Warning: session_start(): open(/var/cpanel/php/sessions/ea-php73/sess_2f28c8b615c21313e8bfca1376e80915, O_RDWR) failed: No space left on device (28) in /home/bigdataworld/public_html/ai/wp-content/plugins/ultimate-elementor/modules/display-conditions/module.php on line 99

Warning: session_start(): Failed to read session data: files (path: /var/cpanel/php/sessions/ea-php73) in /home/bigdataworld/public_html/ai/wp-content/plugins/ultimate-elementor/modules/display-conditions/module.php on line 99
درس دهم: کاربرد بیگ دیتا در دیجیتال مارکتینگ
فصل اول: دریچه ورود به دنیای بیگ دیتا
فصل دوم: ابزارهای فنی کار با بیگ دیتا

درس دهم: کاربرد بیگ دیتا در دیجیتال مارکتینگ

خب، تا به اینجا از سیاست، سلامت، آموزش و … حرف‌ها زدیم و ویژگی‌های بیگ دیتا را با هم مرور کردیم. حالا می‌رسیم به دیجیتال مارکتینگ که بیگ‌دیتا در آن کاربردهای بسیاری دارد و مطمئنم در آینده نیز بیش از این‌ها ما را شگفت‌زده خواهد کرد.

از بیگ‌دیتا در دیجیتال مارکتینگ، برای دستیابی به این اهداف مختلفی استفاده می‌شود که عبارتند از:

  • شناخت مشتریان
  • عقیده کاوی (Sentiment analysis)
  • هدف‌گیری شخصی‌سازی شده
  • افزایش تاثیرگذاری کمپین‌های تبلیغاتی
  • بهینه‌سازی هزینه‌ها

در ادامه هر هدف را مختصر و همراه با مثال‌هایی توضیح می‌دهیم.

شناخت مشتریان

هر کسب‌وکاری باید پرسونای مشتریانش را بداند (اگر با مفهوم پرسونا و کاربردهایش آشنا نیستید مطلب پرسونای مشتریان را در وبلاگ نوین بخوانید). اگر از بیگ دیتا در شناخت مشتریان استفاده شود، می‌توان به صورت زنده تغییرات را دنبال کرد و به آن واکنش نشان داد.

مثلاً با استفاده از دیتاها می‌توانیم بدانیم که:

  • کدام دسته از مشتری‌ها را جذب می‌کنیم؟
  • مشتری‌ها چطور ما را پیدا می‌کنند؟
  • مشتری‌ها با ایمیل‌های ما چگونه ارتباط برقرار می‌کنند؟
  • ارتباط آنلاین ما با مشتریان چگونه است؟

این اطلاعات بعداً در ترسیم پرسونا به ما کمک می‌کند تا مخاطبان هدفمان و رفتار آنلاین مشتری‌ها را بشناسیم.

عقیده کاوی (Sentiment analysis)

در حال حاضر راه‌های زیادی برای کاوش در دیدگاه مشتریان وجود دارد. یک روش متداول در شناخت مشتریان با بیگ دیتا عقیده کاوی (Sentiment analysis) است. با عقیده کاوی می‌توان فهمید همین حالا مردم نسبت به برند کسب‌وکار نظر مثبتی دارند یا نه.

برای مثال اگر توئیت‌های مردم درباره برند Z به طور دائم مورد ارزیابی قرار بگیرد در هر لحظه می‌توان صداهای مثبت یا منفی مشتریان را دنبال کرد.

فرض کنید روزانه هزاران نظر مثل موارد زیر درباره برندی منتشر می‌شود؛ با داشتن این داده‌ها عقیده کاوی کار آسانی می‌شود.

  • امروز از Z سفارش دادم بعد از واریز پول زنگ زدن موجودی نداریم. اگر موجود نداشتید چرا برای فروش گذاشتید؟ (منفی)
  • من عاشق برند Z هستم. پشتیبانی عالی، سرعت عالی اصلاً همه چی عالی (مثبت)
  • قیمت‌های Z اینقدر بالاست که هر بار سایتش رو باز می‌کنم از زندگی ناامید می‌شم (منفی)

با تحلیل این نوشته‌ها توسط نرم‌افزار می‌توان:

  • نقاط ضعف و قوت برند را پیدا کرد
  • خدمات مشتریان را ارتقا داد
  • کیفیت محصولات را بهبود بخشید
  • فرصت‌های جدیدی پیدا کرد

هدف‌گیری شخصی‌سازی شده

این روزها تبلیغ هدفمند و شخصی‌سازی شده به یک ضرورت برای کسب‌وکارها تبدیل شده است. ابزارهای بیگ‌‌دیتا می‌توانند با بررسی موقعیت جغرافیایی، سابقه اینترنت‌گردی، سابقه کلیک‌ها‌، سابقه خرید و لایک‌ها تشخیص دهند چه تبلیغی باید به کدام کاربر نمایش داده شود.

یک مثال آشنا از این نوع تبلیغ را گوگل انجام می‌دهد. نمی‌دانم تابه‌حال با گوگل ادز کار کرده‌اید یا نه؛ اما با این غول تبلیغات گوگل، آن‌قدر هدفمند می‌توانید تبلیغات را به مشتریان نمایش دهید که بازدهی آن چندین برابر روش‌های دیگر می‌شود.

برای مثال شما می‌توانید یک کمپین تبلیغاتی را در گوگل اجرا کنید و از آن بخواهید تا تبلیغ شما را به مردهای 23 تا 38 که به بازاریابی دیجیتال علاقه دارند نشان دهد. گوگل با دیتاهایی که در اختیار دارد به‌خوبی خواسته شما را هدف قرار می‌دهد و تبلیغاتتان را به افراد مناسب نمایش می‌دهد.

افزایش تاثیرگذاری کمپین‌های تبلیغاتی

وقتی قرار است یک کمپین پیامکی اجرا کنید اول باید به ۳ سوال مهم جواب دهید:

  • برای چه کسانی بفرستیم؟
  • چه زمانی ارسال کنیم؟
  • چه چیز جذابی پیشنهاد کنیم؟

با تحلیل کلان‌داده‌ها به راحتی می‌توان به این سه سوال جواب داد.

در روش سنتی، از طریق آزمون و خطا و تحلیل شهودی تصمیم گرفته می‌شود که مثلاً پیامک در ساعت ۹ شب برای مشتریان رده سنتی ۲۰ تا ۳۰ سال و حاوی کد تخفیف ۱۰ درصد ارسال شود. اما با تحلیل بیگ‌‌دیتا می‌توان ده‌ پیامک هدفمند ساخت که در ۱۰ زمان متفاوت و با پیشنهادهای متنوع ارسال شود.

چون می‌دانیم کدام کاربر در چه زمانی وقتش آزاد است و چه چیزی می‌تواند او را به یک سرنخ (Lead) یا مشتری تبدیل کند.

بهینه‌سازی بودجه بازاریابی

تعیین و اختصاص بودجه برای مدیران بازاریابی کار چالش‌برانگیزی است. در کدام مرحله قیف فروش باید هزینه بیشتری شود؟ کدام مرحله نیازی به هزینه ندارد؟ کدام کانال‌ها ارزش هزینه دارند؟

جواب دادن به هر کدام از این سوالات و ده‌ها سوالات دیگر، نیاز به ساعت‌ها تحلیل و بررسی دارد. تازه بعضی وقت‌ها موضوع پیچیده‌تر هم می‌شود؛ چون دنبال کردن سفر مشتری از چند کانال، پلتفرم و دستگاه مختلف کار سختی است.

برای مثال اگر کاربری صبح وقتی سر کار است با خبر شود که فردا تولد مادرش است، برای خرید هدیه روز تولد با رایانه شرکت در گوگل جستجو می‌کند و چند پست وبلاگ می‌خواند، چند محصول هم می‌بیند اما چیزی نمی‌خرد.

وقتی در مسیر سوار تاکسی است با موبایل برای چند محصول مشابه دیگر جستجو می‌کند و باز هم چیزی نمی‌خرد.

در نهایت وقتی شب در کنار همسرش است، مشورت می‌کنند و یکی از محصولات را که همسرش در اینستاگرام دیده بود را سفارش می‌دهند.

دنبال کردن این نوع کاربران و بهینه‌سازی بودجه بازاریابی در این حالت کار آسانی نیست؛ به این دلیل که چندین کلیدواژه مختلف را در چند دستگاه متفاوت جستجو کرد، در شبکه‌های اجتماعی سرک کشید، چند لندینگ پیج و صفحه محصول را دید و در نهایت یکی را انتخاب کرد.

یک ابزار عالی برای دستیابی به این هدف سرویس Google Attribution است که با کمک بیگ‌دیتا و یادگیری ماشین کاربران را رصد می‌کند.

اگر صاحب کسب‌وکاری هستید که نیاز به داده‌کاوی دارد تا مشکلی را حل کند یا صرفاً به دنبال پیشرفت هستید، با توجه به سطح پیچیدگی اهداف خود باید یکی از راهکارهای موجود را انتخاب کنید.

در بخش بعدی یک ابزار متداول را معرفی می‌کنیم.

اسکرول به بالا