Pazarlama verilerinde şüphecilik vergisi nasıl ortadan kaldırılır?

Pazarlama ekipleri genellikle gizli bir şüphecilik vergisiyle çalışır.

Verilerine tam olarak güvenmedikleri için e-tabloları temizlemek, çelişen raporları uzlaştırmak ve hem ilişkilendirme modellerini hem de yapay zeka çıktılarını ikinci kez tahmin etmek için çok fazla zaman harcıyorlar.

Sonuç, daha yavaş uygulama, ekipler arasında daha zayıf uyum ve belirsiz temeller üzerine inşa edilen kararlardır.

Markalı arama yapın. Döner bir kapının bir binaya giren herkesin kredisini alması gibi, gerçekleşmesi muhtemel dönüşümler için genellikle kredi alır. Korelasyon ve nedensellik arasındaki boşluk, modern pazarlamada çok daha büyük bir soruna işaret ediyor: Çok fazla ekip eksik, parçalanmış veya güvenilirliği düşük verilerle çalışıyor.

Çözüm sadece daha fazla bilgi toplamak değil. Pazarlamacıların gerçekten güvenebileceği veri temelleri oluşturuyor: doğrulanmış kimlikler, birleşik raporlama, daha temiz ardışık düzenler ve sinyali gürültüden ayırmak için tasarlanmış ölçüm çerçeveleri.

Aşağıda bu temellerin ardındaki temel kavramların ve oluşturdukları veri ortamı türlerinin bir dökümü bulunmaktadır.

Olasılıksal ve deterministik

Olasılığa dayalı ve deterministik olanı göstermek için basit bir örneğe bakalım: bir kafe sadakat uygulaması.

Bir müşteri giriş yapıp sipariş verdiğinde onun Sarah olduğunu bilirsiniz; bu belirleyicidir. Ancak aynı Wi-Fi ağındaki biri giriş yapmadan menünüze göz attığında, cihaz ve konum sinyallerine göre onun Sarah olduğunu tahmin edebilirsiniz; bu olasılıksaldır. Her ikisi de faydalıdır, ancak "Doğum Günün Kutlu Olsun, Sarah!" bir tahmine dayalı push bildirimi.

Kimlik güven termometresini kullanarak müşterilere veri-güven eşlemesini göstermek etkili olabilir:

Deterministik en üsttedir (%100 güven), güven düzeyi ise termometrenin en altına inildikçe (IP eşleşmesi, cihaz parmak izi, davranışsal çıkarım vb.) olasılıksal seviyelere doğru azalır.

Silolanmış ve bütünsel

Üç kişinin aynı fili tarif ettiğini hayal edin. Pazarlama bagaja dokunuyor ve "Bu bir hortum" diyor. Sales bacağını tutuyor ve "Bu bir ağaç" diyor. Finans kuyruğu hissediyor ve "Bu bir ip" diyor. Silolanmış verilerin yatırım getirisi raporlamasına yaptığı şey budur. Bütünsel bir veri omurgası ise aksine, herkesin filin tamamına bakması anlamına gelir.

İşte daha somut bir örnek: Bir B2B SaaS şirketi LinkedIn reklamları yayınlıyor. Pazarlama 5.000 form doldurmayı sayar. Tekrarlananlar ve gereksiz potansiyel müşteriler filtrelendiğinden, satışlar CRM'de yalnızca 2.000 görüyor. Finans, 1.200 kapalı-kazan sayıyor ve UTM'ler bozulduğu için bunları organik olarak nitelendiriyor. Bu, her biri farklı bir "gerçeğe" sahip, yani sıfır güvene sahip üç farklı takım.

Bu çizimde bunun karşılaştırmalı olarak neye benzediği gösterilmektedir:

Sol tarafta bağlantısız üç kutumuz var: Pazarlama, Satış ve Finans. Her birinin aynı kampanya için farklı bir sayı gösterdiğine dikkat edin. Tersine, sağ tarafta, üzerinde anlaşılan tek bir sayının çıktısını veren tek bir "Kimlik omurgası" çubuğuna beslenen üç kutunun tümü gösterilmektedir.

Üçüncü, birinci ve sıfır taraf verileri

Bir ev satın alma sürecini düşünün. 

• Üçüncü taraf verileri, "Sanırım taşınmak istiyorlar" diyen bir komşudur; bu sadece dedikodudur. 
• Birinci taraf verileri, onların üç açık toplantıya katıldığını gören emlakçıdır; bu gözlemlenen bir davranıştır. 
• Sıfır taraf verileri, alıcının bir formu doldurması ve "Oakland'da 900.000 doların altında üç yatak odalı bir ev istiyorum" demesidir - bu, niyet beyanıdır. 

Çerezler ortadan kalktıkça, pazarlamacılar esasen yaygın olarak bulunan dedikodulardan daha az sıklıkta ancak çok daha değerli doğrudan sohbete geçiyor.

Aşağıdaki üç katmanlı piramit veya hunide: 

• Alt katman (en geniş, en düşük güven):Üçüncü taraf/çıkarılan veriler.
• Orta katman:Birinci taraf/gözlenen veriler.
• Üst katman (en dar, en yüksek güven):Sıfır taraf / beyan edilen veriler.

---

Büyük veri ve doğru veri

Burada kullanmaktan hoşlandığım benzetme, asla hiçbir şeyin atılmadığı bir mutfaktır. Buzdolabı doluydu ama içindekilerin yarısının son kullanma tarihi geçmişti. İhtiyacınız olan tek malzemeyi bulmak için genellikle 20 dakikanızı harcıyorsunuz ve bazen de bozulan bir malzemeyi pişiriyorsunuz.

Bu mutfak karmaşası “büyük veriyi” temsil ediyor. Pek çok bilgiye kolayca ulaşılabilir, ancak bunların doğruluğunu anlamak veya bunlara güvenmek neredeyse imkansızdır. 

Karşılaştırıldığında "Doğru veriler", seçilmiş bir kilerdir: Daha az öğe, hepsi taze, hepsi etiketli ve ulaşılabilecek her şey kullanılabilir.

İşte tüm pazarlamacılar için doğrudan bir örnek: Bir AI modelini 500.000 satırlık CRM verisi ile beslemek, %30'unun yinelenen kişiler olduğunu, %15'inin eski e-postalara sahip olduğunu ve gelir alanının üç farklı para birimi biçimini kullandığını fark edene kadar kulağa etkileyici geliyor. En kötü yanı, modelin daha akıllı hale gelmemesidir; sizi güvenle yanlış yöne gönderir (veya daireler çizerek döner).

Burada iki veri hattının yan yana karşılaştırması verilmiştir.

Soldaki, ham verileri bir "bataklığa" (dağınık, karanlık ve opak) boşaltan bir itfaiye hortumu. Sağda, bir filtreden (doğrulama, tekilleştirme, biçimlendirme) temiz bir rezervuara geçen aynı yangın hortumu görülüyor. Bu filtre “güven katmanıdır”.

Korelasyon ve nedensellik

Muhtemelen bu yan yana gelmeyi pazarlama bağlamının hem içinde hem de dışında çok duymuşsunuzdur. Pazarlamada bunun klasik örneği, insanların satın almadan hemen önce adınızı Google'da araması nedeniyle markalı aramanın her zaman en iyi performansı gösteren kanal gibi görünmesidir. Bu, binaya giren herkese döner kapı kredisi vermek gibi bir şey. 

Korelasyon şöyle diyor: “Kapıdan girenler müşteri oldu.” Nedensellik şunu sorar: “Kapıdan bağımsız olarak içeri girerler miydi?”

Artımlılık testi çözümdür.

Yüksek düzeyde, bir grubun reklamlarınızı görmesini engellersiniz ve onların dönüşüm oranlarını, boyut ve bileşim açısından benzer olması gereken (ör. benzer coğrafyalar) maruz kalan grupla karşılaştırırsınız. Bekletilen grup, maruz kalan grupla neredeyse aynı oranda dönüşüm sağlıyorsa, reklamlarınız talep yaratmıyor, yalnızca kredi alıyordu.

Artımlılık ayarlı görünümün (markalı arama söndürülmüş ve potansiyel müşteri kanalları yükseltilmiş) yanında klasik yanıltıcı görünümün (çok yüksek ROAS'a sahip markalı arama) bir örneğini burada bulabilirsiniz.

Temel olarak bu, kontrol panelinizin söyledikleriyle gerçekte işe yarayanların yan yana karşılaştırılmasıdır.

Daha güçlü bir pazarlama güveni katmanı oluşturmak

Ekipler arasında güven oluşturmak için kullanılan ana veri temelleri şunlardır:

• Kimlik güven termometresi:Olasılığa dayalıdan (düşük güven) deterministliğe (yüksek güven).
• Silolanmış ve bütünsel:Silolanmış verilerden (düşük güvenirlik) bütünsel (yüksek güvenirlik) veriye. 
• Veri güven piramidi:Üçüncü taraf verilerinden (düşük güvenirlik) birinci ve potansiyel olarak sıfır taraf verilerine (yüksek güvenirlik) kadar. 
• Büyük veri ve doğru veri hattı:Güvenilir çıktılar (yüksek güven) üreten ek bir filtreye karşı "kesinlikle yanlış" yapay zeka çıktıları (düşük güven) üreten bir bataklık.
• Korelasyon ve nedensellik ROAS'ı: İlişkileri tanımlamaktan (düşük güven) bilimsel bir çerçeve kullanarak neden oluşturmaya (yüksek güven) kadar.

Yapay zeka sayısız görevi yerine getirebilir. Ancak güçlü karar verme süreci hâlâ sağduyulu, deneyimli pazarlamacılara bağlıdır. Bu veri temelleri buna yaklaşmanıza yardımcı olur.