Få det fulde forretningspotentiale ud af din indsamlede data
I dag foregår store dele af virksomheders marketingaktiviteter på digitale platforme, hvad enten det er digital annoncering, webanalyser, CRO, SEO mv. I mange sammenhænge er data i den forbindelse blevet beskrevet som “benzinen i den digitale marketing maskine”, der får hjulene til at rulle bedre, hurtigere og med større omsætning.
Med Marketing Science omdanner vi benzin til solenergi. Ved at benytte processer og modeller kendt fra data science i digital marketing, får vi en større og dybere indsigt i hvad data’en gemmer på. Det kan vi aktivt bruge til at optimere en lang række af processer i digital markedsføring.
I dette indlæg vil jeg præsentere 5 værdiskabende data science analyser, der får det fulde potentiale ud af jeres data.
Med Data Science analyser kan du:
- Få større udbytte af jeres kanalperformance
- Agere hurtigere på kundeudvikling
- Optimere jeres marketing tiltag
- Finde usete segmenter i jeres kundegruppe
- Opkvalificere jeres content tiltag
#1 Få større udbytte af jeres kanalperformance analyser
Forholdet mellem fx low-funnel adspend og ROI er sjældent linært. Dvs. du får ikke en bedre ROI ved endeløst at hælde spend i din annoncering. På et tidspunkt vil forholdet stagnere, effekten vil blive mindre og alt spend derefter vil være spild af penge. Ved at finde dét toppunkt, kan du som annoncør på forhånd justere dit adspend tidligt, og derigennem få maksimal effekt af dit adspend, med minimal spild.
Den mest almindelige anvendelsen af data science i et digital marketing, er som i eksemplet ovenfor, at finde mønstre i kanalperformance. Til det bruges regression. I eksemplet med low-funnel adspend og ROI, kan vi finde punktet hvor forholdet “knækker”, i data science kaldt “polynomie”, med programmeringssproget R.
I graferne her kan vi se forholdet mellem Google Spend, Facebook Spend og impressions samt CPM. I grafen nederst til venstre er effekten af Google Ads på antallet af konverteringer. Her stagnerer effekten af Google Ads efter 11.000, men ikke i en grad, at det er en dårlig investering at fortsætte. Vi kan se at den gennemsnitlige effekt ved at investere 11.000 i google, giver 20-25 konverteringer, med meget stor sikkerhed.
Graferne overnover er et typisk eksempel på, et forsøg på at finde forholdet mellem flere varibaler. Men selvom vi reelt kan finde et forhold mellem alle typer varibaler, er det ikke alle forhold vi kan regne med. De grå områder markerer, hvor stor usikkerheden er omkring forholdet. Her er de to øverste grafer eksempelvis meget usikre i deres forhold. Modsat er de to nederste grafer mere pålidelige, da de grå markeringer er mindre.
Ved at benytte regressioner kan du få indsigt i:
- Hvor det præcise punkt er, hvor dit adspend stopper med at have effekt
- Hvordan du får maksimalt udbytte af dit adspend
- Et bedre grundlag for at vurdere, hvorvidt en marketing investeringen skal justeres i
#2 Ager hurtigere på kundeudviklinger med en churn analyse
Forestil dig at I på forhånd kan vide, hvornår en kunde med størst sandsynlighed opsiger deres abonnement/samarbejde. Og forestil dig, at I oveni kan beregne kundens CLV og på den baggrund vurdere, hvorvidt det giver økonomisk mening at øge indsatsen for at beholde kunden.
Det er her churn analysen kommer ind i billedet.
Spørgsmålet hvorvidt en kunde ‘churner’ kan koges ind til et binært spørgsmål “Opsiger” eller “Bliver”. I data science vil en logistisk regression derfor benyttes til forudsige og klassificere svaret. I analysen inkluderer vi flere variabler, såsom køn, alder, tidsperiode som kunde og lign. Vi undersøger effekten af disse variablers indflydelse på, hvorvidt en kunde endeligt opsiger eller bliver.
Beregningen af churn kan både beregnes matematisk, ved hjælp af sandsynligheder. Eller ved hjælp af machine learning algoritmer, der løbende vil blive mere præcise, jo mere data algoritmerne kan træne på.
Nedenfor er et eksempel på hvordan, der ved at benytte en logistisk regression, kan plotte fordelingen af churns og ikke churns. Herefter beregner man en “Accuracy”, som er antallet af korrekt klassificerede observationer.
Kilde: Medium
En logistisk regression vil forsøge at klassificere alle observationer, ud fra de variable den er trænet på. Man måler derfor performance af modellen, ud fra differencen mellem korrekt klassificerede observationer, og forkerte. Udbyttet resulterer i en accuracy rate som er den % af korrekte klassificeringer (både de som ikke churner og de som churner).
Til sidst tester vi modellens performance på ny data, og vurderer ud fra dette igen om der her er forskel. Kan modellen levere et ensartet resultat, uafhængigt af det anvendte data, kan modellen tages i brug, og siges at være generaliserbar.
Vi anvender den prisvindende algoritme XGBoosting (eXtreme Gradient Boosting) til at sikre generaliserbare resultater, da dette er state of the art indenfor området, sammen med Neural Networks.
Med churn analyser kan du:
- Undersøge hvor mange kunder der potentielt opsiger deres abonnement indenfor en valgt periode.
- Forudsige revenue streams og budgetudsving
- Tidligere igangsætte vigtige retention aktiviteter såsom tilbud, prisreduktioner mv.
#3 Optimer jeres marketing tiltag med sentiment analysis (SA)
Formålet med sentiment analysis er at bruge machine learning til at tolke hvorvidt en tekst, kommentar, anbefaling eller lign. er positiv/negativ, ud fra en given sandsynlighed. En opgave mennesker i gennemsnit kun er i stand til at løse korrekt 60-65 % af tilfælde. Ved at identificere en henvendelses tone, er det langt lettere at håndtere den bedst muligt. Hvilket har afgørende betydning i chatbots, kundehåndtering, service forbedringer mv.
Sentiment analysis er i praksis tekst mining. Det betyder at SA kan benyttes til at aggregere tekster og forklare den bagvedliggende bagtanke. I analysen ser algoritmen på, hvilke ord der bruges, hvilke der går igen og i hvilken sammenhæng de bruges.
Med SA analyser kan du:
#1 Finde content huller i din forretning og i markedet
SA kan både benyttes på egne tekster/sites, men også på eksterne platforme såsom Trustpilot, konkurrenters sites mv. Det betyder i praksis at vi kan bruge SA til at finde frem til content mangler i markedet, ved at sammenligne data fra konkurrenterne med jeres egen. Eller til at udpege områder du, som virksomhed, selv kan forbedre i din forretning, og derigennem imødekomme krav fra forbrugerne. Der er med andre ord stor værdi i at kunne analysere potentielle huller i content i markedet.
#2 Forbedre livechat / kundehenvendelser
Ved hjælp af toolet “MonkeyLearn” er det muligt at opsætte en funktion, der kan vurdere hvorvidt en henvendelse er positiv eller negativ. En funktion der kan løfte live chat funktionernes kvalitet gevalidigt. Her analyserer programmet hvilken positivt/negativ score hvert ord i henvendelsen har, og kommer på den baggrund med en anbefaling til actions.
Mulighederne for at anvende SA i digital marketing, er dig nærmest ubegrænsede, da det er en teknologi, der hele tiden udvikles.
Kilde: towardsai.net
#3 Find usete segmenter i jeres kundegruppe ved hjælp af Machine Learning
I har sandsynligvis allerede opdelt/segmenteret jeres kundegruppe, som første step i at personalisere jeres kommunikation til dem. Det er bare ikke alle ligheder og mønstre i kundegrupper, vi selv kan se. Men det kan vi ved hjælp af machine learning.
Der findes flere metoder til, hvordan en kundegruppe kan inddeles ved hjælp af ML. Nogle afhængigheder er eksempelvis, hvilken data der er til rådighed og hvor detaljeret den er.
Jeg vil her præsentere metoden “Decision Tree”, der netop gør det muligt at opdele kunder i segmenter på baggrund af mønstre, der sjældent kan ses med det blotte øje. Samtidig gør modellen det let at visualisere resultaterne, se eksemplet nedenfor.
Et Decision Tree kan visualisere forskellen i adfærd med alt fra 2 til 500 variabler/nodes. Illustrationen her viser signifikante forskelle i adfærd blandt en gruppe kunder, hvilket kan bruges direkte i marketing- og salgsaktiviteter. Eksempelvis hvilket content der med fordel skal pushes, til hvilke typer kundegrupper.
#4 Opkvalificer jeres content tiltag
Modellen Decisions Tree kan også benyttes til at evaluere og optimere jeres content. Her kan modellen visualisere, hvilke emner og mængden af ord, der generer flest likes, trafik eller lign.,
I praksis kræver det største udbytte af modellen, at der på forhånd eksistere en stor mængde content, der er blevet forberedt til analysen. Heri at content er inddelt i kategorier, titler og der på nogle fællesnævnere er vurderet kvaliteten af indholdet fx på antal likes, clicks mv.
Med et Decisions Tree på jeres content, kan I undersøge:
- Hvilke kategorier med størst sandsynlighed vil være populært for jeres brugere,
- Den optimale mængde ord i indholdet
Denne model har dog det forbehold, at fællesnævnerne skal være ens for alt det undersøgte content. Konkret betyder det at et like på Facebook og et like på Instagram, ikke har samme værdi. Den samme differencering gælder også for kategorier, eftersom jeres aktive brugere ikke nødvendigvis er ens på tværs af kanalerne. Det vil derfor være ugyldigt at sammenligne kategorier på tværs af kanaler.
Skal vi tage en snak om hvordan Marketing Science kan hjælpe jer?
Vi håber at du på baggrund af analyserne i dette blogindlæg, kan se mulighederne i at styrke jeres eksisterende digitale markedsføring aktiviteter, med Marketing Science.
Hvis du har nogle spørgsmål til Marketing Science eller hvad vi ellers kan hjælpe med her I KYNETIC er du altid velkommen til uforpligtende at kontakte os på kontakt@kynetic.dk. Du kan yderligere læse mere om hvordan vi I KYNETIC arbejder med Marketing Science og Data Science her på vores site.
