Pazarlama karması modellemesine hazırlanma: Bilmeniz gerekenler

UTM etiketlemenize dikkat etseniz bile Google Analytics hesabınızda daha fazla "atanmamış" ve "doğrudan" trafik görüyor musunuz? Bunun nedeni, veri gizliliği düzenlemelerinin web sitenizi ziyaret eden kullanıcıları korumasıdır.

Veri gizliliği düzenlemeleri arttıkça ilişkilendirme modelleri doğru ve değerli kalma konusunda zorluk yaşayabilir. Birçoğu ilişkilendirme modellemesi için Google Analytics 4'ü kullanıyor ancak bu, GDPR ile uyumlu değil. Bu nedenle Google Analytics'tekine benzer ilişkilendirme modelleri daha az etkili olacaktır. Hangi kanalların çalıştığını tam olarak göstermezler. Pazarlama karması modellemesinin devreye girdiği yer burasıdır.

Bu makale, günümüzde pazarlama karması modellemenin artan ilgisini, bunun ilişkilendirme modellemesinden ne kadar farklı olduğunu ve stratejik bir çerçeve içinde bundan nasıl etkili bir şekilde yararlanılacağını araştırıyor.

İlişkilendirme modellemesi ile pazarlama karması modellemesinin karşılaştırılması

İlişkilendirme modelleme ve pazarlama karması modelleme, çeşitli pazarlama faaliyetlerinin iş sonuçları üzerindeki etkisini anlamak için pazarlama analitiğinde kullanılan iki farklı yaklaşımdır. Her ikisi de pazarlama çabalarının etkinliğine dair içgörü sağlamayı amaçlasa da metodolojileri, kapsamları ve uygulamaları bakımından farklılık gösterirler.

İlişkilendirme modellemesi. Dönüşümler için kredinin nasıl atanacağını belirleyen bir dizi kural. Bu modeller dönüşüm yollarında dijital temas noktalarını kullanır. Örneğin, son dokunma modeli, dönüşümün hemen öncesindeki son temas noktasına %100 kredi atar. Birkaçını saymak gerekirse, ilk dokunuş, zamanla azalma, doğrusal ve veriye dayalı modeller de vardır.

Pazarlama karması modellemesi. Pazarlamacıların pazarlama ve reklam kampanyalarının etkisini ölçmelerine yardımcı olan bir analiz tekniği. Farklı değişkenlerin hedeflerine nasıl katkıda bulunduğunu görebilirler. Hedefler genellikle gelir, dönüşümler, form doldurma veya aboneliklerdir.

Basit ifadeyle:

• İlişkilendirme modeli, belirli bir işlemi gerçekleştiren bir kullanıcı için hangi satış veya pazarlama etkinliğinin kredi alacağını size söyler. Pazarlamada, hangi eylemlerin belirli dönüşümlere neden olduğunu görmek için sıklıkla ilişkilendirme raporlamasını kullanırız. Örneğin, bir e-postayı açmanın bir form doldurmayla sonuçlanıp sonuçlanmadığını öğrenebiliriz.
• Pazarlama karması modeli büyük bir regresyon modelidir. Regresyon modeli değişkenler arasındaki ilişkiyi anlamaya çalışır. Bunun bir örneği hava durumu modelleri ve gelir olabilir. Hangi eylemlerin dönüşümlere yol açtığını hâlâ anlamaya çalışabilirsiniz, ancak pazarlama karması modeli daha fazla veri sunmanıza olanak tanır. Analiz daha sonra size değişkenler arasındaki ilişkiyi söyleyebilir. Hava güneşli olduğunda fiziksel mağazanızı daha fazla kişi ziyaret eder ve bu da satışların artmasına neden olur.

Her ikisi de pazarlamanızı anlamak açısından değerlidir. Bunları makine öğrenimi ve kodlamayı kullanarak da yürütebilirsiniz.

Bugün pazarlama karması modellemesine nasıl yaklaşılmalı?

Hataları önlemek için bu karmaşık modellerle çalışmaya başlamadan önce analizinizi düzenleyin. Mesela yakın zamanda bazı aylık raporları gözden geçiriyordum. Kendimiz ve müşterilerimiz için ilişkilendirme raporlaması yürütüyoruz. Verilerimizi çok iyi bildiğim için bazı yanlışlıklar gibi görünen şeyleri işaretledim.

İki saatimizi araştırdık ve web sitesi verilerimiz ile Google Analytics arasında büyük farklar bulduk. Daha spesifik olarak, tutarsızlıklar veri API'si ile Google Analytics arayüzü arasındaydı.

Metriğin ne olması gerektiğini biliyoruz ancak yine de veri kaynaklarımızdan hiçbiri eşleşmiyor. Sorun, ilişkilendirme modeli için tek bir veri kümesiyle sınırlı olmamızdır. Bunun yerine bir pazarlama karması modeli kullanırsak sorunlu verileri göz ardı edebiliriz çünkü veriler bize neyin işe yaradığını anlatmak için diğer sistemlerden toplanabilir.

Analize başlamadan önce envanter çıkarmamız gerekiyor. Örnek, bir pazarlama karması modelini kullanmadan önce neden gereksinimleri toplamanız ve iyi bir veri yönetimine sahip olmanız gerektiğini gösterir. Verilerinizin size ne söylemesi gerektiği konusunda iyi bir bilgiye sahip değilseniz, karmaşık bir analizin faydası olmayacaktır.

Neyle çalıştığımızı anlamak için "5 Ps" çerçevesini kullanarak şunları belirleyebiliriz:

• Amaç.
• İnsanlar.
• İşlem.
• Platform.
• Verim.

Amaç

Burası neden bir pazarlama karması modeli yürütmek istediğinizi belirteceğiniz yerdir. Düşüncelerinizi düzenlemenin en iyi yolu bir kullanıcı hikayesi kullanmaktır.

“Bir [persona] olarak, [istiyorum], yani [bunu].”

Kullanıcı hikayesi size diğer P'lerin ne olduğunu anlatır.

• [Persona] size insanları anlatır.
• [İstemek istiyorum] size süreci ve platformu anlatır.
• [Bu] size performansı anlatır.

İşte benimki şöyle görünüyor:

• Bir CEO olarak, bütçeye ve kaynaklara öncelik verebilmek için hangi dijital pazarlama çalışmalarımın satışla sonuçlandığını anlamak istiyorum.

Bu açıklamada çok fazla bilgim var. Parçalamaya devam edelim.

İnsanlar

Verileri anlamak istediğimi, dolayısıyla olaya dahil olan ilk kişinin ben olduğumu belirttim. Veri toplama ve analizden yalnızca benim sorumlu olmadığımı bildiğimden, analistimin sürece dahil olmasına ihtiyacım olacağını varsayabilirim. Satış verilerini getirmek için iş geliştirme kaynağımıza da ihtiyacımız olacak.

İşlem

Amacımın dijital pazarlama çalışmalarımı ve satışlarımı anlamak olduğunu belirttim. Süreç açısından bu ifade bana birkaç şey yapmam gerektiğini söylüyor. Bu verilerin nasıl toplandığını, sıklığını ve formatını bilmem gerekiyor. Veri toplama süreçlerinin bir pazarlama karması modelinin yürütülmesine engel olmaması için veri yönetimini uygulamaya koymam gereken yer burasıdır.

Hangi sistemlerden veri çıkarmam gerektiğini belirledikten sonra (bir sonraki adımda), süreçlere geri dönebilir ve ihtiyaç duyulan verileri dışarı aktarabildiğimden emin olabilirim. Eğer başaramazsam, yeni süreçler geliştirip genel plana dahil etmem gerekecek. Farklı kaynaklardan gelen verileri analiz etmek için çıkarıldıktan sonra verileri temizlemek ve normalleştirmek için de bir süreç oluşturmam gerekecek.

Kullanıcı hikayesini bir paydaştan alıyor olsaydım muhtemelen geri adım atar ve daha spesifik bir zaman dilimi sorardım. Muhtemelen zamanınızın çoğunu süreç ve platform arasında geçireceğiniz yer burasıdır.

Farklı kaynaklardan gelen verileri analiz etmek için bir pazarlama karması modeli kullanabilirsiniz. Bu kaynaklar aynı formatta olmayabilir, bu nedenle bunları analiz için bir araya getirecek bir süreç oluşturmanız gerekir. Farklı platformlardan ne kadar çok veri kullanmak isterseniz, o kadar çok süreç geliştirmeniz gerekir; özellikle de pazarlama karması modelini tekrar tekrar çalıştırmak istiyorsanız.

platformu

İfadenin ortasını tekrar kullanarak amacımın dijital pazarlama çalışmalarımı ve satışlarımı anlamak olduğunu belirttim. Bu bana CRM veya muhasebe yazılımım olacak satış verilerini anlamak istediğim için hangi platformlardan veri çıkarmam gerektiğini söylüyor.

Ayrıca dijital pazarlama çabalarımı da anlamak istiyorum. Bu, öncelikle tüm dijital pazarlama taktiklerini bilmem ve ardından hangi platformların çıkarabileceğim verilere sahip olduğunu bulmam gerektiği anlamına geliyor. Örneğin LinkedIn, veri çıkarma konusunda cimridir, dolayısıyla bu benim önemsediğim bir kanalsa bu bir sorun olabilir. Yarım düzine platformdan kolaylıkla veri elde edebilirim. İlişkilendirme modelinde ise genellikle yalnızca bir veya iki kaynaktan gelen verilere sahip olursunuz.

İyi düşünülmüş bir kullanıcı hikayem varsa, tüm sistemlerimden veri toplamaya çalışırken bunalmayacağım. Kullanıcı hikayemde "dijital pazarlama çabaları" yazıyor. Çok sayıda kampanyam ve taktiğim olduğunda, yönetimi kolaylaştırmak için birkaç kanala veya daha kısa bir tarih aralığına odaklanabiliyorum.

Verim

Bu kullanıcı hikayesinin son parçası. Ölçülebilir bir sonucu olan bir kullanıcı hikayesi oluşturmuyorsanız tekrar deneyin. Kullanıcı hikayemde kaynaklara ve bütçeye öncelik vermek istediğimi belirtmiştim. Tabi bu iyi bir sonuç değil. Doğru olabilir ama çok ölçülebilir bir şey değil. Bunu öncelikli olarak yaptığımı nasıl bileceğim?

Tavsiye, kullanıcı hikayesine geri dönüp onu daha kesin olacak şekilde yeniden yazmak olacaktır. Farklı bir versiyonu şöyle diyebilir: "Etkisiz kanallara yapılan harcamaları azaltmak ve başarılı taktiklere yapılan harcamaları artırmak."

Kişileri, Süreçleri ve Platformu belirli bir sırayla yapmanıza gerek yoktur. Süreci ve insanları bilgilendirecek platformları biliyor olabilirsiniz. Ancak bu P'leri atlamayın. Gereksinimleri toplamayı ve verileri yönetmeyi atlarsanız, maliyetli hatalara ve kaynakların israfına neden olabilirsiniz.

İlk denetimime dönüp baktığımda, bir pazarlama karması modeli çalıştırmayı düşünmeden önce yapmam gereken çok iş olduğunu görüyorum. Birçok ekip, kod ve makine öğrenimini kullanarak bir pazarlama karması modeli yürütecek. Kodunuza başlamadan önce bir planınızın olması uygulamanızı daha verimli hale getirecektir. Verilerdeki sorunları düzeltmek yerine, zamanınızı ince ayar yaparak ve eylem planları oluşturarak geçirebilirsiniz.

İyi haber şu ki onu daha küçük, daha kontrol edilebilir parçalara ayırabiliyorum. Verileri çıkarmak ve pazarlama karması modelini yeniden çalıştırmak için tekrarlanabilir süreçler oluşturabilirim. Bu rotayı seçmek, ön geliştirmenin daha uzun süreceği anlamına gelir. Ancak analizi yeniden çalıştırmam gerektiğinde süreç çok daha verimli olacaktır.

Kapsamlı bilgiler için pazarlama karması modellemesini benimsemek

Bir pazarlama karması modeli, analiz portföyünüzün gerçekten güçlü bir parçası olabilir. Bir veri projesi üzerinde çalışırken kendinizi başarıya hazırlamak önemlidir. Gereksinimlerin toplanması ve yönetimi hepimizin hızlandırmak istediği kısımdır, ancak burada kısayollara başvurmaya değmez. Bir plan yapmak için önceden zaman ayırın; Analiziniz çok daha değerli ve uygulanabilir olacaktır.

Daha derine inin: Pazarlama ilişkilendirme ve performans yönetimi platformları nelerdir?