کسب و کار Lyft یک بازار دو طرفه از سواران و رانندگان است و هر شهر بر اساس عوامل متعددی مانند ترافیک، آب و هوا، رویدادهای اجتماعی، نیازهای عرضه و تقاضای خاص خود را دارد. و غیره. مدیریت بازاریابی و مشارکت در یک بازار پویا با مجموعه چالشهای منحصربهفرد خود در مورد نحوه تنظیم بودجههای خاص منطقه، پیشنهادها، انگیزهها برای مطابقت با نیازهای ما با درجه خاصی از اطمینان در مدلهای پیشبینی ما همراه است. چالش هماهنگسازی و مقیاسبندی این کمپینها ما را به سمت ساختن پشته اتوماسیون بازاریابی خود هدایت کرد. ما متوجه شدیم که با خودکارسازی تصمیمات معمول متمرکز بر یادگیری ماشینی، میتوانیم به طور کارآمد مقیاسبندی کنیم و یک سیستم خودآموز مبتنی بر داده ایجاد کنیم. با خودکارسازی تصمیمات روتین، میتوانیم بهطور پیشبینیشدهتر و کارآمدتر مقیاس کنیم و بازاریابان را آزاد کنیم تا روی ایجاد جنبههای بیشتر کارشان مانند اکتشاف کانال جدید و خلاقیت پیامرسانی تمرکز کنند.
برای شرکتی به اندازه ما، به مرحله اجتناب ناپذیر ساخت در مقابل خرید رسیدیم. از نظر استراتژیک، ما میخواستیم در سازمان خود بر اساس اتوماسیون بازاریابی مبتنی بر داده، قدرت بیشتری ایجاد کنیم. ما بر اساس پیشبینیهای رشد داخلی با هزاران سیگنال سفارشی داخلی برای اجرا و راهاندازی این کمپینها، تعداد زیادی نیاز به تنظیم و بودجهبندی کمپین سفارشی داشتیم. بنابراین اگرچه هزینه ساخت و تولید حداقل محصول قابل دوام (MVP) بالا بود، ما میدانستیم که این سرمایهگذاری بلندمدت مناسبی برای شرکت است. هدف ما ایجاد مجموعهای بود که نه تنها کارآمد و سریع برای پاسخگویی به نیازهای بازار باشد، بلکه یک متمایزکننده اصلی از رقابت ما باشد.
من می دانم که این یک تعهد اساسی برای اکثر شرکت ها است. به نظر من، با ارزش ترین جزء کل این سیستم، پیش بینی ارزش طول عمر (LTV) است. اگر فقط روی یک قطعه از مجموعه اتوماسیون بازاریابی سرمایه گذاری می کنید، مدل سازی LTV، با بهبود مستمر در دقت مدل، کاملاً توصیه من است.
درک ارزش بالقوه یک کاربر برای هر کسب و کاری حیاتی است. به همین دلیل است که Lyft مقدار زیادی از منابع و زمان را صرف درک ارزش هر راننده و سوارکاری جدیدی می کند که ما به بازار خود می آوریم. هدف LTV توسعه نرده های محافظ برای سرمایه گذاری های بازاریابی است. این مقدار میتواند به طور بالقوه برای موارد استفاده مختلف مانند بودجههای اکتساب، بهینهسازی انگیزه، شخصیسازی داخلی، واریانسهای صفحه فرود استفاده شود. در پلتفرم اتوماسیون بازاریابی خود Symphony، ما از این مقدار استفاده میکنیم، بنابراین بودجه میتواند بر اساس ارزش مورد انتظار برای کاربرانی که از یک کانال معین میآیند و قیمتی که مایلیم در یک منطقه خاص برای آن نوع کاربران بپردازیم، تخصیص یابد.
این نمودار نمای سطح بالایی از نحوه محاسبه LTV مورد انتظار کاربر در حین محاسبه عرضه و تقاضا در بازار دو طرفه ما نشان می دهد. پیشبینی LTV به همان دقتی که میتوانیم به ما در تعیین اهداف استراتژیک میانمدت تا بلندمدت کمک کنیم.
بهجای تلاش برای اندازهگیری مستقیم LTV، زیرا به سختی میتوان در اوایل چرخه عمر کاربر، حس حفظ، سواری یا ارزش تراکنش را دریافت کرد، آن را از روی دادههای تاریخی پیشبینی میکنیم. با تعامل کاربر با خدمات ما، پیشبینی بهبود مییابد.
پلتفرمهای تبلیغاتی بالغ مانند فیسبوک، گوگل و لینکدین به طور فزایندهای استراتژیهای مناقصه را از مشتریان پنهان میکنند، و از این رو تمرکز بر ایجاد این سیگنالهایی که ارزش کاربر را شناسایی میکنند، برای کسبوکار بسیار ارزشمند است تا بتوان آنها را به عنوان پسبازگشت به کانالها ارسال کرد. تا آنها بتوانند مدل های خود و در نتیجه کمپین های بازاریابی شما را بهینه کنند.
ما در حال دستیابی به بازده بالاتری در سرمایه گذاری خود هستیم و در عین حال در اکوسیستم رو به رشدی با بیش از 22 میلیون سوار فعال سه ماهه (براساس گزارش درآمد سه ماهه چهارم) در ساعات کاری بازاریاب صرفه جویی می کنیم. اتوماسیون بازاریابی هنوز در Lyft در مراحل ابتدایی خود است، و در حالی که این روشها تا کنون به ما کمک کردهاند که مقیاس را افزایش دهیم، ما همچنان به یادگیری و بهبود خود ادامه خواهیم داد.
درباره نویسنده
Martech کنفرانسی برای جامعه در حال رشد متخصصان سطح ارشد و ترکیبی است که هم در زمینه بازاریابی و هم از فناوری آگاه هستند: فنآوران بازاریابی، فنآوران خلاق، هکرهای رشد، دانشمندان داده و استراتژیستهای دیجیتال.
