I dati di prima parte non sono mai stati così importanti per i marketer come oggi. Da qui l'onnipresente sforzo di sviluppare ulteriormente le tecnologie che rendono questi dati utilizzabili. I dati comprendono segnali online provenienti da tag su un sito web o da SDK di un'app, ma anche dati provenienti da sistemi CRM o da liste di marketing offline che vengono attivate collegandosi a una DMP. Purtroppo, molti marketer utilizzano ancora spesso i dati di prima parte per un retargeting manuale e troppo ingenuo, non riuscendo così a sfruttare appieno il potenziale dei loro dati.
I marketer oggi si affidano molto al retargeting, che dà buoni risultati anche con un utilizzo meno sofisticato. A mio avviso, però, si spendono troppi soldi per retargeting di potenziali clienti che non hanno un chiaro interesse o che mostrano un comportamento di intenzione di acquisto ma che in realtà non hanno alcuna intenzione di acquistare. Si tratta di utenti che hanno aperto un sito web solo per errore, ad esempio, o che hanno visitato una pagina solo molto brevemente.
Ritengo che ci siano grandi differenze nella qualità dei dati di retargeting e ho scoperto che il miglior inventario di retargeting raggiunge un tasso di conversione 10.000 volte superiore ed è centinaia di volte più efficace in termini di costo per azione rispetto al peggiore. Ma la maggior parte delle aziende acquista i propri dati "alla cieca", pagando lo stesso prezzo per tutte le qualità.
Mentre il retargeting funziona bene per la maggior parte delle campagne, i modelli avanzati di apprendimento automatico basati sull'intelligenza artificiale e sugli algoritmi di autoapprendimento possono essere efficaci almeno quanto il miglior retargeting. Lo si vede dalla sovrapposizione che si verifica quando si confrontano le prestazioni del traffico basato su retargeting e prospecting. Questo è davvero entusiasmante: significa che i marketer possono ottenere ottime prestazioni simili a quelle del retargeting e raggiungere nuovi utenti invece di rivolgersi solo a quelli esistenti.
Naturalmente, i risultati migliori si ottengono con una combinazione di dati di prima parte e di dati dettagliati di terze parti. Tuttavia, non è pratico farlo nel modo consueto di creare manualmente pubblici compositi utilizzando combinazioni booleane. Credo che i marketer abbiano bisogno di un partner tecnologico, in grado di utilizzare modelli di machine learning per identificare automaticamente le combinazioni di dati più potenti e determinarne il valore relativo.
L'apprendimento automatico può essere utilizzato per scoprire connessioni nei flussi di dati che non sono evidenti a prima vista: Gli utenti che hanno appena prenotato un viaggio, ad esempio, sono più propensi ad acquistare determinati prodotti nelle 4-6 settimane precedenti il viaggio. Questo è il risultato di uno studio di Rocket Fuel basato sull'analisi di campagne del settore alberghiero e ricettivo.
Si è quindi dimostrato molto efficace se gli algoritmi di autoapprendimento includono questo comportamento come attributo nelle loro campagne per tali prodotti. In questo modo i rivenditori possono ottenere una maggiore performance della campagna.
Molti DSP costruiscono modelli per identificare ed espandere i gruppi target che in precedenza hanno funzionato bene e usano questi modelli per dividere le persone in segmenti di gruppi target. Tuttavia, questa fase è solo la prima di una serie di misure che possono aiutarvi a ottenere il massimo dai vostri gruppi target. Lo stesso cliente è a volte più e a volte meno prezioso per una campagna a seconda del contesto, in base a numerosi fattori contestuali come l'attività, il sito web o l'app attualmente visitati, l'ora del giorno, il meteo e innumerevoli altri. Integrando questi dati contestuali con dati comportamentali, demografici e di prima parte in un unico modello, è possibile assegnare efficacemente un valore a ogni potenziale momento di interazione. Ciò significa che ogni momento può trarre vantaggio dagli insegnamenti del momento precedente. A mio avviso, questo è l'unico approccio per utilizzare con successo la potenza combinata di una DSP e di una DMP, nonché la potenza combinata dei dati di prima parte e dei dati di terze parti.
Se non avete ancora fatto il grande passo, fatevi un favore ed evitate costose sperimentazioni. Prendete la scorciatoia diretta e combinate i vostri dati di prima parte con l'apprendimento automatico, le informazioni comportamentali, i dati demografici, i dati contestuali e i dati di terze parti per ottenere le migliori prestazioni possibili dalla vostra campagna.
L'autore
Oliver Hülse è responsabile delle attività commerciali di Rocket Fuel in Germania, Austria e Svizzera. È responsabile delle relazioni con i clienti e con i principali inserzionisti e agenzie. Sta inoltre costruendo il team di Amburgo e sta attualmente reclutando personale per le aree di vendita e di gestione degli account. Oliver Hülse proviene da Adconion Media Group, dove è stato recentemente amministratore delegato della German GmbH. Il 41enne di Amburgo ha iniziato la sua carriera tredici anni fa come responsabile delle vendite presso il gruppo editoriale Milchstrasse e successivamente presso Tomorrow Internet. Ha poi trascorso diversi anni come vicepresidente delle operazioni internazionali presso Interactive Media CCSP..
Carburante per razzi è un fornitore di una piattaforma di marketing programmatico con tecnologia di moment scoring. Tra i suoi clienti ci sono marchi e agenzie che possono utilizzare i due pilastri di Rocket Fuel - Data Management Platform (DMP) e Demand Side Platform (DSP) - per ottimizzare le prestazioni, l'awareness e il lift attraverso tutti gli obiettivi di marketing, i canali e i dispositivi.