Наиболее подходящая атрибуция (алгоритмическая) (Best Fit Attribution)
Какая вероятность того, что клиенты, вовлечённые во взаимодействие с маркетингом, осуществят конверсию? Best Fit Attribution определяет влияние каждого маркетингового контакта во время пути конверсии потребителей. Для осуществления атрибуции используются передовые статистические данные и технологии машинного обучения, чтобы специалисты могли более точно оценивать эффективность маркетинговых кампаний. Этот функционал можно использовать на уровне маркетинговых каналов и всей покупательской аудитории – или в конкретных областях интереса, таких как отдельные кампании и конкретные потребительские сегменты.
Аналитики могут использовать эту функцию для измерения эффективности текущих маркетинговых программ, получения информации для принятия решений по бюджету и моделирования, связанного с недоходными событиями, такими как запуск приложения или подписки пользователей на электронную рассылку.
Когортный анализ
Что делают клиенты перед покупкой продукта или регистрацией аккаунта? Какие маркетинговые усилия, страницы, функции и рабочие процессы управляют желаемым поведением клиентов? Для полноценного анализа пути конверсии клиентов важно понимать, что такой анализ – это больше, чем знание того, с чем и как часто взаимодействуют клиенты. Ключевой компонент – понимание причины и эффекта. Что предшествовало конкретному действию, и что произошло после него? Функция Latency Visualization (Визуализация задержки) предоставляет возможность осуществления когортного анализа на основании клиентской базы компании.
Какой процент дополнительных посещений был в тот день, когда пользователь совершил конверсию? В какую деятельность или функционал сайта он был вовлечен в день накануне совершения конверсии? Какие ремаркетинговые усилия вернули его обратно на следующий день?
В рамках данного обновления разработчики усовершенствовали когортный анализ, предоставив возможность исследовать перспективу вовлечённости клиента вне конкретных временных рамок.
Например, клиент искал варианты проведения будущего семейного отпуска и хочет убедиться, что он всё спланировал перед бронированием путёвки. Он близок к завершению процесса, но возникла необходимость уехать в командировку, и вопрос бронирования был отложен на неделю. Тем не менее, это не важно. Как только клиент вернётся из командировки, он завершит оформление путёвки.
На этом примере видно, как личные обстоятельства могут влиять на визуализацию истинного пути конверсии клиента. Adobe улучшил функцию Latency, чтобы предоставить более объёмное видение покупательских тенденций и провести когортный анализ, связанный непосредственно с вовлечённостью клиента и его действиями. Вопрос: «Что делал клиент вчера?» видоизменился на «Что делал клиент во время посещения сайта перед осуществлением покупки?». Не важно, когда это было: в тот же день, вчера или 4 дня назад перед покупкой, специалисты смогут получить более полное представление о пути конверсии посетителей.
Анализ «Что-если» (What-If Analysis)
Основная цель во время планирования новой маркетинговой кампании – повлиять на бизнес путём увеличения ключевых показателей эффективности (KPI), таких как доход или регистрации на сайте. Потенциальный рост бизнеса легче понять по показателям метрик трафика, например Посещениям (Visits) или Просмотрам страницы (Page Views), чем по KPI.
Теперь, с помощью Regression Analysis (Регрессионного анализа), у маркетологов будет возможность спрогнозировать влияние привлечения большего количества трафика во время целевого периода на доход или другие KPI. Например, увеличение количества посещений целевого потребительского сегмента на 10% на протяжении недели может повысить доход на 20%. Располагая этой информацией и перспективой, маркетологи смогут установить приоритеты, основанные на более полной информации; и цели таргетинга, основанные на актуальных тенденциях и возможностях, полученных из потребительских данных.
Облегчённый экспорт данных в статистическое приложение R
Adobe также обновил функцию Segment Export (Экспорт сегмента). Она позволяет экспортировать полностью преобразованные данные, со всеми применёнными правилами и сегментами, для их использования внутри сторонних приложений. Например в R, предназначенном для статистической обработки данных. С ростом интеграции оффлайн-данных из CRM-систем, систем интерактивного голосового меню (IVR), основанных на технологии распознавания речи, и хранилищ транзакционных данных, Adobe осознал потребность в предоставлении более стандартизированных форматов на выходе. Теперь Adobe предлагает более естественную конфигурацию, включающую строку заголовка и автоматизированное CSV-переформатирование. В результате обновления, данные можно легко экспортировать в приложение R и создать настраиваемые статистические модели для их обратной реинтеграции в Analytics и Marketing Cloud.
Напомним, что в марте прошлого года Adobe анонсировал новый интерфейс своего Adobe Marketing Cloud, набора маркетинговых приложений, включающего Adobe Analytics, Adobe Target, Adobe Social, Adobe Experience Manager и Adobe Media Optimizer. Новый интерфейс призван решить две задачи. Во-первых, объединить усилия всех маркетинговых работников компании, создав единую инфраструктуру для обмена идеями и информацией. Во-вторых, упростить работу пользователя.
А в этом месяце компания представила Adobe Analytics-Mobile Apps - новую версию Adobe Analytics, которая является основой Adobe Marketing Cloud и используется более чем 140 тысячами маркетологов по всему миру. Сервис Adobe Analytics-Mobile Apps предназначен для измерения эффективности приложений и понимания того, как клиенты и посетители взаимодействуют через мобильные приложения на всех основных платформах и типах устройств.