AI olgunluk eğrisinde perakende medya hedeflemesi

perakende olarak sektör giderek daha fazla bağımlı hale geliyor ve verilere ve yapay zekaya (AI) odaklanıyor, perakendecilerin birinci taraf veri analizinin müşteri davranışına ilişkin içgörülere nasıl kristalleştirilebileceğini ve dolayısıyla somut bir rekabet avantajı elde edebileceğini tam olarak anlaması çok önemlidir.

Bu amaçla, “Veri ve Yapay Zeka Olgunluk Eğrisi” olarak adlandırılan aşağıdaki tabloyu inceleyin.

Veri + AI olgunluk eğrisi. Görsel Kaynakları: Zitcha/Databricks

Bu, bir perakendecinin verilerinin ve yapay zeka yeteneklerinin (x ekseninde gösterilmektedir) perakende medya ağının (y ekseninde gösterilmektedir) rekabet avantajıyla nasıl doğrudan ilişkili olduğunun basitleştirilmiş bir görünümüdür. Bu eğriyi takip eden genel bir stratejik yaklaşım, perakendecilerin gelişmişliğe doğru kademeli adımlar attığını, müşteri ihtiyaçlarını tahmin etmelerine ve ince ayarlı, kişiselleştirilmiş deneyimler sunmalarına olanak tanıyan övülen “tahmin analizine” her zamankinden daha fazla yaklaştığını görecektir.

Ancak bunların hepsini söylemek yapmaktan çok daha kolay ve akıllı hedefleme söz konusu olduğunda bazı adımlar diğerlerinden daha önemli. Perakende medya bağlamında tahmine dayalı analize giden yoldaki en önemli üç kilometre taşına bakalım.

Temiz, kabul edilen veriler

Verilerin ve yapay zekanın gücünden yararlanmak isteyen herhangi bir perakendeci için bu eğrinin “rampası”, fiziksel veya dijital, sahip olunan veya kiralanan tüm müşteri etkileşimleri ve medya yerleşimlerinde temiz ve kabul edilmiş verilerin tam görünümü ile başlar. Bu veriler, fırsatı anlamak, getiriyi yönetmek ve kampanya performansını doğru bir şekilde ölçmek için çok önemlidir.

Teknoloji, perakende ortamını bir kategori olarak resmileştirdiğinden, metrik bütünlük ve veri kalitesinde liderlik etme şansı önemlidir. Medya ağının değerini şişirmek için müşteri sayılarını çoğaltmak uzun vadede hem güven hem de bütçe büyümesi için bir risk olduğundan, yolculuk boyunca fiziksel ve dijital temas noktaları aracılığıyla benzersiz müşteri sayısını anlamak da çok önemlidir.

Veriler ideal olarak bir davranışsal veri platformuna (BDP) aktarılır ve güvenli, bulutta barındırılan bir veri gölünde depolanır. SaaS sistemlerinden gelen veriler, BDP’yi bir sunucudan sunucuya bağlayıcı aracılığıyla günceller. Veriler daha sonra BDP tarafından modellenir ve zenginleştirilir; burada her müşteri etkileşimi, müşteriye ilişkin tek, bütünsel bir görünümde birleştirilir.

Bu, her müşteri için binlerce kayıt içeren bir olay geçmişine sahip tek bir profil sağlar. Kesinlikle kritik bir adım olsa da, medya hedefleme söz konusu olduğunda bu gerçekten zemin kattır – bu temel bir kez kurulduktan sonra olgunluk oluşmaya başlayabilir.

Tahmin edilebilirlik/karmaşıklık. Görsel Kaynakları: Zitça/Kar temizleme aracı

İçeriğe dayalı hedefleme

Gerçek medya hedefleme yeteneğinin ilk düzeyi, içeriğine bağlı olarak bir yüzeye (hedef kitleye bakan belirli bir platform veya cihaz) bir mesaj iletmektir. Bu, hedeflemenin en temel biçimidir ve diğer tüm hedefleme yetenekleri için çok önemli bir temeldir. Verilerin bu aşamadaki rolü, perakendecilerin medya ağlarını yönetmeleri ve getiriyi optimize etmeleri için çok önemli olan yerleşim türüne ve konuma göre mevcut yerleşim envanterini tahmin etmektir. Mesaj alaka düzeyi ve marka güvenliği de bu yeteneğe bağlıdır.