Teknologi PeriklananAnalisis & PengujianKecerdasan BuatanVideo Pemasaran & Penjualan

Retina AI: Menggunakan AI Prediktif untuk Mengoptimalkan Kampanye Pemasaran dan Menetapkan Nilai Seumur Hidup Pelanggan (CLV)

Lingkungan berubah dengan cepat bagi pemasar. Dengan pembaruan iOS baru yang berfokus pada privasi dari Apple dan Chrome yang menghilangkan cookie pihak ketiga pada tahun 2023 – di antara perubahan lainnya – pemasar harus menyesuaikan permainan mereka agar sesuai dengan peraturan baru. Salah satu perubahan besar adalah peningkatan nilai yang ditemukan pada data pihak pertama. Merek sekarang harus mengandalkan keikutsertaan dan data pihak pertama untuk membantu mendorong kampanye.

Apa itu Nilai Seumur Hidup Pelanggan (CLV)?

Nilai Seumur Hidup Pelanggan (CLV) adalah metrik yang memperkirakan berapa banyak nilai (biasanya pendapatan atau margin keuntungan) yang akan dibawa oleh pelanggan tertentu ke bisnis selama total waktu mereka berinteraksi dengan merek Anda—masa lalu, sekarang, dan masa depan.

Pergeseran ini menjadikannya keharusan strategis bagi bisnis untuk memahami dan memprediksi nilai seumur hidup pelanggan, yang membantu mereka mengidentifikasi segmen utama konsumen untuk merek mereka sebelum titik pembelian dan mengoptimalkan strategi pemasaran mereka untuk bersaing dan berkembang.

Namun, tidak semua model CLV dibuat sama – sebagian besar menghasilkannya secara agregat daripada tingkat individu, jadi, oleh karena itu, tidak dapat memprediksi CLV masa depan secara akurat. Dengan CLV tingkat individu yang dihasilkan Retina, pelanggan dapat membedakan apa yang membuat pelanggan terbaik mereka berbeda dari orang lain dan menggabungkan informasi tersebut untuk meningkatkan profitabilitas kampanye akuisisi pelanggan berikutnya. Selain itu, Retina mampu memberikan prediksi CLV dinamis berdasarkan interaksi pelanggan di masa lalu dengan merek, memungkinkan pelanggan mengetahui pelanggan mana yang harus mereka targetkan dengan penawaran, diskon, dan promosi khusus.  

Apa itu Retina AI?

Retina AI menggunakan kecerdasan buatan untuk memprediksi nilai umur pelanggan sebelum transaksi pertama.

Retina AI adalah satu-satunya produk yang memprediksi CLV jangka panjang pelanggan baru yang memungkinkan pemasar yang sedang berkembang membuat keputusan pengoptimalan anggaran kampanye atau saluran dalam waktu dekat. Contoh platform Retina yang digunakan adalah pekerjaan kami dengan Madison Reed yang mencari solusi waktu nyata untuk mengukur dan mengoptimalkan kampanye di Facebook. Tim di sana memilih untuk menjalankan pengujian A/B yang berpusat pada CLV: CAC (biaya akuisisi pelanggan) rasio. 

Studi Kasus Madison Reed

Dengan kampanye uji coba di Facebook, Madison Reed bertujuan untuk mencapai tujuan berikut: Mengukur ROAS dan CLV kampanye hampir secara real-time, mengalokasikan kembali anggaran ke kampanye yang lebih menguntungkan, dan memahami materi iklan mana yang menghasilkan rasio CLV:CAC tertinggi.

Madison Reed menyiapkan pengujian A/B menggunakan audiens target yang sama untuk kedua segmen: wanita berusia 25 tahun atau lebih di Amerika Serikat yang belum pernah menjadi pelanggan Madison Reed.

  • Kampanye A adalah kampanye bisnis seperti biasa.
  • Kampanye B telah dimodifikasi sebagai segmen uji.

Dengan menggunakan nilai umur pelanggan, segmen pengujian dioptimalkan secara positif untuk pembelian dan negatif terhadap pelanggan yang berhenti berlangganan. Kedua segmen menggunakan materi iklan yang sama.

Madison Reed menjalankan tes di Facebook dengan pembagian 50/50 selama 4 minggu tanpa perubahan di tengah kampanye. Rasio CLV:CAC meningkat sebesar 5% segera, sebagai hasil langsung dari pengoptimalan kampanye menggunakan nilai umur pelanggan dalam pengelola iklan Facebook. Seiring dengan rasio CLV:CAC yang lebih baik, kampanye pengujian memperoleh lebih banyak tayangan, lebih banyak pembelian situs web, dan lebih banyak langganan, yang pada akhirnya menghasilkan peningkatan pendapatan. Madison Reed menghemat biaya per tayangan dan biaya per pembelian sekaligus memperoleh pelanggan jangka panjang yang lebih berharga.

Hasil seperti ini tipikal saat menggunakan Retina. Rata-rata, Retina meningkatkan efisiensi pemasaran sebesar 30%, meningkatkan CLV inkremental sebesar 44% dengan pemirsa serupa, dan memperoleh 8x Pengembalian atas Belanja Iklan (ROAS) pada kampanye akuisisi jika dibandingkan dengan metode pemasaran biasa. Personalisasi berdasarkan nilai pelanggan yang diprediksi dalam skala waktu nyata pada akhirnya merupakan pengubah permainan dalam teknologi pemasaran. Fokusnya pada perilaku pelanggan daripada demografi menjadikannya penggunaan data yang unik dan intuitif untuk mengubah kampanye pemasaran menjadi kemenangan yang efektif dan konsisten.

Retina AI menawarkan kemampuan berikut:

  • Skor Prospek CLV – Retina memberi bisnis sarana untuk menilai semua pelanggan guna mengidentifikasi prospek berkualitas. Banyak bisnis tidak yakin pelanggan mana yang akan menghasilkan nilai tertinggi selama masa hidup mereka. Dengan menggunakan Retina untuk mengukur laba atas belanja iklan (ROAS) rata-rata dasar di semua kampanye dan terus-menerus mencetak prospek dan memperbarui BPA yang sesuai, prediksi Retina menghasilkan ROAS yang jauh lebih tinggi pada kampanye yang dioptimalkan menggunakan eCLV. Penggunaan strategis kecerdasan buatan ini memberi bisnis sarana untuk mengidentifikasi dan mengakses pelanggan yang menunjukkan nilai sisa. Di luar penilaian pelanggan, Retina dapat mengintegrasikan dan mengelompokkan data melalui platform data pelanggan untuk pelaporan lintas sistem.
  • Pengoptimalan Anggaran Kampanye – Pemasar strategis selalu mencari cara untuk mengoptimalkan pengeluaran iklan mereka. Masalahnya adalah sebagian besar pemasar harus menunggu hingga 90 hari sebelum mereka dapat mengukur kinerja kampanye sebelumnya dan menyesuaikan anggaran yang akan datang. Retina Early CLV memberdayakan pemasar untuk membuat pilihan cerdas tentang di mana harus memfokuskan pembelanjaan iklan mereka secara real time, dengan memesan CPA tertinggi mereka untuk pelanggan dan prospek bernilai tinggi. Ini dengan cepat mengoptimalkan target CPA dari kampanye bernilai lebih tinggi untuk menghasilkan ROAS yang lebih tinggi dan rasio konversi yang lebih tinggi. 
  • Audiens lookalike – Retina Kami telah memperhatikan bahwa banyak perusahaan memiliki ROAS yang sangat rendah—biasanya sekitar 1 atau bahkan kurang dari 1. Hal ini sering terjadi ketika pengeluaran iklan perusahaan tidak sebanding dengan nilai masa pakai prospek atau pelanggan yang ada. Salah satu cara untuk meningkatkan ROAS secara dramatis adalah dengan membuat pemirsa serupa berbasis nilai dan menetapkan batas tawaran yang sesuai. Dengan cara ini, bisnis dapat mengoptimalkan pembelanjaan iklan berdasarkan nilai yang akan diberikan pelanggan mereka dalam jangka panjang. Bisnis dapat melipatgandakan laba atas belanja iklan mereka dengan pemirsa serupa berbasis nilai seumur hidup pelanggan Retina.
  • Penawaran Berbasis Nilai – Penawaran berbasis nilai didasarkan pada gagasan bahwa bahkan pelanggan dengan nilai lebih rendah pun layak diperoleh, selama Anda tidak menghabiskan terlalu banyak untuk mendapatkannya. Dengan asumsi itu, Retina membantu pelanggan menerapkan penawaran berbasis nilai (VBB) dalam kampanye Google dan Facebook mereka. Menetapkan batas tawaran dapat membantu memastikan rasio LTV:CAC yang tinggi dan memberi klien lebih banyak fleksibilitas untuk mengubah parameter kampanye agar sesuai dengan sasaran bisnis. Dengan batas tawaran dinamis dari Retina, klien meningkatkan rasio LTV:CAC mereka secara signifikan dengan menjaga biaya akuisisi di bawah 60% dari batas tawaran mereka.
  • Kesehatan Keuangan & Pelanggan – Laporkan kesehatan dan nilai basis pelanggan Anda. Quality of Customers Report™ (QoC) memberikan analisis rinci tentang basis pelanggan perusahaan. QoC berfokus pada metrik pelanggan berwawasan ke depan dan memperhitungkan ekuitas pelanggan yang dibangun dengan perilaku pembelian berulang.

Jadwalkan Panggilan Untuk Pelajari Lebih Lanjut

Emad Hasan

Emad adalah CEO dan Co-founder Retina AI. Sejak 2017 Retina telah bekerja dengan klien seperti Nestle, Dollar Shave Club, Madison Reed, dan banyak lagi. Sebelum bergabung dengan Retina, Emad membangun dan menjalankan tim analitik di Facebook dan PayPal. Semangat dan pengalamannya yang berkelanjutan dalam industri teknologi memungkinkannya membangun produk yang membantu organisasi dalam membuat keputusan bisnis yang lebih baik dengan memanfaatkan data mereka sendiri. Emad memperoleh gelar BS di bidang Teknik Elektro dari Penn State, Magister Teknik Elektro dari Rensselaer Polytechnic Institute, dan MBA dari UCLA Anderson School of Management. Di luar pekerjaannya dengan Retina AI, dia adalah seorang blogger, pembicara, penasihat startup, dan petualang luar ruangan.

Artikel terkait

Kembali ke atas tombol
Penyelesaian

Adblock Terdeteksi

Martech Zone dapat memberi Anda konten ini tanpa biaya karena kami memonetisasi situs kami melalui pendapatan iklan, tautan afiliasi, dan sponsor. Kami akan sangat menghargai jika Anda menghapus pemblokir iklan saat Anda melihat situs kami.