Il significato di Look-alike Modeling e il suo funzionamento in DMP e DSP
Come rintracciare audience compatibili tra loro al centro delle riflessioni di Paolo Serra nel nuovo episodio della rubrica Paolommatic
Nuovo appuntamento con la rubrica di Paolo Serra per DailyNet dedicata al programmatic: Paolommatic.
In questa puntata Serra fa il punto sul Look-Alike modeling.
Per leggere l’articolo precedente nel quale Serra fa chiarezza sulle Data Management Platform clicca qui.
Paolo Serra
Appassionato di nuove sfide per far crescere le imprese, con l’obiettivo di contribuire ad aumentarne i ricavi. Si dedica al search engine marketing dal 1999, lavorando con le principali agenzie internazionali. In seguito, allarga le conoscenze al mondo del Programmatic Advertising, diventandone uno dei maggiori esperti italiani, tanto da aver aperto il blog Programmatic RTB, ed è fondatore di Kahuna, la prima agenzia specializzata nel programmatic.
Il significato di Look-alike Modeling e il suo funzionamento in DMP e DSP
Il Look-alike Modeling è essenzialmente trovare gruppi di persone (audiences) che si comportino come i vostri migliori clienti. Per esempio, in un ecommerce, che ha identificato come miglior target di pubblico le persone il cui acquisto medio è più di 100 euro, che comprano profumi, e lo fanno almeno due volte al mese, il Look-alike Modeling consente di trovare più persone del genere tramite associazioni, per esempio acquirenti simili, ma che comprano cosmetici.Come funziona il Look-alike Modeling?
Ormai la pubblicità e il marketing utilizzano dati e algoritmi. Per questo motivo, si utilizzano piattaforme di gestione dei dati (DMP), in quanto fornisce agli inserzionisti ed esperti di marketing gli strumenti e le risorse necessarie per realizzare la modellazione e la clusterizzazione dei target. Alcune piattaforme lato domanda (DSP) forniscono inoltre funzionalità che permettono di creare modelli precostituiti di look-alike.
Il primo passo è definire gli attributi e i comportamenti dei vostri clienti più importanti, come quelli del precedente esempio. Più attributi vengono definiti, maggiore sarà la probabilità di trovare il pubblico giusto, che vi permetterà di migliorare il rendimento della campagna. Tuttavia, si potrebbe essere meno precisi con i modelli (cioè definire meno attributi e comportamenti) se l’obiettivo fosse quello di concentrarsi su reach e awareness, piuttosto che avere tassi di conversione più elevati.
La seconda fase prevede la raccolta dei dati, un sacco di dati
Per avere dei perfetti modelli di look-alike e per produrre risultati accurati, è necessario avere diversi tipi di dati (ovvero first, second, e third-party data) che devono essere raccolti da una serie di fonti online e offline. Ogni azienda compra i dati da aziende diverse che forniscono questo servizio. Per esempio, un recente sondaggio molti CMO hanno dichiarato che non avendo un CRM in azienda, o non potendo usare i dati presenti nel CRM, perché spesso incompleti o scarsamente aggiornati, preferiscono reperirli esternamente, da chi lo fa di mestiere, procurandosi preziosi dati di seconda parte completi e dettagliati e sopratutto certificati come veritieri.
La terza fase prevede l’utilizzo degli algoritmi per estendere il pubblico sulla base dei modelli di look-alike
Come probabilmente avrete già compreso, il Look-alike Modeling viene utilizzato principalmente per il prospecting, ovvero la ricerca di nuovi clienti e/o visitatori potenziali. Tuttavia, può anche essere utilizzato per estendere la portata delle campagne pubblicitarie online. Diciamo che il target di pubblico viene diviso sulla base di un insieme di attributi (per esempio età, sesso, posizione, ecc). Applicando il Look-alike Modeling alle campagne, è possibile trovare clienti simili che forse non si adattano al vostro pubblico attuale o perché non ci sono abbastanza dati, o perché non siete in grado di identificarli con i dati che sono in vostro possesso, ma sono simili in molti modi ai vostri clienti migliori.
