استفاده از مخاطبان مشابه برای معکوس کردن قیف بازاریابی و تولید سرنخ های با کیفیت

محققین تجزیه و تحلیل کرد دقت فعالیت فیس بوک در تبلیغات مبتنی بر علاقه آنها و دریافت که تقریباً 30 درصد از علایق لیست شده فیس بوک علایق واقعی نیستند. این بدان معناست که اگر تبلیغ شما بر اساس لیست علاقه مندی ها باشد، در حدود 30 درصد مواقع می توانید علامت را از دست بدهید.

آیا با اجازه دادن به الگوریتم ها برای اجرای رسانه پولی ما، خود را برای همان سناریویی آماده می کنیم که قبل از iOS 14.5 داشتیم؟ بله و خیر.

  • کمی اعتماد داریم که به الگوریتم‌ها برمی‌گردانیم، اما اکنون می‌دانیم که همه تخم‌هایمان را در یک سبد قرار ندهیم. ما می دانیم که علایق شناسایی شده توسط فیس بوک هنوز 60 تا 70 درصد دقیق هستند، بنابراین دانستن علاقه مخاطبان شما بسیار معتبر است، حتی اگر مقداری از علامت را نادیده بگیریم.
  • مخاطبان تغییر می کنند، علایق آنها تغییر می کند و ما باید با آنها حرکت کنیم. آیا می توانید به من بگویید که مخاطبان شما اکنون مانند سال 2019 به نظر می رسند؟ توصیه من این است که تا حد امکان از مخاطبان مشابه استفاده کنید، اما آنها را با تبلیغات مبتنی بر علاقه تکمیل کنید و به طور مداوم A/B کارایی آنها را آزمایش کنید.

هدف کمپین خود را در نظر بگیرید

چرا؟

در همان ابتدا، فیس بوک آن اطلاعات را با ما به اشتراک می گذاشت و ما می توانستیم همزمان با یادگیری الگوریتم یاد بگیریم. قبلاً می‌توانستیم مخاطبان، فالوورهایمان، آنچه را که دوست دارند، سن آنها، جنسیت، وضعیت تأهل، وب‌سایت‌های دیگری که بازدید می‌کنند و صفحات دیگری را دنبال می‌کنند، تجزیه و تحلیل کنیم. ما به اندازه الگوریتم می دانستیم.

به جای تغذیه این قیف نظری به مخاطبان سرد، بیایید تا انتهای قیف برویم و افرادی مانند مبدل ها را پیدا کنیم.

پس از انجام تست های A/B بین مخاطبان مبتنی بر علاقه و مخاطبان مشابه، می توانم بگویم که نتایج تا 40 درصد برای برخی از مخاطبان مشابه بهبود یافته است. گاهی اوقات نتایج به کوچکی 15٪ می رسد، اما من در هنگام بهینه سازی تبلیغاتم، هر گونه پیشرفت و کارایی را که بتوانم به دست بیاورم، انجام می دهم.

آیا این کنترل بیش از حد به الگوریتم ها باز نمی گردد؟

ممکن است فیس بوک به اندازه قبل اطلاعات زیادی در مورد مبدل های شما نداشته باشد، اما شما – یا مشتریانتان – دارید!

برای درک بهتر این موضوع، خط‌مشی‌های هر پلتفرم را در مورد فهرست‌های سفارشی بررسی کنید.

لیست ها و خط مشی رازداری خود را به روز نگه دارید

درباره نویسنده

نایرا پرز تقریباً 20 سال است که در بازاریابی فعالیت می کند. او با مشتریانی از چندین صنعت و برندهای Fortune 500 کار کرده است. او شروع خود را در تبلیغات پاسخ مستقیم، ساختن برندها در تلویزیون، رادیو و چاپ قبل از اینکه دیجیتال باشد، آغاز کرد. در سال 2016، او SpringHill را تأسیس کرد که در توسعه و اجرای استراتژی های بازاریابی دیجیتال مانند رسانه های پولی، طراحی کمپین یکپارچه و شناسایی الگوهای مخاطب تخصص داشت. در سال 2021، او به عنوان مدیر بازاریابی دیجیتال Sr به پورتلند تریل بلیزرز پیوست تا به رشد بخش بازاریابی دیجیتال نوآورانه و در حال گسترش آنها کمک کند.


منبع: https://searchengineland.com/lookalike-audiences-reverse-marketing-funnel-386922

الگوریتم همه چیز را انجام داد. راحت و راحت بود.

جدید در زمین موتورهای جستجو

این روند در همه سیستم عامل ها مشابه است:

یک مخاطب شبیه بر اساس یک لیست سفارشی (فهرست اولیه) است، و این فهرست فقط باید با داده‌هایی ایجاد شود که متعلق به شماست و اجازه استفاده از آن را دارید.

یک مشکل وجود دارد: از آنجایی که الگوریتم‌ها هنوز در تعیین تعامل مثبت از تعامل منفی مشکل دارند و برای آن موضوع، آنها در درک زمینه مشکل دارند – تعامل و علاقه به یک برند خاص ممکن است به این معنا نباشد که آنها می‌خواهند توسط آن برند نزدیک شوند.

ما اکنون از پلتفرم‌های رسانه‌های اجتماعی استفاده می‌کنیم تا به ما کمک کنند تا بر اساس داده‌هایی که می‌دانیم دقیق هستند، پرسونا ایجاد کنیم و سپس آنها را هدف قرار دهیم.

اگر مردم نمی خواهند از شما بشنوند، پس چرا می خواهید برای شخصی با همان مشخصات تبلیغ کنید؟

اگر افراد از ارتباطات شما لغو اشتراک کردند، برنامه ای برای به روز رسانی مخاطبان مشابه خود داشته باشید.

بنابراین تئوری این است که در مرحله آگاهی از برند، قیف را با سرنخ های سرد تغذیه کنیم تا آنها از طریق قیف جریان یافته و بدون مانع تبدیل شوند.

در زیر ویدیوی کامل ارائه SMX Advanced من است.

اگر به این نقطه از مقاله رسیدید، ممکن است به انتخاب های زندگی خود به عنوان یک بازاریاب رسانه های اجتماعی پولی فکر کنید.


با این حال، هنوز چیزی بسیار مفید در پلتفرم ها وجود دارد:

مخاطبان شبیه

ما به این پلتفرم‌ها اجازه می‌دهیم سفر مشتری را از تبلیغات ما تا تبدیل دنبال کنند. اجازه دادیم تماشا کنند. ما به آنها اجازه می دهیم یاد بگیرند و به الگوریتم اجازه می دهیم مخاطبان مناسب را بهینه و هدف قرار دهد.

به عنوان بازاریاب، ما عادت کردیم که به پلتفرم های رسانه های اجتماعی (و به ویژه فیس بوک، مستعار متا) اجازه دهیم کار ما را انجام دهند.

در یک آزمایش تقسیم A/B که من اجرا کردم، مخاطبان مبتنی بر علاقه 30٪ هزینه به ازای هر کلیک بالاتری داشتند، اما نرخ تعامل مثبت دو برابر بود. این مخاطبان تبدیل نمی شدند، آنها پیام را منتشر می کردند.

گاهی اوقات مخاطبان مشابه در تبدیل شدن خوب هستند، اما ممکن است در تعامل خوب نباشند.

بازاریابی مبتنی بر علاقه نقطه شروع خوبی است اما بارها آن را از دست می دهد.

به یاد داشته باشید: پلتفرم‌ها در طول زمان تغییر می‌کنند، بنابراین باید با آنها تکامل پیدا کنیم تا مرتبط بمانیم و گاهی اوقات این به معنای بازگشت به اصول اولیه است. موفق باشید آنجا

تماشا کنید: استفاده از مخاطبان مشابه برای معکوس کردن قیف بازاریابی و تولید سرنخ های با کیفیت

نظرات بیان شده در این مقاله نظرات نویسنده مهمان است و لزوماً سرزمین موتور جستجو نیست. نویسندگان کارکنان در اینجا فهرست شده اند.


از کاربران برای ردیابی در برنامه ها و وب سایت ها و 95 درصد آنها تصمیم گرفت چنین مجوزی را در ایالات متحده (84٪ در سراسر جهان) ندهید.

از آن زمان، پلتفرم‌های رسانه‌های اجتماعی دید وحشتناکی نسبت به اتفاقاتی که برای افرادی که روی یک تبلیغ کلیک می‌کنند می‌افتد، داشته‌اند. وقتی متا را ترک می کنند تقریباً همین است!

این مطالعه اولین مطالعه در نوع خود است و مجموعه داده نسبتاً کمی دارد، اما با نگاهی به نظرات و تعامل ایجاد شده در تبلیغات مبتنی بر علاقه که اجرا کرده‌ام، بیشترین درصد نظرات گیج‌کننده و ناراضی را در این مجموعه تبلیغاتی می‌بینم، بنابراین ایالت NC در اینجا به چیزی است.

پلتفرم‌ها اطلاعات زیادی در مورد رفتار ما در پلتفرم دارند. آنها کامل نیستند، اما این شخصیت های پلتفرم تولید شده بسیار دقیق تر از علایق استنباط شده هستند.

اما پس از آن دیگر آن اطلاعات در دسترس نبود. با این حال ما اهمیتی نمی‌دادیم زیرا الگوریتم کار خودش را انجام می‌داد و نتایج شگفت‌انگیزی می‌گرفتیم. بنابراین راحت شدیم، خیلی راحت.

تا آوریل 2021 و انتشار iOS 14.5 سریع جلو بروید

متا برای ارائه تخمین ها کارهایی انجام داده است. اما در تجربه من چیزهایی مانند ورود صفحه فرود یا حتی اسناد تبدیل با اعداد واقعی فاصله زیادی دارند (به لطف Google Analytics و UTMs برای توانایی ردیابی پشتیبان).

هدف گذاری مبتنی بر علاقه یکی از معدود ابزارهایی است که برای ما باقی مانده است.

از آنجا که شما یک علاقه، یک عنصر را هدف قرار نمی دهید، که در 30٪ مواقع بی ربط خواهد بود. شما گروهی از عناصر، علایق یا رفتارهای پلت فرم را هدف قرار می دهید. که به طور قابل ملاحظه ای عدم دقت را کاهش می دهد.

ما نه تنها به مخاطبانی نیاز داریم که مسیر قیف را برای تبدیل به طور موثر دنبال کنند، گاهی اوقات به مخاطبانی نیز نیاز داریم که ما را تشویق کنند و به ما در گسترش آگاهی کمک کنند.

لطفاً قبل از استفاده از lookalikes این را در نظر بگیرید

با ایجاد مخاطبین مشابه، قیف را می گیریم و آن را وارونه می کنیم. ما از پایین شروع می‌کنیم و فهرستی از مخاطبان سرد را ایجاد می‌کنیم که آنقدر شبیه به مبدل‌های فعلی‌مان است که ممکن است تقریباً مخاطبان گرم در نظر گرفته شوند.

برای برخی، بسیار منفجر شد.

جهان برای بازاریابانی که از متا استفاده می کنند کمی فرو ریخت.