Benzer Kitle Modellemesi
Benzer kitle modellemesi, değerli müşterilerden oluşan bilinen bir grubun özelliklerini analiz eden ve benzer nitelikleri paylaşan yeni potansiyelleri bulan bir tekniktir.
Önemli noktalar
- Seçtiğiniz yüzde bir benzerlik eşiği değil, sıralı listede bir kesme noktasıdır.
- Yüklenen tohumun yalnızca eşleşen kısmı modeli gerçekten eğitir.
- Karışık tohum ayrı örüntüleri harmanlar ve kimseye özel benzemeyen bir kitle üretir.
- Değer ağırlıklı tohumlar modele hangi müşteri örüntüsünün daha değerli olduğunu söyler.
- Benzer kitleler mevcut tabandaki eğriliği yeniden üretir ve denenmemiş segmentleri bulamaz.
Derinlemesine
Kaputun altında platform, tanıdığı her kullanıcı için bir öznitelik vektörü oluşturur, tohum üyelerinizi diğer herkesten ayıran bir model eğitir ve kalan nüfusu bu puana göre sıralar. Seçtiğiniz yüzde, bir benzerlik eşiği değil bu sıralı listede bir kesme noktasıdır: yüzde birlik bir kitle, ülkedeki kullanıcıların model puanına göre en üst dilimidir. Tohumunuzun yalnızca platformun gerçek hesaplarla eşleştirebildiği kısmı katkı sunar; bu yüzden yükleme boyutu ile eşleşme oranı iki ayrı sayıdır.
Tohum büyüklüğü, homojenliği ve güncelliği birbirine karşı çeker. Çok küçük bir tohumda model gürültüye uyum sağlar; şimdiye kadarki her alıcıyla doldurulmuş bir tohum ise birkaç ayrı örüntüyü karıştırıp kimseye özel olarak benzemeyen bir kitle üretir. Yüzde kesimini genişletmek erişimi hassasiyet pahasına satın alır ve dışa doğru her adım genel pazara doğru seyreltir. Her üyenin bir gelir değeri taşıdığı değer ağırlıklı tohumlar genelde düz listeleri geçer; çünkü modele hangi örüntünün daha değerli olduğunu söylerler.
Pratikte ekipler küçük bir tohum merdiveni kurar: kazanılmış hesaplar, yüksek yaşam boyu değerli müşteriler ve yüksek niyetli güncel lead'ler; sonra her birine karşı dar ve geniş kesimleri test eder. Bütçe edinmeye gitsin diye mevcut müşteriler yayından dışlanır ve ek demografik katmanlar hafif tutulur; çünkü ağır elle hedefleme altındaki modelle çatışır. Bir scorecard quiz'i pratik bir tohum kaynağıdır: yalnızca puan eşiğinin üstündeki lead'ler dışa aktarılır ve tohum bilinçli olarak dar kalır.
Bir benzer kitle yalnızca tohumdakilere benzeyen kişileri bulabilir; bu yüzden mevcut tabanınızın biçimini pekiştirir ve hiç satmadığınız bir segmenti keşfetmez. O tabandaki rastlantısal her eğrilik, örneğin tek bir bölgeyi ya da meslek grubunu fazla getiren bir kanal, ölçekte yeniden üretilir ve büyütülür. Model ayrıca platformun kendi kullanıcıları hakkında gözlemledikleriyle sınırlıdır; bu gözlem hem opaktır hem habersiz değişir. Dar B2B pazarlarında nitelikli nüfus anlamlı bir sıralama için fazla küçük olabilir.
Pratikte örnek
Nasıl ölçülür
Bir benzer kitleyi tıklama metrikleriyle değil, aşağı akış kalitesiyle yargılayın. Nitelikli lead başına maliyeti ve kazanma oranını, aynı kreatifi kullanan geniş hedeflemeli bir kontrol grubuyla karşılaştırın; yalnızca tıklama oranını iyileştiren bir benzer kitle merakı seçiyordur. Kitleden gelen lead'lerin uyum ölçütlerinizi karşılayan payını izleyin; bu pay hedefsiz trafikten yüksek değilse tohum varsaydığınız sinyali taşımıyordur.
Kitlenin ömrü boyunca bozulmayı gözleyin. Model puanları platform öğrendikçe yeniden hesaplanır ama tohumunuz yaşlanır; onu düzenli aralıklarla yenileyin ve öncesiyle sonrasını karşılaştırın. Frekans ve erişim de dar bir kesimin tükendiğini söyler: frekans yükselirken dönüşüm düzse kitle doymuştur ve yüzdeyi genişletmek teklif artırmaktan ucuzdur.
Sık yapılan hatalar
En sık hata, elde bulunan en ucuz listeyle tohumlamaktır; genelde tüm bülten aboneleri ya da her form dolduran. Model o zaman bir içerik indiricisinin neye benzediğini öğrenir ve çıkan kitle gelire değil içeriğe dönüşür. Daha fazlasını istediğiniz sonuca göre tohumlayın: kazanılmış hesaplar ya da bir elde tutma eşiğini geçmiş müşteriler; liste küçülse bile. Doğru sonuca dayanan küçük tohum, bulunurluğa dayanan büyük tohumu geçer.
İkinci hata, benzer kitlenin üstüne ağır elle hedefleme yığmaktır: unvanlar, ilgi alanları, dar yaş bantları. Her katman, modelin göremediğiniz nedenlerle yüksek puanladığı kişileri çıkarır ve kitle, yayın pahalılaşana dek küçülür. Dışlamaları rahatça kullanın; mevcut müşterileri ve yeni dönüşenleri çıkarmak nettir. Ama olumlu filtreleri teker teker ve yalnızca bir test filtresiz kitlenin zayıf kaldığını gösterdiğinde ekleyin.
Sıkça sorulan sorular
Benzer kitle modellemesi için tohum ne kadar büyük olmalı?
Modelin kararlı bir örüntü bulmasına yetecek kadar; bu genelde birkaç yüz değil birkaç bin eşleşmiş kayıt demektir. Daha önemlisi üyelerin gerçek bir ortak örüntü paylaşmasıdır. Seçmek zorundaysanız, büyüklük aralığının alt ucundaki dar bir tohum, yalnızca asgari sayıyı tutturmak için ilgisiz grupları birleştirerek kurulmuş büyük bir tohumdan iyi sonuç verir.
Benzer kitle modellemesi öngörücü puanlamayla aynı mı?
Hayır. Benzer kitle modellemesi, dışarıdaki bir nüfusu sizin verdiğiniz tohuma benzerliğine göre sıralar ve reklam platformunun içinde onun verisiyle çalışır. Öngörücü puanlama ise kendi veritabanınızdaki kişileri belirli bir gelecek eylemi yapma olasılığına göre sıralar. Biri ulaşılacak yeni potansiyelleri bulur, diğeri bilinen kişiler arasında önceliği belirler.
Benzer kitle ne sıklıkla yenilenmeli?
Tohumun kayda değer bir kısmı güncelliğini yitirdiğinde yenileyin; çoğu ekip için bu aylık ya da çeyreklik demektir. Platformlar puanları sürekli yeniden hesaplar ama geçen yılın müşterilerini anlatan bir tohumu düzeltemez. Yeni bir fiyat kademesi, yeni bir pazar ya da yeniden konumlandırma gibi kimin satın aldığını değiştiren her adımdan sonra daha erken yenileyin.
Hangi yüzdelik benzer kitleyle başlamalıyım?
Dar başlayın, genelde en küçük dilimle; ancak yayın tıkandığında veya doyma nedeniyle maliyet yükseldiğinde genişletin. Dar kademe, tohumun hiç sinyal taşıyıp taşımadığını sınar; orada başarısız olursa geniş kademeler onu kurtarmaz. Dar kitle iyi çalışıp tükendikten sonra kademe kademe genişlemek, hassasiyetin tam olarak nerede düştüğünü gösterir.
Benzer kitlem neden geniş hedeflemeden kötü performans veriyor?
Genelde tohum yanlıştır ya da kitle aşırı katmanlanmıştır. Genel kayıtlardan oluşan bir tohum modele alıcı değil daha çok kayıt bulmayı öğretir ve üst üste binen demografik filtreler en yüksek puanlıları söker atar. Modern geniş hedefleme de güçlüdür; bu yüzden benzer kitlenin onu gösterimde değil nitelikli pipeline'da geçmesi gerekir. İkisini aynı kreatifle test edin.
Reklam platformu olmadan benzer kitle modellemesi olur mu?
Evet. Aynı mantık kendi veritabanınıza uygulanır: en iyi müşterilerinizi tohum alın, onları ayıran nitelikleri belirleyin ve mevcut kişileri ya da zenginleştirilmiş bir listeyi benzerliğe göre puanlayın. Bu daha yavaştır ve kendi verinizi gerektirir, ancak puanlama şeffaftır ve hangi niteliklerin onu sürüklediğini görebilirsiniz.