Nhà quảng cáo cần biết nhiều hơn các mô hình máy học

Các thương hiệu và nhà quảng cáo cần biết khách hàng đã xem những quảng cáo nào, chiến dịch nào mang lại hiệu suất tốt nhất và những điểm tiếp xúc quan trọng nhất trong việc thúc đẩy chuyển đổi.

Nhưng việc hiểu được những hành động mà mọi người thực hiện sau khi tương tác với một quảng cáo là một thách thức to lớn vì có thể có các khoảng trống với những thông tin sẵn có cho những người làm marketing.

Khách hàng có thể mua sắm trên các trình duyệt và thiết bị khác nhau hoặc nghiên cứu sản phẩm trực tuyến (online) và sau đó mua hàng ngoại tuyến (offline). Họ có thể đã xem nhiều quảng cáo, nhưng chỉ có một trong số chúng được truyền cảm hứng để hành động.

Và điều đó đang ở trong những thời điểm tốt nhất. Chúng ta đang chứng kiến những sự thay đổi trong hành vi mua sắm do đại dịch vẫn đang tiếp diễn.

Thái độ của mọi người đối với quyền riêng tư kỹ thuật số đòi hỏi những nhà tiếp thị hay nhà quảng cáo phải thay đổi cách họ đo lường các nỗ lực quảng cáo kỹ thuật số (digital advertising) của mình.

Tuy nhiên, các doanh nghiệp vẫn cần đưa ra các quyết định dựa trên dữ liệu và tập trung vào việc nâng cao hành trình của khách hàng bất cứ khi nào có thể.

Và đây chính là lúc các mô hình máy học ra đời. Các doanh nghiệp ngày càng dựa vào công nghệ máy học để lấp đầy các khoảng trống dữ liệu giữa thương hiệu với khách hàng khi dữ liệu trực tiếp từ người tiêu dùng không có sẵn.

Các mô hình máy học làm việc như thế nào.

Các mô hình máy học hay machine learning models được tạo ra bằng cách phân tích một lượng lớn các dữ liệu trong lịch sử, xác định mối tương quan và xu hướng giữa các điểm dữ liệu chính và sử dụng những insights đó để đưa ra các dự đoán chính xác về hành vi của người tiêu dùng.

Trong nhiều năm, các marketer đã sử dụng công nghệ máy học để lập mô hình tỷ lệ chuyển đổi trong trường hợp có các khoảng trống trong những dữ liệu có sẵn giữa các tương tác và chuyển đổi trong quảng cáo, chẳng hạn như trong các giao dịch O2O, khi khách hàng tương tác online nhưng lại mua hàng offline.

Các mô hình máy học này cũng có thể hoạt động ngay cả khi các loại dữ liệu thường được quan sát khác không còn nữa – chẳng hạn như khi người dùng chọn không sử dụng cookies.

Bằng cách sử dụng công nghệ máy học để khám phá cách những người dùng đồng ý cho sử dụng cookies để theo dõi, chúng ta có thể sử dụng các thông tin đó để xây dựng các đường dẫn phân bổ (attribution paths) cho những người chọn không sử dụng cookies.

Bên ngoài các mô hình chuyển đổi.

Các mô hình chuyển đổi chỉ là một phần mà các mô hình hay công nghệ máy học có thể lấp đầy khoảng trống khi những dữ liệu được quan sát không có sẵn. Hãy xem xét 04 trường hợp khác mà các mô hình máy học có thể giúp cung cấp thêm thông tin và dữ liệu.

Mô hình hành vi – Behavioural modeling.

Doanh nghiệp của bạn đã sẵn sàng cho một tương lai của thế giới không có cookies chưa?

Nếu bạn đã sẵn sàng, bạn có gặp phải bất kỳ sự mất mát dữ liệu nào trong báo cáo phân tích của mình không?

Mô hình hành vi cung cấp cho doanh nghiệp những cái nhìn sâu sắc về các hành động ngoài chuyển đổi mà mọi người có thể thực hiện trên website hoặc trong ứng dụng khi những người đó từ chối việc sử dụng cookies để theo dõi.

Nó hoạt động bằng cách sử dụng hoạt động của những người tương tự đã đồng ý sử dụng cookies để mô phỏng hành vi của những người đã từ chối sử dụng.

Nó cho phép các nhà quảng cáo liên kết người dùng và các phiên (sessions) để trả lời các câu hỏi như “Tôi có được bao nhiêu người dùng mới từ chiến dịch cuối cùng của mình?”

Mô hình phân bổ – Attribution modeling.

Bạn có thể đã sử dụng một số hình thức của mô hình phân bổ, các nhà tiếp thị sử dụng mô hình này để xác định điểm tiếp xúc nào trong hành trình của khách hàng đang thúc đẩy hoạt động mua sắm nhiều nhất.

Mặc dù có nhiều cách để phân bổ ngân sách cho các điểm tiếp xúc marketing, nhưng mô hình phân bổ theo hướng dữ liệu cung cấp các kết quả chính xác nhất bằng cách sử dụng công nghệ máy học để quyết định mức độ quan trọng của mỗi điểm tiếp xúc đối với một chuyển đổi.

Mặt khác, các mô hình phân bổ theo hướng dữ liệu so sánh đường dẫn của những khách hàng đã chuyển đổi với đường dẫn của những khách hàng không xác định trong số các tương tác với quảng cáo trước khi dẫn đến chuyển đổi.

Bạn có thể xem chi tiết về mô hình từ Google tại: Attribution modeling

Mô hình trực tuyến sang ngoại tuyến – O2O modeling.

Các địa điểm kinh doanh của bạn có được kết nối với các chiến dịch quảng cáo của bạn không? Bạn đã tải lên dữ liệu bán hàng của bên thứ nhất để hỗ trợ việc đo lường trực tuyến sang ngoại tuyến chưa?

Việc lập mô hình trực tuyến sang ngoại tuyến có thể phân bổ các giao dịch mua hoặc lượt truy cập trực tiếp cho các điểm tiếp xúc của quảng cáo trực tuyến.

Trước đây, các nhà quảng cáo không thể hiểu liệu những người tiếp xúc trực tuyến đó có thúc đẩy doanh số bán hàng tại các cửa hàng của mình hay không.

Giờ đây, các mô hình trực tuyến sang ngoại tuyến có thể kết hợp các tín hiệu từ nhiều nguồn – chẳng hạn như các bản khảo sát, hỏi đường trực tuyến, các cuộc gọi đến vị trí của cửa hàng hoặc dữ liệu bán hàng tại cửa hàng để ước tính mức độ tác động của các chiến dịch marketing trực tuyến cụ thể.

Bạn có thể xem chi tiết về mô hình từ Google tại: Online-to-offline modeling

Mô hình phạm vi tiếp cận duy nhất – Unique Reach modeling.

Các chỉ số tiếp cận đối tượng mục tiêu có quan trọng đối với các nỗ lực marketing và kinh doanh của bạn không? Có bất cứ phân khúc khách hàng đặc biệt nào bạn đang tiếp cận thành công không? hay có phân khúc nào mà bạn muốn cải thiện hiệu quả không?

Lập mô hình phạm vi tiếp cận duy nhất giúp những người làm marketing xác định tần suất mà mọi người trong một nhóm nhân khẩu học cụ thể đã được hiển thị với một quảng cáo cụ thể và trên thiết bị nào.

Mọi người thường sử dụng nhiều thiết bị suốt cả ngày, khiến các nhà tiếp thị khó xác định xem một lượt xem quảng cáo trên máy tính để bàn và trên thiết bị di động là từ cùng một người hay hai người.

Mô hình phạm vi tiếp cận duy nhất sử dụng công nghệ máy học để đo lường tổng phạm vi tiếp cận của một quảng cáo bằng cách tính đến các trường hợp khi mọi người có thể nhìn thấy cùng một quảng cáo trên các thiết bị khác nhau hoặc khi nhiều người dùng chung một thiết bị. Thông tin này có thể giúp các nhà quảng cáo xác định các điểm tiếp xúc hiệu quả nhất cho ngân sách quảng cáo của họ.

Bạn có thể xem chi tiết về mô hình từ Google tại: Unique Reach modeling

Hãy bắt đầu kiểm tra khả năng đo lường của bạn ngay từ hôm nay.

Những nhà quảng cáo nói riêng và người làm marketing nói chung nên xem xét các loại mô hình dữ liệu khác nhau và kiểm tra với đội nhóm của họ để xem họ có thể sử dụng chúng như thế nào hoặc nếu có cơ hội để khám phá những mô hình mới thì họ nên làm gì.

Khi chúng ta chuyển sang một thế giới có ít cookies và các số nhận dạng khác hơn, việc duy trì một phép đo chính xác sẽ phụ thuộc nhiều vào việc sử dụng dữ liệu của bên thứ nhất một cách thông minh.

Những nhà tiếp thị nhanh nhẹn là những người hành động ngay từ hôm nay.

Tham gia Cộng đồng We’re Marketer để thảo luận các chủ đề về Marketing và Business tại: Link

Tra Nguyen