Sektör kültüründe yer edinmiş bazı bilgiler geniş kitleler tarafından çok sık dile getirildiği için, bunlara genelgeçer doğrularmış gibi yaklaşılıyor. Şimdiye kadar benimsenen bu yaklaşım bundan sonra da varlığını korumaya devam edecek gibi görünüyor.
Google Media Lab ekibim tam da bu tür eğilimlere karşı mücadele etmeyi sever. Teste tabi tutulmalarının ardından bazı yaklaşımların doğru olduğu görülüyor. Bazılarının ise yanlış olduğu ortaya çıkıyor ve bu bilgiyi edinmek, pazarlama faaliyetlerimizi bir sonraki aşamaya taşımamıza yardımcı oluyor. Geçtiğimiz yılda yanlış olduğunu tespit ettiğimiz, pazarlamayla ilgili üç yaygın yaklaşımı aşağıda açıklıyoruz.
Pazarlamayla ilgili yaygın yaklaşım 1: Video içerikleri oluşturmak hem yavaş hem maliyetlidir
Pazarlamacılar, reklam öğelerinin yayınlanacakları platformun belirli özelliklerine göre uyarlanması ve optimize edilmesi gerektiğinin farkında.
Sektördeki yaygın yaklaşımsa video içerikleri oluşturmanın hem maliyetli olduğu hem de çok vakit aldığı yönünde. Yönetmenle ve büyük bir ekiple çalışılmalı, bunlar da pahalı ekipmanlarını kullanarak videoyu göz kamaştırıcı bir yerde çekmelidir. Post prodüksiyon aşamasına gelindiğinde birkaç ay geçmiş ve çok fazla para harcanmış olur. Nihayetinde ortaya çıkan eserin estetik güzelliğine bakılmaksızın her tür platformda yayınlanabiliyor olması beklenir. Eser, uyarlama veya özelleştirmeye zaman ya da kaynak ayrılmadan tüm platformlarda kullanılabilmelidir.
Ancak Google'da elde ettiğimiz veriler, bunun böyle olması gerekmediğini gösterdi. Bir ekip oluşturduk ve dijital platformlara odaklanan video denemeleri gerçekleştirmelerini istedik. Hedefleri, video içerikleri üretmenin daha hızlı, ekonomik ve etkili yöntemlerini bulmaktı. Şu ana kadar bu konuda bir miktar mesafe katettiler.
Örneğin, Google Home Hub'ın kullanıma sunum aşaması için bir video seçtikten sonra Director Mix adı verilen bir aracı kullanarak bu video üzerinde çalıştık. Director Mix, geniş ölçekte özel videolar hazırlamak için kullanılan bir araç. İşlem sonucunda, her biri farklı bir bağlam için tasarlanmış 80 reklam sürümü elde ettik. YouTube'da yemek tarifi arayan bir kullanıcı, malzeme doldurma işleminin gösterildiği aşağıdaki sürümü görebilir.
Ancak düzenlediği yaz partisi için fon müziği arayan başka bir kullanıcı, Google Home Hub'da kolayca müzik oynatma listesi aranabildiğini gösteren aşağıdaki sürümü görebilir.
Peki bunun en büyük avantajı nedir? Videoların her birini oluşturma aşamasında yalnızca 1.800 dolar harcandı. Bağlamla alakalı 80 reklam oluşturmak için 144 bin dolar harcadık. Bu da video oluşturmanın yavaş veya maliyetli olması gerekmediğinin kanıtı.
Pazarlamayla ilgili yaygın yaklaşım 2: Elimizde ne kadar fazla veri varsa o kadar iyi
Dijital pazarlamada, her türlü veri noktasını toplayarak reklam öğelerimizin ve medya stratejilerimizin işe yarayıp yaramayacağını anlamaya çalışıyoruz. Kullanıcıların bir videoyu ne kadar süre boyunca izlediğini, bir sayfanın ne kadarını incelediğini veya web sitesi ziyaretçilerimizden kaçının hemen siteden çıktığını görebiliriz. Daha fazlasını görmek de mümkün.
Ancak bir değeri ölçebiliyor olmanız, bunu yapmanız gerektiği anlamına gelmez. Az ama öz verilerin daha çok fayda sağladığını fark ettik.
Google Marketing bünyesindeki ekiplerin yöneticilerle paylaştığı analizleri denetlemeye başlayarak ilk adımı attık. Dünya genelinde toplam 70 farklı metriğe göre raporlama yaptığımızı keşfettik. Ekiplerimiz ortak bir noktada buluşamamışken Pazarlama Müdürümüzün ve Başkan Yardımcılarımızın tutarlı kararlar almasını, kampanya veya stratejileri birbiriyle karşılaştırmasını nasıl bekleyebilirdik?
Çalışma arkadaşlarımızdan Avinash Kaushik, bu yılın başlarında Think with Google'da yazdığı gibi, bu veri noktalarını azaltarak yalnızca gerçekten önemli olan altı metrik elde ettik. Neden altı? Çünkü marka ve performans olmak üzere iki türde kampanya yayınlıyoruz. Söz konusu kampanyalardaysa üç metrikle ilgileniyoruz: kullanıcıların dikkatini çekmedeki başarımız, gösterdikleri tepki ve elde edilen sonuç. Artık metrikler arasında kaybolmak yerine, ölçmek istediğimiz öğeler için birer metrik kullanıyoruz.
Pazarlamayla ilgili yaygın yaklaşım 3: İnsanların yerini makineler alıyor
Ben Jones, geçen yıl Think with Google için yazdığı bir makalede "Makine öğrenimi ve yapay zeka çağının reklamcıları olarak söz konusu makinelerle büyük bir mücadele içinde olduğumuzu düşünebiliriz" demişti. Makinelerin insanların yerini alacağı korkusu normal olmakla birlikte pazarlama dışındaki sektörlerde de görülüyor. Ancak bu korku herhangi bir temele dayanmıyor. Aksine, geçtiğimiz yılda gerçekleştirdiğimiz denemelerde, makinelerin hangi görevleri insanlardan daha iyi yapabildiğini anlayıp onları bu işler için kullanmanın önemli olduğunu gördük. Böylece, insanlar bu işlere zaman harcamadan yalnızca kendilerinin en iyi şekilde gerçekleştirebildiği alanlara (ör. analizler, ilham ve yaratıcılık) odaklanabilir.
İşte size bir örnek. Aşağıdaki denklem kullanılarak müşteri yaşam boyu değeri (MYBD) hesaplanıyor. Bu sayede, en değerli müşterilerinizin hangi kullanıcılar olduğunu bilebilirsiniz. Bu, tüm pazarlamacıların sahip olması gereken bir bilgi.
Şahsen yıllarca uğraşsam bile bu denklemi çözemem, çünkü bir matematikçi değilim. Aslında, analitik düşünme konusunda en yetenekli kişilerin bile bu denklemi manuel olarak çözmesi uzun sürer. Bu nedenle, güncellenmiş MYBD verilerini ancak altı ayda bir alabiliyorduk.
Çareyi makine öğreniminde aradık. Trafik kaynakları ve geçmiş tarihli kampanyalarımızın performansı gibi verileri TensorFlow adı verilen bir araca aktardık. Önceden yalnızca altı ayda bir MYBD alabiliyorduk ve tüm tekliflerimizde bunu kullanmaya mecburduk. Ancak artık günde 2.000 adet tahminî müşteri değeri (pLV) hesaplamasına erişebiliyoruz. Altı ay öncesine ait MYBD yerine gerçek zamanlı pLV verilerini kullanmak, Google Ads teklif stratejimizi daha iyi optimize etmemize ve düzenli olarak yenilememize olanak tanıdı.
Makineler bize reklam öğesi alanında da zaman kazandırabilir. Örneğin, akıllı reklam öğesi teknolojisini kullanarak görüntülü reklamları ve arama ağı reklamlarını kullanıcıların bunlara verdiği tepkiler temelinde gerçek zamanlı olarak optimize edebildik. Bu biçimle elde ettiğimiz performans, on yıldan uzun bir süre boyunca kullandığımız, statik nitelikteki eski görüntülü reklamların ve arama ağı reklamlarının performansına kıyasla oldukça yüksek.
Makineler, çok fazla manuel çaba gerektiren, ancak o kadar da önemli olmayan kararlar için birebir. Bırakalım bu tarz görevleri makineler yapsın. Böylece biz de, makinelerin bizler kadar başarılı olmadığı diğer alanlara odaklanalım. Örneğin, daha akıllı ve etkili dijital pazarlamacılar olma yolunda ilerlerken, yaygın şekilde benimsenen başka hangi pazarlama yaklaşımının yanlış olduğunu bulmaya çalışalım.