全球所有流失访客找回广告技术公司都有一套程序化交易平台,这个平台能够使决定每一次广告曝光的购买决策。几乎所有此类公司都声称其大数据算法技术精准而尖端,能够精准的进行实时竞价广告投放。


  你是否好奇这些数据算法是如何工作的?这些复杂的数据平台,是如何筛选海量的数据(万亿字节)并从亿万的广告展示请求中挑选出最有价值的广告曝光?


  以下会探讨一些关于电商行业流失访客找回技术以及广告主是如何使用它们来提高销售的方法和见解。


  更快更多地找回新近用户


  时效性要求我们关注用户最近一次浏览广告主网站的行为,它很大程度上影响了广告投放的投资回报率。新近数据是非常直观而一目了然的。相比那些早前就已经流失掉的用户而言,近期浏览广告主网站的用户更可能被找回,并转化为购买者。


  “越早越好”这样的想法只有在某中特定的情况下才能成立。超出基于时效性的竞价,会出现拐点,进而可能会带来更糟的结果。统计学者称这种现象为“倒U形曲线”。马尔科姆•格拉德威尔在其作品《大卫和歌莉亚》中将此概念加以演绎和引伸。他认为世界上的万事万物都是符合此曲线规律的——无论是酒,课堂规模亦或是利用因近挖掘有效用户!


  为了实现更快更高的转换,广告主会发掘一直保持于或靠近于这个拐点处的有效用户。


  时效并不是唯一决定转化的因素,因此不能将其单独孤立起来研究。它与以下变量是息息相关的。它常和用户浏览的“深入程度”一起作用——比如,用户是打开主页后就马上结束浏览,还是后来又选择了若干商品放入购物车?


  经常浏览网站的用户才有更高的购买可能性


  用户的浏览频率意指两点。第一,用户已浏览过多少次广告主网站?在网站分析术语中,我们将其称作“session”。第二,在这些session中,用户曾经看过浏览过多少件产品。


  显而易见,用户浏览得越是频繁,该用户就越具有价值。但这仅仅解答了一部分问题。问题的关键在于用户发生购买行为以前访问过多少多少次session。广告主的不同,session数量也会发生不同。例如,从内部数据来看,婴儿产品的主要购买者经常会在同一session中达成购买。然而,潮流商品的浏览者往往会在做出购买决策前频繁浏览广告主网站。


  与session频率紧密关联的是用户浏览产品的数量。同样,不同类型的广告主会有很大的差异。服饰买家在购买前数次在琳琅满目的商品的尺码、颜色以及库存情况中翻来覆去。而化妆品买家则会浏览3至4样产品,比较其品牌、价格以及功效。


  购买高价格产品的用户利于提升投资回报率


  尽管了解用户浏览商品数量的行为是必要的,但了解这些商品的详情以及其交易的利润价值也是非常重要的。这里,再次用婴儿产品作为例子。浏览低利产品如尿不湿等商品的目标用户可能对回报率没什么太大作用,所以追踪那些曾购买玩具等利润相对较高的商品的用户更有价值。


  广告主能够借鉴这个方法,即为不同品类的产品制定不同的投放广告的价格。借此,他们能够通过对不同流失掉的产品分类带来的全部回报率来更有效地控制广告投资成本。


  以上所解释的三点——时效性、频率和预期用户价值——构建的通用框架就是RFM模型(客户消费分析模型)。无论是在流失访客找回还是跨行业领域,该模型都能普遍用于消费者价值决策之中。


  忠实用户更可能实现再次消费


  在浏览电商网站之前已经在该电商网站上有过购买行为的用户更可能实现再次消费——因为他们的消费体验是可以预见的。当然,这只是在对比过其他网站相同商品的价格后的设想。


  广告主通常使用非个人隐私信息来标记网站访客(通常采用加密的CRMID)。此标记可以使得广告主能够即时地再次定位流失掉的访户,在其消费后再次促销相关商品。


  一个与此相关但完全相反的例子是,广告主通过使用相同的数据将重定位目标设置为新用户,这样可以降低获取成本。


  混合商品推荐模式更具吸引力


  关于流失访客找回的一个通俗的说法是“无论我在哪里(网络),总会看到那双鞋”


  向用户投放已经浏览过的商品广告自然是很有意义的,然后,不要忘记让一直滚动更新的广告栏不断展出相关类似的商品。这样可以防止用户产生浏览疲劳,帮助浏览者了解所有的可能性选择,并且增强商品吸引力。


  另一种广告主经常使用的方法是将广告主想主动推广的一些商品也展示在广告上。这样做通常是由于这些商品都有折扣或促销。通常将这些商品与常规推荐商品一起组合起来。


  结语


  一些优秀的流失访客找回广告技术公司能够一直领先于其他同类公司的原因主要是两点。首先,他们能够与广告主紧密合作,创建多维度分析模型例如我们上面说的在大量的电商广告商中创建不同的分析维度及投放模型。第二,利用复杂精准的大数据分析模型最大限度地进行数据挖掘并将分析结果产出最大化。