martes, 18 de noviembre de 2014

Marketing y Big Data, una mezcla explosiva

Conduciendo resultados de marketing con Big Data
Por MIT Technology Review




Para los vendedores que tratan de maximizar su retorno de la inversión, el análisis predictivo a partir de datos grande es una nueva herramienta emocionante.

En el mundo digital, el análisis predictivo a partir de datos grande mantiene la promesa de crear una visión detallada de lo que funciona, proporcionando orientación que nunca ha estado disponible antes de la puesta a punto de las campañas de publicidad.

La promesa de análisis de datos grandes es que los vendedores pueden analizar miles de puntos de información sobre la actividad digital del comprador-despojado de información de identificación personal, y combinarlo con su conocimiento de la televisión, radio, vallas publicitarias, y campañas de impresión para adaptar los mensajes de marketing y, en última instancia, mejorar la rentabilidad de la inversión (ROI). Con el análisis, los números muestran la cantidad de elevación de cada punto de datos proporcionada por cada anuncio en cada canal. Con esos datos, los vendedores pueden tomar mejores decisiones acerca de cómo asignar sus presupuestos de publicidad. De hecho, los análisis ellos mismos identificarán las decisiones inteligentes.

Un desafío clave para cualquier vendedor es decidir qué combinación de medios de comunicación de televisión, Internet, correo directo, radio, prensa, será mejor promover un producto o servicio. "Podemos hacer el modelado de medios-mezcla a partir de datos grandes y aprendizaje de máquinas", dice Madan Bharadwaj, jefe de producto de marketing de Visual IQ, una firma de análisis con sede en Needham, Massachusetts. "Hay una gran cantidad de micro-eficiencia que podemos aprovechar. Si usted se mueve unos pocos miles de dólares aquí y allá, usted puede conseguir mucho más eficiencia de la comercialización, "en términos de retorno de la inversión.

Históricamente, los vendedores más sofisticados se han basado en la planificación de arriba hacia abajo campaña publicitaria. Desarrollan modelos econométricos observando la distribución de todo el presupuesto de publicidad. Ellos analizan los cambios en la asignación de las promociones y de una sola vez y ver cómo esos cambios afectan a sus indicadores clave de rendimiento (KPI), que pueden estar realizando una compra en la tienda, o la apertura de una nueva cuenta.

Ese paradigma se da la vuelta en el mundo digital. Los vendedores se basan en la puntuación digital de las acciones, a partir de la parte inferior con el KPI. "Uno trata de trabajar hacia atrás para ver los puntos de contacto a lo largo de los consumidores de viaje digital", dice Kim Riedell, vicepresidente senior de producto y marketing de Digilant, una compañía de soluciones de medios programática personalizada en Boston. Gracias a tecnologías como las cookies y los píxeles del navegador, los vendedores ahora se puede decir exactamente donde un comprador específico vio sus anuncios. Los datos aún muestra el tiempo que el comprador vio un video o se detuvo en una página que lleva el anuncio. Todo se encuentra por atrás de seguimiento desde el punto de venta del producto en última instancia, la persona compró.

El mundo de conocimiento perfecto que fue prometida en los primeros días de la publicidad digital ha demostrado ser ilusorio. Pagar los motores de búsqueda por los clics estimulantes que llevaron a las compras estaba bien, pero la mayoría de los consumidores tomar una ruta más tortuosa de sus decisiones finales. El embudo de marketing puede ser largo, especialmente para grandes compras, como los automóviles, donde las personas pueden hacer investigación durante nueve meses antes de tomar una prueba de conducción.

Análisis predictivo avanzado ahora puedo entender por qué el público ha sido más sensible a un anuncio. A continuación, los mismos algoritmos pueden encontrar audiencias similares en otros sitios web y presentar los anuncios a ellos. Con datos suficientes, y un buen algoritmo, las empresas de análisis dicen que pueden determinar exactamente qué anuncios hicieron la diferencia.

El análisis predictivo no pueden incorporar todo. Una revisión del producto favorable en los informes del consumidor o un endoso de la celebridad en los Oscar cae fuera del algoritmo. Lo mismo ocurre con un accidente de avión que puede herir las reservas de viajes. A veces, sin embargo, este tipo de eventos causarán un aumento en la discusión en los medios sociales, aquí se supervisan e incluso calculan en la ecuación.

La inmediatez es una de las grandes ventajas de la analítica. En lugar de esperar a ver los resultados de ventas semanales, y ajustar las estrategias publicitarias en respuesta, los vendedores pueden ver los resultados en línea todos los días. Con línea KPIs, las empresas de análisis de rendimiento de los anuncios pueden analizar en tiempo real y recomendar el seguimiento más eficaz de la comercialización del día siguiente.

Jeff Zwelling, cofundador y CEO de Convertro de AOL, una firma de análisis de publicidad con sede en Santa Mónica, California, dice que su empresa envía los informes de los anunciantes en el rendimiento de los anuncios dentro de las 24 horas. "El día después de la Super Bowl, que tenía informes a GoDaddy, Intuit, la NFL, un 8 AM"

Analytics también pueden ayudar a proteger a los anunciantes de los riesgos de fraude sin obligarlos a construir sus propios esfuerzos de investigación. En tanto que el KPI es algo que no puede ser imitado por los robots-una compra, por ejemplo-falso anuncios no se mostrarán como eficaces. "Todo lo que se necesita es una solución atribución de primera categoría y una estructura de precios que se alinea el rendimiento de publicidad a las conversiones reales (en lugar de clics o impresiones) para evitar el fraude", David Pérez, director de marketing de Convertro, escribió en un post reciente del blog.

En teoría, los algoritmos deben ser capaces de asignar presupuesto a las redes de publicidad que la policía su inventario para evitar los anuncios falsos. Deben generar más indicadores clave en el rendimiento. Por la misma razón, los anuncios que no se pueden ver no impulsarán KPIs. No está claro si se está cumpliendo esa promesa.

Del mismo modo, el análisis predictivo pueden descubrir correlaciones entre categorías de potenciales compradores que sería poco probable que ocurra a los vendedores humanos. Por ejemplo, Digilant jefe científico Krishna Boppana recuerda que mientras trabajaba para un cliente de servicios financieros, la compañía descubrió que los hombres que habían estado buscando en los barcos en abril y mayo fueron receptivos a los anuncios de 401 (k). Ahora la hipótesis de que podrían haber recibido bonos en abril y planeaba usar el dinero para la diversión antes de recordar o que se nos recuerde-que deben financiar sus cuentas de jubilación.

Mientras trabajaba con una compañía de cosméticos de lujo, Boppana añade, Digilant descubrió una correlación entre las mujeres que estaban interesados en viajes exóticos y los que compran cereales Kashi. Mientras que el análisis predictivo a menudo criticados por manchas de correlación en lugar de la causalidad, Boppana concluye que "la publicidad es todo acerca de la correlación."

2 comentarios:

fab merchant dijo...

Nice and very helpful information i have got from your post. Even your whole blog is full of interesting information which is the great sign of a great blogger.
GammaTech Laptops

Blogger dijo...

BlueHost is ultimately the best web-hosting company for any hosting plans you might require.

Publicar un comentario

Twitter Delicious Facebook Digg Stumbleupon Favorites More

 
Design by Free WordPress Themes | Bloggerized by Lasantha - Premium Blogger Themes | Best Hostgator Coupon Code