Technologia wykorzystywana w marketingu wydaje się być często tak zaawansowana, że prawie magiczna. Czy tak jest naprawdę? Przyjrzyjmy się kilku najbardziej gorącym tematom.
Real Time Personalisation
Składniki:
- baza danych GEOIP
- baza danych firm z informacją o branżach
- baza danych firm z przypisanymi numerami IP
- historia zachowań użytkownika na stronie (cookie)
Algorytm:
Bierzemy powyższe składniki i piszemy tak:
if (uzytkownik jest z firmy Y w kraju X z miasta Z) to wyświetlaj mu tylko portfolio naszych prac/klientów/testimoniali/ związanych z jego branżą.
if (użytkownik zapisał się na newsletter) zamiast informacji „zapisz się na newsletter” wyświetl „zarządzaj swoimi profilem”.
if (uzytkownik pobral material X) wyswietlaj mu liste materialow bez X i posortuj wedlug X-podobnych.
itd.
Trudności:
- zdobycie danych GEOIP – kilkaset dolarów
- zdobycie danych B2BIP – dostępne
- developer, który dopisze funkcjonalności do CMS
Predictve Lead Scoring
Składniki:
- baza danych GEOIP
- baza danych firm z informacją o branżach
- baza danych firm z przypisanymi numerami IP
Algorytm:
Piszemy program, który bierze firmę po firmie i korzystając z publicznych źródeł danych, zbiera:
- domeny
- tagi JS obecne w kodzie HTML
- wyceny giełdowe
- ilość pracowników
- kraje w których jest obecna
- ilość wyników zapytania na nazwę firmy w wyszukiwarkach
- i wszystko co możesz zdobyć, a może mieć jakiekolwiek znaczenie
Następnie bierzemy listę wszystkich naszych klientów i wrzucamy do systemu, który zbiera o nich dane. Układamy cechy w kolejności od najbardziej do najmniej specyficznych dla naszych klientów. Nadajemy im wagę.
Czyli jeżeli większość naszych klientów ma domenę .com, min 10 000 pracowników, jest w minimum 5 krajach, jest na giełdzie i korzysta z jakiegokolwiek programu marketing automation albo tag management, to znaczy że jest to wzorzec naszego klienta.
Teraz każdy użytkownik jest badany pod kątem firmy z której wchodzi, a następnie porównywany jest ze wzorcem klienta i im bardziej pasuje do wzorca, tym więcej otrzymuje punktów, za swoje działania.
Data-driven attribiution model
Składniki:
– bogate dane o atrybucji konwersji z wielu branż (czyli na przykład w 100 branżach, mamy po kilkaset zapisanych konwersji wraz z atrybucją).
Algorytm:
Porównujemy to co mamy w bazie, do tego co dzieje się na danej stronie www. Innymi słowy:
Jeżeli na stronie mamy następującą atrybucję prowadzącą do konwersji:
FB -> G+ -> AdWords -> organic -> konwersja
a w naszej bazie danych atrybucji konwersji w danej branży mamy następujące przykłady:
FB -> organic -> konwersja
FB -> G+ -> AdWords -> konwersja
organic -> FB -> organic -> konwersja
to najczęściej powtarza się sekwencja „FB -> organic” oraz „FB” występuje najczęściej obok „organic”.
W efekcie wiadomo, że można ułożyć wagę atrybucji w następujący sposób, od najważniejszego:
- organic
- adwords
- g+
Trudności:
– zdobycie danych
Podsumowanie
Jaki jest cel tego artykułu? Czy jest on zachętą do tworzenia takich rozwiązań samodzielnie? Może. Czy jest zachętą do dopytywanie się dostawców jak działa ich „magiczny” algorytm? Zdecydowanie tak – jako klienci, powinniśmy dopytywać jak działa dany algorytm, żeby móc sobie wyobrazić na co tak naprawdę możemy liczyć.