Développer une clientèle à grande échelle de manière efficace et efficiente grâce à la publicité payante est un défi dans le monde numérique moderne. Cela nécessite une mesure marketing robuste et holistique pour donner aux spécialistes du marketing une visibilité sur la performance de leurs campagnes à différentes granularités en temps opportun.
L'acquisition payante joue un rôle essentiel pour aider Asana à atteindre nos clients potentiels dans le monde entier et à élargir notre clientèle à grande échelle. Nous investissons dans des plateformes publicitaires telles que les médias sociaux, l'affichage, la vidéo et la recherche, pour acquérir des inscriptions d'équipes du monde entier. L'équipe Marketing Data Science d'Asana a créé une suite de fonctionnalités qui mesurent les performances de la publicité payante dans le respect de la vie privée. Voici comment nous l'avons fait.
Mesure marketing chez Asana
La mesure marketing n'est pas un sujet nouveau. Il y a environ 100 ans, John Wanamaker disait : « La moitié de l'argent que je dépense en publicité est gaspillée ; le problème est que je ne sais pas quelle moitié ». Nos équipes Data Science et Paid Acquisition avaient des questions similaires :
- Comment pouvons-nous savoir si nos dépenses publicitaires sont efficaces pour générer des résultats commerciaux ?
- Comment pouvons-nous savoir si le retour de la publicité vaut ses dépenses ?
- Parmi les nombreux canaux publicitaires que nous utilisons, comment pouvons-nous allouer le budget pour maximiser le retour ?
Le monde d'aujourd'hui est très différent de ce à quoi John était confronté il y a un siècle. Premièrement, c'est une ère numérique avec d'innombrables options pour les spécialistes du marketing pour dépenser leur budget publicitaire. Deuxièmement, son paysage de confidentialité évolue rapidement, ce qui pourrait avoir un impact sur la capacité des spécialistes du marketing à mesurer les performances publicitaires.
Pour permettre aux spécialistes du marketing de maximiser le rendement de leur budget publicitaire dans le monde de la publicité numérique tout en respectant la confidentialité, les scientifiques des données marketing d'Asana ont mis au point une suite de bêtes de somme de mesure marketing. Nous avons dirigé et exécuté le cycle de vie complet du développement de la plupart des chevaux de bataille, de la portée, de la recherche et du prototypage, de la production à l'atterrissage du projet parmi les parties prenantes et à la fourniture d'un soutien continu pour favoriser l'adoption des produits de données.
Dans cet article, nous nous concentrerons sur la modélisation du marketing mix et la valeur à vie de l'utilisateur.
Modélisation du marketing mix moderne
L'attribution est souvent utilisée pour garder une trace des publicités qui ont été vues et/ou sur lesquelles un utilisateur a cliqué avant de s'inscrire. Si une annonce spécifique est toujours présente dans le parcours client des inscriptions, cela signifie probablement qu'elle est efficace pour générer des inscriptions. Bien que cette méthode semble simple sur le plan conceptuel, elle repose sur une identité d'utilisateur persistante et cohérente sur tous les points de contact publicitaires et l'inscription.
Les réglementations modernes en matière de confidentialité empêchent le suivi de nombreuses touches publicitaires.
La modélisation du marketing mix (MMM) nous permet d'évaluer l'efficacité des publicités sans suivi au niveau individuel. Au lieu d'utiliser des données au niveau de l'utilisateur qui associent les touches publicitaires aux inscriptions, MMM utilise des données de séries chronologiques agrégées. L'idée de mesurer les performances des publicités avec les données de séries chronologiques agrégées est simple : si nous constatons généralement une augmentation des inscriptions après avoir augmenté les dépenses publicitaires sur YouTube, cela signifie probablement que les réseaux sociaux payants génèrent effectivement des inscriptions. Cependant, générer des mesures précises pour répondre aux besoins des spécialistes du marketing n'est jamais une tâche simple. Avec les progrès des méthodes statistiques, de l'apprentissage automatique et de la puissance de calcul, cette tâche est en fait possible à réaliser.
Les données de ce graphique sont uniquement à des fins de visualisation et ne sont pas réelles
Révolutionnez le MMM avec des méthodes de pointe
Notre équipe Marketing Data Science a utilisé de nombreuses méthodes de pointe pour repousser les limites du MMM. Alors que de nombreuses entreprises ne peuvent avoir des informations MMM au niveau de la chaîne que tous les ans ou deux fois par an, chez Asana, nous sommes en mesure d'obtenir des informations MMM granulaires sur les audiences, les tactiques, les mots-clés et les campagnes pour différentes régions géographiques chaque mois.
Une approche majeure que nous utilisons est la statistique bayésienne. Cela nous permet de partager des connaissances à travers les périodes, les régions et les différents types d'annonces. Le partage des connaissances permet de réduire les points de données nécessaires pour mesurer les performances hétérogènes de différents types d'annonces dans différentes régions afin de générer des résultats commerciaux.
Chaîne de Markov Monte Carlo (MCMC) est l'une des principales méthodes utilisées pour le véritable calcul bayésien. Il est notoirement coûteux en termes de calcul et, par conséquent, il est souvent remplacé par d'autres méthodes dans la pratique. Compte tenu des avantages d'une véritable méthodologie bayésienne pour notre cas d'utilisation, nous avons investi dans la recherche d'un moyen d'accélérer le calcul MCMC. Grâce à la recherche et aux tests, nous sommes en mesure de construire un processus MCMC parallèle. Notre parallélisation accélère le calcul de plus de 10 fois.
L'équipe a effectué des recherches et des tests supplémentaires pour identifier les paramètres optimaux du modèle. Nous avons utilisé des méthodes de transformation de données spécifiques à un domaine qui tentent d'imiter la façon dont la publicité affecte les résultats commerciaux. Par exemple, nous avons tiré parti de la transformation "adstock" pour représenter l'effet persistant de la publicité et de la transformation "saturation" pour représenter les rendements décroissants.
Production du pipeline MMM
Après la recherche et le développement de la méthodologie, l'équipe a produit le flux de travail dans un pipeline de bout en bout qui comprend la collecte et la préparation des données, la transformation des données, la modélisation, les rapports et les modules de visualisation. Bien que nous ayons toujours besoin d'un "modélisateur dans la boucle" pour construire MMM, le pipeline produit encapsule des codes sous-jacents complexes et fournit une interface conviviale aux Data Scientists pour créer des modèles MMM avec une facilité de "glisser-déposer". Il rationalise et accélère également le flux de travail et nous aide à garantir la qualité des données et des modèles.
Étalonnage MMM
Une grande question est de savoir comment savoir si notre MMM fournit des estimations précises de l'impact causal de la publicité ? Dans l'inférence causale, il est difficile d'obtenir des estimations impartiales de l'impact causal sans mener des expériences de retenue. Pour cette raison, nous menons des expériences géo-basées et des tests d'amélioration de la conversion sur la plate-forme publicitaire pour calibrer MMM. Nous recoupons également les résultats MMM avec les performances mesurées par les méthodes d'attribution, en reconnaissant que l'attribution peut être très erronée en raison du problème de perte de données de suivi.
Valeur vie utilisateur
Il ne suffit pas de mesurer l'efficacité de la publicité pour générer des inscriptions pour comprendre sa rentabilité. Différentes inscriptions peuvent nous apporter des valeurs de monétisation radicalement différentes. Ce qui complique encore les choses, c'est le fait que la publicité acquiert souvent des utilisateurs individuels, cependant, les revenus d'Asana proviennent des équipes et des organisations dont ces utilisateurs individuels font partie. Les utilisateurs individuels peuvent avoir différents rôles (exécutif, chef de projet, contributeurs individuels, etc.) et différents niveaux d'adoption de notre plateforme. Par conséquent, leur contribution aux revenus qu'Asana perçoit auprès de leurs équipes/organisations ne doit pas être répartie de manière égale.
Étant donné que la valeur de monétisation des utilisateurs individuels est difficile à mesurer à l'aide de tests A/B, nous avons construit des modèles d'inférence causale à l'aide de données d'observation, avec un contrôle minutieux des facteurs de confusion pour démêler l'impact des individus sur la monétisation de leurs équipes/organisations.
Un autre défi dans la mesure de la valeur à vie des utilisateurs chez Asana est lié à notre modèle commercial d'abonnement freemium. La majorité de nos clients payants adoptent initialement notre produit par le biais d'essais gratuits, et nous collectons ensuite des revenus auprès d'eux, généralement sur une très longue période. Cependant, pour rendre la valeur à vie de l'utilisateur beaucoup plus utile pour l'acquisition payante, nous en faisons des prédictions basées sur les premiers signaux.
Rôle des Data Scientists dans la construction des applications de données
Les scientifiques des données marketing portent des chapeaux différents à différentes étapes du cycle de vie. Nous nous comportons comme un gestionnaire de produits de données lorsque nous planifions la feuille de route des produits de données et évaluons un projet avec les parties prenantes. Nous sommes des chercheurs lorsque nous explorons et évaluons différentes solutions de science des données aux problèmes des entreprises. Nous montrons notre force d'ingénierie en suivant le flux de travail d'ingénierie et les meilleures pratiques lorsque nous produisons des modèles d'apprentissage automatique ou que nous construisons des pipelines de données.
Chaque membre de l'équipe joue un rôle important, et nous collaborons les uns avec les autres et avec des équipes interfonctionnelles pour rechercher leur expertise et tirer parti de nombreux outils et documentations qui existent au sein de l'entreprise (grâce à notre communauté de données et d'ingénierie). Les Data Scientists d'Asana ont de nombreuses opportunités et la flexibilité de se développer dans différentes dimensions.
Rejoignez l'équipe Marketing Data Science d'Asana
Nous recherchons des scientifiques des données complets qui sont ravis de travailler à l'intersection de la science des données et du marketing pour nous aider à améliorer la mesure du marketing et à favoriser la croissance des clients Asana à toutes les étapes de l'entonnoir. Vous travaillerez avec les incroyables Asanas I (Éventail Yurong) co-créé avec sur ce travail, y compris Data ScientistsJournée de l'Ile,Azoacha Forcheh,Rishabh Meswani,Charles Midwinteret partenaires interfonctionnelsSonya Chu,Kévin Ngo,Sam Mazaheri, etSarah Charton. Vous travaillerez également avec de nombreux autres Asanas du marketing de croissance, du marketing des revenus, de l'analyse marketing, des opérations marketing, etc.
Découvrez notrepostes vacants sur notre site Carrièreset postulez dès aujourd'hui.
