در شرکت تحقیقات بازار بخوانید داده‌ها (اطلاعات خام و اولیه) برای بازاریابان همواره حکم یک آرزو را داشته است؛ چراکه سودمندی خودشان را ثابت کرده‌اند و به بازاریاب‌ها نگرش ساخت تبلیغات مؤثر ی را می‌دهند که بتوانند با استفاده از آنها مشارکت مخاطبان هدف و «بازگشت سرمایه» (ROI) را به حداکثر برسانند.

با‌این‌حال بهره‌برداری مؤثر از اطلاعات همیشه آسان نبوده است. ظاهرا برای بسیاری از بازاریابان، فراوانی داده‌هایی که از منابع مختلف تولید می‌شوند، روند شناسایی و یک‌پارچه‌سازی نگرش مناسب را مبهم و دشوار کرده است. «یادگیری ماشین یا دستگاه» (Machine learning) که می‌تواند کنترل اطلاعات را به‌دست بگیرد و از آنها برای تنظیم فعالیت‌ها بهره ببرد، اغلب به‌عنوان راهکاری برای رفع «نگرانی های تحلیلی صنعت» شناخته شده است.

بنابراین، یادگیری دستگاه به‌تنهایی نمی‌تواند هوش درست و لازم همه‌ی تلاش‌های مربوط به تبلیغات مؤثر را داشته باشد و تناقض داده‌ها سال‌هاست که آفت جان صنعت شده است. مهم نیست که فناوری چقدر پیچیده باشد، کیفیت نگرش و نتایج، به کیفیتِ داده‌های ورودی و اولیه بستگی دارد. تحقیقاتی که ما برای یک تبلیغ‌کننده انجام دادیم، نشان داد که دو عنصر حیاتی از نگرش کمپین (تخصیص و داده‌های عملکرد) (Attribution and Performance data) فقط نیمی از اوقات با هم سازگار بوده‌اند. ازاین‌رو داده‌هایی که به خورد دستگاه‌ها داده می‌شده فقط در ۵۰ درصد مواقع استاندارد بوده‌اند؛ به‌ این‌ معنی که اطلاعاتِ پیش‌برنده‌ی تصمیمات بازاریابی نیز احتمالا به‌همان اندازه نادرست بوده‌اند. از این‌ گذشته، این یک موردِ خاص نبوده و ناهنجاری شایعی در تبلیغات دیجیتال است.

سؤال اینجاست: چه چیزی باعث ناپیوستگی داده‌ها می‌شود و بازاریابان چطور می‌توانند مطمئن شوند که ابزارهای هوشمند، چشم‌اندازی واقعی را که روشن، مختصر و مفید باشد برای ما و تبلیغات مؤثر ترسیم می‌کنند؟

• عامل اصلی تناقض

به‌طور خلاصه، مشکل اینجاست که داده‌های تولیدشده توسط فناوری که تأثیر تبلیغات خرید رسانه‌ای را رصد می‌کنند- مثل «پلتفرم‌های سمتِ تبلیغ‌دهنده» یا DSPها (demand-side platforms)- اغلب با داده‌های تولیدیِ سرورهایی که بازاریابان برای سنجش کارایی کمپین به‌کار می‌برند هماهنگ نیستند، مثل «گوگل دابل کلیک» (Google’s DoubleClick).

برای درک بهتر این تناقض، مهم است بدانید که داده‌ها در طی سفر مشتری (فرایند تبدیل مشتریان بالقوه به مشتری واقعی در قیف بازاریابی) چطور گردآوری می‌شوند. بیایید مثالی بزنیم. یک مشتری پیش‌ از آنکه ازطریق اپلیکیشن Uber Eats غذایی را سفارش بدهد، درحال قدم‌ زدن در ایستگاه مترو است که یک تبلیغ فضای باز دیجیتالی را روی صحفه‌نمایش تلفن‌ همراه خود می‌بیند. سپس همان مشتری هنگامی که منتظر قطار و درحال مرور رسانه‌های اجتماعی است، متوجه یک تبلیغ تخفیف‌دار از Uber Eats می‌شود. در‌ این‌ لحظه او به اپلیکیشن بازمی‌گردد، برخی دیدگاه‌های مشتریان را می‌خواند و درنهایت سفارش خود را ثبت می‌کند. برای اهداف بازاریابی، جزئیات سفر این مشتری (اقدامات و رفتار مشتری بالقوه) باارزش بوده و صفحه‌ی تأیید خریدی که در مرورگر تلفن‌همراه وی بارگیری می‌شود، شامل «پیکسل‌های تبدیل» (Conversion pixels) است که همه‌ی «کانال‌های ارتباطی یا نقاط تماس با مشتری» (Touchpoints) را از پلتفرم‌های سمتِ تبلیغ‌دهنده (DSP) تا سرور تبلیغاتی ردیابی می‌کند. (DSP با رصد اقدامات مخاطبان، این اطمینان را ایجاد می‌کند که آنها، علاقه‌ی بیشتری به محصولات یا خدمات شما دارند و برای خرید یا استفاده از خدمات شما آمادگی بیشتری خواهند داشت.)

این پیکسل DSP نحوه‌ی تعاملات مشتریان با تبلیغات را هدف می‌گیرد تا مناسب‌ترین خرید را به وی پیشنهاد دهد؛ اما ازآنجاکه DSP فقط فعالیت رسانه‌ای خود را تجزیه‌و‌تحلیل می‌کند، حوزه‌ی داده‌ها محدود می‌شود. درمقابل، سرورهای تبلیغاتی دیدِ گسترده‌تری دارند که شامل فعالیت‌های جست‌و‌جو نیز می‌شوند. سرورهای تبلیغاتی قادرند چشم‌انداز جامع‌تری از کارایی کمپین ترسیم کنند و ازاین‌رو معمولا قابل‌اعتمادتر هستند. تعجبی ندارد که بسیاری از کلاینت‌ها، داده‌های سرور تبلیغات را مثل واحد پولی قلم‌داد می‌کنند.

مطالب مرتبط:

کمپین تبلیغاتی خلاقانه خود را بسازید

تبلیغات را شروع نکنید ابتدا این سئوالات را از خود بپرسید

• دور نگه‌داشتن داده‌های بد از دستگاه‌ها

عاقبت تناقض داده‌ها این است که بازاریابانی که بیش‌از‌حد به نگرش پلتفرم سمتِ تبلیغ‌دهنده (DSP)، برای بهبود الگوریتم‌های یادگیری دستگاه اعتماد می‌کنند ممکن است داده‌های نادرستی را وارد آنها کنند.

به مشتری Uber Eats برمی‌گردیم. DSP به‌کار برده‌شده در اینجا ممکن است از همه‌ی اعلان‌ها برای خرید نهایی در تبلیغ فضای‌ باز دیجیتال در ایستگاه استفاده کند و تأثیر دیگر «کانا‌ل‌های ارتباطی» (Tochpoint) را کاملا نادیده بگیرد. بنابراین بازاریاب‌هایی که فقط از این داده‌ها برای آگاه‌ شدن از فعالیت‌ها و رفتار آتی مشتری بهره می‌برند ممکن است بودجه را به‌سمت اشتباهی ببرند و درنتیجه بهره‌وری کمپین و بازگشت سرمایه (POI) را محدود کنند. واضح است که بازاریاب‌ها برای به‌حداکثر رساندن نتایج تبلیغات بایستی احتمال اشتباه بودن داده‌ها را درنظر بگیرند و معیارها را در جای مناسبی به‌کار ببرند. در ادامه، دو گام مهمی را که بازاریاب‌ها باید برای تبلیغات مؤثر بردارند، شرح می‌دهیم:

۱. وابستگی خود را به DSP ها قطع کنید

همان‌طور که دیدیم، ریسک قابل‌توجهی در این وجود دارد که الگوریتم‌های یادگیری دستگاهی که اغلب روی داده‌های پلتفرم سمت تبلیغ‌دهنده (DSP) به‌کار رفته‌اند خطا کنند یا حتی بر کارایی کمپین به‌شدت تأثیر منفی بگذارند. بازاریابان باید ابزارهایشان را به داده‌های جامع و معتمدی مجهز کنند که همه‌ی فعالیت‌های رسانه‌ای و کانال‌های ارتباطی را دربربگیرد؛ مانند مواردی که ازطریق سرورهای تبلیغاتی در دسترس هستند.

۲. هر کمپینی را موشکافی کنید

ازآنجاکه هیچ روشی برای پیش‌‌بینی وسعت و میزان تناقضات وجود ندارد، مهم است که بازاریابان داده‌ها را مورد‌به‌مورد مقایسه کنند. آنها تنها با ارزیابی دقیق تفاوت‌های میان مجموعه‌ی داده‌ها می‌توانند محل تناقضات را موشکافانه مشخص کنند و تصمیم بگیرند که کدام اطلاعات مفیدند و کدام‌ها نه. بخش اعظم این ارزیابی باید توسط ابزارهای هوشمندی صورت بگیرد که می‌توانند از پسِ حجم بالایی از داده‌ها برآیند، اما اهمیت نگرش انسانی هم نباید دست‌کم گرفته شود. علاوه‌بر کارآمدیِ فناوری، پیوند انسان و دستگاه برای موفقیت ضروری است. درنهایت، این بازاریابان هستند که بایستی از ظرفیت انسانی برای تشخیص داده‌های خوب از بد به‌منظور تبلیغات مؤثر بهره ببرند.

یادگیری دستگاه، تبلیغات مؤثر را دگرگون می‌کند و بازاریابان را قادر می‌سازد داده‌ها را مغایرت‌گیری کنند و از این نگرش‌ها برای بهبود عملکرد کمپین‌ها، افزایش مشارکت‌ها و بازگشت سرمایه استفاده کنند. بااین‌حال فناوری مصون از خطا نیست و باوجود اینکه چهارمین انقلاب صنعتی، هوشمند بودن فناوری است، دستگاه‌های مدرن هنوز هم برای داشتن عملکردی مطلوب، نیازمند ورودی (داده‌های) خوب هستند. ازاین‌رو بازاریابان به‌منظور جلوگیری از شکست کمپین‌ها و خرج‌های بیهوده، باید به‌دقت داده‌های عملکردی‌ مورد‌ِاستفاده‌شان را تجزیه‌و‌تحلیل کنند و از صحت عملکرد و راندمان یادگیری دستگاه اطمینان حاصل کنند.

برگرفته از: forbes.com