Reklamada TeknologioKontenta Merkatumado

Kontrolisto pri Skimlinks-Datuma Provizanto - Demandante la Ĝustajn Demandojn

Ĝis faras malmulta, cifereca marketers kaj ad agentejo profesiaj kiu rigardis por fari programita anoncon aĉetas alfrontis nigra skatolo datumoj scenaro. Plej ne inĝenieroj aŭ datumoj sciencistoj, kaj ili devis preni saltegon de fido kaj fidas la datumoj provizanto la asertoj pri datumoj kvalito, revizii rezultojn post efektivigo - kaj post la aĉeto jam faris.

Sed kion merkatistoj kaj agentejoj serĉu ĉe provizanto de datumoj? Kiel ili povas determini, kiu provizanto ofertas la plej precizan, travideblan solvon? Jen kelkaj demandoj:

Kiamaniere la datumoj kolektis?

Ĉu per rekta observado de ĉiu uzanto, aŭ estas ĝi konkludis datumoj, kie kondutaj skemoj estas detektitaj en malgranda grupo de uzantoj kaj poste extrapolado ekstere por pli grandaj grupoj? Se la datumoj estas konkludita, precizeco estas tre dependa de la grandeco de la mezurita grupo - do estas grave kontroli grupo grandeco horo de taksi provizantoj. Sed memoru, ke kia ajn estas la grandeco, konkluditaj datumoj ĉiam implicas malpliiĝon de precizeco kiam eksterpolite. Kaj ne forgesu ke, kiam datumoj estas modelita en segmentojn, antaŭdiroj bazos en antaŭdiroj anstataŭ realaj informoj. Ĉi tiu dinamika eksponente pliigas la riskon, ke la datumoj ne plenumos.

Estas bona ideo demandi komuna-senco demandoj kiuj permesas taksi la forton de datumoj tra la funelo, rigardante preter simpla demografio al faktoro en transakcioj, metadatumoj spuras kaj aliaj signaloj kiuj pli precize antaŭdiri aĉetanta intenco. Amuzoj prenojn 15 miliardoj aĉetoj intenco signalojn de reto de 1.5 milionoj eldonisto domajnoj kaj 20,000 komercistoj ĉiutage. Aplikante maŝino lernado kaj riĉigante analizo en ilia produkto inteligenteco tavolo, Skimlinks kompreni la taksonomio kaj metadatos de 100 milionoj de produktoj referencoj kaj ligiloj. Ili uzas ĉi tiujn informojn por konstrui altkonvertajn aŭdiencajn segmentojn bazitajn sur la produktoj kaj markoj, kiujn uzantoj probable aĉetos, ebligante pli efikajn ekranajn, sociajn kaj videokampanjojn.

Kio tipo de datumoj estas kolektitaj?

Poste en la listo estas ekscii, kiajn datumojn oni kolektas. Kategorioj povas inkluzivi klakoj, ligoj, metadatumoj, paĝo enhavo, serĉo terminoj, markoj kaj produktoj, prezoj informoj, transakcioj okazaĵo, dato kaj tempo. Ju pli specoj de datumoj estas kolektita, la pli krudan materialon modeloj predictivos devos laboro kun, kiu povas signife plibonigi precizecon. Se nur kelkaj specoj de datumoj estas kolektitaj - ekzemple, nur impresoj aŭ klakoj - estos limigitaj informoj uzeblaj por kruci kontroli antaŭdirojn aŭ plibonigi uzantajn profilojn. En ĉi tiu scenejo, la risko estas ke tro simplisma kaj malpreciza uzanto profiloj generos.

Skimlinks kolektas kaj analizas datumojn kaj detektas ŝablonojn tra multaj eldonistoj kaj komercistoj por precize antaŭdiri aĉetajn kondutojn. Ekzemple, la kombinaĵo de unu uzanto vizitanta 10 paĝojn tra kvin malsamaj retejoj povus esti identigita kiel ŝablono, kiu indikas intereson aĉeti en la venonta semajno. Neniu ununura eldonisto povis produkti la datumojn Amuzoj aliras per sia reto de 1.5 milionoj da domajnoj, sed eldonaj informoj estas nur unu parto de la signalaj datumoj. Skimlinks ankaŭ analizas la datumojn akiritajn de la 20,000 komercistoj en sia reto, inkluzive de prezoj, mendvaloro kaj aĉethistorio.

Farante tion, Amuzoj kombinas signalojn de la tuta podetala ekosistemo.

Kiamaniere la datumoj validigita?

Alia kritika kapablo por serĉi kiam pritaksanta datumoj provizantoj estas la kapablo validigi antaŭdiroj praktike. Ekzemple, iu ajn provizanto, kiu asertas, ke iliaj segmentoj kondukos konvertiĝojn, devas kapti transakciojn por konfirmi, ke la aĉeto okazas. Sen transakciaj datumoj, ne eblas validigi la valorproponon.

Skimlinks havas programan celan servon, kiu helpas reklamantojn celi uzantojn laŭ kie ili estas en la aĉeta ciklo. Antaŭdiroj estas faritaj uzante contextual, produkto kaj prezoj datumoj, kaj ili estas validigita uzante transakcioj informon. Uzantoj estas spuritaj por kontroli se ili faris la atendata aĉeto, kaj la maŝino lernado sistemo, kiu kreas segmentojn estas kontinue trejnita bazita sur ĉi tiu informo. Tio helpas aĉetantojn eviti scenaron, en kiu ili celas konsumantojn, kiuj eble esploris produkton, kiun ili ne povas pagi aŭ ne havas realan intencon aĉeti. La rezulto estas pli bona segmento.

Digital marketers kaj agentejoj kiuj entrepreni programita publikeco devas elekti la rajton datumoj provizanto optimumigi ilian koston por mil impreson (CPM) aŭ kosto por ago (CPA) tarifojn. La imposto de kresko en la programa reklamado kaj datumo-pelataj marketing sektoroj povas fari malfacile scipovas elekti la rajton datumoj provizanto. Sed per apliko de ĉi tiuj tri prudentaj demandoj dum taksado de la valora propono de datum-provizanto, ciferecaj vendistoj kaj agentejoj povas malfermi la nigran skatolon kaj trovi la taŭgan datuman miksaĵon.

Alicia Navarro

Alicia Navarro estas CEO kaj Kunfondinto de Amuzoj, La enhavo monetization platformon kiu helpas retejoj akiri rekompencita por la aĉeto intenco kreita en ilia enhavo. Antaŭ ĵeti Skimlinks, ŝi laboris dum pli ol 10 jaroj la desegni kaj ĵeto telefonoj kaj interreto-bazitaj aplikoj en Aŭstralio kaj Britio. Ekde 2007, Alicia kreskis la kompanio al pli ol 85 dungitoj trans oficoj en Londono, San Francisco kaj Novjorko.

rilataj Artikoloj

Reen al la supra butono
Fermi

Adbloko Detektita

Martech Zone kapablas provizi al vi ĉi tiun enhavon senkoste ĉar ni monetigas nian retejon per reklamaj enspezoj, filiaj ligiloj kaj sponsorado. Ni dankus se vi forigus vian reklamblokilon dum vi rigardas nian retejon.