paint-brush
Как усилить свой цифровой маркетинг с помощью прогнозов глубокого обученияк@lemonai
3,638 чтения
3,638 чтения

Как усилить свой цифровой маркетинг с помощью прогнозов глубокого обучения

к Lemon AI 9m2024/05/01
Read on Terminal Reader

Слишком долго; Читать

В этой статье мы исследуем влияние искусственного интеллекта и прогнозов глубокого обучения на цифровой маркетинг, давая некоторые конкретные советы о том, как сделать кампании блестящими.
featured image - Как усилить свой цифровой маркетинг с помощью прогнозов глубокого обучения
Lemon AI  HackerNoon profile picture
0-item
1-item

“We're at the beginning of a golden age of AI and are solving problems that were once in the realm of science fiction.” Jeff Bezos


Сегодня 83% организаций по всему миру называют ИИ своим главным приоритетом, при этом, по прогнозам, к 2030 году рынок ИИ вырастет в двадцать раз . На фоне усиления конкуренции имеет смысл, что предприятия больше не смеют игнорировать технологии ИИ.


Поэтому многих очень разочаровывает тот факт, что, несмотря на определенные достижения в цифровом маркетинге, рекламные кампании по-прежнему не достигают оптимальной эффективности: инвестиции в рекламу приносят неудовлетворительную прибыль, кампании не соответствуют контрольным показателям и ключевым показателям эффективности, а рентабельность инвестиций сложно измерить.

Нарушая традиционную рекламу с помощью ИИ

За прошедшие годы компании накопили значительный объем необработанных данных — настоящий золотой кладезь маркетинговых идей, который часто недостаточно используется и недооценивается. Инвестируя в рекламные кампании, компании стали лучше понимать своих клиентов и их потребности. Однако многие из них еще не научились эффективно монетизировать эти данные.


Для увеличения прибыли компании стали уделять больше внимания высокомаржинальным показателям. Это привело к увольнению лишних сотрудников и автоматизации рабочих процессов. Транснациональные корпорации и магнаты, такие как Tesla, вкладывают значительные ресурсы в робототехнику и автоматизацию, чтобы минимизировать ошибки на производстве и снизить затраты на рабочую силу, которые растут из-за инфляции.


Традиционная медийная реклама стала менее эффективной из-за информационной насыщенности и баннерной слепоты. Поэтому компании активно работают над персонализацией и таргетированной рекламой, чтобы повысить конверсию и эффективность кампаний. В результате компании вкладывают больше средств в привлечение пользователей, но их прибыль должна быть гарантирована.


Для компаний с высокими ставками и узкими сегментами пользователей аналитика и исторические данные о пользовательской активности могут помочь определить, какие пользователи приносят больше прибыли и как получить ее более эффективно. Таким образом, они могут точно настроить свои рекламные кампании и улучшить показатели результативного маркетинга.


В условиях роста затрат на аукционных платформах, таких как Google и Meta, компании сталкиваются с увеличением стоимости кликов и конкуренцией. Поэтому важно понимать, насколько быстро окупятся инвестиции в привлечение пользователей. Аналитические решения, такие как Lemon AI, могут помочь компаниям определить период окупаемости и принять обоснованные решения по масштабированию или корректировке своих рекламных бюджетов.

Как это на самом деле работает

Давайте посмотрим на два сценария, которые происходят на рынке.


  1. У вас большое количество покупок у очень широкой целевой аудитории , причем некоторые пользователи приносят вам больше дохода и остаются с вами дольше, чем другие.


Тем не менее, вы платите более или менее одинаковую среднюю цену за всех пользователей из вашей широкой аудитории, хотя их пожизненная ценность и уровень удержания могут значительно различаться. Это, конечно, делает ваши кампании менее эффективными, чем они могли бы быть. Итак, разумно оптимизировать свои расходы, учитывая потенциальную прибыльность каждого пользователя. Вот почему так важно сегментировать аудиторию на основе того, какую пользу каждый сегмент принесет вам в будущем.

На основании этой информации вы можете платить разные суммы за разные сегменты в зависимости от их прогнозной ценности. Например, это может быть

  • 5 долларов для пользователей из сегмента А, что принесет вам от 15 до 20 долларов,

  • 7,5 долларов для пользователей из сегмента Б, что принесет вам от 25 до 30 долларов, и

  • 10 долларов США для пользователей из сегмента C с потенциальной пожизненной ценностью более 30 долларов США.


  1. Представьте, что у вас очень мало целевых пользователей , и вам нужно найти пользователей, которые похожи на вашу текущую платежеспособную аудиторию, но еще не совершили покупку.


В этом случае вам захочется расширить свою аудиторию. Проблема здесь в том, что из-за очень небольшого количества событий сложно быстро определить нужных пользователей. Что мы можем здесь сделать, так это использовать наши прогнозы, созданные для максимально похожей аудитории; в результате ваш источник привлечения пользователей получает гораздо больше информации о целевых пользователях, которых нужно привлечь, и его можно легко оптимизировать на основе этих знаний.

Если исторически у вас был, скажем, только 1% пользователей, которые совершали покупки, увеличение вашего коэффициента конверсии всего до 5% уже является значительным улучшением, которое оказывает большое влияние на ваши доходы.


Важно отметить, что эффективность решения этих задач всегда зависит от математики и методов обработки данных. Существует множество методов сбора данных, но не все компании научились правильно их анализировать и монетизировать.

Понимание того, какие методы и подходы лучше всего подходят для конкретной отрасли, может дать компаниям преимущество и помочь им достичь лучших результатов.

Сделайте ваши рекламные кампании сияющими

Первым шагом здесь является определение цели вашей кампании. Например, если вы хотите представить новый продукт, будь то новая игра или фитнес-приложение, вашей первоначальной целью будет повышение узнаваемости бренда, чтобы люди начали распространять информацию о нем. Чтобы добиться этого, вы можете использовать различные медиаканалы, такие как Display & Video 360 (DV360) или контекстно-медийную сеть (GDN) от Google, где вы выполняете поиск, чтобы оптимизировать расходы для наиболее эффективного привлечения аудитории.


Далее дело доходит до привлечения пользователей (UA) и производительности , и здесь у нас есть два важных вопроса.


Во-первых, как нам найти оптимальный маркетинговый микс, используя различные каналы?

Например, эффективное распределение рекламного бюджета по различным каналам, таким как Google, TikTok и другим, может оказаться серьезной проблемой. Крайне важно определить, как создать наилучшую комбинацию этих каналов для достижения ваших целей. Ваш маркетинг-микс (процент рекламных бюджетов, вложенных в разные каналы) может включать 50 % в Google, 30 % в Meta, 10 % в TikTok и так далее.


Каждый канал имеет свои механизмы оптимизации, и важно определить, какой из них лучше всего подходит для вашей компании. Некоторые механизмы оптимизации работают лучше на определенных каналах в зависимости от их аудитории и уникальных интеграций. Например, игровые компании ценят интеграцию с играми и форматами, недоступными в стандартных рекламных сетях.


Внутри каждого канала вы проводите A/B-тесты для поиска наиболее эффективных креативных решений — баннеров, видеороликов и настроек таргетинга. Подходящие активы помогут вам наиболее эффективно достичь ваших целей.


Второй вопрос касается межканальных стратегий. Это включает в себя определение того, куда направить вашу аудиторию, исходя из ее поведения. Например, если вы понимаете, что некоторые пользователи начинают процесс оформления заказа в мобильном приложении по дороге на работу, а затем завершают его на веб-сайте, вы можете адаптировать свою рекламу для оптимизации процесса для таких пользователей.


Это также включает в себя персонализированную рекламу в разное время суток и использование инструментов на базе искусственного интеллекта для прогнозирования эффективности различных баннеров и настроек рекламы.

В конечном итоге ваша задача — найти оптимальную комбинацию каналов, оптимизировать каждый канал и создать кроссканальную стратегию, основанную на понимании поведения вашей аудитории.

Прогнозирующий UA и традиционные методы назначения ставок

Как правило, вы собираете достаточный объем исторических данных, обычно более 5000 уникальных пользователей. Затем ваши необработанные данные преобразуются в числовой формат, поскольку прогнозные модели работают с числами, а не с текстом. Процесс выглядит следующим образом:


  1. Подготовка данных : данные, которые вы планируете использовать для обучения модели, должны быть преобразованы в числовой формат.

  2. Обучение модели : для обучения модели используются исторические данные о активности пользователей. Модель обучена прогнозировать, сколько денег могут принести новые пользователи, исходя из закономерностей их активности.

  3. Оценка модели : модель оценивается на основе ее способности делать прогнозы.

  4. Развертывание модели . После обучения модель можно развернуть в режиме реального времени, чтобы вы могли прогнозировать ценности пользователей, которые в данный момент взаимодействуют с вашим приложением.

  5. Сбор данных в реальном времени : данные о деятельности новых пользователей собираются в режиме реального времени.


Lemon AI полностью автоматизирует эти шаги за вас с помощью своей запатентованной технологии глубокого обучения, которая обеспечивает точность прогнозирования более 90%. Вам нужно только выбрать , что вы хотите спрогнозировать : это может быть либо обычный KPI маркетинга эффективности (например, ROAS, LTV, удержание, ARPU и CAC), либо любой другой специальный показатель, имеющий решающее значение для вашего бизнеса. Будь то выявление пользователей, которые потратили 100 драгоценных камней после прохождения 20 уровней в вашей игре, или тех, кто разместил минимум 3 заказа на сумму 500 долларов США в течение последних 30 дней на вашей платформе электронной коммерции, наше решение поможет вам определить наиболее важные показатели на основе анализ необработанных данных и создание специального события для повышения производительности вашего приложения или веб-сайта.


Все остальное — обучение моделей, разработка функций, анализ данных и преобразование в полезную информацию — происходит автоматически и не требует от вас глубокого изучения технологий. Передача данных без кода через Pull & Push API занимает всего 30 минут, а обучение моделей глубокого обучения занимает 48 часов. Функция быстрого отслеживания позволяет начать генерировать первые прогнозы в течение 15 секунд после запуска приложения нового пользователя, даже с ограничениями SKAN. Полная интеграция с ведущими партнерами по управлению мобильными устройствами и аналитическими службами еще больше упрощает процесс.


В своем менеджере рекламы вы можете в режиме реального времени отслеживать эффективность оптимизированных кампаний и корректировать их на основе фактических результатов и прогнозов модели. Интуитивно понятный интерфейс Lemon AI устраняет необходимость в специальных менеджерах или навыках программирования, поэтому оптимизация кампании становится такой же простой, как нажатие нескольких кнопок, избавляя вас от технических сложностей.


Наше комплексное аналитическое решение помогает автоматизировать сопоставление данных в различных хранилищах данных, будь то мобильные измерительные платформы (MMP), CRM, серверные хранилища и т. д. Это позволяет предприятиям беспрепятственно получать полезную информацию из всего спектра необработанных данных, которые они используют. владеть.

Автоматизация всех вышеупомянутых шагов делает покупку рекламы более эффективной. Направив свои рекламные усилия на основе автоматизированных кампаний и подробной аналитики, вы сможете улучшить KPI на 30–40 % по сравнению с традиционными методами рекламы.

Это действительно работает!

Lemon AI позволяет компаниям использовать передовые технологии глубокого обучения в соответствии со своими целями, будь то улучшение ключевых показателей эффективности при сохранении затрат или наоборот – сокращение затрат без ущерба для ключевых показателей эффективности. Всего за шесть месяцев мы оптимизировали общие расходы на рекламу в размере 8,2 миллиона долларов США для более чем 60 клиентов из таких отраслей, как электронная коммерция, банковское дело, игры, доставка, гостиничный бизнес и путешествия.

Вот лишь два кратких примера.

Кейс 1: Рост LTV на 49% в электронной коммерции

Задача : ведущая платформа электронной коммерции в регионе MENA с 25 миллионами установок и более чем 650 тысячами среднемесячных пользователей боролась с низкими показателями LTV, AOV и удержания, несмотря на широкий ассортимент продуктов. Мобильное приложение использовало инструменты прогнозирования привлечения пользователей и аналитики, но без особого эффекта.


Цель заключалась в том, чтобы обеспечить устойчивый рост бизнес-показателей путем реализации комплексной стратегии цифрового маркетинга и оптимизации каналов Google Ads и метарекламы для привлечения ценных пользователей, поощрения повторных покупок и разработки прогнозируемых персональных динамических предложений.


Как мы этого достигли в 3 шага:

  1. Мы проанализировали данные, чтобы спрогнозировать покупательские привычки и вероятность оттока, а также оптимизировать стратегии привлечения и удержания пользователей.

  2. Мы ориентировались на пользователей с максимальной LTV 35 % в течение 60 дней и тех, кто совершил более 3 покупок в течение 30 дней после установки. Через 3 месяца мы снизили CAC на 17,9%, оптимизировали баннеры, тексты и УТП.

  3. Мы внедрили персонализированные рекомендации по продуктам на основе истории покупок, чтобы повысить качество покупок, увеличив AOV на 59 % за пять месяцев.


Полученные результаты :

Для Android: +35% Retention, +42% AOV, +49% LTV на 60-й день.

Для iOS: +17% удержания, +33% AOV, +32% LTV на 60-й день.

Случай 2. В казуальной игре рентабельность инвестиций в рекламу выросла на 42 %.

Задача : клиент — казуальная игра с более чем 5 миллионами установок и 700 тысячами среднемесячных пользователей — стремился оптимизировать свою рекламную стратегию, чтобы максимизировать доход в регионах БВСА, Европы и Азиатско-Тихоокеанского региона, сохраняя при этом баланс между пользовательским опытом и вовлеченностью.


Целью было повысить рентабельность инвестиций в рекламу и удержание за счет покупок в приложении с использованием данных AppsFlyer.


Как мы туда попали:

  1. Всего за восемь дней модель Lemon AI была полностью обучена и интегрирована без необходимости написания кода.

  2. Мы сделали прогнозы на основе машинного обучения для 10%, 20% и 30% игроков с наибольшим доходом.

  3. Для игроков, достигших «10-го уровня» и потративших в общей сложности 200 «бриллиантов», мы создали специальное событие, которое служило косвенным показателем и повышало эффективность.


Полученные результаты:

+17% общая эффективность ср. внутренний ориентир клиента

Для Android: + 42 % рентабельность инвестиций в рекламу, + 28 % доход от рекламы.

Для iOS: +27 % рентабельность инвестиций в рекламу, +16 % доход от рекламы.