Le strategie basate sui dati aiutano le aziende di e-commerce a superare le sfide pubblicitarie
È opinione diffusa nella comunità dell'e-commerce che creatività di alta qualità siano tutto ciò di cui ha bisogno una campagna pubblicitaria di successo. Suggerisce che i brand dovrebbero concentrarsi sulla realizzazione di grandi creatività e lasciare che le piattaforme pubblicitarie gestiscano il resto. Ma in pratica, non è saggio che le aziende di e-commerce si fidino ciecamente delle piattaforme pubblicitarie per diversi motivi:
- Per le PMI dell'e-commerce è costoso creare un'ampia cronologia dei dati sulle prestazioni degli annunci.
- Quando i brand promuovono più prodotti in più segmenti di mercato, i dati sulle prestazioni diventano frammentati e possono fuorviare l’algoritmo.
Fortunatamente, i dirigenti e gli esperti di marketing dell’e-commerce possono utilizzare la scienza dei dati per superare queste sfide. In questo articolo spiegheremo come funzionano gli algoritmi della piattaforma pubblicitaria e condivideremo alcuni approcci pratici per migliorare l'acquisizione dei clienti.
Le piattaforme pubblicitarie eseguono aste in tempo reale per determinare quali annunci vengono mostrati a quali utenti. Usiamo Meta come esempio. L'asta dell'annuncio determina l'annuncio vincente in base al punteggio del valore totale:
Valore totale = Offerta × Tasso di azione stimato + Pertinenza e punteggio di qualità
- Offerta: l'importo che un inserzionista è disposto a pagare per l'azione desiderata.
- Tasso di azione stimato: la probabilità prevista che un utente esegua l'azione desiderata dopo aver visto l'annuncio.
- Pertinenza e punteggio di qualità: quanto è pertinente e di alta qualità l'annuncio per l'utente target. I brand possono influenzare questo punteggio attraverso la qualità degli annunci e il targeting.
Più alto è il punteggio Valore totale, maggiori sono le possibilità che un annuncio ottenga un posto. Inoltre, una pertinenza e un punteggio di qualità più elevati aiutano a garantire posizionamenti di rilievo e a ridurre i costi.
Le piattaforme hanno bisogno di tempo (e denaro) per imparare
Le piattaforme pubblicitarie si affidano a modelli avanzati di machine learning per fornire annunci al pubblico giusto. Quando viene introdotto un nuovo annuncio, gli algoritmi entrano in una fase di apprendimento in cui raccolgono dati sulle interazioni dell'utente con il nuovo annuncio. Interazioni come clic e conversioni segnalano un coinvolgimento positivo, aumentando il punteggio di pertinenza dell'annuncio e portando a un ciclo di feedback positivo. Dopo il periodo di apprendimento iniziale, gli algoritmi continuano ad apprendere dalle interazioni degli utenti e a regolare dinamicamente i posizionamenti degli annunci in base ai dati più recenti.
Sulla base della nostra analisi, la chiave per migliorare il rendimento degli annunci risiede nell'aumento della pertinenza e del punteggio di qualità e nell'ottimizzazione del modo in cui gli algoritmi apprendono. Ma ci sono sfide per risolvere questo problema:
- La pertinenza dell'annuncio dipende sia dal contenuto dell'annuncio che dalla sua pubblicazione. Un annuncio di alta qualità consegnato al pubblico sbagliato minerà il rendimento della campagna.
- Ogni annuncio genera il proprio set di dati sul rendimento. Gli algoritmi si basano su grandi quantità di dati coerenti sulle prestazioni degli annunci per identificare il pubblico giusto per ciascun annuncio.
- Le piattaforme pubblicitarie segmentano gli utenti per migliorare la pertinenza e il coinvolgimento degli annunci in base a vari fattori. Tuttavia, questa segmentazione potrebbe non essere sempre in linea con le coorti di clienti ideali per un marchio di e-commerce.
Questi fattori hanno importanti implicazioni per la pubblicità e-commerce.
Mostrare annunci a un pubblico non previsto è uno spreco di denaro
Considera un marchio sportivo che piace sia ai giocatori occasionali che a quelli competitivi. Se il brand pubblica un annuncio per la sua attrezzatura professionale senza un targeting specifico, gli algoritmi mostreranno l'annuncio a un vasto pubblico. Poiché le piattaforme pubblicitarie non segmentano gli acquirenti esattamente come fa il marchio, l'annuncio potrebbe finire per essere mostrato a giocatori occasionali, che hanno meno probabilità di interagire con esso. Questa mancanza di coinvolgimento invia segnali negativi agli algoritmi, abbassando il punteggio di pertinenza dell'annuncio e rendendo più difficile garantire i migliori posizionamenti degli annunci.
Gli aggiornamenti frequenti degli annunci frammentano i dati sul rendimento
Un marchio di abbigliamento potrebbe rilasciare nuovi capi di abbigliamento e pubblicare annunci promozionali ogni mese. Dato che ogni annuncio ha un budget limitato e viene pubblicato solo per un breve periodo, gli algoritmi faticano a raccogliere dati sufficienti sulle prestazioni. Ciò rende difficile individuare il pubblico migliore per ciascun annuncio. Di conseguenza, gli algoritmi finiscono per mostrare questi annunci a molti acquirenti non idonei, il che diminuisce il punteggio di pertinenza dell'annuncio e fa aumentare i costi pubblicitari.
Le grandi promozioni interrompono l’apprendimento degli algoritmi
Quando i brand lanciano grandi promozioni per eventi speciali o lanci di prodotti, i loro annunci diventano temporaneamente più attraenti. Gli sconti consistenti possono attrarre clienti che normalmente non acquisterebbero i loro prodotti. Questi picchi temporanei nell’interazione dell’utente possono confondere gli algoritmi, portandoli a interpretare erroneamente i comportamenti tipici degli utenti. Di conseguenza, il costo per acquisizione spesso aumenta dopo queste grandi promozioni, costringendo i marchi a spendere in modo significativo in pubblicità per correggere questa interruzione.
Fortunatamente, i brand possono analizzare i comportamenti di acquisto dei propri clienti e guidare le piattaforme pubblicitarie per ottenere risultati ottimali anche con dati limitati sul rendimento degli annunci.
Identificare le giuste coorti di clienti
Quando un marchio esegue la segmentazione della clientela, l'obiettivo è identificare le preferenze distinte dei clienti per prodotto, messaggi e promozioni, in modo che il marchio possa migliorare le proprie strategie di vendita e marketing utilizzando queste informazioni sui clienti.
I fattori di segmentazione rilevanti possono variare per ciascun marchio, quindi è importante considerare il maggior numero possibile di fattori. I fattori chiave nella segmentazione dei clienti dell'e-commerce includono dati demografici, geografici, modelli di acquisto e tendenze di crescita.
I marchi possono utilizzare modelli di machine learning per identificare con precisione le coorti di clienti. Una volta completato questo processo, i marchi possono utilizzare queste informazioni sui clienti per impostare il targeting degli annunci e pubblicare campagne efficaci.
Per un marchio sportivo con cui ho lavorato, sono stato in grado di identificare gruppi distinti in base a fattori tra cui età, reddito e livello di competitività. Un gruppo era costituito da adulti di mezza età che vivevano in quartieri suburbani esclusivi e preferivano acquistare l'attrezzatura professionale del marchio. Un altro erano i giovani professionisti urbani che preferivano l'attrezzatura entry-level e praticavano questo sport con disinvoltura. Con queste informazioni, il brand è stato in grado di rivolgersi con precisione a gruppi diversi in base all'età e alla posizione e a presentare prodotti e impostazioni sportive diversi nelle campagne pubblicitarie per ciascun gruppo.
Progetta creatività efficaci
Oltre al targeting preciso degli annunci, diversi fattori lavorano insieme per creare un annuncio efficace per ciascun gruppo di clienti:
- Presenta i prodotti giusti
I marchi possono identificare i migliori prodotti per ciascuna coorte di clienti dai dati di vendita e di marketing e presentare prodotti diversi nelle creatività degli annunci per ciascuna coorte. Per un marchio di arredamento per la casa, i clienti giovani potrebbero preferire prodotti dai colori vivaci a prezzi accessibili, mentre i clienti benestanti preferiscono prodotti dal design lussuoso.
- Affrontare le esigenze rilevanti
Gli strumenti di intelligenza artificiale più recenti possono essere molto utili nel fornire idee per la messaggistica basata sull'ascolto sociale da recensioni e post sui social media. Per un marchio di benessere, è probabile che i giovani adulti acquistino prodotti per il fitness e l’energia, mentre i pensionati più anziani cercano di affrontare i problemi dell’invecchiamento e della salute.
- Mostra uno stile di vita riconoscibile
I marchi possono dedurre lo stile di vita di ciascun gruppo dai dati demografici, geografici e di vendita. Anche in questo caso gli ultimi strumenti di intelligenza artificiale possono aiutarti a creare un'istantanea dello stile di vita di ciascuno dei tuoi gruppi. Per quanto riguarda i prodotti ricreativi, i genitori con bambini piccoli potrebbero rispondere bene ai creativi che mostrano famiglie energiche che giocano insieme con i prodotti. I nonni potrebbero avere maggiore risonanza con le scene in cui gli anziani si legano ai loro nipoti.
Considerati i tempi di attenzione brevi di oggi, gli annunci che sono più riconoscibili per il loro pubblico di destinazione hanno maggiori possibilità di distinguersi e di avere successo.
Personalizza le offerte promozionali
Gli sconti promozionali sono sempre più diffusi nell'economia odierna, ma i marchi hanno molte alternative per strutturare la propria offerta di prodotti. Molti marchi ci hanno detto che sanno che alcuni clienti non hanno bisogno di sconti per effettuare un acquisto, ma non sono sicuri su come fornire promozioni diverse a segmenti diversi. La buona notizia è che la segmentazione dei clienti e il targeting preciso degli annunci offrono nuove opportunità.
Poiché diversi gruppi di clienti preferiscono prodotti diversi, una strategia pratica è offrire promozioni uniche per ciascun tipo di prodotto. Ad esempio, un marchio di abbigliamento può promuovere accessori in edizione limitata per clienti benestanti. Nel frattempo, potrebbero offrire sconti sugli stili di abbigliamento più popolari tra i giovani adulti.
Le campagne pubblicitarie ad alto rendimento si basano su targeting preciso, messaggi efficaci e offerte di prodotti interessanti. I grandi creativi da soli non possono garantire il successo nell'acquisizione di clienti. Considerati i numerosi fattori coinvolti nell’ottimizzazione degli annunci, i brand dovrebbero testare e apprendere continuamente cosa funziona meglio per la loro attività specifica. La scienza dei dati può aiutare a guidare i marchi di e-commerce in questo percorso con strategie di vendita e marketing approfondite.
Fonte: towardsdatascience.com
