Koncepcja stojąca za powstaniem Lead Score’a wywodzi się wprost z lejka zakupowego oraz szerokiej i głębokiej wiedzy, jaką zgromadziliśmy podczas prowadzenia kampanii marketingowych. Jak zapewne nie trzeba nikogo przekonywać, każdy z nas posiada określone preferencje zakupowe; każdego z nas interesują odmienne aspekty rzeczywistości. A zakres tematyczny kampanii prowadzonych przez DBMS jest tak szeroki, że pokrywa się z większością zainteresowań ich adresatów. Dzięki temu możemy wykorzystać zgromadzone dane do modelowania zachowań i na tej podstawie wyciągać wiele ciekawych i praktycznych wniosków.
Artykuł powstał we współpracy z firmą DBMS
Proces budowania Lead Score’a
Patrząc na Lead Score przez pryzmat jego tworzenia, łatwo zauważyć, że jest złożonym ekosystemem, bazującym na zastosowaniu różnych punktów widzenia odnośnie zachowań adresatów różnych kampanii. Najważniejszym elementem koncepcji Lead Score’a pozostaje usystematyzowanie setek słów kluczowych, charakteryzujących poszczególne kampanie prowadzone w ramach systemu dmsales.com. Drugim, równie ważnym dla działania Lead Score’a elementem, jest reakcja adresata na określoną kreację marketingową. Może nią być otwarcie, otwarcie połączone z przejściem na stronę zleceniodawcy, ale także całkowity brak reakcji na daną reklamę.
Jak łatwo zauważyć, już za tymi podstawowymi informacjami stoi ogromna wiedza. A to dopiero początek! Stosując uczenie nienadzorowane jesteśmy w stanie powiązać naszych Użytkowników w grupy charakteryzujące się podobnymi zachowaniami. Na bazie uczenia nadzorowanego jesteśmy z kolei w stanie oszacować płeć adresata tam! Analogicznie jesteśmy w stanie ocenić, czy dana osoba posiada dziecko, samochód albo czy mieszka w bloku lub w domu jednorodzinnym. Chyba nikogo nie trzeba przekonywać, że w zależności od tematyki kampanii, taka wiedza staje się kluczowa dla ograniczenia kosztów i uzyskania odpowiednio wysokich współczynników otwarć i kliknięć.
Interpretacja Lead Score’a
Jak zatem interpretować Lead Score’a? Liczba wymiarów, które mamy do dyspozycji w jego ramach jest naprawdę duża i wszystko zależy od celu, jaki nam przyświeca. Na przykład mamy możliwość wykluczenia z kampanii e-mail tych adresatów, którzy w ostatnim miesiącu nie wykazali żadnej aktywności. Mamy możliwość ograniczenia wysyłek do osób, które nie są zainteresowane daną tematyką. Możemy skierować kampanię jedynie do tych osób, które w dotychczasowych reakcjach uzyskały określone współczynniki OR, CTR lub CTOR. Warto zauważyć, że tylko te dwie podstawowe możliwości Lead Score’a znacząco przyczyniają się do ograniczenia kosztów samej kampanii!
Dodatkowo, dzięki mechanizmowi Lead Score, możemy weryfikować, czy dany kontakt jest botem. Automatyczne otwarcie i kliknięcia w e-mail marketingu mogą stanowić i nierzadko stanowią poważny problem. Nie tylko w wymiarze kosztowym, ale również w poprawnej ocenie wyników działań marketingowych. Zaliczenie automatycznych otwarć i kliknięć w poczet wyników kampanii może mocno zaburzyć faktyczne wyniki przeprowadzonych działań.
Co do samego Lead Score’a, to jego cechą szczególną pozostaje pogrupowanie słów kluczowych opisujących adresatów kampanii w pięć jasnych grup:
- hot – w tej grupie znajdują się osoby szczególnie mocno zainteresowane daną kategorią,
- warm – osoby, które również są zainteresowane daną kategorią, ale w nieco mniejszym stopniu,
- cold – osoby, które wykonały pojedyncze interakcje z reklama w danym temacie, niemniej w jeszcze mniejszym stopniu,
- dead – osoby, które nie weszły w interakcję z daną tematyką, pomimo dostarczenia im kreacji, i na koniec moją ulubiona grupa, czyli
- kot Schrodingera – osoby, która nie dostały kreacji w określonej tematyce i nie jesteśmy w stanie stwierdzić, czy byłyby nią zainteresowane.
W ramach Lead Score’a zbieramy informacje na temat tego, w którym kraju Użytkownik wykonał interakcję z kreacją, ile sumarycznie otrzymał kampanii i jak na nie zareagował. Połączenie tych informacji z pozostałymi danymi również pomaga naszym analitykom precyzyjniej budować bazy dla kolejnych kampanii.
Przykładem może być jedna z kampanii dla sektora fotowoltaiki, w której udało nam się znacząco ograniczyć liczbę wysłanych e-maili oraz poprawić trafność kampanii, dzięki czemu znacząco podnieśliśmy współczynnik konwersji naszego Klienta.
Lead Score od kuchni
Jak zwykle w podobnych przypadkach pierwszym wyzwaniem pozostają dane wejściowe, którym daleko do formy umożliwiającej klasyfikację i obliczenia. Aby uzyskać odpowiedni format, musimy przetworzyć konkretne zdarzenia w odpowiednie dane liczbowe, połączyć je ze szczegółowymi informacjami z konkretnych kampanii a następnie zbudować na ich podstawie matrycę, którą możemy przetwarzać przy pomocy naukowych pakietów Pythona.
W zależności od potrzeb, danych wejściowych oraz założonych współczynników precyzji i pełności, korzystamy z różnych klas pakietu scikit-learn. Korzystamy zarówno z prostej regresji liniowej, regresji wielomianowej, klasyfikatorów Bayesa, losowych lasów albo stochastycznego spadku wzdłuż gradientu. Tak naprawdę Lead Score’a nie jest prostą, pojedynczą wartością, ale całą strukturą danych, podporządkowana koncepcji lejka zakupowego.
Dodatkowo w naszych działaniach wykorzystujemy również uczenie nienadzorowane, dzięki któremu jesteśmy w stanie pogrupować Użytkowników w określone grupy, charakteryzujące się podobieństwem zachowań w kampaniach e-mail. Dzięki temu możemy jeszcze precyzyjniej wyznaczyć najlepiej konwertujące grupy, a dodatkowo zweryfikować nasze założenia, przyjęte a priori na starcie kampanii.
Pozostałe aspekty analizy danych
Atrakcyjność Lead Score’a w świetle prowadzonych kampanii e-mail marketingu to jeszcze nie wszystkie jego możliwości. W ramach projektu prowadzimy również szerokie analizy pozwalające weryfikować, czy w interakcję z korespondencja marketingową faktycznie wchodzi człowiek, czy tez otwarcia i kliknięcia odbywają się automatycznie. Jest to niezwykle ważne w świetle obniżenia kosztów prowadzonych kampanii, a dodatkowo pozwala zidentyfikować różnego rodzaju generatory sztucznego ruchu.
Z kolei dzięki wielkości zasobów baz danych na platformie dmsales.com i wiedzy pochodzącej z Lead Score’a jesteśmy w stanie dokonać różnorodnych wzbogaceń danych zewnętrznych. Na przykład jeśli adresy email w bazie i w naszych zasobach pozostają zgodne, a jednocześnie nasze dane zawierają odpowiednie informacje, to będziemy w stanie przypisać do posiadanych przez Państwo adresów e-mail, przykładowo, dane geo- demograficzne, jak i behawioralne. A w przypadku adresów firmowych dodatkowe dane na temat danego przedsiębiorstwa. Oczywiście możemy również zweryfikować poprawność adresu e-mail pod katem odbić twardych.
Reasumując, dzięki koncepcji Lead Score’a oraz bogatym zasobom danych zgromadzonych w DBMS system jest w stanie nie tylko wzbogacić wiedzę o klientach, ale też zapewnić inteligentną segmentację prowadząc skuteczne kampanie e-marketingowe, przy jednoczesnym obniżyć koszty działań w zakresie e-mail marketingu, zwiększając przy okazji faktyczne współczynniki otwarć i kliknięć, a w konsekwencji pozyskania właściwych leadów.
Zostaw komentarz