Ata hai pouco, os comerciantes dixitais e os profesionais das axencias de publicidade que buscaban facer compras de anuncios programáticos enfrontáronse a caixa negra escenario de datos. A maioría non son enxeñeiros nin científicos de datos e tiveron que dar un salto de fe e confiar nas afirmacións do provedor de datos sobre a calidade dos datos, revisando os resultados despois da implementación e despois de que a compra xa se realizou.
Pero que deben buscar os comerciantes e as axencias nun provedor de datos? Como poden determinar que provedor ofrece a solución máis precisa e transparente? Aquí tes algunhas preguntas que debes facer:
Como se recollen os datos?
¿É a través da observación directa de todos os usuarios, ou dedúcese datos, onde os patróns de comportamento son detectados nun pequeno grupo de usuarios e logo extrapolados para grupos máis grandes? Se se inferen os datos, a precisión depende moito do tamaño do grupo medido, polo que é importante comprobar o tamaño do grupo ao avaliar os provedores. Pero teña en conta que calquera que sexa o tamaño, os datos inferidos sempre implican un descenso na precisión cando se extrapolan. E non esquezas que cando os datos se modelan en segmentos, as predicións basearanse en predicións e non en información real. Esta dinámica aumenta exponencialmente o risco de que os datos non funcionen.
É unha boa idea facer preguntas de sentido común que permitan avaliar a forza dos datos en todo o funil, mirando máis alá da demografía simple para ter en conta as transaccións, o seguimento de metadatos e outros sinais que predicen con máis precisión a intención de compra. Ligazóns skim captura 15 millóns de sinais de intencións de compra dunha rede de 1.5 millóns de dominios de editores e 20,000 comerciantes cada día. Ao aplicar a aprendizaxe automática e a análise enriquecedora na súa capa de intelixencia de produto, Skimlinks comprende a taxonomía e os metadatos de 100 millóns de referencias e ligazóns de produtos. Usan esta información para crear segmentos de audiencia de alta conversión baseados nos produtos e marcas que probablemente adquiran os usuarios, permitindo campañas de visualización, redes sociais e vídeo máis eficaces.
Que tipo de datos se recollen?
O seguinte na lista é descubrir que tipo de datos se recollen. As categorías poden incluír clics, ligazóns, metadatos, contido da páxina, termos de busca, marcas e produtos, información sobre prezos, ocorrencia das transaccións, data e hora. Cantos máis tipos de datos se recollan, máis modelos predictivos de materia prima terán que traballar, o que pode mellorar significativamente a precisión. Se só se recollen algúns tipos de datos (por exemplo, só impresións ou clics), haberá información limitada que se poida empregar para comprobar as predicións ou mellorar os perfís dos usuarios. Neste escenario, o risco é que se xeren perfís de usuario excesivamente simplistas e inexactos.
Skimlinks recolle e analiza datos e detecta patróns en varios editores e comerciantes para predicir con precisión os comportamentos de compra. Por exemplo, a combinación dun usuario que visita 10 páxinas en cinco sitios web diferentes pódese identificar como un patrón que indica o interese por facer unha compra a próxima semana. Ningún editor podería producir os datos Ligazóns skim accede a través da súa rede de 1.5 millóns de dominios, pero a información do editor é só unha parte dos datos do sinal. Skimlinks tamén analiza os datos procedentes dos 20,000 comerciantes da súa rede, incluíndo información sobre prezos, valor do pedido e historial de compras.
Ao facelo, Ligazóns skim combina sinais de todo o ecosistema de venda polo miúdo.
Como se validan os datos?
Outra capacidade crítica que hai que buscar ao avaliar os provedores de datos é a capacidade de validar predicións na práctica. Por exemplo, calquera provedor que afirme que os seus segmentos impulsarán conversións debería capturar datos de transaccións para confirmar que a compra ten lugar. Sen datos de transacción, non é posible validar a proposta de valor.
Skimlinks ten un servizo de orientación de público programático que axuda aos anunciantes a dirixirse aos usuarios segundo o lugar no que se atopan no ciclo de compra. As predicións fanse usando datos contextuais, de produtos e prezos e valídanse mediante información de transaccións. Realízase un seguimento dos usuarios para comprobar se fixeron a compra esperada e o sistema de aprendizaxe automática que crea segmentos adestra continuamente en función desta información. Iso axuda aos compradores a evitar un escenario no que se dirixen a consumidores que poden ter investigado un produto que non poden pagar ou que non teñen intención real de mercar. O resultado é un mellor rendemento do segmento.
Os comerciantes e axencias dixitais que se dedican á publicidade programática deben elixir o provedor de datos adecuado para optimizar o seu custo por mil impresións (CPM) ou custo por acción (CPA). A taxa de crecemento nos sectores de publicidade programática e mercadotecnia baseada en datos pode dificultar o coñecemento do provedor de datos adecuado. Pero ao aplicar estas tres preguntas de sentido común ao avaliar a proposta de valor dun provedor de datos, os comerciantes e axencias dixitais poden abrir a caixa negra e atopar a mestura de datos correcta.
