Dlaczego warto mierzyć zaangażowanie leadów w kampaniach marketingowych i jakie daje to korzyści?

Głównym celem realizacji kampanii marketingowych jest generowanie nowych leadów. Jednak oprócz pozyskiwania Klientów, bardzo ważne jest, aby odpowiednio ich sklasyfikować. Do grupowania leadów można wykorzystać nowe narzędzie Lead Score, które za pomocą opracowanych algorytmów wskazuje poziom zaangażowania osoby czy firmy.

Co to jest lead?

W języku marketingowym lead sprzedażowy to osoba lub firma, która wykazała zainteresowanie konkretną ofertą. Jest to potencjalny Klient, który dobrowolnie zostawił na stronie swoje dane kontaktowe lub zdecydował się na kontakt w jakiś inny sposób.

Lead Score – pomiar zaangażowania klienta

Nową funkcjonalnością opracowywaną w DBMS jest Lead Score – narzędzie określające jak bardzo potencjalny Klient zaangażowany jest w daną kampanię marketingową. Lead Score obliczany jest na podstawie dwóch wskaźników: Cookie Score oraz Engagemant Score. Im większa jest jego wartość, tym większe zaangażowanie Użytkownika w konkretną ofertę.

Cookie Score

Cookie Score jest systemem, który za pomocą twierdzenia Bayesa wyznacza potencjalne zainteresowanie Użytkownika na podstawie jego zachowania na stronach internetowych. Wskaźnik ten stanowi główny element finalnego Lead Score’a. Informacje, które są używane do jego obliczenia to m.in.:

• strony, które odwiedził Użytkownik w danym zakresie czasowym
• czas jaki spędził Użytkownik na tych stronach
• słowa kluczowe zawarte w adresie strony, określające czym Użytkownik jest zainteresowany
• ilość odwiedzin Użytkownika na konkretnej stronie
• data ostatniej aktywności Użytkownika na stronie

Na podstawie powyższych atrybutów stworzona jest odpowiednia sieć bayesowska, w której wartości prawdopodobieństwa wynikające z aktywności Użytkownika na stronach internetowych zostały podzielone pod względem konkretnych kategorii, do których udało się dopasować ofertę z tych stron.

Biorąc pod uwagę wszystkie niezbędne atrybuty i korzystając z wnioskowania ścisłego w sieci Bayesa, obliczone zostaje prawdopodobieństwo zainteresowania Użytkownika konkretną ofertą.

Wnioskowanie ścisłe w sieci Bayesa

Wzór na prawdopodobieństwo zmiennej przy danych wartościach zmiennych:
E = e

Przykład

Wyznaczenie prawdopodobieństwa zainteresowania Użytkownika konkretną ofertą dla powyższego modelu zaangażowania Klienta oraz ustalonych prawdopodobieństw poszczególnych atrybutów, uwzględniając utworzoną sieć Bayesa:

Użytkownik zainteresowany:

Użytkownik niezainteresowany:

Obliczenie współczynnika:

Wyznaczenie prawdopodobieństw:

Powyższe obliczenia przedstawiają, że prawdopodobieństwo zainteresowania Użytkownika konkretną ofertą to około 8.4%, a prawdopodobieństwo, że nie jest zainteresowany to około 91.2%. Końcową wartość wskaźnika określa funkcja homograficzna, która uwzględnia obliczone prawdopodobieństwo oraz to, ile dni upłynęło od ostatniej aktywności Użytkownika na stronie.

Funkcja homograficzna

Poniżej przedstawiony jest przykładowy fragment wykresu funkcji homograficznej, w której:

• Prawdopodobieństwo zainteresowania Użytkownika to 8.4%
• f(x) – wskaźnik zaangażowania Użytkownika
• x – ilość dni, jakie upłynęły od ostatniej aktywności Użytkownika

Wykres pokazuje, że wskaźnik zaangażowania Użytkownika maleje wraz z upływem dni od jego ostatniej aktywności na stronie.

Engagement Score

Engagement Score jest wskaźnikiem kwalifikującym zachowania Użytkownika w odniesieniu do konkretnych tagów, zbudowanym na zdarzeniach pochodzących z przeprowadzonych kampanii email. Do jego obliczenia wykorzystywane są m.in. informacje:

• czy kampania została dostarczona do Użytkownika
• czy Użytkownik otworzył daną kampanię oraz jakie wykazywał w niej aktywności
• słowa kluczowe (tagi) opisujące każdą kampanię
• data konkretnego zdarzenia

Ponadto na podstawie konkretnych tagów zawartych w kampaniach, Engagement Score określa, jakimi kategoriami zainteresowany jest Klient. Algorytm oblicza również procentowe wskaźniki opisujące sumaryczną aktywność użytkownika, takie jak: OR, CTR, CTOR. Dodatkowe funkcjonalności, które zawiera Engagement Score:

• informacja o ostatniej aktywności Użytkownika
• informacja o krajach, z których Użytkownik był aktywny
• możliwość predykcji płci tam, gdzie jest to możliwe
• estymacja, czy za aktywnością Użytkownika może stać bot

Korzyści z używania Lead Score

• zwiększenie efektywności marketingowej dzięki przeprowadzonej segmentacji potencjalnych Klientów, co pomaga ściślej dostosować kampanie marketingowe pod konkretnego Użytkownika
• zwiększenie efektywności sprzedaży na podstawie oceny potencjalnych Klientów, ponieważ możemy skupić się na najbardziej wartościowych leadach
• możliwość przeprowadzenia inteligentnego grupowania leadów, która pomaga prowadzić skuteczne kampanie e-marketingowe przy jednoczesnym obniżeniu kosztów tych kampanii
• wzbogacenie wiedzy na temat aktywności potencjalnych Klientów
• zwiększenie wartości wskaźników OR, CTR, CTOR

Do stworzenia modelu zaangażowania Klienta stosując sieć Bayesa, zainspirowała mnie prezentacja Dr inż. Franciszka Dula.