ReklameteknologiContent Marketing

Skimlinks Data Provider Checklist - Still de riktige spørsmålene

Inntil nylig konfronterte digitale markedsførere og profesjonelle reklamebyråer som ønsket å lage programmatiske annonsekjøp svart boks datascenario. De fleste er ikke ingeniører eller dataforskere, og de måtte ta et sprang i troen og stole på dataleverandørens påstander om datakvalitet, gjennomgå resultatene etter implementering - og etter at kjøpet allerede var gjort.

Men hva skal markedsførere og byråer se etter hos en dataleverandør? Hvordan kan de bestemme hvilken leverandør som tilbyr den mest nøyaktige, gjennomsiktige løsningen? Her er noen spørsmål du kan stille:

Hvordan samles dataene inn?

Er det gjennom direkte observasjon av hver bruker, eller er det utledet data, hvor atferdsmønstre blir oppdaget i en liten gruppe brukere og deretter ekstrapolert for større grupper? Hvis dataene er utledet, er nøyaktigheten avhengig av størrelsen på den målte gruppen - så det er viktig å sjekke gruppestørrelsen når du vurderer leverandører. Men husk at uansett størrelse, utledede data alltid innebærer en nedgang i nøyaktighet når de ekstrapoleres. Og ikke glem at når data blir modellert i segmenter, vil spådommer være basert på spådommer i stedet for reell informasjon. Denne dynamikken øker eksponentielt risikoen for at dataene ikke fungerer.

Det er en god ide å stille fornuftige spørsmål som lar deg vurdere styrken til data over trakten, og se utover enkel demografi for å faktorere transaksjoner, metadatasporing og andre signaler som mer nøyaktig forutsier kjøpsintensjon. Skimlinks fanger opp 15 milliarder shoppingintensitetssignaler fra et nettverk med 1.5 millioner utgiverdomener og 20,000 100 selgere hver dag. Ved å bruke maskinlæring og berikende analyse i deres produktintelligenslag, forstår Skimlinks taksonomien og metadataene til XNUMX millioner produktreferanser og lenker. De bruker denne informasjonen til å bygge publikumssegmenter med høy konvertering basert på produktene og merkene brukerne sannsynligvis vil kjøpe, noe som muliggjør mer effektive display-, sosiale og videokampanjer.

Hvilken type data samles inn?

Neste på listen er å finne ut hva slags data som samles inn. Kategorier kan omfatte klikk, lenker, metadata, sideinnhold, søkeord, merkevarer og produkter, prisinformasjon, transaksjonens forekomst, dato og klokkeslett. Jo flere typer data som samles inn, jo mer råmateriale vil prediktive modeller måtte jobbe med, noe som kan forbedre nøyaktigheten betydelig. Hvis bare noen få typer data samles inn - for eksempel bare inntrykk eller klikk - vil det være begrenset informasjon som kan brukes til å kryssjekke spådommer eller forbedre brukerprofiler. I dette scenariet er risikoen at det blir generert altfor forenklede og unøyaktige brukerprofiler.

Skimlinks samler inn og analyserer data og oppdager mønstre på tvers av flere utgivere og selgere for å forutsi nøyaktig kjøpsatferd. For eksempel kan kombinasjonen av en bruker som besøker 10 sider på fem forskjellige nettsteder identifiseres som et mønster som indikerer at du er interessert i å gjøre et kjøp i neste uke. Ingen enkelt utgivere kunne produsere dataene Skimlinks får tilgang gjennom sitt nettverk på 1.5 millioner domener, men utgiverinformasjon er bare en del av signaldataene. Skimlinks analyserer også dataene hentet fra de 20,000 selgerne i nettverket, inkludert prisinformasjon, ordreverdi og kjøpshistorikk.

Ved å gjøre det, Skimlinks kombinerer signaler fra hele detaljhandelsøkosystemet.

Hvordan valideres dataene?

En annen kritisk evne å se etter når man vurderer dataleverandører, er muligheten til å validere spådommer i praksis. For eksempel, enhver leverandør som hevder at segmentene deres vil føre til konverteringer, bør registrere transaksjonsdata for å bekrefte at kjøpet skjer. Uten transaksjonsdata er det ikke mulig å validere verdiproposisjonen.

Skimlinks har en programmatisk målrettingstjeneste som hjelper annonsører med å målrette brukere etter hvor de er i kjøpesyklusen. Forutsigelser gjøres ved hjelp av kontekstuelle, produkt- og prisdata, og de blir validert ved hjelp av transaksjonsinformasjon. Brukerne spores for å sjekke om de har gjort det forventede kjøpet, og maskinlæringssystemet som lager segmenter blir kontinuerlig opplært basert på denne informasjonen. Det hjelper kjøpere med å unngå et scenario der de retter seg mot forbrukere som kan ha undersøkt et produkt de ikke har råd eller ikke har noen reell hensikt å kjøpe. Resultatet er bedre segmentytelse.

Digitale markedsførere og byråer som driver med programmatisk annonsering, må velge riktig dataleverandør for å optimalisere pris per tusen visning (CPM) eller kostnad per handling (CPA). Vekstraten i programmatisk reklame og datadrevet markedsføring kan gjøre det vanskelig å vite hvordan du skal velge riktig dataleverandør. Men ved å bruke disse tre fornuftige spørsmålene når de vurderer en dataleverandørs verdiproposisjon, kan digitale markedsførere og byråer åpne den sorte boksen og finne riktig datamiks.

Alicia Navarro

Alicia Navarro er administrerende direktør og medstifter av Skimlinks, en inntektsgenereringsplattform som hjelper nettsteder å bli belønnet for kjøpsintensjonen som er opprettet i innholdet. Før hun lanserte Skimlinks, jobbet hun i over 10 år med å designe og lansere mobil- og internettbaserte applikasjoner i Australia og Storbritannia. Siden 2007 har Alicia utvidet selskapet til over 85 ansatte på kontorer i London, San Francisco og New York City.

Relaterte artikler

Tilbake til toppen-knappen
Lukke

Annonseblokkering oppdaget

Martech Zone er i stand til å gi deg dette innholdet uten kostnad fordi vi tjener penger på nettstedet vårt gjennom annonseinntekter, tilknyttede lenker og sponsing. Vi vil sette pris på om du vil fjerne annonseblokkeringen når du ser på nettstedet vårt.