看 3​ 品牌​如何​巧妙​運用​資料​以​提升​獲利​能力

由於​廣告​技術​越來​越​複雜，​因此​若​能​瞭解​如何​從​龐大​的​資料​中​找出​實用​的​洞察，​就​可​掌握​重要​的​競爭​優勢。​許多​品牌​仍​透過​爭取​潛​在​消費者​的​方式​來​調配​廣告​活動​支出，​但​由於​消費者​行為​在​疫情​期間​的​轉變，​加上​行銷​預算​縮水，​能否妥善​運用​資料​並​找出​能​帶來​最​多​利潤​的​行銷​指標，​就​成​了​推動​業務​持續​成長​的​關鍵。

為了​跳脫數​位​行銷​投資​報​酬率​的​侷限性​思維、​提升​獲利​能力，​品​牌​必須​瞭解​使用​者​在​消費​旅程​中​的​各​種​小動作。​只要​掌握​使用​者​決定​購買​或​對​商品​失去​興趣​的​原因，​品牌​就​能​做出​更​明智​的​投資​決策，​進而​直接​提高利潤。​幸好，​現在​有​一些​解決​方案​能​協助​您​達成​這​個​目標。

只要​採用​最​新​的​數​位​行銷​自動化​和​機器​學習​工具，​您​就​能​分析​大量​資料​信號，​並​據​此​即時​大規模​採取​有​意義​的​行動。​下文​以​ 3​ ​個​品牌​為​例，​說明​如何​運用​這​類​工具​來​分析​資料，​以​設定​能​提升​獲利​能力​的​優質​廣告。

如何​利用​資料​信號​找出​能​帶來​最​多​利潤​的​潛在​消費者

第一​步​是​運用​資料​信號​分析​工具​找出​能​帶來​最​多​利潤​的​消費者​；​印度​的​影視​串流​服務​ ZEE5 ​就是​透過​這​種​方式，​為​自家​平台爭​取到​更多​訂​閱者。

ZEE5 ​改用​ Google Analytics for ​Firebase ​(GA4F)​ 來​分析​廣告​活動，​這​個​解決​方案​提供​不限數量​的​事件​記錄​功能，​而且​會​集​中​存放​所​收​集到​的​資料。​因此，​該​公司​得​以​分析來​自​現​有​訂閱者​的​不同​資料點，​例如​地點、​裝置​和​瀏覽行為，​並​據​此​建構​模型來​找出​最​有​價值​的​兩​個​訂閱​者​區隔，​也​就是​重新​安裝​應用​程式​的​訂閱​者，​以及​觀​看​節目​預告​後​加入​的​使用​者。

由於​ GA4​F​ 會​自動​連結 ​Google Ads，​因此​當潛​在​消費者​更​有​可能​訂閱且​效期​價值​更​高時，​ZEE​5 ​的​廣告​活動​就​會​設定​更高​的​出價。​該​公司​也​開始​將​解除​安裝​ 30​ ​天​後​的​重新​安裝​事件​歸​因​於​廣告​活動，​不再​採用​ 6​ ​個​月​的​回溯期，​以​充分​改善​廣告​活動，​爭取​高價值​的​重新​安裝​目標​對象區​隔。

ZEE5 ​還​利用​機器​學習​技術​來​分析​匯​回 ​Firebase ​的​成效​資料，​以​持續​調整​模
​型​，​這​使​得該​公司​得​以​進一步​改良​ Google Ads ​廣告​活動。​自​從​開始​全力​爭取​能​帶來​最​多​利潤​的​目標​對象​後，​該​公司​將​交易​價值​提升​了​ 12​5​%，​總訂​閱量​則​提高​了​ 2​ ​倍。

採用​ GA4​F ​的​品牌​能​獲得​更多​關於​使用​者​的​信號，​以利​找出​最佳​潛​在​消費者，​並​針對​這​類​目標​對象​提高​出價。​Google​ ​內部​資料​顯示，​若​改用​ GA4F 來​分析​廣告​活動，​在​單次​轉換​費用​幾乎​不變​的​情況​下，​就​能​吸引​更多​活躍​使用​者，​並​將​安裝​次數​提高 1​3%、​應用​程式​內​事件​總數​提升​ 2​0%。

如何​找出​可能​流失​的​消費者​並​列為​重點​目標​受眾

有​另​一​種行銷​策略​也​能​提高利潤，​就是​根據​相關​資料​找出​極​有​可能​流失​的
​消​費者，​然​後​好​好​培養​這些​消費者。​印度​隨選​影片​服務​ Voot ​希望​降低​付費​消費者​流失率，​因此​與​ Google ​合作，​希望​進一步​瞭解何​種​類型​的​觀眾​可能​取消​訂閱。

該​團隊​使用​廣告​資料​中心​輕鬆​整合​多​個​平台​的​資料，​包括​第一​方​ Google Ads ​廣告​活動​資料​和​ Mixpanel ​等​第三​方​來源。​接著​ Voot ​使用​ BigQuery，​分析​包含​超過​ 100 億​個​使用​者​程序​資料點​的​統合​資料，​並​建立​模型來​預測​可能​取消​訂閱​的​目標​對象。​公司​團隊​分析​了​各​種​類型​的​資料，​包括​所​觀​看​的​內容、​觀眾​行為​和​流量​來源​等，​並​運用​機器​學習​技術​找出​應​注意​的​區隔​和​關​鍵屬性，​例如​在​訂閱​的​第一​個​月​內​只觀​看​過​一​種​類型​的​新​使用者。

接著，​該​公司​將​可能​流失​的​目標​受眾，​按照行為​模式​分成​多​個​較​小​的​群組，​並​分析​相關​群組​中​使用​者​觀看​的​內容​類型，​以​便​針對​可能​取消​服務​的​個別​訂閱​者​選出要​推薦​的​特定​節目。​在​一​項​實驗​中，​獲得​個人化​建議​的​群組​取消​服務​的​比例​比起​控制​組​低​了​ 3​5%。

採用​這​個​自訂流失​預測​模型​後，​Voot ​就​能​根據​相關​資料來​決定​行​銷​策略，​也​能​將​再​行銷​預算​精準花​在​只要​稍加​努力​就​能​留住​的​使用​者​身上，​而​不​是​自己​會​回頭​的​使用​者。

如何​針對​較​高價值​的​消費者​調整​搜​尋​廣告​活動出價

只要​分析​多​個​消費​流程​的​資料，​您​就​能​找出值​得​放送​廣告​活動來​爭取​的​高價值​消費者，​甚至​在​對​方成為​潛在​消費者​前，​就​鎖定​這​類​客群。​線​上​飯店​預訂​網站​ O​yo ​原本​習慣​根據​每​位​潛在​消費者​費用​來​評估​廣告​活動​成效，​但​疫情​讓​飯店業​承受​了​更​大​的​壓力，​該​網站​發現​許多​潛​在​消費者​並​未​轉換，​因此​決定​著​重於​可能​成交​的​高意​願​目標​受眾。

O​yo 捨棄​爭取​潛​在​消費者​的​策略，​改為​盡量​提升​轉換，​因此​為​搜尋​廣告​活動​採用​以​價值​為​準出價，​針對​可能​帶來​更​高利潤​的​消費者​提高​出價。​同時，​該​網站​仍​持續​將​飯店住​宿​天數、​頻率​和​交易​價值​等​第一​方​轉換​資料，​匯回​採用​機器​學習​技術​的​廣告​活動。

O​yo ​運用​行銷​工​具​中​的​機器​學習​技術​來​分析​各​種​資料​信號，​因此​得​以​找出​最​有​價值​的​消費者。​該​網站​後續​還​投注​了​更多​預算​來觸​及​高價值​的​潛在​消費者，​並​將​搜尋​廣告​活動​的​廣告​投資​報酬率​提升​了​ 7​5%。

如果​品​牌​未​根據​整​個​消費​流程​的​資料​來​調配​廣告​支出，​就會​錯失​獲利​的​機會。​不過，​只要​利用​ GA4​F ​和​廣告​資料​中心​等​最​新​行銷​工具，​您​就​能​透過​機器​學習​技術​輕鬆​整合​與​分析​各​種​消費者​資料​信號，​更​聰​明​地​調配​行銷​預算。