Brug algoritmer i dit digitale medieindkøb

Brug algoritmer i dit digitale medieindkøb
Q:Session #20 BRUG ALGORITMER I DIT DIGITALE MEDIEINDKØB
Quisma er din digitale marketing partner Vores førende specialister og værktøjer hjælper din forretning op på næste niveau med 360° digital marketing
Owned Media Earned MediaPaid Media SEO Content Marketing CRO Webanalytics Email Marketing Kundeklub Advertorials Native Advertisement Display Video Search Affiliate Influencer Marketing Paid Social LinkedIn Facebook Instagram PR Linkbuilding Vores kompetenceområder Klik her for at få det fulde slideshow
AGENDA Cases Algoritmebaseret display Algoritmebaseret SEM og SoMe Hvad er en algoritme? Introduktion til auktionsbaseret markedsføring
5 Hvem er vi? Emil Lauritsen Digital Udvikler Kernekomptencer: • Programmering, Big Data, Machine Learning Mads Flemming Bindseil Analytiker Kernekompetencer: • Statistisk analyse, salgsmodellering, programmering (R, Python, Java) Klik her for at få det fulde slideshow
6 Markedsføring Strategi Creative Content Distribution PR Produkter Analyser Insights Annoncering
7 Digital Annoncering Strategi Creative Mobile Desktop Video Display SEO/SEM Social Programmatic Analyser Budstrategi
8 Traditionel Klik her for at få det fulde slideshow
9 Traditionel Medier: • Sælger ikke alle deres visninger, eller sælger dem for billigt. • Niche sites (long tail) kan ikke være med. Annoncører: • Køber alle visninger… til samme pris.
10 Real-Time Bidding RTB (Real-Time Bidding) refererer til køb og salg af online annoncevisninger gennem realtidsauktioner, der forekommer i den tid, det tager en hjemmeside at indlæse. Disse auktioner er oftest faciliteret ved hjælp af digitale markedspladser eller SSP’er. Auktionsbaseret markedsføring
11 Termer Ad Exchange En digital markedsplads som gør det muligt for annoncører og medier at købe og sælge annoncer, oftest gennem realtidsauktioner. Bruges oftest til at sælge display-, video- og mobilannoncer. Demand-Side Platform (DSP) Teknologi brugt af annoncører til at købe display-, video-, mobil- og søgningsannoncer på tværs af en række medier, med målretning af specifikke brugere baseret på signaler, såsom geografisk lokation og tidligere internetadfærd. Ad Network Et selskab som samarbejder med flere forskellige medier, om at samle indhold på en måde, som gør det mere attraktivt for annoncører, især igennem programmatiske børser (DSP). Private Market Place (PMP) Mediers indhold som er reserveret forskellige indkøbere med forudbestemte priser. Open Ad Exchange Kilder af mediers indhold som er til rådighed igennem programmatiske børser (DSP), oftest gennem realtidsauktioner. Supply-Side Platform (SSP) Teknologi brugt af medier til at sælge display-, video-, mobil- og søgningsannoncer på tværs af deres indhold. Klik her for at få det fulde slideshow
12 Målretningsmuligheder - SEM BudLand Region By Postnummer Søgeord Ugedag Time i dagen Styresystem Browser Sprog Device type Device model Segment Recency Klik her for at få det fulde slideshow
13 Målretningsmuligheder - Programmatisk BudLand Region By Postnum mer Kreativ størrelse Ugedag Time i dagen Styresyst em Browser Sprog Sandsynli ghed for visning Domæne Placering Sælger Device type Device model Mobil App Segment Recency
14 Målretningsmuligheder - Programmatisk BudLand Region By Postnum mer Kreativ størrelse Ugedag Time i dagen Styresyst em Browser Sprog Sandsynli ghed for visning Domæne Placering Sælger Device type Device model Mobil App Recency Segment Klik her for at få det fulde slideshow
15 Data Management Platform (DMP) En teknologiplatform, der bruges til at gemme store mængder af 1., 2. og 3. parts data. Platformen gør det muligt at segmentere data og bruges til at målrette specifikke målgrupper i sit digital indkøb. Målretningsmuligheder
16 Målretningsmuligheder
17 Målretningsmuligheder Genkendt Vi har krydsrefereret hendes data med 3. parter og har nu en detaljeret forståelse for hende. Delvist genkendt Denne kvinde har registreret til vores konkurrence, så vi ved, hvor gammel hun er, og at hun køber baby mad. Observeret Når vi ser på deres onlineadfærd, tror vi denne kvinde kan have små børn eller forventer en baby. Antaget Indholdet er rettet mod kvinder, så denne bruger er sandsynligvis en kvinde. Klik her for at få det fulde slideshow
18 DSP’er Markedspladser Medier DSP’er, markedspladser og medier
19 Budmekanismer MÅLGRUPPE DATA BANNER MATERIALE KAMPAGNE DATA DISPLAY SEARCH VIDEO Forhandler IndkøberAnalytiker DMP PMP DSP Teknologi AD EX AD EX AD EX AD EX
20 Auktionen 01. Brugeren besøger hjemmeside 02. Markedspladsen (Ad Exchange) annoncere tilgængelig bruger til købsplatformen (DSP), og igangsætter en auktion. 03. Købsplatformen evaluere om man vil købe en visning til brugeren baseret på vores målretningsprofiler. 04. Hvis målretningsprofilen passer, sendes købsplatformen et bud ind til auktionen om visningen til brugeren. 05. Hvis vi har det vindende bud, vinder vi visningen for brugeren. 0ms 25ms 50ms75ms 99ms ALGORITMER Klik her for at få det fulde slideshow
21 Auktionsbaseret 25 DKK 55 DKK Klik her for at få det fulde slideshow
22 Auktionsbaseret Medier: • Sælger flere visninger. • Kontakt med flere annoncører Annoncører: • Betaler på visningsbasis • Viser kun reklame til relevante brugere • Færre spildte visninger
23 Hvad er en algoritme? En algoritme er en utvetydig beskrivelse af, hvordan et specifikt problem kan løses
24 Problem: Jeg vil bage en croissant Klik her for at få det fulde slideshow
25 Problem: Jeg vil løse terningen
26 Problem: Jeg vil finde det optimale bud for denne placering for en specifik bruger Klik her for at få det fulde slideshow
Algoritmebaseret SEM og Social
28 Hvad påvirker salg? Analyse før udvikling af algoritmen Pris / tilbud CRM / Kataloger Medier: Offline / online Sæson- påvirkninger Andre påvirkninger Konkurrent påvirkninger Ugedag Uge i måneden Årlig sæson Helligdage Ferier Vejr
29 Hvad skal algoritmen tage højde for? • I Intelligence Group har vi 14 års erfaring med udvikling af salgsmodeller • 18+ statistikere, matematikere og økonomer ansat i København og i Norden • 700+ modeller inden for alle brancher – Retail, FMCG, Rejser, Telecom, Finans etc. 59% 16% 4% 1% 0% -6% 5% 9% 11% 2% 100% Omsætning Positive effects Negative effects Sæsoneffekter udgør 10 – 50% Dette er potentiale vi kan reagere på i realtid med online optimering Klik her for at få det fulde slideshow
30 At sælge is om vinteren
31 Machine learning beslutningstræer identificerer de vigtigste drivere
32 Machine learning beslutningstræer identificerer de vigtigste drivere Klik her for at få det fulde slideshow
33 Machine learning beslutningstræer identificerer de vigtigste drivere Klik her for at få det fulde slideshow
34 Machine learning beslutningstræer identificerer de vigtigste drivere
35 Alle sessioner er ikke ligeværdige • Den øverste figur viser sammenhængen imellem antal sessioner på en kundes hjemmeside og antal konverteringer for 4 forskellige konverteringspunkter • Det er tydeligt at selv om der er flest sessioner i weekenden så er det totale antal af konverteringer højest i hverdagene • Potentialet er altså højere i hverdagene og det har en større værdi for os at drive en kunde ind på siden 0 200 400 600 800 1.000 1.200 1.400 1.600 1.800 0 20 40 60 80 100 120 0 5 10 15 20 1 6 11 16 21 2 7 12 17 22 3 8 13 18 23 4 9 14 19 0 5 10 15 20 1 6 11 16 21 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Sessions Goalconversions Goal 1 Goal 2 Goal 3 Goal 4 Sessions 0% 2% 4% 6% 8% 10% 12% 14% 0 5 10 15 20 1 6 11 16 21 2 7 12 17 22 3 8 13 18 23 4 9 14 19 0 5 10 15 20 1 6 11 16 21 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Conversionrate Tidspunkt i ugen Low potential Medium potential High potential Conversion rate
36 Flere eksempler fra forskellige brancher 0% 2% 4% 6% 8% 10% 12% 14% 0 5 101520 1 6 111621 2 7 121722 3 8 131823 4 9 1419 0 5 101520 1 6 111621 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Conversionrate Byggeindustri Low potential Medium potential High potential Conversion rate 0% 1% 1% 2% 2% 3% 3% 4% 4% 0 5 101520 1 6 111621 2 7 121722 3 8 131823 4 9 1419 0 5 101520 1 6 111621 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Conversionrate Hoteller High potential Medium potential Low potential Conversions rate 0% 2% 4% 6% 8% 10% 0 5 101520 1 6 111621 2 7 121722 3 8 131823 4 9 1419 0 5 101520 1 6 111621 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Goalconversions Onlineshop Low potential Medium potential High potential Conversion rate 0% 5% 10% 15% 20% 25% 30% 35% 0 5 101520 1 6 111621 2 7 121722 3 8 131823 4 9 1419 0 5 101520 1 6 111621 Monday Tuesday Wednesday Thursday Friday Saturday Sunday Goalconversions Telecom High potential Medium potential Low potential Conversion rate Klik her for at få det fulde slideshow
Eksekvering i praksis Klik her for at få det fulde slideshow
38 Historisk data 0 20 40 60 80 100 120 140 160 180 Responsdata(indexeret) • Hent historisk responsdata fra dit foretrukne databaseværktøj, eksempelvis Google Analytics • Indlæs dette i dit foretrukne analyseværktøj (Python, R, Excel, Watson, Alteryx etc.)
39 Isoler påvirkninger på dit resultat 0 20 40 60 80 100 120 140 160 180 Makrosæson 0 20 40 60 80 100 120 140 160 180 Uge i måneden 0 20 40 60 80 100 120 140 160 180 Ugedag 0 20 40 60 80 100 120 140 160 180 Ferie / helligdage Klik her for at få det fulde slideshow Klik her for at få det fulde slideshow
40 Saml modellerne til en model 0 20 40 60 80 100 120 140 160 180 Responsdata(indexeret) Response index Fitted Klik her for at få det fulde slideshow
41 Lav en forudsigelse om fremtidigt salg 0 20 40 60 80 100 120 140 160 180 Responsdata(indexeret) Response index Fitted Forecast Klik her for at få det fulde slideshow
42 Forecast beriges med analyser på timeniveau 0 20 40 60 80 100 120 140 160 180 Responsdata(indexeret) Response index Fitted Forecast 0 50 100 150 200 250 300 350 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Gns.response Time Mandag Tirsdag Onsdag Torsdag Fredag Lørdag Søndag
43 Planlæg efter synergieffekter mellem offline medier og SEM • Offline markedsføring genererer online interesse for et brand eller en produktkategori • Hvis vi ikke samler den interesse op via search markedsføring så gør vores konkurrenter det! SEMKlik TV tryk Generisk SEM Branded SEM
44 Andre synergieffekter Vejr Hvis analysen viser at det aktuelle vejr har en indflydelse på konverteringer så bør algoritmen tage højde for dette. Ved automatisk at trække data fra vejr API’er om det forventede vejr i de næste dage kan vi forbedre vores forecast af potentialet Finansielle faktorer 0 5 10 15 20 25 30 35 40 VIXindeks Data fra den finansielle verden kan påvirke interessen for visse produkter og services I disse tilfælde bør algoritmen medtage dette data og tage højde for makroøkonomiske påvirkninger Produktlanceringer, kampagner, andet…? Planlagte større begivenheder som kan påvirke interessen bør naturligvis indtænkes i planlægningen af SEM og social Ved at bruge en algoritmisk tilgang til afviklingen kan der spares tid på eksekvering og mikro management i forbindelse med disse begivenheder Black FridayKlik her for at få det fulde slideshow
45 Output og feedback loop 0 100 200 300 400 500 600 01-jan-15 01-feb-15 01-mar-15 01-apr-15 01-maj-15 01-jun-15 01-jul-15 01-aug-15 01-sep-15 01-okt-15 01-nov-15 01-dec-15 01-jan-16 01-feb-16 01-mar-16 01-apr-16 01-maj-16 01-jun-16 01-jul-16 01-aug-16 01-sep-16 01-okt-16 01-nov-16 01-dec-16 01-jan-17 01-feb-17 01-mar-17 01-apr-17 01-maj-17 01-jun-17 01-jul-17 01-aug-17 01-sep-17 01-okt-17 Responsdata(indexeret) Response index Fitted Forecast Hour Mandag Tirsdag Onsdag Torsdag Fredag Lørdag Søndag 0 92% 89% 92% 89% 86% 91% 91% 1 90% 87% 89% 86% 86% 89% 89% 2 88% 87% 88% 86% 85% 88% 90% 3 87% 87% 88% 86% 85% 86% 87% 4 87% 86% 89% 86% 85% 87% 87% 5 88% 87% 88% 86% 85% 87% 86% 6 91% 91% 92% 88% 86% 87% 86% 7 92% 94% 97% 89% 87% 89% 86% 8 95% 95% 99% 92% 88% 90% 88% 9 99% 99% 106% 93% 88% 95% 92% 10 105% 103% 108% 96% 89% 98% 96% 11 109% 106% 112% 95% 89% 101% 101% 12 106% 104% 110% 97% 90% 101% 99% 13 106% 104% 112% 95% 90% 101% 98% 14 106% 108% 110% 96% 90% 100% 99% 15 113% 107% 114% 100% 91% 101% 97% 16 112% 107% 115% 100% 91% 102% 100% 17 108% 108% 115% 99% 91% 100% 102% 18 105% 103% 112% 98% 90% 100% 97% 19 106% 106% 111% 96% 89% 101% 97% 20 104% 100% 109% 96% 89% 97% 98% 21 98% 96% 104% 92% 88% 94% 94% 22 97% 97% 100% 92% 88% 94% 94% 23 94% 93% 97% 90% 87% 92% 90%
46 0 50 100 150 200 250 Kampagne 1 Kampagne 2 Konverteringer Algoritme Kontrol 0 20 40 60 80 100 120 Kampagne 1 Kampagne 2 CPA Algoritme Kontrol Resultater Gns. -37% CPA Gns. +60% konverteringer • Figurerne viser resultater af en split test på to forskellige kampagner, hvor SEM algoritmer er blevet implementeret • Udelukkende ved at forbedre afgivelsen af bud så denne tager højde for sæsonudsving har det været muligt at forbedre performance markant *Testperiode: 28 dage
Algoritmebaseret display
48 Yderligere muligheder med algoritmebaseret programmatic BudLand Region By Postnum mer Kreativ størrelse Ugedag Time i dagen Styresyst em Browser Sprog Sandsynli ghed for visning Domæne Placering Sælger Device type Device model Mobil App Segment Recency Klik her for at få det fulde slideshow
49 Yderligere muligheder med algoritmebaseret programmatic BudPostnummer Ugedag Time i dagen Sandsynlighed for visning Segment Recency
50 Yderligere muligheder med algoritmebaseret programmatic BudPostnummer Ugedag Time i dagen Sandsynlighed for visning Segment Recency Klik her for at få det fulde slideshow
51 Hvor kommer interessesegmenterne fra? Klik her for at få det fulde slideshow
52 Interessesegmenter 22 oversegmenter 7 – 40 undersegmenter per kategori
53 Retargeting segmenter
Sådan rammer vi segmenterne mest effektivt RETARGETING LOOK-A-LIKE PROSPECTING INTERESSER Effektivitet Skala Klik her for at få det fulde slideshow
PROSPECTING Effektivitet Skala Segmenterne er ikke en uniform masse
56 Hvad er værdien af de forskellige kontaktpunkter? Forside Søgt rejse Betalingsflow SAS ungdomsbilletter Eurobonus
57 Brug data til at finde den rette budjustering for hvert segment Analysemetode Data Rådata Log level data Machine learning Beslutningstræer Random forest Neuralt netværk Logistisk regression Aggregeret Multipel Regression Gennemsnitlige betragtninger Potentielt store forbedringer med minimal tidsinvestering Klik her for at få det fulde slideshow
58 En rumraket er ikke nødvendigvis den bedste løsning Kompleksitet Skalerbarhed • Hvor lang tid er min analyse om at løbe igennem fra start til slut? • Hvor meget input skal analysen bruge fra mig og hvor mange parametre kan analysen selv definere? • Hvor mange produkter / kunder / lande skal min algoritme implementeres i? • Hvad er den tilførte værdi af øget kompleksitet? Hvad er tidsomkostningen?
Husk stadig sæsoneffekter og andre påvirkninger • Selv om du har bygget verdens bedste model er det stadig vigtigt at huske på alle andre faktorer som kan være relevante for netop dig • Sæsoneffekter (makro, mikro og time) • Recency. Hvor lang tid er der gået siden brugeren kom i retargeting segmentet? • Placering. Nedprioriter placeringer med lav sandsynlighed for visning BudLand Region By Postnum mer Kreativ størrelse Ugedag Time i dagen Styresyst em Browser Sprog Sandsynl ighed for visning Domæne Placering Sælger Device type Device model Mobil App Segment Recency
60 Case: SAS Klik her for at få det fulde slideshow
61 The right tradeoff between explore/exploit • Over time the algorithm realize a 5x lower CPA while continuously increasing the conversion volume 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% CPA algo spend development - exploration/exploitation (learn/optimized) optimized learn 0 10 20 30 40 50 60 70 - 20 40 60 80 100 120 140 160 CPA algo performance - daily conversions and accumulative CPA (indexed) Total Conversions Accumulative CPA Klik her for at få det fulde slideshow
62 Case: Hi-Fi Klubben
63 Udfordringen Hi-Fi klubbens brede kampagner rammer 600+ forskellige interessesegmenter Derudover har de 20+ segmenter som udløser målrettet annoncering ud fra adfærd på hjemmesiden
64 Vi brugte IBM Watson til prioritering af segmenter i samspil med timing 0 50 100 150 200 250 300 350 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Gns.response Time Mandag Tirsdag Onsdag Torsdag Fredag Lørdag Søndag Klik her for at få det fulde slideshow
65 0 100 200 300 400 500 600 700 800 900 Kampagne 1 Kampagne 2 Kampagne 3 Kampagne 4 Kampagne 5 Kampagne 6 Kampagne 7 Kampagne 8 Kampagne 9 Konverteringer Algoritme Kontrolgruppe 0 20 40 60 80 100 120 Kampagne 1 Kampagne 2 Kampagne 3 Kampagne 4 Kampagne 5 Kampagne 6 Kampagne 7 Kampagne 8 Kampagne 9 CPA Algoritme Kontrolgruppe Resultater Gns. -24% CPA Gns. +162% konverteringer • Resultater af split test* på 9 forskellige kampagner for Hi-Fi Klubben. Kampagnerne er en blanding af prospecting og retargeting • Vi ser en konsekvent nedgang i CPA og en øget volumen på antal konverteringer *Testperiode: 14 dage
Key takeaways
1 Key takeaways Planlæg din afvikling efter sæsoneffekter på omsætningen. Kig på historisk data og isoler de forskellige sæsoneffekter fra hinanden så du nøjagtigt kan forudsige potentialet i fremtiden. Udnyt sæsonpotentialeKlik her for at få det fulde slideshow
2 Key takeaways Afvikling af bade SEM, social og display markedsføring bør planlægges efter at få det maksimale ud af synergieffekter. Algoritmer kan hjælpe med denne planlægning så du ikke sidder hver uge og mikro manager din afvikling. Planlæg efter synergieffekterKlik her for at få det fulde slideshow
3 Key takeaways Ved at tænke automatisering af analyserne ind i dine løsninger kan du hurtigere implementere dine nye algoritmer på tværs af produkter. Herved kan du undgå at skulle lave one size fits all løsninger for at spare tid. Tænk på automatisering og skalerbarhed
4 Key takeaways Prøv nye ting. Intet tiltag er for småt til at afprøve, og ingen virksomhed er for lille eller for stor til, at drage nytte af metoderne beskrevet i dag. Eksperimenter
Kontakt os her Lad os tage en snak om, hvad vi kan gøre for dig! PART OF GROUPM

Check these out next

Brug algoritmer i dit digitale medieindkøb

Recommandé

Contenu connexe

Similaire à Brug algoritmer i dit digitale medieindkøb(20)

Plus de Quisma Denmark(7)

Brug algoritmer i dit digitale medieindkøb