Özellikle son iki yılda işletmelerin web siteleri adeta bir “vitrin” haline geldi. E-ticaretin büyümesiyle birlikte, reklamverenler web sitesi etkinliğinde muazzam bir artış gördü ve bu ziyaretleri satışları artırabilecek eylemlere ve tahmine dayalı içgörülere dönüştürmek için yeni yollar arıyorlar.
Tüketici alışveriş yolculuklarının ne kadar karmaşık bir hal aldığını biliyoruz. Pazarlamacılara sunulan bilgilerde birçok potansiyel boşluk bulunuyor, bu nedenle markalar, sahip oldukları verilerden en iyi şekilde yararlanmak için tek standart bir stratejiden daha fazlasına ihtiyaç duyuyor.
Makine öğrenimiyle dönüşüm
Makine öğrenimi, ziyaretçilerin bir markanın web sitesinde neler yaptıkları, siteden ayrıldıkları ve hangi pazarlama kampanyalarının satın almayla sonuçlandığı gibi durumları göstermek için tüketici yolculuğunun derinliklerine inebilir.
Makine öğrenimi, markalara bazı harika tahmine dayalı bilgiler de sunabilir. Milyonlarca ziyaretçinin ve müşterinin eylemlerinden öğrenen makine öğrenimi, bir markanın yeni bir site ziyaretçisinin dönüşüm sağlama olasılığını belirlemesine veya mevcut müşterilerin ileriye dönük yaşam boyu değerini (YBD) tahmin etmesine yardımcı olabilir.
Makine öğreniminin potansiyelinden yararlanmak söz konusu olduğunda pazarlamacıların daha kat etmesi gereken uzun bir yol var. Çok karmaşık göründüğü ve yürütülen kampanyalarla bağlantısı her zaman net olmadığı için bu modelleri uygulamakta sıklıkla tereddüt ediliyor. Ancak bu konu bu kadar da karmaşık olmak zorunda değil. Konuyu üç adımda, Turkcell’in hikayesi üzerinden biraz daha açıklayalım.
1. Doğru verileri toplayın (ve barındırın)
Üzerinde çalışılacak milyonlarca farklı veri noktasıyla, pazarlamacıların kullanım durumlarını daraltarak işe başlamaları ve doğru verileri toplamaları şart. Bulutta merkezileştirilmiş bir veri ambarı oluşturarak, veri kümeleri arasındaki eşleşme oranlarını artırarak veya özel algoritmalar geliştirerek bunu gerçekleştirebilirsiniz. Bu noktada, tam olarak neyi tahmin etmek istedikleri, amaca yönelik olarak belirlenebilir.
Hangi kullanıcıların dönüşüm sağlama olasılığının daha yüksek olduğunu mu belirlemek istiyorsunuz? Site etkinlikleri, kullanıcı tıklamaları, sayfa ziyaretleri ve bunların dönüştürülüp dönüştürülmediği hakkında veri toplayabilirsiniz.
Abonelik kaybını nelerin azaltabileceğini mi belirlemek istiyor musunuz? Kullanıcı etkileşimleri, bunların sıklığı, sahip olunan ürünler ve bunların kullanılıp kullanılmadığı hakkında veri toplayın.
2. Doğru öğrenim modelini oluşturun
Bir makine öğrenimi modeli, geçmiş verilerden öğrenilen bir genellemedir. Kullanıcıların web sitenizle nasıl etkileşime girdiğine dair düzinelerce sinyal kullanarak, site ziyaretçileri için dönüşüm olasılığını tahmin eden modeller geliştirilebilir. Bu modeller, daha yüksek dönüşüm olasılığına yol açabilecek site etkinliklerini belirleyen site eylemleri gibi çok çeşitli sinyallerden öğrenir ve bu sinyallere dayalı olarak çalışır.
Örneğin, kullanıcılarına hem online olarak web sitesinden, hem de bayilerinden Turkcell Fiber’e başvuru yapabilme imkanı sunan Turkcell, kitlesinin karşısına en doğru zamanda, en doğru kullanımla çıkmak ne kadar önemliyse, medya planlamasını da aynı titizlikle gerçekleştiriyor. Bilinirliği oldukça yüksek bir ürün olan Turkcell Fiber’de artık ana odak noktaları web sitesi dönüşümlerini artırmak ve dolayısıyla da müşteri adayı yaratmak.
Düzenli olarak yatırım yapılan arama kampanyalarına ek olarak Video Action ve Discovery kampanyalarıyla potansiyel müşterilere ulaşma evrenlerini genişletmeye ve ilgili kitleleriyle ilgili de daha fazla veri elde etmeye başladılar. Bu sırada bir yandan edinme başına maliyetleri düşürmek isterken, dönüşüm hacmini artırmak ve bunu ölçümleyebilmek de kritikti.
Jenerik Arama kampanyası kontrol grubu olarak belirlenirken, mevcut kurguya bu yeni iki kampanya modeli de eklendi ve tüketiciye iletilen mesajlar birebir aynı tutuldu. Kitleler arasında yeniden pazarlama, ilgi alanı, benzer kitleler gibi hedeflemelerden de faydalanıldı.
Turkcell Senior Media Manager Meriç Döleneken sonuçları şöyle özetliyor; “Yayına aldığımız testin sonuçları, Discovery ve Video Action çözümleri always-on stratejimizin bir parçası haline getirdiğimiz senaryoda, makine öğreniminin de katkısıyla Arama performansımızın da iyileşeceğini bize gösterdi.”
Markanın birlikte çalıştığı ajans Mindshare’den Senior Performance Marketing Executive Deniz Ulusan Karataş ise elde edilen sonuçları paylaşıyor; “Bu yeni üçlü kurguyla birlikte dönüşüm değerinde yüzde 151 artış elde ettik. Ayrıca Video Action ve Discovery kampanyalarıyla birlikte yayınlanan Arama Ağı kampanyaları, yalnızca Arama Ağı kampanyalarının etkin olduğu önceki döneme kıyasla yüzde 11,5 daha düşük edinme başı maliyet sağladı.”
3. Doğru aksiyon adımlarını belirleyin
Ekibiniz makine öğrenimi modelinizin çıktısını analiz ettikten sonra, gelecekteki iş kararlarınızı iyileştirmek için kullanılabilmesi için bu öğrenmeleri test etmek ve uygulamak önemli.
Örneğin, dönüşüm olasılığını tahmin eden modeller, kitle segmentlerinize hemen uygulanabilir. Yakın gelecekte satın alma olasılığının daha yüksek olduğunu bildikleri ziyaretçilere reklam göstererek bir markanın reklam harcamalarından elde ettiği geliri artırmasına yardımcı olabilirler.
Pazarlamacıların bu konuda hala gidecekleri çok yol var. Markalar, verilerini geniş ölçekte analiz etmek için şu anda mevcut olan araçları etkin bir şekilde kullanabilirlerse, eyleme geçirilebilir içgörüler elde edebilir, gereksiz ayrıntıları filtreleyebilir ve tüketicilere ulaşmak için yeni fırsatlar yaratabilirler.
ŞİMAL DOĞAN