Jak analitycy danych mogą ulepszyć reklamę w mediach społecznościowych

Nauka o danych eksploduje — co jest naturalne, biorąc pod uwagę naszą stale zmieniającą się kulturę i zdolność uczenia się wszystkiego, co jest w zasięgu naszych szybko poruszających się palców.

Weźmy na przykład pod uwagę, że w ciągu mniej więcej następnego roku internet osiągnie 5-miliardowego użytkownika. Tymczasem ludzie będą przeprowadzać około 1,2 biliona wyszukiwań w Google rocznie, aby uzyskać dostęp do ponad 1 miliarda stron internetowych.

Przy każdym wyszukiwaniu w Google (i innej podobnej aktywności w Internecie) tworzony jest ślad danych, wypełniony informacjami o zainteresowaniach, zachowaniach i danych demograficznych użytkownika. Oznacza to, że świat tonie w danych. Dlatego wiele firm martechowych, w tym Strike Social, musi polegać na zdolnościach analityków danych, aby ustalić, które informacje są przydatne, a które należy odrzucić.

Nowe podejście do niemożliwego dzięki nauce o danych

Analitycy danych często zadają wielkie pytania, na które odpowiedź może wydawać się niemożliwa. Ich dociekliwość umożliwia im również opracowywanie nowych modeli w czołówce technologii. Osiągają to poprzez ustrukturyzowane eksperymenty, takie jak restrukturyzacja parametrów lub łączenie różnych zestawów danych.

Nic więc dziwnego, że wielu analityków danych wywodzi się ze środowisk akademickich, z zaawansowanymi stopniami naukowymi w dziedzinach takich jak biologia czy fizyka.

^{Analitycy danych Strike, Bing Bu, Dmitry Bandurin i Jeongku Lim, pracują w centrali firmy w Chicago.}

To ostatnie dotyczy właśnie trio naukowców zajmujących się danymi w Strike Social — Dmitrija Bandurina, Bing Bu i Jeongku Lima — którzy wszyscy posiadają doktoraty z fizyki eksperymentalnej lub elementarnej (czyli badania podstawowych cegiełek budulcowych materii i ich interakcje). Przed dołączeniem do Strike, Bandurin, Bu i Lim byli naukowcami, którzy skupiali się na rozbijaniu cząstek elementarnych w dużych zderzaczach, aby nadać sens wszechświatowi.

Teraz podbijają świat płatnych serwisów społecznościowych.

Jako starszy naukowiec ds. danych w firmie Strike, Bandurin przypisuje swojemu doświadczeniu badawczemu umiejętność ponownego przemyślenia tego, co jest możliwe dzięki dużym zbiorom danych. I jest przyzwyczajony do pracy z prawdziwymi, eksperymentalnymi danymi w celu uzyskania nowych wyników.

„Nigdy nie jest tak samo i zawsze się zmienia” – mówi.

Bandurin, Bu i Lim zgadzają się, że analitycy danych potrzebują silnych umiejętności matematycznych i analitycznych, a także umiejętności programistycznych, aby odnieść sukces w wykorzystywaniu mocy sztucznej inteligencji do płatnych usług społecznościowych.

Jak dokładnie wygląda ich przeciętny dzień? Bandurin szacuje, że spotkania zajmują mu około 25–30% czasu, a kolejne 10% spędza na pracy z programistami lub omawianiu nowych odkryć z zespołem zajmującym się analizą danych. Przez resztę czasu ci analitycy danych koncentrują się na testowaniu i opracowywaniu modeli, a następnie wdrażaniu ich w prototypowych kodach.

Bu mówi też, że lubi podsumowywać pracę każdego dnia i planować harmonogram na następny dzień, tydzień, a nawet miesiąc na wypadek, gdyby na jego drodze pojawił się długoterminowy projekt.

Jak analitycy danych mogą ulepszyć płatną społeczność

Klastry utworzone za pomocą złożonego modelowania pomagają analitykom danych testować ich wyniki w zarządzanych kampaniach reklamowych. Analitycy danych i zespoły medialne firmy Strike współpracują ze sobą w celu opracowania mikrokampanii, które umożliwiają dyskretne testowanie kombinacji danych. Gdy kombinacja działa lub spełnia kluczowe wskaźniki wydajności, wydatki na reklamę są ponownie przydzielane z zestawów reklam o niskiej skuteczności do tych, które są bardziej zgodne z celem.

Wyniki kampanii są następnie wprowadzane z powrotem do miksu danych, w którym naukowcy Strike nieustannie udoskonalają modele statystyczne w celu poprawy wydajności.

Ciągły proces zapytań, modelowania i testowania nigdy się nie kończy w świecie analityki danych — i nie może się zatrzymać, ponieważ dane ciągle się zmieniają. Kiedy ludzie dorastają, zyskują zainteresowania i porzucają stare nawyki. Kultura również ewoluuje, o czym świadczą udoskonalone metody komunikacji.

Dzięki technologii techniki doskonalone przez lata są teraz przyćmione w ciągu kilku miesięcy, na przykład przyspieszone tempo uczenia się dostępne dzięki sztucznej inteligencji.

„Biorąc pod uwagę wykładniczy wzrost wykorzystania smartfonów, inteligentnych telewizorów i innych zaawansowanych urządzeń elektronicznych, zbieranie zindywidualizowanych informacji jest możliwe, co umożliwi dedykowane dostarczanie zindywidualizowanych reklam” — mówi Bu. „Idąc dalej, sieć będzie tańsza, a zasięg użytkowania będzie szerszy, więc publiczność reklam wideo szybko wzrośnie”.

Bez dociekliwych umysłów analityków danych Strike — i ich nieustraszonego zaangażowania w eksperymentowanie z danymi — postęp technologiczny AI nie byłby możliwy.

Oto jak ich praca zmienia reklamę w mediach społecznościowych.

^{Analitycy danych w Strike, Jeongku Lim, Dmitry Bandurin i Bing Bu, wszyscy mają doktoraty z fizyki eksperymentalnej lub elementarnej.}

Data science dla lepszego zarządzania odbiorcami

Przy ogromnych ilościach danych tworzonych co sekundę marketerzy muszą kontrolować błędne wyniki wynikające z nieodłącznych uprzedzeń, niekompletnych zestawów danych lub zbyt małych próbek.

Analityk danych rozumie, że odbiorcy nie opierają się wyłącznie na danych demograficznych, ale składają się z osób o różnych zachowaniach, problemach i zainteresowaniach.

Analiza danych jakościowych obejmuje wskazówki behawioralne z plików cookie, analiz internetowych, treści generowanych przez użytkowników i innych dużych źródeł danych. Aby zbudować szczegółowe i przydatne grupy odbiorców, analitycy danych łączą duże zbiory danych, aby umożliwić tworzenie segmentów, które oferują prawdziwy wgląd w zachowania ich klientów.

Jakość odbiorców jest weryfikowana poprzez testy w kampaniach reklamowych i zależy od aktualności, częstotliwości i głębokości danych.

Pamiętaj, tworzenie odbiorców zaczyna się od hipotezy opartej na znanych zmiennych i celach. Na przykład początkowe założenie ubezpieczyciela może być następujące: osoby poszukujące ubezpieczenia samochodowego online, w wieku od 18 do 50 lat, które posiadają co najmniej jeden samochód. Dobrze sformułowana hipoteza wystarczająco zawęża analizę, jednocześnie dostarczając wystarczających wyników, aby odkryć spostrzeżenia behawioralne i motywacyjne.

Data science dla prawidłowego modelowania atrybucji

Właściwa atrybucja marketingowa, czyli nauka określania, jaki przekaz doprowadził do zakupu, opiera się na danych zarówno od osób, które dokonały konwersji, jak i od osób, które nie dokonały konwersji. Ponieważ dane te mogą być bardzo duże, potrzebne jest zaawansowane modelowanie, aby poprawnie zidentyfikować i przypisać zdarzenie, które doprowadziło do konwersji użytkownika.

Dzięki ulepszonej technologii, takiej jak sztuczna inteligencja, marki lepiej rozumieją ścieżkę konsumenta do zakupu. Dysponując wystarczającą ilością danych, naukowcy mogą przeglądać kanały marketingowe i urządzenia, aby poprawić punkty kontaktu i ulepszyć przekaz.

Analityka danych dla lepszego licytowania w czasie rzeczywistym

Postępy w segmentacji odbiorców i głębsze zrozumienie zdarzeń konwersji doprowadziły do ​​praktyki RTB, metody kupowania i sprzedawania reklam. RTB umożliwia wykupienie pojedynczego wyświetlenia reklamy jednocześnie z wizytą użytkownika na stronie internetowej.

Jeśli kiedykolwiek spojrzałeś na produkt na stronie internetowej, a następnie przeszedłeś, aby sprawdzić swój kanał w mediach społecznościowych, tylko po to, by zobaczyć reklamę tego samego produktu, prawdopodobnie doświadczyłeś RTB poprzez ukierunkowaną reklamę.

Lub powiedzmy, że kupiłeś swój pierwszy dom i masz dość jedzenia z plastikowych talerzy. Decydujesz się odwiedzić Macy's online w poszukiwaniu nowych sztućców. Nie jesteś jeszcze gotowy do zakupu, decydujesz się odwiedzić Facebooka, aby zobaczyć, co dzieje się z rodziną i przyjaciółmi. Podczas przewijania swojego kanału zauważasz reklamę z dokładnym obrazem talerza obiadowego, który właśnie oglądałeś.

RTB skaluje proces zakupowy i umożliwia bezpośrednie targetowanie do poszczególnych użytkowników. Aby uczestniczyć w tym procesie, analitycy danych muszą mieć dostęp do ogromnych ilości danych i posiadać odpowiednią wiedzę specjalistyczną, aby sortować i wyszukiwać przydatne informacje w celu uzyskania przydatnych spostrzeżeń.

Dokąd zmierza data science

Czasami wydaje się, że dziedzina nauki o danych rozwija się tak szybko, jak wszechświat, który Bandurin, Bu i Lim spędzili tyle lat na badaniu.

„Nauka o danych będzie nadal pomagać różnym firmom w rozwiązywaniu problemów, czyniąc rzeczy bardziej zautomatyzowanymi”, mówi Bandurin. „Rozwój samojezdnych samochodów to jeden z przykładów – ale także automatyzacja innych pojazdów, w tym samolotów, gra w szachy, pomoc osobom niepełnosprawnym i prawdziwym androidom we wszystkich sferach ludzkiego życia”.

Rezultatem będzie zupełnie nowy świat, jaki znamy.