Har du noen gang tenkt på hvordan automatisering kan påvirke et TV-selskap?
Hvis du ikke gjorde det, har vi gjort det for deg.
Vi er et TV-selskap, og kundene våre ringer om hvordan, når og hvor de bruker innhold, så hvis vi ikke tilfredsstiller deres behov, klipper de akkorden eller går til en konkurrent.
Vi innså at vi måtte revurdere våre mål, markedsføringsprioriteringer og mål for suksess hvis vi ønsket noen mulighet for å utvikle abonnentbasen og øke veksten.
Her er tre strategiske endringer som hjalp oss til å strebe etter - og levere vekst. Slik kan du også:
1. Juster på en utviklingsmåling, og hold all reklame ansvarlig for dette
Dish Network er en virksomhet. Folk kan velge hvordan de vil delta med oss, mens det er frakoblet, online, mobil eller hvert av de ovennevnte. Det betyr at vi har hatt behov for å bringe digitalt og offline for at annonseringen vår er mer effektiv og kraftig våre kanaler.
Vi har hatt behov for å bringe digital og offline sammen slik at all vår markedsføring er effektiv og effektiv.
Vi møtte to hindringer i å gjøre dette: Sikre at vi knytter våre berøringspunkter online og offline uten problemer, og å lage et system for å utnytte informasjon for å identifisere muligheter for å få maksimalt ut av investeringen vår.
Bruker våre kundesenterdata for å informere om elektronisk annonsering og markedsføring . Vi finner verdi selv når kjøpesyklusen deres kan startes av dem. Og vi vet at over halvparten av våre nye abonnenter vil sosialisere med oss på telefon.
Vi integrerte data om samtalekonvertering i forskning, slik at elektronisk annonsering kan jobbe hardere for å finne oss bedre mobilutsikter fordi telefonannonsering gir høyere konverteringsfrekvenser. I tillegg gjør vi det enkelt for folk å klikke for å ringe oss Google med samtaleutvidelser på søkeannonsering. På grunn av dette er nå en tredjedel av våre konverteringer for søkeannonsering drevet av samtaleutvidelser.
2. Len deg inn i CLV for å nå ut til kundene
Vi anerkjenner at ikke alle klienter vil være like. Noen er fem ganger mer verdifulle enn gjennomsnittet, og noen har høyere avgangsscore. Støtten som er større trengs av andre mennesker. Å vite verdiene og attributtene til segmentene som er særegne og behandle dem har vært avgjørende for vår suksess.
Men vi fikk ikke alltid det riktig. Det var først nylig vi endret måten vi nærmer oss kundens levetidsverdi (CLV) for vår annonserings- og reklametaktikk, men spesielt innen digital. Vi lærte at vi ikke kan ha en markedsføringsplan basert på kanaler, inkludert elektronisk, radio eller TV. Vi trengte en digital-første, omnichannel annonseringsstrategi som hjalp oss med å nå og differensiere våre kunder.
Det aller første trinnet var å sikre at vi forsto funksjonene til kundene, og deretter brukte vi disse dataene til å informere om våre annonserings- og markedsføringsstrategier. For eksempel, hvis vi vet at spesifikke tegn er sterkt forbundet med CLV, sender vi disse dataene tilbake til Google Ads, slik at de kan optimalisere for å oppnå flere av disse høyverdige brukerne.
Resultatene taler for seg selv: lønnsomheten i våre operasjonsforsøk har økt 43% siden vi begynte å bruke en målsatt avkastningsbudstrategi i år.
3. La maskinlæring (ML) lede investeringene dine
Maskinlæring har vært medvirkende til å vise og også hjelpe oss med å skalere. Markedsføringsautomatisering gjør at vi kan være smartere og lette gjetningene.
Gjetningen blir lindret av markedsføringsautomatisering fra forberedelsene våre, og lar oss bli smartere.
Som et eksempel pleide vi å by bud mot søkeord manuelt på Google Søk. Med maskinlæring i Googles smarte budgivning, er vi klare til å by på konverteringer. Vi kan koble til våre digitale medieinvesteringer og offline data for å forbedre ytelsen. Denne tilnærmingen har ført til en økning i trafikken på 15 ganger og en økning i konverteringsfrekvensen på 60 prosent.
Maskinlæring hjelper oss også med å få innsikt raskere. Tidligere vil vi vente til kampanjen var ferdig, noen ganger før vi kan samle resultatene og gjøre dem om til markedsføringshandlinger. Sammen med maskinlæring kan vi imidlertid komme til innsikten på en enkelt dag. Vi kan forutsi resultater før de oppstår. Som et eksempel kan vi bruke driftsinnsikt til å forutsi avkastningen på investeringen for å få en kampanje som er på flukt. Da kan vi øke eller redusere investeringene som er nødvendige.
Maskinlæring hjelper oss også med å oppdage og nå kunder enn om vi fortsatt gjør alt manuelt. Vi forstår menneskets kvaliteter, så vi er i stand til å forutsi programmeringspakken for dem og automatisk skreddersy vår markedsføring etter deres behov. Takket være maskinlæring er tilpasning og relevans i skala nå realiteter.
