닮은 관객

유사 타겟(일부 플랫폼에서는 '유사 잠재고객'이라고도 함)은 광고 플랫폼이 광고주가 제공하는 그룹과 유사한 사람들을 식별하는 타겟팅 방식입니다. 광고주는 일반적으로 고객 목록이나 가치 있는 행동을 취한 사람들의 집합인 시드 잠재고객을 제공하고, 플랫폼의 모델은 해당 사용자 기반에서 유사한 특성과 행동 패턴을 공유하는 다른 사람들을 찾아냅니다.

이 모델의 매력은 고객 확보에서 가장 어려운 문제, 즉 아직 기업의 존재를 모르지만 가치를 느낄 가능성이 있는 사람들을 찾아내는 문제를 해결한다는 데 있습니다. 수동 타겟팅은 광고주가 어떤 인구 통계학적 특성, 관심사, 행동 양식이 좋은 고객을 예측하는지 추측하는 것에 의존하는데, 이러한 추측은 종종 틀립니다. 실제 고객 데이터로 학습된 모델은 마케터가 미처 고려하지 않았던 예측 신호를 식별할 수 있으며, 직관적으로는 이해하기 어렵지만 경험적으로 유효한 조합까지도 찾아낼 수 있습니다.

초기 데이터의 품질은 결과물에 모든 것을 좌우하며, 대부분의 구현이 실패하는 지점이 바로 이 부분입니다. 과거 모든 구매자 데이터를 기반으로 학습된 모델은 평균적인 고객과 유사한 사람들을 찾아내는데, 여기에는 가치가 낮거나 이탈률이 높은 고객도 포함됩니다. 반면, 고객 생애 가치, 재구매율 또는 마진을 기준으로 정의된 가장 가치 있는 고객 데이터를 기반으로 학습된 모델은 그러한 고객과 유사한 사람들을 찾아냅니다. 이 두 가지 초기 데이터 간의 후속 성과 차이는 두 가지 타겟팅 전략 간의 차이보다 훨씬 큰 경우가 많습니다.

시드 크기는 진정한 절충점을 제시합니다. 플랫폼은 일반적으로 최소 1,000명 정도의 매칭된 개인 데이터를 요구하며, 모델은 일반적으로 일정 수준까지는 데이터가 많을수록 성능이 향상됩니다. 하지만 시드 크기가 클수록 이상적인 고객에 대한 정의가 모호해지기 때문에, 적은 데이터로 구축된 정밀한 모델과 더 많은 데이터로 구축된 포괄적인 모델 사이에서 선택해야 합니다. 서로 다른 값 임계값을 사용하여 여러 시드 크기를 테스트하는 것이 어떤 시드 크기가 효과적일지 추론하는 것보다 더 유익합니다.

유사도 백분율은 도달률과 정확도 사이의 균형을 조절합니다. 유사도가 상위 1%에 해당하는 타겟 고객으로 구성된 좁은 범위의 잠재고객은 규모가 작지만 일반적으로 노출당 성과가 더 좋습니다. 반면, 더 넓은 범위의 잠재고객은 평균 품질은 낮지만 더 많은 사람에게 도달합니다. 최적의 설정은 제약 조건이 효율성인지 볼륨인지에 따라 달라지며, 여러 단계의 타겟 고객층을 통합하는 대신 각각 별도의 캠페인으로 운영하는 것이 성과를 측정하는 데 중요한 역할을 합니다.

광고주들이 생각하는 것보다 데이터 갱신은 훨씬 중요합니다. 고객 목록을 기반으로 구축된 시드 데이터는 고객 기반이 변화함에 따라 진부해지고, 2년 전 고객을 기반으로 구축된 모델은 해당 기업이 이미 사업을 접은 후의 고객과 유사한 사람들을 찾아낼 가능성이 높습니다. 시드 데이터를 정기적으로 업데이트하고, 포지셔닝이나 제품 구성이 크게 변경될 때 모델을 재구축하면 타겟팅을 현재 비즈니스에 맞춰 유지할 수 있습니다.

고객 목록을 광고 플랫폼에 업로드하는 것은 적법한 근거, 적절한 정보 공개, 그리고 고객의 이의 제기 또는 철회에 대한 존중을 요구하는 데이터 처리 활동이므로 데이터 보호 의무가 직접적으로 적용됩니다. 플랫폼은 식별자를 평문으로 전송하는 것을 방지하기 위해 해싱 기능을 제공하지만, 해싱이 의무를 면제하는 것은 아니며, 관련 없는 목적으로 수집된 데이터를 기반으로 구축된 잠재고객은 흔히 규정 준수 허점이 됩니다.

이 방법은 실제로 가치 있는 고객이 누구인지 파악하는 데 전적으로 의존하기 때문에, 가치 있는 고객을 구분하지 못하는 조직에서는 조용히 실패합니다. 실제로 초기 정의는 고객 가치 분석을 기반으로 합니다. 데이터 분석캠페인 실행은 다음 담당자에게 있습니다. 마케팅 서비스그리고 그에 따른 고객 전략은 다음과 같이 검토됩니다. 성장 관리 기업이 성장하고자 하는 시장 부문을 바꿀 때마다.