Käyttäjätunnisteet (user ids) auttavat seuraamaan pitkiä ostopolkuja, kun käyttäjät saadaan välillä kirjautumaan sisään tai antamaan sähköpostiosoitteensa.
Ne nivovat yhteen käyttäjän historiaa, vaikka tämä käyttäisi eri laitteita tai tämän eväste ehtisi vanhentua. Näin eri markkinointikanavien hyödyistä saadaan luotettavampaa tietoa kuin analytiikan perusasennuksella.
Käyttäjätunnisteita tukee moni digitaalisen analytiikan alusta, kuten Google Analytics 4, Adobe Analytics, Piwik PRO ja Matomo.
Milloin käyttäjätunnisteita kannattaa käyttää?
Käyttäjätunnisteista hyötyvät yritykset, jotka pystyvät tunnistamaan sivustonsa käyttäjiä:
- verkkokaupat
- kivijalassa tai muuten netin ulkopuolella myyntiä tekevät, kuten autokaupat ja kuntosaliketjut
- jatkuvalla laskutuksella myyvät yritykset.
Verkkokaupoille käyttäjätunnisteiden käyttöönotto on suhteellisen suoraviivainen operaatio ja se kannattaa yleensä toteuttaa (paitsi pienimmissä verkkokaupoissa). Näissä sivuston käyttäjä tunnistetaan aina sisäänkirjautumisen tai oston yhteydessä.
Kivijalassa tai myyjien kautta klousaaville projekti on suurempi: panostuksen digimarkkinointiin tulee olla merkittävä, jotta käyttäjätunnisteet on järkevää ottaa käyttöön. Jotkut alustat, kuten HubSpot, helpottavat kuitenkin merkittävästi käyttöönottoa.
Edellytys käyttäjätunnisteiden hyödyille on käyttäjän tunnistaminen sivustolla jollakin henkilötiedolla, yleensä sähköpostiosoitteella. Mitä useammin tunnistautumisia tapahtuu, sitä parempi.
Miten käyttäjätunniste toimii?
Käyttäjätunnisteiden toimintaperiaate on ylätasolla yksinkertainen:
- Jokaiselle tunnistetulle käyttäjälle annetaan yksilöllinen user id -merkkijono.
- Tämä tunniste yhdistetään evästeisiin pohjautuvaan seurantaan.
- Käyttäjän seurantatiedot tallennetaan tietovarastoon, johon kertyvää dataa voi sitten analysoida.
Yleisimmin käyttäjätunniste perustuu sähköpostiosoitteeseen, mutta sen perustana voi käyttää myös muita – mielellään salattuja – henkilötietoja, kuten puhelinnumeroa tai henkilötunnusta.
Käytä tekoälyä ja koneoppimista ostopolkujen analyysiin
Markkinoinnin panostuksia ja mediabudjetteja on helpompi perustella, kun niiden hyödyistä saadaan parempi käsitys käyttäjätunnisteiden avulla.
Tietovarastoon kerättyjä ostopolkuja voi analysoida
- koneoppimismalleilla (esim. Random forest)
- generatiivisella tekoälyllä.
Tietovarastoon kerätyillä ostopoluilla voit luoda omia attribuutiomalleja ja tarkastella pidempiä ajanjaksoja kuin esimerkiksi Google Analyticsin ja Google Adsin valmiilla malleilla.
Ymmärrä ostopolkujen aito pituus
Perusasetuksilla esimerkiksi Google Analytics voi antaa harhaanjohtavaa tietoa ostopolkujen kestosta (time lag): samat ihmiset näyttäytyvät monena “käyttäjänä”, koska heitä seuraavat evästeet ovat pirstaloituneet eri selaimiin tai vanhentuneet kesken kaiken. Ostopolut näkyvät siis keskimäärin liian lyhyinä.
Käyttäjätunnisteet antavat todenmukaisemman kuvan ostopolkujen kestosta, koska ne kykenevät teknisesti seuraamaan pidempiä ostopolkuja, vaikka evästeet välillä vanhenisivatkin tai asiakas käyttäisi eri laitteita.
Tietoa ostopolkujen kestosta voi käyttää esimerkiksi uudelleenmarkkinointiyleisöjen asetuksissa ja myynnin prosessien kehittämisessä.
Ennustemalli mainonnan vaikutuksen arviointiin
Miten voi yhdistää mainosklikin lopulliseen kauppaan, joka tapahtuu ehkä kuukausien päästä, kenties vieläpä netin ulkopuolella – esimerkiksi, kun vakuutus- tai lainahakemus on käsitelty tai kun asiakas on kävellyt kauppaan ja ostanut auton tai liittynyt kuntosaliketjuun?
Tämä on erityisen tärkeää, kun halutaan ymmärtää, mikä kanava, mainos tai kohdennus todella tuottaa tulosta.
Ratkaisu on käyttää ennustavaa mallia, jossa luodaan käyttäjätunniste heti, kun käyttäjä on osoittanut kiinnostuksensa tuotetta tai palvelua kohtaan. Tunniste lähetetään CRM:ään, jossa seurataan, milloin kauppa lopulta tapahtuu.
Vaikka verkkokaupan eväste ehtisi vanhentua ennen kaupan toteutumista asiakkaan toimintaa voidaan hyödyntää mainonnan tehokkuuden arviointiin. Tämä tapahtuu käyttäjätunnisteen ja kehittämämme ennustemallin avulla.
Ennuste kertoo, kuinka todennäköisesti ja millä summalla asiakas lopulta tekee oston. Näin voimme välittää arvioidun tuoton mainostusalustoille, kuten Google Adsille ja Metalle, vaikka lopullista summaa ei saisi ennen evästeen vanhenemista tai konversion seuranta-ajan päättymistä (Google Adsissa 90 pv).
Vaikka emme pystykään aina yhdistämään jokaista kauppaa suoraan tiettyyn mainokseen reaaliajassa, meillä on siis keino arvioida mainonnan kokonaisvaikutusta tarkasti ja tehokkaasti sekä tukea koneoppimista mainosalustoilla.
Kiinnostaako käyttäjätunnisteiden käyttöönotto? Ota yhteyttä, niin kerromme mitä se vaatii.
Artikkelit samasta aiheesta
Onko asiakaspolkuajattelu kuollut?
Digitaalinen asiointi haastaa perinteisen tavan mallintaa asiakkaan toimintaa lineaarisena asiakaspolkuna. Näin johdat asiakaskokemusta onnistuneesti.
Pullonkaulat analytiikan hyödyntämisessä: tunnista ja avaa ne CARE-mallin avulla!
Usein analytiikkaa ei saada tuottamaan arvoa, koska kohtaamme erilaisia pullonkauloja datan keräämisessä, analysoinnissa ja toimenpiteisiin ryhtymisessä. Helpota näitä haasteita hyödyntämällä CARE-mallia.
Tekoäly ja koneoppiminen rakentavat parempia ostajapersoonia
Ostajapersoona on tuttu työkalu markkinoinnin johtamisen apuna. Suurten kielimallien ja koneoppimisen avulla dataan perustuvien persoonien rakentaminen onnistuu aikaisempaa tehokkaammin. Mitä ostajapersoona tarkoittaa? Ostajapersoonat kuvaavat yrityksen kannalta ideaalisia ostajia. Ostajapersoonan esitys […]
Kiinnostuitko tästä aiheesta?
Soita meille 020 788 8120 tai täytä alla oleva lomake niin jatketaan juttua!