Perakendede Fark Yaratmak İçin Veri Pazarlaması


İçerik Kategorileri
PAZARLAMA PERAKENDE

Son Yazıları
Perakende Medya Devrimi Pazarlamacılar İçin Yeni Fırsatlar Yaratıyor
E-TİCARET  PERAKENDE  PAZARLAMA  C-LEVEL  DİJİTAL PAZARLAMA  PERAKENDE MEDYA  PERAKENDE TEDARİKÇİSİ 
Yapay Zekâ ile Değişen Bankacılık
YAPAY ZEKA  BÜYÜK VERİ  BANKACILIK  BİLİŞİM TEKNOLOJİLERİ  FİNANS / EKONOMİ  TEKNOLOJİ  ÜRETKEN YAPAY ZEKA  SİBER GÜVENLİK 
Perakende AI Uygulamaları ve Başarılı Örnekler
YAPAY ZEKA  PERAKENDE  HAZIR GİYİM  RESTORAN ZİNCİRİ  GIDA PERAKENDESİ  PAZARLAMA  C-LEVEL  TEKNOLOJİ  ÜRETKEN YAPAY ZEKA 
Yapay Zekâ Bazlı Yeni Dönem Pazar Araştırma Modelleri: Geleceğe Yolculuk
YAPAY ZEKA  PAZARLAMA  DİJİTAL PAZARLAMA  ÜRETKEN YAPAY ZEKA 
Yapay Zekâ Destekli Müşteri Analizi ve Profilleme
YAPAY ZEKA  BÜYÜK VERİ  PERAKENDE  BİLİŞİM TEKNOLOJİLERİ  PAZARLAMA  C-LEVEL  DİJİTAL PAZARLAMA  TEKNOLOJİ 
2023, 11 Temmuz

Dijitalleşme ve pandeminin etkisi ile sosyal medyanın hayatımızda artan önemi ve kullanım seviyeleri yaratıcı içerik ve bu içerikler üstünden toplanan verilerin hem mevcut müşterilerimiz hem de potansiyel müşterilerimizle bağ kurmak için en etkin yöntem olarak hayatımıza girmesine neden oldu.

Tabii bu durum bazı rekabetçi koşulları da hayatımıza soktu. Artık tüketicilerin ilgisini çekmek ve veri toplamak için sadece yaratıcı içerik üretmek yeterli olmuyor. Uzun döneme yayılan etkin stratejik planlama, oyunlaştırma, bu içeriğin hedef kitle tarafından paylaşılması ve yaratıcı içeriğin sürdürebilirlik açısından efektif maliyetle yaratabilmesi kritik başarı faktörleri oluyor.

Bu noktada yaratıcı içerikle ile veriyi harmanlamak ayrı bir bilgi birikimi ve metodoloji gerektiriyor. Çünkü hangi yaratıcı içeriğin daha fazla izlendiği, beğeni aldığı, paylaşıldığı ve iş hedeflerine dönüştüğünü sürekli ölçümlemek ve hedef performans kriterlerine göre bu içerikleri platform bazında farklılaştırmak özel bir yetkinlik gerektiriyor.

Ancak, çoğu firma eksik veri ve yetersiz analiz sistemleri ile donatılmış olduğu için, pazarlamacılar genellikle daha yüksek pazarlama maliyetleri ve daha düşük gelir ile sonuçlanan kararlar alırlar. Bu kararlar veriye hâkim olmadıkları için geçmiş tecrübelere ve duygulara dayalı kararlar olmuştur. Pazarlamacıların ihtiyacı olan hangi ürünlere tanıtım yapmaları gerektiği, elde kalabilecek hangi ürün grubuna sezon sonu indirimlerin yapılacağı, hangi müşteri grubuna nasıl bir kampanya ve indirim sunacaklarını verimli bir şekilde tahmin edebilmeleri için pazarlamacıların kritik anlarda mümkün olan en iyi kararları vermelerine yardımcı olmak ancak veri odaklı analizler ile mümkün olabilir.

Peki, pazarlamacıların çoğunu verilerini etkili bir şekilde kullanmaktan alıkoyan nedir? Ve veri kullanımı konusunda daha çevik ve verimli olmak için ne yapmaları gerekir?

Forrester raporuna göre, pazarlamacılar esasında veri toplama kaynakları ve veri toplamasında bir sıkıntı gözükmüyor.  Veri toplama oranı sadece son iki yıl içinde %60 artış göstermiş. 

Veri toplama kaynaklarına bakıldığı zaman, firmaların ortalamada 16 farklı veri kaynaktan müşteri bilgilerini takip ettikleri gözüküyor. Bu veri kaynakları arasında hem dahili kaynakları olan çağrı merkezi, sosyal medya siteleri, web sitleri ve perakende kanalları gibi kendi birincil öncelikleri verileri, iş ortaklarından ve satış kanallarından gelen harici ikinci taraf verileri ve pazarlamacıların müşteri görünümlerini zenginleştirmek için kullandıkları üçüncü partilerden aldıkları pazar araştırma ve sosyal medya raporları en başta gelen veri kaynakları arasında sayılabilir. Aslında, ikincil kaynaklardan gelen verilerin kullanımı son bir yıl içinde %24 büyümüş. Ancak, sıkıntı bu verileri depolayan teknolojilerin son derece parçalanmış olması ve veri formatlarının farklı olması nedeni ile bu verileri birbirleriyle konuşturmak son derece zor ve pahalı olmasından kaynaklanıyor. Ayrıca, işletmeler sürekli genişleyen dijital ayak izi üzerinden müşterilerin ilgisini çekmek için topladıkları veriler artıkça birbiri ile konuşmayan formatta veri siloların sayısının artması kaçınılmaz duruyor.

Araştırma ile ilgili görüşlerini paylaşan CloudKettle Kıdemli Pazarlama Teknolojisi Mimarı Eliot Harper bu veri siloları için, “Yapılandırılmamış, yarı yapılandırılmış ve yapılandırılmış veri siloları arasında ortak bir şema/dil veya veri modeli olmadan eşleştirmenin zor ve masraflı” olduğunu vurgulamıştır.  Bu veri kaynakları genellikle müşteri tanımak/tanımlamak için cep telefon numaraları, e-posta adresleri, çerezler, aygıt kimlikleri ve daha farklı tanımlayıcılar kullanır. Bu farklı tanımlayıcıları mantıksal veya karar verici eşleşen kurallar ve algoritmalar uygulayarak tek bir müşteri olarak tanımlamak çok uzun bir zaman ve enerji gerektiren masraflı ve verimsiz bir süreçtir. Parçalanmış verilerle ilgili zorluklar göz önüne alındığında, pazarlamacıların çoğu müşteri veri kaynaklarının birleşik bir görünümünü elde etmek için mücadele etmektedir. Forrester raporuna göre, müşterilerini tek bir veri tabanında tekil olarak toparlamayı başarabilen pazarlamacıların oranı sadece yüzde 49'dur. 

Veri çevikliğini ve verinin efektif kullanımı engelleyen bir başka sorunda, veri analizi ve veriyi anlamak konusunda pazarlamacıların yetkinlikleri seviyesidir. Harper'ın da belirttiği gibi, ortak bir şeması olmayan birden fazla kaynaktan gelen verileri birleştirmek ve sonra bunu sorgulamak oldukça zordur. Ancak, veriler bir yerde olsa bile, başka bir sorun, çoğu pazarlamacı bu verileri sorgulamak ve analiz etmek için gerekli becerilere ve bu yeni sistemler kullanmak konusunda gerekli yetkinliklere sahip olmamasıdır. Eğer hazır bir analiz ve raporlama sistemleri ve/veya ekranları yoksa bilgi almak için IT ekibinin desteğine ihtiyaç duyarlar. IT ekiplerine istedikleri verileri tanımlamaları ve IT ekiplerinin bu raporları hazırlaması saatler, günler veya haftalar sürebilir. Örnek olarak Firefly Health'in pazarlama ekibi hasta verilerinden iç görüler çıkarmaya çalışırken buna benzer bir süreç yaşadılar. Başlangıçta ekip hasta verilerini analiz etmek için MySQL Workbench ve Google Sheets'in bir kombinasyonuna güvenmiş. Daha sonra, ürün veri tabanını iş zekâsı yazılımına ve verileri birleştirmeyi ile sorgulamayı kolaylaştırmayı hedefleyen büyük bir veri analizi platformuna bağlamaya çalışmışlar. Ancak, hasta verileri, VoIP ve EHR sistemleri arasındaki ilişkileri anlamayı gerektiren daha karmaşık sorular ile sorgulayıp ilişkilendirmeye çalıştıklarında bu mümkün olmamış. Harcanan zaman ve kampanyaları zamanında çıkma baskısı ile pazarlamacılar genel olarak bu tarz durumda veri analizi ile uğraşmayı bırakarak sadece içgüdüleriyle karar verirler. 

Veri çevikliğinin önündeki bir başka engel ise, verilerin etkinleştirilmesi veya aktifleştirilmesidir. Örnek olarak dijital platformlarda verileri etkinleştirmek için, pazarlamacıların kendi veri tabanlarında olan verileri Google Reklamları ve Facebook gibi bu kampanyaları kullanacakları kanallara yüklemesi gerekir. Veri tabanlarından sorgulama yönetimi ile veri çekerek ve bunları kanala yükleyerek verileri manuel olarak bağlamak verimsizdir, hatalara yol açabilir ve iyi ölçeklenmez. Sunucuların yapısından kaynaklanan yavaş sorgulama süreçleri nedeni oluşan zaman kaybı nedeni ile bu tarz kampanyaları ölçeklendirmekte zordur Sonuç olarak pazarlamacılar ölçekleyemedikleri kampanyalardan istedikleri verimi alamazlar.

Peki dijitalleşmenin bu kadar ön plana çıktığı ve efektif veriye dayalı pazarlama çalışmaları için yapılması gereken nedir? Firmalar daha verimli pazarlama kampanyaları yapabilmeleri için pazarlama ekiplerine nasıl destek olabilir? 

Öncelikle teknolojinin bir amaç değil, daha efektif çalışmak için bir araç olduğunun net olarak tüm paydaşlar tarafından kabulü gerekir. 

Bu yüzden hangi teknolojiye yatırım yapılacağından ve nasıl araçlar kullanılacağının belirlenmesinden önce pazarlamacıların veri stratejilerini ve topladıkları verileri nasıl hangi amaçla kullanacaklarına karar vermelidir. Toplanacak verilerin nasıl bir temel ayrıştırıcı ile tekilleştirileceğine karar verilmelidir. Farklı kanallardan gelen verilerde mutlaka bu ortak ayrıştırıcı bilgi setinin içinde olmalıdır.

Kampanya kuralları baştan tanımlanmalı ve hazırlanacak kampanya yönetim masaları bu verilerin kullanıcı tarafından kolaylıkla sorgulanacağı ve tabloların kolaylıkla okunabileceği şekilde tasarlanması gerekmektedir. Burada IT, pazarlama, pazar araştırma ve iletişim ekiplerinin ortak bir çalışma grubunda çalışarak bu geliştirme sürecinde birlikte çalışması en iyi sonuçları ortaya çıkarır.

Bu şekilde bir çalışma ve planlama süreci ile ilerlenmesi ilerde yüz binlerce lira harcanıp kullanılmayan ve verimsizlik yaratan sistemlerin önüne geçecek ve günümüz veri tabanlı pazarlama yapısına uygun çevik pazarlama ekiplerinin olmasını sağlayabilecektir.

Doğru veri kullanımı ile pazarlamacıların en büyük fark yaratabilecekleri alanlar arasında 3 konu öne çıkıyor:

Müşteri Segmentasyonu: 

Algoritmalar ve makine öğrenme yöntemi ile insanların sosyal medya ve diğer ürünleri kullanma şekilleri incelenerek tavsiye modelleri oluşturmak yapay zekanın günümüzde en yaygın kullanıldığı alanlardan biri. Bunun en uzun zamandır kullanan markalardan biri Amazon. Amazon'da “X ürünü alanların yüzde 98'i Y ürünü aldı” tavsiyesi en bilinen uygulamalar arasında. Ayrıca NetFlix'in tavsiye yapay zekası “bu filmi izleyenlerin yüzde 95'i bu filmi de izledi” popüler pazarlama yapay zeka kullanımlarından biri.

Esasta pazarlama jargonu ile burada yapılan “Predictive Marketing Analysis” yani elde olan verilerin analiz edip incelenerek, modelleme (modeling), makine öğrenmesi (machine learning) ve veri madenciliği (data mining) gibi teknikler ile birlikte kullanarak geleceğe dair ya da bilinemeyecek bir dataya ve/veya sonuca yönelik bilinçli bir tahmin yapılmasıdır. Bu tekniğin algoritmalar kullanarak hayata geçirilmesi sosyal medyada Instagram, Facebook benzeri mecralarda insanların yaşam akışlarına entegre olarak onların günlük aktiviteleri içinde onlara uygun teklifleri hissettirmeden doğru hedef kitleye, doğru zamanda ve en doğru şekilde sunmayı mümkün kılıyor.

Reklam Hedefleme:

Yapay zeka burada makine öğrenimi algoritmaları kullanılarak geçmiş müşteri verilerini ve onun sosyal medya kullanımlarına, satın alma davranışları, izledikleri reklamlar, arkadaşları paylaştıkları içerikler, araştırdıkları konular, alım sürecinde oldukları aşama takip edilerek onların karşısına hangi tip reklam ile ne zaman çıkılması gerektiği konusunda en iyi zamanlama ve en etkin reklam tipini sunma konusunda kullanılıyor. 

Aynı şekilde web sitesini daha önce ziyaret etmiş bir kişiye Retargeting (Tekrar Hedefleme) konusunda hangi tarz içerik kullanılarak daha hızlı geri dönüş alınması da kullanılan modeller arasında.

Ayrıca mevcut müşterilerin hangilerini kaybetme potansiyeli olduğunu yapay zeka birçok davranışsal veriyi inceleyerek ve çok hızlı raporlayarak bu tarz müşterileri kaybetmemek için en efektif teklifleri pazarlama ekiplerine sunabiliyor.

Potansiyel Müşteri ve Kampanya Fiyatlandırma:

Algoritmalara tahmin yapmaları için puanlama modelleri ile hangi müşterilerin satın almaya yatkınlığı, hangi müşterinin fiyat ve indirim odaklı olduğu, hangi müşteri tipinin indirim yerine farklı teklifleri tercih edeceği vb. modellemeler yaptırılıyor. Böylece yapay zeka sayesinde artık toplu bir indirim yapmak yerine doğru kitleye indirim, farklı kitleye alternatif teklifler sunularak hem satış rakamlarını hem de karlılığı artırmak mümkün oluyor.

 

*Dijital Network Alkaş (“DNA”), blog yazarı tarafından DNA'da paylaşılan içeriklerin doğruluğundan, geçerliliğinden, güncelliğinden ve telif hakları konusundaki iddialardan sorumlu değildir. Tüm hukuki ve cezai sorumluluk blog yazarına aittir.
 

Paylaş 737