استفاده از مخاطبان مشابه برای معکوس کردن قیف بازاریابی و تولید سرنخ های با کیفیت

هدف گذاری مبتنی بر علاقه یکی از معدود ابزارهایی است که برای ما باقی مانده است.

به یاد داشته باشید: پلتفرم‌ها در طول زمان تغییر می‌کنند، بنابراین باید با آنها تکامل پیدا کنیم تا مرتبط بم،م و گاهی اوقات این به م،ای بازگشت به اصول اولیه است. موفق باشید آنجا

تماشا کنید: استفاده از مخاطبان مشابه برای مع، ، قیف بازاریابی و تولید سرنخ های با کیفیت

از آنجا که شما یک علاقه، یک ،صر را هدف قرار نمی دهید، که در 30٪ مواقع بی ربط خواهد بود. شما گروهی از ،اصر، علایق یا رفتارهای پلت فرم را هدف قرار می دهید. که به طور قابل ملاحظه ای عدم دقت را کاهش می دهد.

به جای تغذیه این قیف نظری به مخاطبان سرد، بیایید تا انتهای قیف برویم و افرادی مانند مبدل ها را پیدا کنیم.

یک مخاطب شبیه بر اساس یک لیست سفارشی (فهرست اولیه) است، و این فهرست فقط باید با داده‌هایی ایجاد شود که متعلق به شماست و اجازه استفاده از آن را دارید.

این روند در همه سیستم عامل ها مشابه است:

• لیست اولیه مبدل های خود را دریافت کنید.
• با آپلود آن در پلتفرم رسانه اجتماعی انتخابی خود، با استفاده از این فهرست، یک مخاطب سفارشی ایجاد کنید.
• پلتفرم اطلاعات را با آنچه در مورد هر فرد در پلتفرم می‌دانند (معمولاً ایمیل یا شماره تلفن) مطابقت می‌دهد.
• برای معتبر بودن این لیست حداقل منطبقات مورد نیاز است و هر پلتفرم قو،ن خاص خود را برای این کار دارد.
• هنگامی که مخاطب سفارشی ایجاد شد و معتبر شد، می‌تو،م مخاطبان مشابهی ایجاد کنیم که در آن به پلتفرم می‌گوییم «افراد با نمایه‌های مشابه را پیدا کنید» به افراد موجود در این فهرست.

در یک آزمایش ت،یم A/B که من اجرا کردم، مخاطبان مبتنی بر علاقه 30٪ هزینه به ازای هر کلیک بالاتری داشتند، اما نرخ تعامل مثبت دو برابر بود. این مخاطبان تبدیل نمی شدند، آنها پیام را منتشر می ،د.

چرا؟

برای درک بهتر این موضوع، خط‌مشی‌های هر پلتفرم را در مورد فهرست‌های سفارشی بررسی کنید.

لیست ها و خط مشی رازداری خود را به روز نگه دارید

در همان ابتدا، فیس بوک آن اطلاعات را با ما به اشتراک می گذاشت و ما می توانستیم همزمان با یادگیری الگوریتم یاد بگیریم. قبلاً می‌توانستیم مخاطبان، فالوورهایمان، آنچه را که دوست دارند، سن آنها، ،ت، وضعیت تأهل، وب‌سایت‌های دیگری که بازدید می‌کنند و صفحات دیگری را دنبال می‌کنند، تجزیه و تحلیل کنیم. ما به اندازه الگوریتم می دانستیم.

بنابراین تئوری این است که در مرحله آگاهی از برند، قیف را با سرنخ های سرد تغذیه کنیم تا آنها از طریق قیف جریان یافته و بدون مانع تبدیل شوند.

پلتفرم‌ها اطلاعات زیادی در مورد رفتار ما در پلتفرم دارند. آنها کامل نیستند، اما این شخصیت های پلتفرم تولید شده بسیار دقیق تر از علایق استنباط شده هستند.

ما به این پلتفرم‌ها اجازه می‌دهیم سفر مشتری را از تبلیغات ما تا تبدیل دنبال کنند. اجازه دادیم تماشا کنند. ما به آنها اجازه می دهیم یاد بگیرند و به الگوریتم اجازه می دهیم مخاطبان من، را بهینه و هدف قرار دهد.

اگر مردم نمی خواهند از شما بشنوند، پس چرا می خواهید برای شخصی با همان مشخصات تبلیغ کنید؟

از آن زمان، پلتفرم‌های رسانه‌های اجتماعی دید وحشتناکی نسبت به اتفاقاتی که برای افرادی که روی یک تبلیغ کلیک می‌کنند می‌افتد، داشته‌اند. وقتی متا را ، می کنند تقریباً همین است!

به ،وان بازاریاب، ما عادت کردیم که به پلتفرم های رسانه های اجتماعی (و به ویژه فیس بوک، مستعار متا) اجازه دهیم کار ما را انجام دهند.

درباره نویسنده

نایرا پرز تقریباً 20 سال است که در بازاریابی فعالیت می کند. او با مشتری، از چندین صنعت و برندهای Fortune 500 کار کرده است. او شروع خود را در تبلیغات پاسخ مستقیم، ساختن برندها در تلویزیون، رادیو و چاپ قبل از اینکه دیجیتال باشد، آغاز کرد. در سال 2016، او SpringHill را تأسیس کرد که در توسعه و اجرای استراتژی های بازاریابی دیجیتال مانند رسانه های پولی، طراحی کمپین یکپارچه و شناسایی ال،ای مخاطب تخصص داشت. در سال 2021، او به ،وان مدیر بازاریابی دیجیتال Sr به پورتلند تریل بلیزرز پیوست تا به رشد بخش بازاریابی دیجیتال نوآورانه و در حال گسترش آنها کمک کند.