Tentukan kandidat jendela retargeting dengan memeriksa jarak waktu dari interaksi yang teramati ke pembelian, kesempatan observasi setiap kelompok, dan cara keanggotaan audience diperbarui. Angka tersebut membantu merancang percobaan. Ia belum membuktikan berapa lama seseorang membutuhkan iklan atau pembelian mana yang terjadi karena retargeting.
Jendela retargeting adalah rentang waktu yang dipakai dalam aturan kelayakan audience. Ia berbeda dari frequency, yaitu ukuran paparan pada scope laporan. Seseorang yang masih memenuhi syarat selama beberapa hari belum tentu melihat iklan setiap hari.
Tentukan jam mulai dan pembelian yang dihitung
Saya akan menulis definisi analisis sebelum menarik laporan. Pilih satu tindakan awal yang dapat diamati, misalnya kunjungan halaman produk yang memenuhi kriteria tertentu. Kemudian tentukan pembelian valid, produk yang dicakup, tanggal akhir pengamatan, dan cara menghubungkan catatan dengan wajar.
Untuk analisis pembelian pertama, periksa apakah histori cukup untuk membedakan pembeli baru dari pelanggan lama. Jika tidak, gunakan label “pembelian pertama yang terlihat dalam data” dan jelaskan batasnya.
Simpan setidaknya ID internal yang diperlukan, waktu interaksi awal, waktu pembelian valid bila ada, dan tanggal akhir observasi. Identitas yang tidak dapat dicocokkan perlu diberi status tersendiri. Jangan diam-diam menghapus kelompok tersebut atau mengisinya sebagai tidak membeli.
“Interaksi pertama yang tercatat” juga bukan awal ketertarikan seseorang. Ia mungkin sudah mengenal produk dari percakapan atau perangkat yang tidak terlihat dalam data. Karena itu, namai ukuranmu lag dari interaksi teramati, bukan lama orang membutuhkan edukasi.
Bandingkan cohort yang mendapat kesempatan sama
Cohort adalah kelompok yang masuk berdasarkan aturan dan periode tertentu. Agar tabel empat belas hari dapat dibandingkan, setiap anggota perlu sudah mempunyai kesempatan diamati selama empat belas hari sejak titik masuknya.
Berikut contoh ilustratif. Ada 100 pengunjung yang identitas dan pembeliannya dapat dicocokkan dalam simulasi, seluruhnya sudah diamati selama empat belas hari. Ini tidak menggambarkan tingkat kecocokan data suatu platform.
| Waktu pembelian pertama sejak masuk | Jumlah pembeli | Pembeli kumulatif |
|---|---|---|
| Hari 0 sampai 3 | 12 | 12 |
| Hari 4 sampai 7 | 8 | 20 |
| Hari 8 sampai 14 | 5 | 25 |
| Belum membeli sampai akhir hari 14 | 75 | Tetap 25 |
Pada akhir hari ketujuh, 20 dari 100 anggota telah membeli, yaitu 20%. Pada akhir hari keempat belas, jumlahnya 25 dari 100 atau 25%. Bucket waktu ini dipilih untuk latihan, bukan rekomendasi window semua bisnis.
Sekarang ada cohort lain berisi 60 pengunjung yang baru diamati lima hari. Kamu belum boleh memperlakukannya sebagai cohort empat belas hari yang gagal menghasilkan pembelian lanjutan. Tampilkan sementara pada horizon lima hari atau tunggu kesempatan observasinya lengkap.
Perhatian pada umur cohort juga dipakai dalam pengukuran pembelian kedua. Namun, jam mulai dan outcome untuk retargeting pembelian pertama harus tetap dipisahkan dari repeat purchase.
Jangan hanya menghitung orang yang akhirnya membeli
Dari 25 pembeli pada contoh, 20 membeli dalam tujuh hari. Perhitungan 20 ÷ 25 = 80% berarti 80% dari pembeli yang terlihat sampai hari keempat belas membeli pada tujuh hari pertama.
Angka itu tidak berarti 80% seluruh pengunjung akan membeli dalam tujuh hari. Denominator seluruh cohort adalah 100. Ia juga tidak membuktikan tujuh hari merupakan jendela retargeting terbaik.
Lima pembelian pada hari kedelapan sampai keempat belas memberi alasan untuk memeriksa periode yang lebih panjang. Pembelian tersebut bisa terjadi dengan atau tanpa tambahan iklan. Kamu belum mengetahui tambahan hasil dari memperpanjang window hanya melalui tabel transaksi ini.
Simpan yang belum membeli sebagai outcome yang masih terbatas oleh waktu pengamatan. Setelah hari keempat belas, sebagian mungkin membeli dan sebagian mungkin tidak. Label “belum membeli dalam empat belas hari” lebih akurat daripada “tidak akan membeli”.
Cocokkan clock analisis dengan aturan audience
Ada perbedaan penting antara waktu sejak interaksi pertama dan waktu sejak interaksi terbaru yang memenuhi syarat. Sebuah aturan audience dapat memakai mekanisme tertentu yang perlu kamu periksa pada konfigurasi aktual.
Contoh ilustratif: seseorang melihat halaman produk pada hari 0, kembali pada hari 12, lalu membeli pada hari 13. Lag dari kunjungan pertama adalah tiga belas hari. Jarak dari kunjungan terbaru ke pembelian hanya satu hari.
Jika aturan yang digunakan memperbarui kelayakan setelah interaksi terbaru, ia mungkin tetap memenuhi syarat pada hari 13 meskipun window tersebut lebih pendek dari tiga belas hari. Sebaliknya, tabel yang hanya menyimpan kunjungan pertama tidak dapat menunjukkan pembaruan itu.
Tambahkan pemeriksaan ini sebelum menerjemahkan tabel menjadi konfigurasi:
- Tindakan apa yang memasukkan atau memasukkan kembali seseorang?
- Apakah interaksi berikutnya memperbarui waktu kelayakan?
- Pembelian atau keadaan apa yang mengeluarkannya?
- Apakah kontrol yang tersedia benar-benar menerapkan batas yang dimaksud?
Gunakan audit inclusion dan exclusion untuk menguji aturan pada beberapa profil. Nama audience “7 hari” tidak menggantikan penjelasan tentang peristiwa dan clock yang dipakai.
Pisahkan pembelian pertama dari kebutuhan berikutnya
Sesudah pembelian valid, pesan yang menganggap transaksi belum selesai perlu ditinjau. Jangan langsung memasukkan pembeli ke promosi barang yang sama hanya karena jendela pengunjungnya masih terbuka.
Untuk produk habis pakai, waktu kebutuhan berikutnya memerlukan informasi berbeda: kapan produk diterima, pola penggunaan, jumlah yang dibeli, dan pembelian ulang yang teramati. Untuk barang tahan lama, bantuan penggunaan atau aksesori yang kompatibel mungkin lebih relevan daripada refill.
Tidak ada alasan otomatis menyamakan jendela pengunjung, exclusion pembeli baru, dan periode repurchase. Ketiganya menjawab keadaan berbeda. Catat juga keterlambatan pembaruan data agar tim memahami kemungkinan pesan belum sesuai status terbaru.
Isi pesannya dapat dirancang melalui peta pertanyaan retargeting. Lamanya seseorang memenuhi syarat tidak memberi tahu keraguan apa yang masih dimilikinya.
Ubah temuan menjadi kandidat yang dapat diperiksa
Keluaran analisis berupa lembar keputusan: definisi entry, clock, cohort matang, distribusi lag, outcome yang belum diketahui, kandidat window, aturan keluar, dan alasan memilih percobaan tersebut.
Pada contoh, kamu dapat mengusulkan pemeriksaan dua kebijakan window yang berbeda. Tetapi penilaian kebijakan memerlukan cara pembandingan yang layak, biaya, pembelian valid, serta kondisi yang sebanding. Membandingkan orang yang membeli cepat dengan orang yang membeli lambat tidak mengisolasi efek iklan tambahan.
Jika kontrol atau data belum mendukung perbandingan itu, simpan sebagai hipotesis dan gunakan batas pengeluaran yang sesuai kemampuan bisnis. Jangan mengubahnya menjadi klaim bahwa semua penjualan terlambat akan hilang bila iklan dihentikan.
Pelajari perbedaan atribusi dan penjualan tambahan sebelum menyebut window baru lebih menguntungkan. Tinjau lagi kandidat ketika produk, promo, stok, atau komposisi pembeli berubah. Dengan begitu, window menjadi keputusan yang dapat diperbaiki melalui bukti. Pilih artikel lain sesuai kebutuhanmu di topik Brand Growth.
