Modern Pazarlamada Kimlik Çözümleme Nedir?

Modern dijital kampanyalar, medya platformları izole silolarda faaliyet gösterdiği için sıklıkla ciddi verimlilik kayıplarından muzdariptir. Bir kullanıcı cep telefonunu kullanarak sosyal medyadaki bir reklama tıkladığında, izleme pikseli bir mobil tarayıcı kimliği kaydeder. Aynı akşamın ilerleyen saatlerinde aynı kullanıcı, alışverişi tamamlamak için bir dizüstü bilgisayardan oturum açar ve tamamen yeni bir tarayıcı çerezi ile masaüstü oturum tanımlayıcısı oluşturur. Geleneksel analitik araçları bu iki olayı iki farklı insan tarafından gerçekleştirilen eylemler olarak ele alır. Bu veri kopukluğu şişirilmiş erişim metrikleri üretir, gereksiz gösterimlere bütçe harcar ve potansiyel alıcıları alakasız mesajlarla hayal kırıklığına uğratan zayıf kişiselleştirme stratejilerine yol açar.

Ortalama bir alıcının satın almadan önce iki farklı cihaz üzerinden siteyi üç kez ziyaret ettiği ev ofis mobilyaları satan bir Shopify mağazasını düşünün. Pazarlama ekibi bu oturumları bağlamadan yeniden hedefleme kampanyaları yürütürse, reklam sunucusu müşterinin telefonunda gezinirken dizüstü bilgisayarında zaten satın aldığı ürünler için ürün reklamlarını göstermeye devam eder. Bu tekrar tüketiciyi rahatsız eder ve karlı olmayan tıklamalara reklam bütçesini tüketir. Kullanıcı kimliklerini çözmek, reklam ağını dönüşümün zaten gerçekleştiği konusunda bilgilendirerek bu israfı ortadan kaldırır ve bunun yerine bütçeyi yeni potansiyel müşterilere kaydırır.

Tüketici kimliklerini eşleştirmek iki temel metodolojiye dayanır: deterministik ve olasılıksal. Deterministik eşleştirme, bir kullanıcının açıkça bir tanımlayıcı sağladığı doğrulanmış, kimlik doğrulaması yapılmış veri noktalarına dayanır. Deterministik tanımlayıcıların örnekleri arasında ödeme formları aracılığıyla gönderilen hashlenmiş e-posta adresleri, oturum açma kimlik bilgileri veya hesap oluşturma sırasında toplanan telefon numaraları yer alır. Bu yaklaşım, kullanıcı ile tanımlayıcı arasındaki bağlantı doğrudan ve kasıtlı olduğu için yüzde yörüngeye yakın bir doğruluk elde eder. Bununla birlikte, deterministik erişim, aktif olarak oturum açan veya satın alma yapan kullanıcılarla sınırlı kalır ve anonim tarayıcıları eşleştirilmemiş bırakır.

Olasılıksal eşleştirme, davranışsal kalıplara ve cihaz yakınlığına dayalı olarak anonim sinyalleri bağlamak için istatistiksel algoritmalar ve makine öğrenimi kullanır. IP adresleri, işletim sistemleri, ekran çözünürlükleri, posta kodları ve tarama zaman damgaları gibi veri noktalarını analiz ederek algoritmalar, iki ayrı cihazın aynı kişiye ait olma olasılığını hesaplar. Olasılıksal eşleştirme anonim ziyaretçileri dahil ederek kitle erişimini önemli ölçüde genişletirken, bir hata payı ortaya çıkarır. Pazarlamacılar gizlilik düzenlemelerine, veritabanı olgunluğuna ve kampanya hedeflerine dayanarak bu iki yaklaşımı dengelemelidir.

Güvenilir bir eşleştirme motoru oluşturmak, dijital temas noktalarında belirli müşteri verisi türlerinin toplanmasını ve organize edilmesini gerektirir. Birinci taraf verileri, web siteleri, mobil uygulamalar ve e-posta bültenleri gibi sahip olunan mülklerdeki kullanıcı etkileşimlerinden doğrudan geldiği için herhangi bir doğru çözüm sisteminin temelini oluşturur. Markalar, herhangi bir gelişmiş kanallar arası grafik eşleştirmesi denemeden önce bu verileri merkezi bir müşteri veri platformunda temiz bir şekilde yapılandırmalıdır.

• Birinci taraf tarafından kimlik doğrulaması yapılmış tanımlayıcılar: Oturum açma bilgileri, kullanıcı kimlikleri ve ödeme veya form gönderiminde toplanan güvenli hashlenmiş e-posta adresleri.
• Cihaz ve tarayıcı sinyalleri: IP adresleri, kullanıcı aracısı dizeleri, cihaz parmak izleri ve kalıcı tarayıcı çerezleri.
• Bağlamsal ve davranışsal işaretleyiciler: Sayfa etkileşim zaman damgaları, kategori tarama geçmişleri ve oturum süresi metrikleri.
• Çevrimdışı işlem kayıtları: Satış noktası verileri, sadakat kartı kullanımı ve API aracılığıyla senkronize edilen müşteri hizmetleri etkileşim günlükleri.

Veri gizliliği yasaları ve tarayıcı kısıtlamaları, kimlik çözümlemenin dijital reklam ekosisteminde nasıl çalıştığını temelde değiştirmiştir. Avrupa Birliği’nin Genel Veri Koruma Yönetmeliği ve Kaliforniya Tüketici Gizliliği Yasası gibi düzenlemeler, markaların kişisel tanımlayıcıları toplayıp bir araya getirebilmesinden önce açık rıza gerektirir. Aynı zamanda, büyük web tarayıcıları üçüncü taraf çerezlerini aşamalı olarak kaldırmış, bu da geleneksel izleme yöntemlerini siteler arası kitle hedeflemesi için eskimiş hale getirmiştir.

Bu düzenleyici ve teknik değişimler, birinci taraf veri stratejilerine ve rızaya dayalı tanımlayıcılara muazzam bir değer kazandırmaktadır. Pazarlamacılar artık programatik borsalar aracılığıyla anonim siteler arası profilleri serbestçe aktaran üçüncü taraf veri satıcılarına güvenemezler. Bunun yerine başarılı markalar, ziyaretçileri gönüllü olarak oturum açmaya veya abone olmaya teşvik ederek kitleleriyle doğrudan değer alışverişleri kurarlar. Bu doğrudan ilişki, gizlilik uyumluluk çerçevelerini ihlal etmeden doğru kimlik grafiklerini korumak için gereken temiz, rızaya dayalı e-posta hash’lerini sağlar.

İşlevsel bir eşleştirme stratejisi devreye sokmak, teknik kurulum, veri hijyeni ve platform entegrasyonu adımlarından oluşan yapılandırılmış bir sıra gerektirir. Temiz veri girdileri olmadan gelişmiş grafik oluşturmaya acele etmek, ücretli medya kanallarında kirletilmiş müşteri profilleri ve yanlış ilişkilendirme raporlamasıyla sonuçlanır.

• Mevcut veri silolarını denetleyin: CRM sistemleri, e-posta pazarlama araçları, e-ticaret platformları ve müşteri destek masaları dahil olmak üzere müşteri verilerinin işletmeye girdiği her konumu haritalandırın.
• Birinci taraf toplama mekanizmalarını uygulayın: Hashlenmiş e-postalar gibi rızaya dayalı tanımlayıcıları tutarlı bir şekilde yakalamak için web sitesi formlarını ve ödeme hunilerini güncelleyin.
• Bir müşteri veri platformu konuşlandırın: Veri kaynaklarını alım, temizleme ve gerçek zamanlı profil birleştirme yeteneğine sahip merkezi bir depoya bağlayın.
• Eşleştirme kuralları belirleyin: Önce deterministik kuralları, ardından anonim cihaz kümelerini işlemek için olasılıksal kuralları tanımlayın.
• İlişkilendirmeyi ve aktivasyonu test edin: Yeniden hedefleme verimliliğindeki ve reklama harcanan getirideki iyileştirmeleri ölçmek için çözümlenmiş profilleri reklam platformlarına itin.

Alien Road’da kimlik çözümlemeye basit bir yazılım düğmesinden ziyade temel bir mühendislik görevi olarak yaklaşıyoruz. Tipik bir perakende veya B2B müşterisiyle çalışırken, ilk aşamamız bağlantısı kesilmiş e-tabloları, eski veritabanlarını ve bağlantısız izleme etiketlerini bulmak için kapsamlı bir veri denetimini içerir. Ardından, web sitelerinden, mobil uygulamalardan ve çevrimdışı satış noktası sistemlerinden ham olayları alan modern müşteri veri platformlarını kullanarak özel bir veri mimarisi tasarlıyoruz.

Veri hattı etkinleştirildikten sonra, güvenli e-posta hash’leri ve benzersiz hesap kimlikleri etrafında deterministik eşleştirme kuralları yapılandırıyor, anonim trafiği yakalamak için üstüne olasılıksal modeller katmanlıyoruz. Kitle segmentlerini yeniden reklam ağlarına göndermeden önce elde edilen birleştirilmiş profilleri dönüşüm oranı doğruluğu ve yeniden hedefleme CPA’sı gibi temel performans göstergelerine karşı test ediyoruz. Bu metodik kurulum, müşterilerimizin mükerrer gösterimlere reklam bütçesi harcamayı bırakmasını ve gerçek insan alıcıları hassas mesajlarla hedeflemeye başlamasını sağlar.