Większość działań targetowania w Retail Media opiera się na danych historycznych. „Shoppers, którzy kupili jogurt w ciągu ostatnich 90 dni”. „Nabywcy produktów z segmentu śniadaniowego”. „Lojalni klienci marki”.
Segmenty te opisują to, co już się wydarzyło. Nie przewidują jednak, co stanie się w przyszłości.
Audiencje oparte na prognozach zmieniają kierunek. Zamiast „kupili X”, targetowanie staje się „prawdopodobnie kupią X w ciągu najbliższych 14 dni”. Zamiast „osoba zmieniająca markę” pojawia się „wysokie prawdopodobieństwo przejścia na Twoją markę w tym miesiącu”. Zamiast „osoba, która przestała kupować” pojawia się „prawdopodobnie powróci do tej kategorii w następnym cyklu zakupowym”.
To właśnie przejście od segmentacji do prawdopodobieństwa. I właśnie w tym momencie przewaga danych Retail Media przekształca się w przewagę wydajnościową.
Dlaczego prognozowanie przewyższa opis
Segment opisuje grupę na podstawie przeszłych zachowań. Problem polega na tym, że przeszłe zachowania nie zawsze są dobrym wskaźnikiem przyszłych zachowań, zwłaszcza tych, na których Ci zależy.
Weźmy pod uwagę „nabywców jogurtu, którzy dokonywali zakupów w ciągu ostatnich 90 dni”. Segment ten obejmuje: nabywców jogurtu codziennych, którzy dokończą zakup jutro niezależnie od jakiejkolwiek kampanii; nabywców sporadycznych, którzy mogą dokonać kolejnego zakupu za miesiąc; nabywców, którzy wypróbowali jogurt raz i nie kupią go ponownie; oraz nabywców, którzy dokonywali zakupów 89 dni temu i już się od tego odwróciły. Wyświetlanie tej samej reklamy wszystkim czterem grupom to marnotrawstwo. Codziennego nabywcy nie trzeba przekonywać. Osoba, która wypróbowała produkt tylko raz, nie wróci. Środki finansowe powinny trafić do sporadycznych nabywców, których można przekonać, oraz do byłych nabywców, których można odzyskać.
Model predykcyjny pozwala je rozróżnić. Przypisuje on każdemu shopperowi ocenę na podstawie prawdopodobieństwa dokonania zakupu w ciągu najbliższych X dni, uwzględniając pełną historię zachowań, częstotliwość zakupów, aktualność, zaangażowanie w daną kategorię, wzorce okazjonalne, etap życia, reakcję na cenę oraz zachowania związane ze zmianą marki.
Kampania jest następnie kierowana do shopperów, których prawdopodobieństwo zakupu przekracza ustalony próg, czyli do tych, którzy z największym prawdopodobieństwem dokonają konwersji. Wydatki koncentrują się tam, gdzie mają znaczenie. Marnotrawstwo maleje. Inkrementalnosc wzrasta.
Jak działają audiencje oparte na modelach predykcyjnych w Retail Media
Infrastruktura danych jest taka sama, jak ta wykorzystywana do identyfikacji okazji zakupowych i segmentacji według etapu życia. Różnica polega na wyniku: zamiast etykiety („klient kupujący szybkie śniadanie”) otrzymujemy wynik („78% prawdopodobieństwa zakupu szybkiego śniadania w ciągu najbliższych 7 dni”).
Dane wejściowe:
Aktualność i częstotliwość zakupów. Kiedy shopper ostatnio kupował produkty z tej kategorii? Jak często zazwyczaj dokonuje zakupów? Na jakim etapie cyklu zakupowego się znajduje?
Wzorce okazji. Czy ten shopper ma powtarzający się wzorzec szybkiego śniadania we wtorkowe poranki? A może rytm zakupów na piątkowe wieczorne imprezy? Regularność okazji pozwala przewidzieć jej następne wystąpienie.
Wskaźniki etapu życia. Zakupy produktów dla niemowląt przez świeżo upieczonych rodziców można przewidzieć od momentu pojawienia się pierwszej pieluchy. Model zna cykl uzupełniania zapasów.
Trajektoria kategorii. Czy zaangażowanie shoppers w daną kategorię rośnie, czy maleje? Rosnące koszyki sugerują wzrost prawdopodobieństwa. Malejące koszyki sugerują spadek.
Competitive behavior. Has the shopper started buying a competitor's product? That's a signal that they're open to switching, which means they're also recruitable.
Model łączy te dane wejściowe w wynik prawdopodobieństwa dla każdego shoppersa, aktualizowany przy każdej nowej transakcji. Wynikowa audiencja jest dynamiczna, zmienia się codziennie wraz z napływem nowych danych.
Audiencje oparte na prognozach a przebieg kampanii
W Footprints AI audiencje oparte na prognozach integrują się ze standardowym przebiegiem kampanii: Planowanie, Kierowanie, Aktywacja, Weryfikacja.
Planowanie. Marka określa cel: pozyskanie nowych klientów, odzyskanie nabywców, którzy przestali kupować, zwiększenie częstotliwości zakupów. Planista pokazuje prognozowany zasięg w ramach przewidywanej grupy docelowej, ilu shoppers spełniają próg prawdopodobieństwa, jaki jest oczekiwany współczynnik konwersji oraz jak wygląda prognozowany wzrost sprzedaży.
Kierowanie. Grupa docelowa jest definiowana na podstawie wyniku prawdopodobieństwa, filtrowana według okazji zakupowej oraz opcjonalnie nakładana na etapy życia lub preferencje kategorii. „Shoppers z prawdopodobieństwem >60% zakupu płatków śniadaniowych w ciągu najbliższych 14 dni, podczas porannych okazji szybkiego śniadania w dni powszednie” to precyzyjna i praktyczna specyfikacja.
Aktywacja. Do przewidywanej audiencji dociera się za pośrednictwem różnych punktów kontaktu. Reklamy offsite na dwa dni przed przewidywaną okazją zakupową. Ekrany in-store w przewidywanym oknie wizyty. Reklamy cyfrowe na stronie internetowej sprzedawcy, gdy shopper przegląda ofertę.
Weryfikacja. Closed-loop measurement mierzy, co się wydarzyło. Czy przewidywani nabywcy faktycznie dokonali zakupu? W jakim stopniu w porównaniu z grupą kontrolną? Czy prognoza była trafna? Wyniki pomiarów są wprowadzane z powrotem do modelu, poprawiając przyszłe prognozy.
Kwestia dokładności
Modele predykcyjne nie są kryształowymi kulami. Opierają się na prawdopodobieństwach, a nie na pewnikach. Shoppers, którym przypisano 75% prawdopodobieństwa zakupu, nie zawsze dokonują zakupu. Pytanie brzmi, czy kierowanie reklam do grupy o prawdopodobieństwie 75%+ przynosi lepsze wyniki niż kierowanie do standardowego segmentu opartego na danych historycznych.
Odpowiedź jest niezmiennie twierdząca. Nie dlatego, że każda prognoza jest trafna, ale dlatego, że rozkład prognoz skupia wydatki na klientach o wyższym prawdopodobieństwie zakupu. Nawet jeśli model myli się w 30% przypadków, te 70%, w których ma rację, zapewnia większy przyrost sprzedaży na euro niż segment o stałym rozkładzie, obejmujący dużą liczbę klientów o niskim prawdopodobieństwie zakupu.
Dowodem na to są pomiary. Grupy kontrolne porównują kampanie skierowane do przewidywanej grupy docelowej z kampaniami opartymi na standardowych segmentach, a różnica w przyroście potwierdza jakość prognoz.
Wartość komercyjna
Dla marek audiencje oparte na prognozach oznaczają efektywność, mniej marnotrawstwa i większy wpływ na każde euro.
Dla RMN audiencje oparte na prognozach oznaczają wyróżnienie się na tle konkurencji i siłę cenową. „Dotrzyj do shopperów, którzy prawdopodobnie kupią produkty z Twojej kategorii w ciągu najbliższych dwóch tygodni” to zasadniczo bardziej wartościowa propozycja niż „dotrzyj do shopperów, którzy kupili produkty z Twojej kategorii w ostatnim kwartale”.
To różnica między łowieniem ryb tam, gdzie były w zeszłym miesiącu, a łowieniem tam, gdzie będą jutro. A ta różnica wiąże się z wyższą ceną, ponieważ wynik jest bardziej prawdopodobny, a to właśnie za wynik płacą marki.
Podsumowanie
Audiencje oparte na prognozach przenoszą Retail Media z perspektywy „kto to zrobił” do perspektywy „kto to zrobi w przyszłości”.
Wykorzystują te same dane behawioralne, transakcje, okazje, etapy życia i preferencje, ale stosują je z myślą o przyszłości, a nie o przeszłości.
Rezultat: większa precyzja, mniej marnotrawstwa, większy przyrost sprzedaży oraz produkt medialny, który naprawdę wyróżnia się na tle wszystkiego, co jest dostępne w innych kanałach.
Kiedy Retail Media skupia się na prawdopodobieństwie zamiast na historii, przestają być narzędziem retrospektywnym i stają się motorem wzrostu. To właśnie ta zmiana sprawia, że marki inwestują więcej, ponieważ dostrzegają przyszłą wartość, a nie tylko dotychczasowe wyniki.
Chcesz zobaczyć, jak to działa w praktyce?
Footprints AI pomaga markom i detalistom mierzyć to, co naprawdę ma znaczenie. Zapoznaj się z historiami sukcesów naszych klientów lub skontaktuj się z nami, aby omówić swoją strategię w zakresie Retail Media.
