Fennia hyödyntää kehittynyttä analytiikkaa laaja-alaisesti markkinoinnin tehostamiseen
Dagmar Driven Advanced Analytics -tiimi on rakentanut Fennialle useita erilaisia työkaluja markkinoinnin tehostamiseen. Koko markkinaan tehty arvo- ja asennepohjainen segmentointi on kiinnitetty Fennian asiakaskantaan.
Tästä saatua tietoa voidaan hyödyntää muun muassa viestinnässä, kohdentamisessa ja uusasiakashankinnassa. Digitaalista markkinointia tehostetaan jatkuvalla attribuutiomallinnuksella. Sen avulla toimenpiteitä optimoidaan kohti maksimaalista konversiomäärää mahdollisimman kustannustehokkaasti.
Arvo- ja asennepohjaisten segmenttien kiinnitys asiakaskantaan
Segmentointi tuo liiketoiminnalle tietoa asiakkaiden arvoista ja asenteista. Asiakkaita voidaan ryhmitellä siten, että heitä kyetään puhuttelemaan tehokkaasti asiakaspolun jokaisessa kohtaamispisteessä.
Segmentointia käytetään usein strategisen suunnittelun pohjana.
Kun mallinnetut arvo- ja asennepohjaisen segmentoinnin tulokset laajennetaan koko asiakaskantaan, saadaan kattava kuva oman asiakaskannan painopisteistä ja mahdollisuuksista.
Suuret erot esimerkiksi asiakasmäärissä verrattuna markkinan segmentteihin voivat kieliä uinuvasta asiakaspotentiaalista.
Laajennus tehdään rakentamalla luokitin, joka kertoo segmentointiotoksen ja koko asiakaskannan yhteisten piirteiden perusteella mihin segmenttiin kyselyn ulkopuolinen asiakas tai käyttäjä kuuluu.
Segmentoinnin hyödyt saadaan näin laajennettua suurelle massalle tekemättä kyselyä koko asiakaskannalle.
Laajennuksen tuloksia käytetään markkinointistrategian implementoinnissa, samalla kun suunnittelua täydennetään ja päivitetään laajennuksen pohjalta löydetyistä uusista potentiaaleista.
Näitä ovat muun muassa asiakkaan aliedustetut segmentit, erityisen korostuvat tuotteet tai esille nousevat muut erityishuomiot, kuten suuri vaihtuvuus tai erityisen pitkät asiakassuhteet.
Digimarkkinoinnin attribuutiomallinnus
Digimarkkinoinnin toimenpiteiden attribuutiomallinnus on käytännössä konversioon johtaneiden ja johtamattomien polkujen analysoimista:
Millaisia toimenpiteitä on keskimäärin ollut konversioon johtaneilla poluilla ja missä vaiheessa polkuja?
Miten konversioon johtamattomat polut eroavat konversioon johtaneista?
Kun näitä asioita analysoidaan koneoppimismenetelmin, jokaisen toimenpiteen vaikutus konversioiden syntyyn voidaan määrittää.
Analyysin jälkeen tiedetään, kuinka paljon vaikkapa jatkuva display-mainonta tai orgaaninen haku on tuonut konversioita halutulla aikavälillä, tyypillisimmillään kuukauden aikana.
Kun eri toimenpiteiden panostukset jaetaan vastaavilla konversioilla, saadaan kunkin toimenpiteen tuomien konversioiden keskimääräinen hinta (CPA) – ja toimenpiteet voidaan asettaa paremmuusjärjestykseen.
CPA-mittari ohjaa optimoimaan markkinointibudjettia ja sen jakamista tehokkaimmalla tavalla.
Jatkuva kuukausittainen attribuutio on enemmän kuin osiensa summa
Kertaluontoisessa attribuutiomallinnuksessa saadaan vain vähän vihiä siitä, kuinka tehokkaasti eri kanavat toimivat, ja mihin suuntaan digimarkkinoinnin mediainvestointeja kannattaa muuttaa CPA:n pienentämiseksi.
Kun attribuutio tehdään joka kuukausi, satunnaisvaihteluiden merkitys yksittäisessä mallinnuksessa pienenee. Jatkuvan attribuution avulla päästään kiinni myös kanavien saturaatioihin.
Mittauskertojen karttuessa saadaan jokaisesta kanavasta arvio euromäärästä, jota suuremmat kuukausittaiset panostukset eivät enää tuota konversioita riittävän kannattavasti.
Fennialla jatkuva attribuutiomallinnus otettiin käyttöön puoli vuotta sitten. Attribuutio on auttanut digisuunnittelijoita säätämään sekä kokonaisbudjettia että sen allokaatiota eri medioiden välillä.
Jatkuvan dataohjatun attribuution perusteella tehtiin panostuskokeiluja, kunnes saavutettiin järkevä tasapaino esimerkiksi ohjelmallisessa display-mainonnassa prospektoinnin ja uudelleen markkinoinnin välillä.
Tämän lisäksi todettiin, että konversioita ei synny enää samankaltaisella CPA:lla – oli siis aika kokeilla digimediamixin laajentamista taktisella sosiaalisen median mainonnalla.
Mallinnus näyttää aikanaan, tuottaako uusi kanava tulosta. Mallinnus toi myös lisää tietoa konversiopolkujen pituudesta sekä ajasta, joka kuluu ensimmäisestä mainosnäytöstä konversioon.
Näin display-mainonnan toistotasoja on pystytty optimoimaan välttämällä ylimääräiset mainosnäytöt, ja mediainvestointien teho on parantunut entisestään.
Kun kunkin median CPA:t alkavat vakiintua mittauskertojen välillä, ei attribuutiota kannata lopettaa.
Kokeiluja voidaan jatkaa vaikkapa varioimalla hakukonemainonnan budjettia ja arvioimalla sen perusteella, millä tavalla luonnollisen haun konversiot korreloivat vaihtelevan SEM-budjetin kanssa.
Tämä puolestaan voi antaa vihiä hakukoneoptimoinnin tarpeesta tai vieläkin parempaa, mahdollisuudesta paikata vahvalla SEO:lla parhaiten toimivia hakusanoja.
Ja markkinoinnin teho jatkaa kasvuaan.
Haluatko uusia työkaluja markkinointinne tehostamiseen?
Ota yhteyttä: dagmar@dagmar.fi