Bagaimana ilmuwan data dapat meningkatkan iklan media sosial

Ilmu data meledak - yang wajar saja, mengingat budaya kita yang selalu berubah dan kemampuan untuk mempelajari apa pun dalam genggaman jari kita yang bergerak cepat.

Pertimbangkan, misalnya, dalam waktu sekitar satu tahun ke depan, internet akan mencapai pengguna ke-5 miliar. Sementara itu, orang akan melakukan sekitar 1,2 triliun pencarian Google setahun untuk mengakses 1 miliar+ situs internet.

Dengan setiap pencarian Google (dan aktivitas internet lainnya), jejak data dibuat, penuh dengan informasi tentang minat, perilaku, dan demografi pengguna. Itu berarti dunia sedang berenang dalam data. Oleh karena itu, banyak perusahaan martech, termasuk Strike Social, harus mengandalkan kekuatan otak ilmuwan data untuk memilah informasi mana yang berguna dan mana yang harus dibuang.

Memikirkan kembali hal yang mustahil dengan ilmu data

Ilmuwan data sering kali mengajukan pertanyaan besar yang tampaknya mustahil dijawab. Keingintahuan mereka juga memungkinkan mereka untuk mengembangkan model baru di garis depan teknologi. Mereka mencapai ini melalui eksperimen terstruktur, seperti merestrukturisasi parameter atau menggabungkan kumpulan data yang beragam.

Maka tidak mengherankan jika banyak ilmuwan data berasal dari latar belakang akademis, dengan gelar lanjutan di bidang seperti biologi atau fisika.

^{Ilmuwan data Strike, Bing Bu, Dmitry Bandurin, dan Jeongku Lim bekerja di kantor pusat perusahaan di Chicago.}

Yang terakhir ini justru terjadi pada trio ilmuwan data Strike Social — Dmitry Bandurin, Bing Bu, dan Jeongku Lim — yang semuanya bergelar Ph.D dalam fisika eksperimental atau fisika dasar (yaitu, studi tentang blok bangunan dasar materi dan interaksi). Sebelum bergabung dengan Strike, Bandurin, Bu, dan Lim adalah ilmuwan penelitian yang berfokus pada penghancuran partikel dasar di dalam penumbuk besar untuk memahami alam semesta.

Sekarang, mereka memasuki dunia sosial berbayar.

Sebagai Ilmuwan Data Senior Strike, Bandurin memuji latar belakang penelitiannya dengan kemampuannya untuk memikirkan kembali apa yang mungkin dilakukan dengan data besar. Dan dia terbiasa bekerja dengan data eksperimen nyata untuk menghasilkan hasil baru.

“Itu tidak pernah sama, dan selalu berubah,” katanya.

Bandurin, Bu, dan Lim semuanya setuju bahwa ilmuwan data memerlukan keterampilan matematika dan analitis yang kuat serta keterampilan pemrograman agar berhasil memanfaatkan kekuatan AI untuk sosial berbayar.

Jadi, seperti apa sebenarnya rata-rata hari bagi mereka? Bandurin memperkirakan bahwa rapat menghabiskan sekitar 25–30% waktunya, dengan 10% lainnya dihabiskan untuk bekerja dengan pengembang atau mendiskusikan temuan baru dengan tim ilmu data. Sisa waktu, para ilmuwan data ini berfokus pada pengujian dan pengembangan model, kemudian mengimplementasikannya dalam kode prototipe.

Bu mengatakan dia juga suka meringkas pekerjaan setiap hari dan merencanakan jadwalnya untuk hari berikutnya, minggu atau bahkan sebulan jika ada proyek jangka panjang yang datang.

Bagaimana ilmuwan data dapat meningkatkan sosial berbayar

Kluster yang dibuat melalui pemodelan kompleks membantu ilmuwan data menguji hasilnya dalam kampanye iklan terkelola. Ilmuwan data dan tim media Strike bekerja sama untuk mengembangkan kampanye mikro yang memungkinkan pengujian kombinasi data secara terpisah. Saat kombinasi berkinerja atau memenuhi indikator kinerja utama, belanja iklan dialokasikan ulang dari set iklan berperforma buruk ke set iklan yang lebih tepat sasaran.

Hasil kampanye kemudian dimasukkan kembali ke dalam campuran data, tempat para ilmuwan Strike terus menyempurnakan model statistik untuk meningkatkan kinerja berulang kali.

Proses penyelidikan, pemodelan, dan pengujian yang berkelanjutan tidak pernah berhenti di dunia analitik data — juga tidak dapat berhenti, karena data selalu berubah. Ketika orang dewasa, mereka mendapatkan minat dan membuang kebiasaan lama. Budaya juga berkembang, terbukti dengan metode komunikasi yang lebih baik.

Dengan teknologi, teknik yang disempurnakan selama bertahun-tahun kini dikalahkan dalam hitungan bulan, seperti kecepatan pembelajaran yang dipercepat yang tersedia dengan AI.

“Mengingat peningkatan eksponensial penggunaan smartphone, smart TV, dan perangkat elektronik canggih lainnya, mengumpulkan informasi individual dapat dicapai, yang akan memungkinkan pengiriman khusus iklan individual,” kata Bu. “Kedepannya, jaringan akan lebih murah, dan cakupan penggunaan akan semakin luas, sehingga audience untuk iklan video akan tumbuh dengan cepat.”

Tanpa pikiran ingin tahu dari para ilmuwan data Strike — dan komitmen mereka yang tak kenal takut terhadap eksperimen data — kemajuan teknologi AI tidak akan mungkin terjadi.

Begini cara kerja mereka mengubah iklan media sosial.

^{Ilmuwan data Strike, Jeongku Lim, Dmitry Bandurin, dan Bing Bu, semuanya bergelar Ph.D dalam fisika eksperimental atau fisika dasar.}

Ilmu data untuk manajemen audiens yang lebih baik

Dengan banyaknya data yang dibuat setiap detik, pemasar harus mengontrol hasil yang salah dari bias bawaan, rangkaian data yang tidak lengkap, atau sampel yang terlalu kecil.

Seorang ilmuwan data memahami bahwa audiens tidak dibangun hanya berdasarkan demografi tetapi terdiri dari orang-orang dengan perilaku, poin rasa sakit, dan minat yang berbeda.

Analisis data berkualitas menggabungkan petunjuk perilaku dari cookie, analisis web, konten buatan pengguna, dan sumber data besar lainnya. Untuk membangun audiens yang terperinci dan bermanfaat, ilmuwan data memadukan kumpulan data besar untuk memungkinkan data besar membentuk segmen yang menawarkan wawasan nyata tentang perilaku pelanggan mereka.

Audiens berkualitas diverifikasi dengan pengujian dalam kampanye iklan dan bergantung pada kebaruan, frekuensi, dan kedalaman data.

Ingat, pembuatan audiens dimulai dengan hipotesis berdasarkan variabel dan tujuan yang diketahui. Misalnya, asumsi awal perusahaan asuransi adalah: individu yang mencari asuransi mobil online, berusia antara 18–50 tahun, yang memiliki setidaknya satu mobil. Hipotesis yang dirumuskan dengan baik cukup mempersempit analisis Anda sambil menghasilkan hasil yang cukup untuk menemukan wawasan perilaku dan motivasi.

Ilmu data untuk pemodelan atribusi yang tepat

Atribusi pemasaran yang tepat, atau ilmu untuk menentukan pesan apa yang mendorong pembelian, bergantung pada data baik dari pengonversi maupun non-pengonversi. Karena data ini bisa sangat besar, diperlukan pemodelan lanjutan untuk mengidentifikasi dan memberi kredit dengan benar pada peristiwa yang menyebabkan konversi pengguna.

Berkat peningkatan teknologi, seperti AI, merek kini lebih memahami jalur konsumen untuk membeli. Dengan data yang cukup, para ilmuwan dapat melihat ke seluruh saluran pemasaran dan perangkat untuk meningkatkan titik kontak dan menyempurnakan perpesanan.

Ilmu data untuk penawaran waktu nyata yang lebih baik

Kemajuan dalam segmentasi audiens dan pemahaman yang lebih dalam tentang peristiwa konversi telah mengarah pada praktik RTB, sebuah metode untuk membeli dan menjual iklan. RTB memungkinkan tayangan iklan individual dibeli bersamaan dengan kunjungan pengguna ke situs web.

Jika Anda pernah melihat produk di situs web, lalu beralih untuk melihat umpan media sosial Anda, hanya untuk melihat iklan untuk produk yang sama, Anda mungkin mengalami RTB melalui iklan bertarget.

Atau, katakanlah Anda membeli rumah pertama Anda, dan Anda bosan makan dari piring plastik. Anda memutuskan untuk mengunjungi Macy's online untuk mencari sendok garpu baru. Belum siap untuk membeli, Anda memutuskan untuk mengunjungi Facebook untuk melihat apa yang terjadi dengan keluarga dan teman Anda. Saat menggulir umpan Anda, Anda melihat iklan dengan gambar persis piring makan yang baru saja Anda lihat.

RTB meningkatkan proses pembelian dan memungkinkan penargetan langsung pengguna individu. Untuk berpartisipasi dalam proses tersebut, ilmuwan data harus memiliki akses ke sejumlah besar data dan memiliki keahlian yang tepat untuk memilah dan mengambil informasi yang berguna untuk wawasan yang dapat ditindaklanjuti.

Di mana ilmu data menuju

Kadang-kadang, bidang ilmu data tampaknya berkembang secepat alam semesta yang dijelajahi Bandurin, Bu, dan Lim selama bertahun-tahun.

“Ilmu data akan terus membantu berbagai bisnis memecahkan masalah, menjadikan segalanya lebih otomatis,” kata Bandurin. “Pengembangan mobil self-driving adalah salah satu contohnya — tetapi juga otomatisasi kendaraan lain, termasuk pesawat terbang, bermain catur, membantu penyandang disabilitas, dan android sejati di semua bidang kehidupan manusia.”

Hasilnya akan menjadi dunia yang sama sekali baru seperti yang kita kenal.