Derin Öğrenme Tahminleriyle Dijital Pazarlamanızı Nasıl Güçlendirebilirsiniz?

“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

Bugün, dünya çapındaki kuruluşların %83'ü yapay zekayı birinci öncelik olarak görüyor ve yapay zeka pazarının 2030 yılına kadar yirmi kat artması öngörülüyor. Yoğunlaşan rekabetin ortasında, işletmelerin artık yapay zeka teknolojilerini göz ardı etmeye cesaret edememeleri mantıklı.

Bu nedenle, dijital pazarlamadaki bazı ilerlemelere rağmen, reklam kampanyalarının optimum verimliliğin altında kalmaya devam etmesi, reklam yatırımlarının ortalamanın altında getiri sağlaması, kampanyaların karşılaştırma ölçütlerini ve KPI'ları karşılayamaması ve ROI'lerin ölçülmesinin zor olması birçokları için oldukça hayal kırıklığı yaratıyor.

Yapay Zekanın Gücüyle Geleneksel Reklamcılığı Altüst Ediyoruz

Yıllar geçtikçe, şirketler önemli miktarda ham veri biriktirdi; bu, genellikle yeterince kullanılmayan ve yeterince değer verilmeyen pazarlama içgörüleri açısından gerçek bir altın madenidir. İşletmeler, reklam kampanyalarına yatırım yaptıktan sonra müşterilerini ve ihtiyaçlarını daha iyi anladılar. Ancak birçoğu bu verilerden etkili bir şekilde nasıl para kazanılacağını henüz öğrenmedi.

Karları artırmak için şirketler daha yüksek marj göstergelerine daha fazla dikkat etmeye başladı. Bu, gereksiz çalışanların işten çıkarılmasına ve iş süreçlerinin otomasyonuna yol açtı. Tesla gibi çokuluslu şirketler ve iş adamları, üretimdeki hataları en aza indirmek ve enflasyon nedeniyle artan işçilik maliyetlerini azaltmak için robot teknolojisine ve otomasyona önemli kaynaklar yatırıyor.

Geleneksel medya reklamcılığı, bilgi doygunluğu ve banner körlüğü nedeniyle daha az etkili hale geldi. Bu nedenle şirketler, dönüşüm oranlarını ve kampanya verimliliğini artırmak için kişiselleştirme ve hedefli reklamcılık üzerinde aktif olarak çalışıyor. Sonuç olarak işletmeler kullanıcı edinmeye daha fazla yatırım yapıyor ancak getirilerinin güvence altına alınması gerekiyor.

Yüksek hisselere ve dar kullanıcı segmentlerine sahip şirketler için analizler ve geçmiş kullanıcı etkinliği verileri, hangi kullanıcıların daha fazla kâr getirdiğini ve bunları nasıl daha verimli bir şekilde elde edebileceklerini belirlemeye yardımcı olabilir. Bu şekilde reklam kampanyalarında ince ayar yapabilir ve performans pazarlama ölçümlerini geliştirebilirler.

Google ve Meta gibi açık artırma platformlarında artan maliyetler bağlamında şirketler, artan tıklama maliyetleri ve rekabetle karşı karşıya kalıyor. Bu nedenle, kullanıcı edinme yatırımlarının ne kadar hızlı telafi edilebileceğini anlamak önemlidir. Lemon AI gibi analiz çözümleri, şirketlerin geri ödeme süresini belirlemesine ve reklam bütçelerini ölçeklendirme veya ayarlama konusunda bilinçli kararlar almasına yardımcı olabilir.

Bu aslında nasıl çalışıyor?

Piyasada gerçekleşen iki senaryoya bir göz atalım.

1. Çok geniş bir hedef kitleden çok sayıda satın alma işlemi gerçekleştiriyorsunuz; bazı kullanıcılar size daha fazla gelir sağlıyor ve diğerlerine göre sizinle daha uzun süre kalıyor.

   
   

Yine de, yaşam boyu değerleri ve elde tutma oranları önemli ölçüde farklılık gösterse bile, geniş kitlenizdeki tüm kullanıcılar için aşağı yukarı aynı ortalama fiyatı ödersiniz. Bu elbette kampanyalarınızı olabileceğinden daha az verimli hale getirir. Bu nedenle, her kullanıcının potansiyel karlılığını göz önünde bulundurarak harcamalarınızı optimize etmek istemeniz mantıklıdır. Bu nedenle hedef kitlenizi, her bir segmentin gelecekte size ne kadar kazandıracağına dayalı olarak segmentlere ayırmanız çok önemlidir.

Bu bilgilere dayanarak, farklı segmentler için tahmin değerlerine bağlı olarak farklı tutarlarda ödeme yapabilirsiniz. Örneğin, olabilir

• A segmentindeki kullanıcılar için size 15 ila 20 ABD Doları getirecek 5 ABD Doları,

• B segmentindeki kullanıcılar için 7,5 ABD doları, size 25 ila 30 ABD doları getirecek ve

• 30 ABD dolarının üzerinde potansiyel yaşam boyu değere sahip C segmentindeki kullanıcılar için 10 ABD doları.

  
  

2. Çok az sayıda hedef kullanıcınız olduğunu ve mevcut ödeme yapan kitlenize benzer ancak henüz satın alma işlemi gerçekleştirmemiş kullanıcıları bulmanız gerektiğini düşünün.

   
   

Bu durumda hedef kitlenizi genişletmek isteyebilirsiniz. Buradaki zorluk, çok az olayın gerçekleşmesi nedeniyle ihtiyacınız olan kullanıcıları hemen tespit etmenin zor olmasıdır. Burada yapabileceğimiz şey, mümkün olduğunca benzer bir hedef kitle için oluşturduğumuz tahminlerimizden yararlanmaktır; Sonuç olarak, kullanıcı edinme kaynağınız, ilgisini çekecek hedef kullanıcılar hakkında çok daha fazla bilgi sahibi olur ve bu bilgiye dayanarak kolayca optimize edilebilir.

Geçmişte, örneğin satın alma işlemi gerçekleştiren kullanıcıların yalnızca %1'i varsa, dönüşüm oranınızı yalnızca %5'e çıkarmak zaten gelirleriniz üzerinde büyük etkisi olan önemli bir gelişmedir.

Bu problemleri çözmenin etkililiğinin her zaman matematik ve veri işleme yöntemlerine bağlı olduğunu belirtmek önemlidir. Çok sayıda veri toplama yöntemi mevcut ancak tüm şirketler bunları nasıl doğru bir şekilde analiz edip paraya çevireceğini öğrenmedi.

Belirli bir sektör için hangi yöntem ve yaklaşımların en iyi sonucu verdiğini anlamak, şirketlere avantaj sağlayabilir ve daha iyi sonuçlar elde etmelerine yardımcı olabilir.

Reklam Kampanyalarınızın Parlamasını Sağlayın

Buradaki ilk adım kampanyanızın hedefini tanımlamaktır. Örneğin, yeni bir oyun ya da fitness uygulaması olsun, yeni bir ürün tanıtmak istiyorsanız, ilk hedefiniz marka bilinirliği yaratmak ve böylece insanların bu ürünü yaymaya başlamasını sağlamak olacaktır. Bu noktaya ulaşmak için, en verimli kitle kazanımına yönelik harcamaları optimize etmek üzere arama yaptığınız Display & Video 360 (DV360) veya Google'ın Görüntülü Reklam Ağı (GDN) gibi çeşitli medya kanallarını kullanabilirsiniz.

Daha sonra sıra Kullanıcı Edinimi (UA) ve Performans'a geliyor ve burada iki temel sorumuz var.

İlk olarak, çeşitli kanalları kullanarak en uygun pazarlama karmasını nasıl buluruz?

Örneğin, reklam bütçenizi Google, TikTok ve diğerleri gibi farklı kanallara verimli bir şekilde dağıtmak ciddi bir zorluk olabilir. Hedeflerinize ulaşmak için bu kanalların en iyi kombinasyonunu nasıl oluşturacağınızı belirlemek çok önemlidir. Pazarlama karışımınız (farklı kanallara yatırılan reklam bütçelerinin yüzdesi) Google'da %50, Meta'da %30, TikTok'ta %10 vb. içerebilir.

Her kanalın kendi optimizasyon mekanizmaları vardır ve bunlardan hangisinin şirketinize en uygun olduğunu belirlemek önemlidir. Bazı optimizasyon motorları, hedef kitlelerine ve benzersiz entegrasyonlara bağlı olarak belirli kanallarda daha iyi çalışır. Örneğin oyun şirketleri, standart reklam ağlarında bulunmayan oyun ve formatlarla entegrasyonlara değer veriyor.

Her kanalda banner'lar, videolar ve hedefleme ayarları gibi en etkili yaratıcı çözümleri bulmak için A/B testleri gerçekleştirirsiniz. Uygun varlıklar hedeflerinize en verimli şekilde ulaşmanıza yardımcı olacaktır.

İkinci soru kanallar arası stratejilerle ilgilidir. Bu, kitlenizin davranışlarına göre nereye yönlendirileceğini belirlemeyi içerir. Örneğin, bazı kullanıcıların işe giderken mobil uygulamada ödeme işlemini başlattığını ve ardından bu işlemi web sitesinde tamamladığını anlarsanız, reklamlarınızı bu tür kullanıcılar için süreci optimize edecek şekilde uyarlayabilirsiniz.

Bu aynı zamanda günün farklı saatlerinde kişiselleştirilmiş reklamcılığı ve farklı banner'ların ve reklam ayarlarının etkinliğini tahmin etmek için yapay zeka destekli araçların kullanılmasını da içerir.

Sonunda göreviniz en uygun kanal kombinasyonunu bulmak, her kanalı optimize etmek ve kitlenizin davranışını anlamaya dayalı bir kanallar arası strateji oluşturmaktır.

Tahmine Dayalı UA ve Geleneksel Teklif Uygulamaları

Genellikle, genellikle 5.000'in üzerinde benzersiz kullanıcı olmak üzere yeterli miktarda geçmiş veri toplarsınız. Daha sonra tahmine dayalı modeller metin yerine sayılarla çalıştığı için ham verileriniz sayısal formata dönüştürülür. Süreç şöyle görünüyor:

1. Veri Hazırlama : Model eğitimi için kullanmayı planladığınız verilerin sayısal formata dönüştürülmesi gerekmektedir.

2. Model Eğitimi : Modeli eğitmek için geçmiş kullanıcı etkinliği verileri kullanılır. Model, yeni kullanıcıların etkinliklerindeki kalıplara göre ne kadar para getirebileceklerini tahmin edecek şekilde eğitildi.

3. Model Değerlendirme : Model, tahmin yapabilme yeteneğine göre değerlendirilir.

4. Model Dağıtımı : Eğitimden sonra model gerçek zamanlı olarak dağıtılabilir, böylece uygulamanızla o anda etkileşimde olan kullanıcıların değerlerini tahmin edebilirsiniz.

5. Gerçek Zamanlı Veri Toplama : Yeni kullanıcı etkinliği verileri gerçek zamanlı olarak toplanır.

   
   

Lemon AI , %90'ın üzerinde tahmin doğruluğu sunan patentli derin öğrenme teknolojisiyle bu adımları sizin için tamamen otomatikleştirir . Yalnızca neyi tahmin etmek istediğinizi seçmeniz gerekir: bu, geleneksel bir performans pazarlama KPI'sı (örneğin, ROAS, LTV, elde tutma, ARPU ve CAC) veya işletmeniz için önemli olan herhangi bir özel metrik olabilir. İster oyununuzda 20 seviyeyi tamamladıktan sonra 100 mücevher harcayan kullanıcıları, ister e-ticaret platformunuzda son 30 gün içinde 500$ değerinde en az 3 sipariş veren kullanıcıları belirlemek olsun, çözümümüz, temel olarak en önemli ölçümleri belirlemenize yardımcı olacaktır. ham veri analizi yapın ve uygulamanızın veya web sitenizin performansını artırmak için özel bir etkinlik oluşturun.

Geriye kalan her şey (model eğitimi, özellik mühendisliği, veri ayrıştırma ve eyleme geçirilebilir içgörülere dönüştürme) otomatik olarak gerçekleşir ve teknolojinin derinliklerine inmenizi gerektirmez. Pull & Push API aracılığıyla kodsuz veri aktarımı yalnızca 30 dakika sürer ve derin öğrenme modelleri 48 saat içinde eğitilir. Hızlı İzleme özelliği, SKAN sınırlamalarına rağmen yeni bir kullanıcının uygulamayı başlatmasından sonraki 15 saniye içinde ilk tahminleri oluşturmaya başlamanıza olanak tanır. Önde gelen mobil yönetim ortakları ve analiz hizmetleriyle kusursuz entegrasyon, süreci daha da kolaylaştırıyor.

Reklam yöneticinizde, optimize edilmiş kampanyalarınızın nasıl performans gösterdiğini gerçek zamanlı olarak izleyebilir ve bunları gerçek sonuçlara ve model tahminlerine göre ayarlayabilirsiniz. Lemon AI'nin sezgisel arayüzü, özel yöneticilere veya kodlama becerilerine olan ihtiyacı ortadan kaldırır, böylece kampanya optimizasyonu birkaç düğmeye basmak kadar basit hale gelir ve sizi teknik karmaşıklıklardan kurtarır.

Uçtan uca analiz çözümümüz, Mobil Ölçüm Platformları (MMP'ler), CRM'ler, arka uç depoları vb. gibi farklı veri depolarındaki verilerin eşleştirilmesinin otomatikleştirilmesine yardımcı olur. Bu, işletmelerin, işledikleri tüm ham verilerden sorunsuz bir şekilde eyleme geçirilebilir bilgiler elde etmelerine olanak tanır. elinde bulundurmak.

Yukarıda belirtilen tüm adımların otomatikleştirilmesi, reklam satın almayı çok daha verimli hale getirir. Reklamcılık çalışmalarınızı otomatik kampanyalara ve detaylı analizlere dayanarak yönlendirerek KPI'larınızı geleneksel reklamcılık yöntemlerine göre %30-40 oranında artırabilirsiniz.

Gerçekten işe yarıyor!

Lemon AI, şirketlerin, ister maliyetleri korurken KPI'leri geliştirmek, ister tam tersi, KPI'lardan ödün vermeden maliyetleri azaltmak anlamına gelse de, hedeflerine uygun olarak gelişmiş derin öğrenme teknolojisinden yararlanmasına olanak tanır. Yalnızca altı ayda e-ticaret, bankacılık, oyun, dağıtım, konaklama ve seyahat gibi sektörlerde faaliyet gösteren 60'tan fazla müşterimiz için toplam 8,2 milyon dolarlık reklam harcamasını optimize ettik.

İşte sadece iki kısa örnek.

Durum 1: E-ticarette YBD'de %49 artış

Zorluk : 25 milyon yükleme ve 650.000'den fazla aylık ortalama kullanıcıya sahip, MENA bölgesinin önde gelen e-ticaret platformu, geniş ürün yelpazesine rağmen düşük LTV, AOV ve elde tutma oranlarıyla mücadele ediyordu. Mobil uygulama, tahmine dayalı kullanıcı edinme ve analiz araçlarından çok az etki yaratacak şekilde yararlanıyordu.

Amaç, kapsamlı bir dijital pazarlama stratejisi uygulayarak ve Google Ads ile Meta Reklam kanallarını yüksek değerli kullanıcıları çekmek, tekrarlanan satın alımları teşvik etmek ve tahmine dayalı kişisel dinamik teklifler geliştirmek için optimize ederek iş ölçümlerinde sürdürülebilir büyüme sağlamaktı.

3 adımda oraya nasıl ulaştık:

1. Satın alma alışkanlıklarını ve uygulamayı kullanmayı bırakma olasılığını tahmin etmenin yanı sıra kullanıcı edinme ve elde tutma stratejilerini optimize etmek için verileri analiz ettik.

2. 60 gün içinde en yüksek %35 YBD'ye sahip olan kullanıcıları ve kurulumdan sonraki 30 gün içinde 3'ten fazla satın alma işlemi gerçekleştiren kullanıcıları hedefledik. 3 ay sonra CAC'yi %17,9 oranında azalttık, banner'ları, metinleri ve USP'leri optimize ettik.

3. Alışveriş deneyimini geliştirmek için satın alma geçmişine dayalı kişiselleştirilmiş ürün önerilerini hayata geçirdik ve AOV'yi beş ayda %59 artırdık.

   
   

Sonuçlar :

Android için: 60. Günde +%35 Elde Tutma, +%42 AOV, +%49 YBD

iOS için: 60. Günde +%17 Elde Tutma, +%33 AOV, +%32 YBD

2. Durum: Basit bir oyunun ROAS'ı %42 arttı

Zorluk : 5 milyonun üzerinde yükleme ve 700 binin üzerinde aylık ortalama kullanıcıya sahip sıradan bir oyun olan müşteri, kullanıcı deneyimi ile katılımı dengelerken MENA, Avrupa ve APAC bölgelerinde geliri en üst düzeye çıkarmak amacıyla reklam stratejisini optimize etmeye çalıştı.

Amaç, AppsFlyer'dan alınan verileri kullanarak uygulama içi satın almalarla ROAS'ı ve Elde Tutmayı artırmaktı.

Oraya nasıl ulaştık:

1. Lemon AI modeli yalnızca sekiz gün içinde hiçbir kod gerektirmeden tamamen eğitildi ve entegre edildi.

2. Gelire göre ilk %10, %20 ve %30'daki oyuncular için ML tabanlı tahminler yaptık.

3. '10. seviyeye' ulaşan ve toplam 200 'elmas' harcayan oyuncular için, temsili bir ölçüm görevi gören ve verimliliği artıran özel bir etkinlik oluşturduk.

   
   

Sonuçlar:

+%17 genel verimlilik bkz. müşterinin dahili karşılaştırması

Android için: +%42 ROAS, +%28 Reklam Geliri

iOS için: +%27 ROAS, +%16 Reklam Geliri