Kohdennettua mainontaa tarkasti mallinnettujen demografiasegmenttien avulla

Datan parissa tehtävä kehitystyö mahdollistaa verkkomainonnan kohdentamisen yhä paremmin. Eräs edistyneimmistä tavoista on demografisegmenttien mallintaminen - mainostaja hyötyy laadukkaan ja vastuullisesti kerätyn datan avulla tehtävän jatkuvan kehitystyön hedelmistä.

 

Almalla kehitetään demografiasegmenttejä aktiivisesti

Alma on panostanut demografiasegmenttien mallintamisen kehitystyöhön voimakkaasti viime vuosina, ja mallintamisessa onkin edetty huomattavin harppauksin. Kehityspäällikkö Merja Pyhälä Alman digimainonnan kehityksestä kertoo, että segmenteistä mainostajilta saatu palaute on ollut hyvää, ja kehitystyön tuloksena segmentit palvelevat nyt entistäkin paremmin. ”Demografiamallinnus on hyvin spesifiä osaamista vaativaa työtä, jota Almalla tekevät ja kehittävät talon omat, asiantuntevat Data Scientistit”, Pyhälä tarkentaa.

Mallintamisen onnistumiseen tarvitaan paljon dataa, ja Alman käyttäjilleen tarjoamien monipuolisten sisältöpalveluiden kautta ensimmäisen osapuolen dataa kertyykin noin 500 miljoonaa datasignaalia kuukaudessa. Lisäksi mallinnuksen pohjaksi kerätään riittävä määrä tunnettujen käyttäjien demografiatietoja.

 

Mallinnusdatan ja -algoritmin vaihtaminen paransivat tarkkuutta huimasti

Vuonna 2020 Almalla vaihdettiin kokonaan mallinnuksessa käyttävä data. Vaikka aiemmin hyödynnetty semanttinen asiasanoitus oli tuottanut toimivia segmenttejä mainonnan kohdentamiseen, toi siirtyminen suoran artikkelitiedon käyttöön mallinnusprosessiin huomattavan määrän lisää dataa.

Aiempaa suuremman datamassan mallintaminen vaati tuekseen myös mallinnusalgoritmin vaihtamisen. Tehdyt muutokset toivat huikean lisän mallinnustarkkuuksiin eri segmenteissä: demografiaryhmätasolla tarkkuus nousi keskimäärin 18 % ja segmenttitasolla keskimäärin peräti 40 %.

Tehtyjen muutosten myötä havaitut erinomaiset tulokset ovat rohkaisseet paneutumaan kehitystyöhön entistäkin intensiivisemmin ja testaamaan erityyppisten datalähteiden sekä erilaisten mallinnusalgoritmien tuottamia tuloksia.

On kiehtovaa seurata, miten iso vaikutus eri osatekijöillä on. Kehitysaihioita tulee koko ajan lisää, kun tekijöillä on vahva tuntemus juuri Almassa käytettävissä olevasta omasta ensimmäisen osapuolen datasta”, Pyhälä kertoo.  

 

Uusi mallinnustapa tarjoaa paremman käyttäjäpeiton ja tarkkuustason segmenteille

Alkuvuodesta 2021 testattiin jälleen uutta dataa ja uutta algoritmia, joka mallinsi suorat artikkelitiedot entistäkin tarkemmin. Pian havaittiin, että samansuuruiseen mallinnuksen tarkkuustasoon päästiin vaihtamalla artikkelitiedot URL-tietoihin, joita hyödyntämällä saatiinkin kasvatettua profiloitujen selainten määrää noin kahdella miljoonalla.   

Kehitystyön avulla saavutettujen loistavien tulosten myötä tämä segmenteille entistä paremman käyttäjäpeiton ja tarkkuustason antava mallinnustapa otettiin käyttöön. Demografiaryhmätasolla tarkkuus nousi edellisestä kehitysaskeleesta vielä lisää - keskimäärin 7 % ja segmenttitasolla keskimäärin 14 %.

 

Kehitystyötä jatketaan edelleen

Seuraavat askeleet demografiamallinnuksen kehittämisen saralla ovat jo suunnittelupöydällä, ja aiemmat hyvät tulokset rohkaisevatkin jatkamaan kohti uusia parannuksia. ”Näiden kokemusten perusteella uskomme vahvasti, että pääsemme vieläkin parempiin tuloksiin”, Pyhälä kiteyttää.

”Oman, ensimmäisen osapuolen datamme lisäksi mallinnamme datakumppanuustoimintamme kautta myös mainostaja-asiakkaidemme dataa. Datakumppanimme saavat meiltä tietoa omien asiakkaidensa kiinnostus- ja demografiaprofiileista. He voivat käyttää omia asiakassegmenttejään mainonnan kohdentamisessa ja löytävät uusia asiakkaidensa kanssa samankaltaisia käyttäjiä Alman verkostosta lookalike-mallinnuksen kautta sekä voivat kohdentaa mainontaa näille.”

 

 

Tutustu Alman kohdentamisen segmentteihin täällä >>

  • Julkaistu: 6.4.2021, 00.00
  • Uutisen tyyppi: Mainostajalle

Jaa artikkeli: