Ruang Bersih Data, Inkrementalitas, dan Masa Depan Data Pihak Pertama: Apakah Anda Siap?
Diterbitkan: 2024-05-03Saat ini, setiap pemasar mengetahui latihannya: pelacakan pihak ketiga sedang dalam proses keluarnya. Pembatasan privasi di AS dan luar negeri sedang meningkat dan Google sebenarnya sudah mulai menghapuskan cookie dari browser Chrome-nya.
Artinya, jika bisnis Anda belum menyiapkan strategi data yang berketahanan privasi, Anda sudah terlambat. Ini mungkin tampak seperti tugas yang sulit – banyak metode yang memerlukan biaya dan waktu yang lama untuk disiapkan – namun apa yang Anda lakukan terhadap data saat ini mungkin merupakan satu-satunya pembeda pertumbuhan yang paling penting di masa depan.
Jadi, apa yang harus Anda prioritaskan untuk bersiap menghadapi penghentian total data pihak ketiga? Pakar kami menunjukkan tiga solusi yang dapat membuat perbedaan antara keberhasilan dan kegagalan dalam ekosistem pemasaran berbasis data pihak pertama: ruang bersih data, pengujian inkrementalitas, dan pemodelan campuran media.
Solusi 1: Data kamar bersih
Karena kepatuhan privasi menjadi bagian penting dari strategi pemasaran Anda, Anda memerlukan sistem yang siap melindungi keamanan data pelanggan Anda dan mendorong penargetan dan pengukuran kampanye.
Kamar bersih data adalah solusinya. Mereka memungkinkan pemasar untuk membandingkan kumpulan data, memahami interaksi pengguna, dan menarik kesimpulan yang bermanfaat tanpa membahayakan privasi individu.
Dengan ruang bersih, pengiklan dapat menanyakan data gabungan (bukan data tingkat pelanggan) untuk menganalisis data tersebut di bawah kontrol privasi yang ketat, sehingga tidak ada paparan terhadap informasi identitas pribadi (PII) yang mendasarinya. Artinya, perusahaan yang menggunakannya tidak dapat melacak pengguna individual, namun mereka dapat memanfaatkan wawasan mengenai perilaku pengguna tersebut.
Namun keunggulan dari ruangan bersih adalah ketika merek perlu menggabungkan data dari berbagai sumber untuk pengukuran yang lebih baik. Data di lingkungan ruang bersih tidak menghadapi batasan yang sama seperti data di platform. Jika pengguna memilih untuk tidak menggunakan platform individual seperti Instagram atau TikTok, misalnya, platform tersebut diharuskan untuk menghapus data mereka, namun data tersebut tetap tersedia di ruang bersih karena tidak dapat diidentifikasi.
Beberapa cara terpenting untuk memanfaatkan data clean room meliputi:
- Menilai bagaimana kampanye corong atas memengaruhi kinerja dan berinteraksi dengan kampanye corong bawah
- Menemukan frekuensi optimal untuk menayangkan iklan sebelum menghadapi penurunan keuntungan
- Mengembangkan profil pelanggan dan segmen audiens yang lebih baik dengan mengintegrasikan data pihak pertama dengan identitas yang disesuaikan dengan platform periklanan
Jika Anda siap untuk mulai menggunakan ruang bersih data, Anda memiliki beberapa opsi. Jika merek Anda memiliki sejumlah besar data pihak pertama untuk digunakan, secara teoritis Anda dapat membuat ruang bersih Anda sendiri, tetapi peringatan yang adil: hal ini memerlukan upaya dan investasi yang signifikan.
Tempat yang lebih mudah untuk memulai adalah dengan bekerja sama dengan pihak ketiga. Pemain platform iklan besar seperti Google, Meta, dan Amazon mendominasi lanskap ruang bersih karena mereka memiliki lebih banyak data yang relatif matang dibandingkan pesaing dan dapat memberikan wawasan yang lebih baik kepada pengiklan tentang kinerja iklan mereka di platform. Anda harus mempertimbangkan platform mana yang paling sering Anda gunakan saat mengambil keputusan.
Anda juga dapat menggabungkan analisis Anda ke dalam satu platform melalui penyedia seperti Habu, yang memungkinkan pengguna menanyakan beberapa ruang bersih dari satu antarmuka.
Terlepas dari semua sisi positifnya, data kamar bersih juga memiliki keterbatasan yang signifikan. Sebagian besar ruang bersih hanya berfungsi untuk satu platform dan tidak dapat digabungkan dengan ruang bersih data lainnya. Banyak ruang bersih juga memiliki batasan berapa kali pengiklan dapat menanyakan kumpulan data yang sama untuk mencegah individu teridentifikasi dalam kumpulan data.
Solusi 2: Pengujian inkrementalitas
Pemasaran harus mendorong pertumbuhan bertahap, dan pengujian inkrementalitas mengukur hal tersebut dengan menghapus konversi yang mungkin akan terjadi, sehingga mengonfirmasi dampak sebenarnya kampanye Anda terhadap keputusan pembelian.
Kerangka kerja pengujian inkrementalitas yang kuat dapat membantu merek memvalidasi data kinerja yang dimodelkan dan mendapatkan gambaran yang lebih jelas tentang bagaimana kampanye memengaruhi perjalanan pelanggan secara keseluruhan.
Pengujian ini dapat membantu tim Anda memahami peningkatan sebenarnya dalam KPI utama dan hasil bisnis yang didorong oleh pemasaran, sehingga menghasilkan wawasan penting mengenai efektivitas media dari waktu ke waktu. Anda juga dapat menggunakan pengujian inkrementalitas untuk mengkalibrasi model perkiraan dan penganggaran ke kausalitas sebenarnya sehingga model tersebut dapat menentukan “biaya terbaik berikutnya yang dibelanjakan” dengan memahami peningkatan relatif di seluruh taktik, audiens, dan platform.
Ada berbagai pengujian yang dapat dipilih bergantung pada jenis data dan saluran yang terlibat serta prioritas merek Anda. Anda harus mempertimbangkan apakah pengujian ini menargetkan audiens yang dikenal (pihak pertama) atau tidak dikenal (pihak ketiga) dan apakah pengujian tersebut spesifik platform atau lintas platform.
Setelah Anda memilih pengujian (atau pengujian), tim Anda perlu menetapkan variabel dan menentukan ukuran sampel, anggaran, dan jadwal. Setelah tes diterapkan, mulailah mengukur hasil Anda segera – analisis titik tengah sangat penting untuk menentukan apakah tes tersebut membuahkan hasil atau apakah Anda harus berhenti lebih awal dan mengubah arah.
Jika Anda baru memulai, ingatlah bahwa pengujian inkrementalitas bukanlah hal yang mudah bagi sebagian besar perusahaan. Penyiapan memerlukan banyak waktu dan upaya, dan tidak akan langsung menghasilkan masukan untuk pengoptimalan kampanye. Pertimbangkan untuk mencari mitra yang dapat diandalkan untuk membantu Anda menyiapkan pengujian yang efektif sesuai kebutuhan Anda.
Solusi 3: Pemodelan campuran media
Salah satu ketakutan terbesar seputar penghentian data pihak ketiga adalah hilangnya pelacakan lintas saluran dan potensi berkurangnya pengukuran dan wawasan yang benar-benar terintegrasi. Pemodelan campuran media (MMM) akan membantu Anda menentukan campuran media yang optimal di setiap saluran dan platform serta memperkirakan anggaran yang Anda perlukan.
MMM adalah pendekatan pengukuran holistik yang digunakan pemasar untuk menentukan peningkatan lintas saluran yang didorong di seluruh upaya pemasaran, termasuk efek yang sulit diukur seperti keuntungan yang semakin berkurang.
Merek yang memanfaatkan MMM memasukkan beberapa data dan model deterministik untuk sisanya, memanfaatkan data masa lalu untuk memprediksi investasi masa depan. Idealnya, Anda akan menyertakan metrik merek sebagai masukan sehingga Anda dapat menggunakan model tersebut untuk memahami pengaruh metrik tersebut terhadap konversi. Model ini juga harus memasukkan variabel non-media, termasuk faktor ekonomi, perubahan harga, promosi, tingkat persediaan, dan lain-lain, untuk menentukan dampak media secara akurat.
Sumber: Tinjauan Bisnis Harvard
Meskipun MMM menawarkan kepada pemasar cara yang baik untuk memprediksi pertumbuhan di masa depan dan mengukur metrik merek, model ini juga memiliki tantangan tersendiri. MMM mungkin mahal dan lambat, namun masalah terbesar bagi sebagian besar pemasar yang ingin memanfaatkan metode pengukuran ini adalah pengembangan model semacam ini memerlukan data bertahun-tahun.
Untungnya, ada jenis MMM baru di kota ini: MMM berkecepatan tinggi, seperti Perencana Pertumbuhan Wpromote, yang memanfaatkan peningkatan ketersediaan data, daya komputasi, dan otomatisasi saat ini untuk mengukur dampak saluran pada konversi masa lalu dan secara akurat memprediksi hasil tanpa menggunakan data individual. Itu mempercepat proses MMM agar lebih efisien bagi pemasar.
MMM berkecepatan tinggi juga memberikan wawasan yang lebih sering untuk membantu pemasar beradaptasi lebih cepat. Pemasar bisa mendapatkan hasil yang hampir real-time dan wawasan yang lebih mendetail untuk mendukung kinerja yang lebih baik.
Dengan adanya ketiga komponen ini, strategi data Anda akan lebih siap untuk menghadapi penghentian pelacakan pihak ketiga yang berkelanjutan sebelum hal itu terjadi. Meskipun semua perubahan dalam ekosistem data ini mungkin menakutkan, ada hikmahnya: sistem yang mematuhi privasi memungkinkan Anda mengatasi titik buta yang selalu ada dalam metode pelacakan yang sudah ketinggalan zaman.
Pelacakan data pihak pertama memperhitungkan saluran akun atribusi berbasis cookie yang diabaikan, seperti TV, radio, OHH, dan saluran lainnya. Ini juga dapat memberikan gambaran kinerja yang lebih akurat sekaligus melindungi privasi pelanggan.