Chytřejší marketing díky prediktivní analytice: Získejte náskok před konkurencí

Díky prediktivní analytice již dnes známe odpovědi na klíčové otázky vašeho businessu, které vás v budoucnu s největší pravděpodobností čekají. Víme například, jakých výsledků bychom měli dosahovat v závislosti na předchozím období, dlouhodobém a krátkodobém trendu. Stejně tak dokážeme určit, jaká je optimální výše investice do konkrétního kanálu, případně kampaně, nebo jaké výsledky můžeme očekávat při navýšení investice nebo zvýšení konverzní míry o konkrétní hodnoty.

Jak je to možné?

Pro stanovení odhadu nejpravděpodobnějšího budoucího vývoje využíváme historická data ve spojení se statistickými modely. Výběr konkrétního modelu poté závisí na konkrétních potřebách – jaké otázky mají být díky modelu zodpovězené. Ve Fragile máme širokou škálu klientského portfolia a ze zkušeností s výběrem vhodného modelu víme, že klíčový je individuální přístup a stanovení cílů analýzy.

Integrujeme data z různých zdrojů

V rámci prediktivní analytiky čerpáme z odlišných datových zdrojů, mezi něž patří reklamní platformy jako Google Ads nebo Sklik, ale také analytické nástroje Google Analytics 4. V neposlední řadě je důležitým zdrojem interní CRM systém, ve kterém se ve většině případů nachází kvalitní, nezkreslená data. Ve Fragile se nám nejvíce osvědčil přístup spočívající v kombinaci různých datových zdrojů. Díky tomu jsme schopni na data koukat jako na celistvý soubor, což pomáhá při hledání klíčových informací. Zároveň je ale možné jít v případě potřeby do větší míry detailu – například na úroveň jednotlivých kampaní a zkoumat klíčové trendy na této nižší úrovni.

Hlavní výhody prediktivní analytiky

1. Identifikujeme trendy: včasné odhalení dlouhodobých i krátkodobých trendů nám umožňuje přizpůsobit se tržním podmínkám a získat včas konkurenční výhodu.
2. Optimalizujeme investice: pomocí přesnější alokace investic do jednotlivých kampaní maximalizujeme efektivitu a tím i návratnost kampaní.
3. Snižujeme rizika: statisticky podložené predikce snižují rizika spojená s investicemi do marketingových kampaní.
4. Plánujeme efektivněji: detailní přehled očekávaných výsledků nám umožňuje lepší plánování budoucích aktivit a zároveň pomáhá se stanovením cílů (KPI’s), kterých chceme dosáhnout.
5. Identifikujeme body zvratu: návratnost žádné kampaně neroste do nebes, spíše připomíná tvar S-křivky. V určitých bodech dochází ke změnám vztahu mezi investicí a návratností. Pomůžeme vám tyto body identifikovat a zasadit do kontextu efektivity.

Jak to vypadá v praxi?

Tvorba predikčního modelu v drtivé většině případů začíná diskuzemi s klientem, kdy je nutné projít pár základních otázek, které celému procesu předcházejí. Níže uvedu jen pár příkladů, pár takových otázek, v praxi jich je samozřejmě více:

• “Na jaké otázky v kontextu budoucího vývoje byste chtěli znát odpověď”?
• “Data v jaké podobě a za jak dlouhé časové období máte k dispozici”?
• “Jaký očekáváte vývoj pro predikované období z vašeho pohledu? Na jakém základu je toto očekávání postaveno?”

Na obrázku 2 lze vidět konkrétní ukázku predikovaného vývoje tržeb pro období prvních dvou kvartálů letošního roku. Klient chtěl pomocí predikce primárně vytvořit benchmark, kterého se z pohledu plnění tržeb bude držet. Pravidelný monitoring rozdílu mezi realitou a predikcí mu poté umožnilo zrychlit reakční dobu v případech, kdy se realita začala významněji vzdalovat predikovaným hodnotám.

V tomto odstavci Yoast nejvíce bojuje s vazbami „lze vidět“, „je viditelný“, „dalo by se“ a „budou reflektované“. Tyto neosobní a pasivní tvary dělají text pro algoritmus těžkopádným.

Tady je úprava do činného rodu, která text zjednoduší a získá pro vás „zelený semafor“:

„Tento konkrétní příklad ukazuje, že statistický model na základě historických dat relativně dobře vystihl krátkodobý (týdenní) i dlouhodobější (měsíční) trend. Na druhou stranu vidíme, že model nedokázal dostatečně odhadnout výši maximálních tržeb a že extrémní hodnoty vybočují z predikovaného rozsahu. S modelem můžeme dále pracovat a pomocí úpravy parametrů tyto extrémy odhadnout přesněji. Pro naše účely však model plně dostačuje. Názorně ukazuje, že v rámci reálného vývoje vždy nastanou situace, které model dostatečně nezachytí.

[Obrázek 2: Ukázka srovnání predikovaných tržeb (červená linie) s reálnými tržbami (modrá linie). Plnění predikce v tomto případě odpovídalo 99 % reálnému plnění na období 6 měsíců (1. 1.–31. 5 2024)]

Obrázek 3 reflektuje další z možných způsobů využití tvorby predikcí. Opět jsme vytvořili predikční model pro odhad budoucích tržeb. Tento model jsme následně srovnávali s realitou a průběžně sledovali veškeré odchylky. Na grafu níže lze vidět, že začátek predikce s relativně vysokou přesností prochází časovou řadou reálných dat. Po určité době však dochází k situaci, kdy reálné tržby začnou být výrazně nižší,než byla predikce (žlutě zvýrazněný rozdíl). V rámci tohoto případu byl do predikčního modelu zapojen kontrolní systém, který kontroloval odchýlení reality od predikovaných hodnot. Díky tomu jsme mohli relativně rychle informovat příslušné specialisty i klienta o možném problému a zjištěných rozdílech.

[Obrázek 3: Srovnání plánu tržeb s realitou – predikce jako základ pro kontinuální benchmarking a rychlou reakci na odchylky]

Dalším z výstupů statistické analýzy vztahu mezi investicemi a obratem (počtem konverzí) je popis tohoto vztahu pomocí lineárních křivek. Tato analýza se nazývá segmentovaná regrese a vychází z předpokladu, že vztah mezi investovanou částkou a konverzemi (tržbami) není v celém intervalu lineární – jinými slovy, že v reálné marketingové praxi neplatí, že čím více do kampaní dáme, tím více se nám vrátí.

Na obrázku 4 lze vidět konkrétní výstup takové analýzy pro konkrétní typ kampaně – Performance Max v Google Ads. Na ose X vidět interval pro výši investice a na ose Y interval pro výši tržeb. Vztah mezi těmito dvěma metrikami popisujeme hned několika přímkami. Ty v tomto konkrétním případě dělíme do tří segmentů (tří barevných obdélníků) podle celkové efektivity kampaně (PNO). Na první pohled lze vidět, že první segment má pozitivní lineární trend a pokud se kampaň pohybuje v tomto intervalu z pohledu denních investic, lze očekávat také pozitivní efektivitu z pohledu návratnosti.

Pokud výše denní investice u tohoto příkladu přesáhne hranici mezi 1. a 2. segmentem (světle modrým a fialovým obdélníkem) lze vidět, že dochází k určitému zploštění křivky, a tím i snížení efektivity kampaně a není vhodné se v tomto segmentu dlouhodobě pohybovat z pohledu denních investic.

3. segment ukazuje vysoce pozitivní lineární vztah mezi denní investicí a tržbou, a tím pádem i vysokou efektivitu.

U tohoto souvětí jsou problémem vazby „Lze vidět“ (neosobní konstrukce) a „se jedná“ spolu s pasivním vyzněním závěru.

Tady je úprava do činného rodu, která větu zpřehlední: Graf ukazuje, že v tomto segmentu máme relativně málo pozorování. V této konkrétní analýze jde o odlehlé extrémní hodnoty, které lineární křivku výrazně ovlivňují a ‚táhnou‘.

[Obrázek 4: Body zvratu – vztah mezi tržbami a investicemi v podobě segmentů efektivity (PNO)]