PLA и массивы данных: новый рубеж – часть 1

PLA массивы данных

Сложно быть онлайн-маркетологом в переменчивой интернет-среде сегодняшнего дня. Кажется, что как только мы осваиваем один канал, сразу же возникает два еще более многообещающих и перспективных. Примером может служить появление в мае 2012 "товарных объявлений Google" (Product Listing Ads, сокращенно «PLA»), о которых и пойдет речь ниже.

Онлайн-среда мгновенно изменилась, и перед маркетологами встала необходимость быстро приспособиться к новым моделям поведения пользователей, новым форматам рекламы, новым принципам формирования бюджета и новым маркетинговым стратегиям – и при этом сделать так, чтобы затраты на рекламу окупились.

В предпраздничный сезон 2012 года некоторые продавцы отдали до 50% от всего рекламного бюджета именно PLA. Средняя доля от общих вложений в поисковую рекламу достигла пикового значения в 17% в четвертом квартале 2012 года, а к первому кварталу 2013 снизилась до 15%. Хотя большинство участников индустрии цифровой коммерции считает, что частота использования PLA по сравнению с обычными текстовыми объявлениями возрастет, оба вида рекламы остаются важными и станут дорогими статьями маркетинговых бюджетов этого года.

Но что же происходит после того, как потребитель кликает по рекламе – текстовой или визуальной? Ведь интернет – это не магазин, в котором продавец-консультант может извлечь полезную информацию, просто наблюдая за тем, как покупатели ведут себе в магазине, о чем говорят и как реагируют на предложения. Так как же быть с онлайн-объявлениями?

Топовые онлайн-поисковики проделали огромную работу и сегодня могут предугадывать запросы отдельных пользователей и предоставлять результаты, которые с наибольшей вероятностью будут соответствовать их намерениям. Используя крупные массивы данных, технологии машинного обучения и продвинутые алгоритмы, Google может едва не читать ваши мысли, может реагировать на ваши запросы почти как живой человек. Не следует ли рекламодателям пойти по этому же пути?

Крупные массивы данных для серьезных проблем

Итак, мы подходим к следующей возможности крупных массивов данных: воссозданию опыта "покупки на месте" посредством построения стратегии размещения PLA на их основе. Потребители говорят о своих нуждах по-разному, огромным числом способов, и практически невозможно вручную привязать запросы к тысячам продуктов, которыми торгуют некоторые продавцы. В результате получится только путаница.

В то же время, потребители часто вообще не ищут какой-то конкретный продукт. Если компания не предлагает наиболее подходящий товар с приемлемым набором других вариантов на целевой странице, она теряет клиента – а значит, упускает доход. Хуже того, исследования подтверждают, что потребители негативно воспринимают бренды, которые предоставляют некачественное обслуживание, и готовы платить за обслуживание качественное. Многие компании тратят на поисковую рекламу миллионы долларов, а в таких масштабах любая потеря – значительная.

Данные раскрывают намерение

Представьте, что вы идете в примерочную магазина одежды. Вы примеряете вещь, но она вам по той или иной причине не подходит или не нравится. Продавец может тут же принести вещь другого размера, цвета, может предложить что-то похожее или попытаться соблазнить вас скидкой, может даже вспомнить, что вы купили, когда были в этом магазине в прошлый раз и показать вам похожую вещь.

Данный тип интуитивной "обработки" клиента основан на тех сигналах, что раскрывают его намерения – это и есть наши данные. Клиент выбирает оптимальный вариант вместе с продавцом, и это выливается в покупку. В цифровой среде вы также можете отыскать сигналы, говорящие о намерении пользователя – нужно только уметь правильно их истолковывать.

Представьте покупателя, который отходит от одного стеллажа с товарами и подходит к другому, или дает вам сигнал "мне нужно совсем не это" через мгновенный отказ от целевой страницы. Потребители, которые быстро покидают целевую страницу или чаще покупают товар на какой-то конкретной предлагаемой странице, дают вам слабые, но существенные цифровые сигналы, на которых можно учиться.

Вдобавок, зная, как потребитель вел себя на вашем сайте в прошлом (например, всегда покупал товары из одной категории или определенного размера), вы можете предугадывать его поведение в будущем. Список потенциальных выгод можно продолжать еще очень долго, но суть заключается в том, что на самом деле у онлайн-продавцов есть все данные, необходимые для того, чтобы находить индивидуальный подход к каждому из своих клиентов и делать им именно те предложения, которые для них актуальны. Сложность заключается лишь в объединении, обобщении этой информации; а учитывая, что потенциальных клиентов могут быть миллионы, это весьма непростая задача для бизнесменов.

Читать далее...(Часть 2)

Cкачайте приложение на Андроид и будьте в курсе новостей
Интернет-маркетинга всегда!

WebSEOHelp

smp-forum.ru


.
Наверх
закрыть

Консоль отладки Joomla!

Ошибки

Сессия

Результаты профилирования

Использование памяти

Запросы к базе данных