier er stigende for marketingfolk. Datavarehuse giver et centralt lager, der skalerer og giver stor indsigt i din marketingindsats - hvilket muliggør muligheden for at indbringe enorme mængder kunde-, transaktions-, økonomiske og marketingdata. Ved at registrere online, offline og mobildata i en central rapporteringsdatabase er marketingfolk i stand til at analysere og få de svar, de har brug for, når de har brug for det. Opbygning af et datalager er en ganske forpligtelse for den gennemsnitlige virksomhed - men Data Warehouse as a Service (DWaaS) løser problemet for virksomheder.

Om BitYota Data Warehouse as a Service

Dette indlæg blev skrevet med hjælp fra BitYota. BitYotas Data Warehouse as a Service-løsning tager hovedpinen ud af at skulle opsætte og administrere en anden dataplatform. BitYota gør det muligt for marketingfolk hurtigt at få deres datalager til at køre, nemt oprette forbindelse til en skyudbyder og konfigurere dit lager. Teknologien bruger SQL over JSON-teknologi til let forespørgsel på dit lager og leveres med datafeeds i realtid til hurtig analyse.

Tilskrivningsanalyse - BitYota

En af de vigtigste hæmmere til hurtig analytics er behovet for at transformere dataene, før de gemmes i din analytics system. I en verden, hvor applikationer konstant ændres, betyder data, der kommer fra flere kilder og i forskellige formater, at virksomheder ofte finder sig i at enten bruge for meget tid på datatransformationsprojekter eller står over for brudt analytics systemer. BitYota gemmer og analyserer dataene i dets oprindelige format og eliminerer dermed behovet for besværlige, tidskrævende datatransformationsprocesser. At afskaffe datatransformation giver vores kunder hurtigere analytics, maksimal fleksibilitet og komplet datatidelighed. BitYota

Når dine behov ændres, kan du tilføje eller fjerne noder fra din klynge eller ændre maskinkonfigurationer. Som en fuldt administreret løsning BitYota overvåger, administrerer, sørger for og skalerer din dataplatform, så du kan fokusere på, hvad der er vigtigt - analysere dine data.

Hvad mener du?

Dette websted bruger Akismet til at reducere spam. Lær, hvordan dine kommentardata behandles.