Blog
GİRİŞ
Müşterilerin uzun vadeli değerini anlamak HelloFresh için çok önemlidir. Müşteri Yaşam Boyu Değeri (CLV), bir müşterinin bir şirketle olan ilişkisinin tamamı boyunca toplam değerini temsil eder. Bu ölçümü tahmin ederek pazarlama kaynaklarımızı maksimum etki için nasıl tahsis edeceğimiz konusunda daha akıllı kararlar alabiliriz.
Bu makalede, özellikle Arama Motoru Reklamcılığı (SEA) stratejilerimize odaklanarak, CLV’yi tahmin etmenin HelloFresh’i pazarlama harcamalarımızı optimize etme konusunda nasıl güçlendirdiğini ele alacağız. Tahmine dayalı makine öğrenimi modellerinden yararlanmanın verimliliğimizi nasıl artırdığını ve bu veri odaklı yaklaşımın neden büyüme ve pazarlama stratejimizin ayrılmaz bir parçası olduğunu keşfedeceğiz.
Arama Motoru Reklamcılığının Rolü
Arama Motoru Reklamcılığı (SEA), HelloFresh’in potansiyel müşterilerle nasıl bağlantı kurmasında hayati bir rol oynar. Bu, reklamlarımızı insanların zaten bizimki gibi yemek seti hizmetlerini aradığı arama motoru sonuç sayfalarına yerleştirmek için kullandığımız bir tekniktir. SEA’nın güzelliği, yüksek niyetli trafiği web sitemize, yani satın alma işlemi yapmaya hazır kişilere yönlendirebilmesidir.
SEA stratejimizin önemli bir bileşeni, Google’ın hedef reklam harcamalarından elde edilen gelir (tROAS) teklifidir. Bu araç, reklamlara ilişkin tekliflerimizi, hedeflenen yatırım getirisini karşılayacak şekilde otomatik olarak ayarlamamıza olanak tanır. Temelde, reklamlara harcadığımız her dolar için kazanmayı hedeflediğimiz ortalama tutarı Google’a söyleriz ve Google’ın algoritmaları bunun gerçekleşmesini sağlamak için görev alır. Google’ın hedef ROAS kampanyaları hakkında daha fazla ayrıntıyı bu kampanyaların belgelerinde bulabilirsiniz .
HelloFresh, hedef ROAS teklifine odaklanarak yalnızca tıklamaları hedeflemememizi sağlar; müşterilerin gerçekleştirdiği değerli eylemleri (ör. yemek takımları satın almayı) hedefliyoruz. Bu akıllı teklif stratejisi, reklam bütçemizi verimli bir şekilde kullanmamıza yardımcı olarak daha etkili pazarlama kampanyalarına yol açar.
Bunun amaçlandığı gibi çalışması için, Google’ın hedef ROAS algoritmasının gücünden gerçek anlamda yararlanmak amacıyla her dönüşümü uygun şekilde değerlendiren bir ölçüme ihtiyacımız var. Tahmin edilen Müşteri Yaşam Boyu Değerinin (CLV) devreye girdiği yer burasıdır. Dönüştürülen her müşterinin uzun vadeli değerini anlayarak, Google’ın algoritmasını ilk satın alma işleminin ötesine geçen verilerle besleyerek hedef ROAS sisteminin zaman içinde en fazla değeri sunan dönüşümler için optimizasyon yapmasına olanak sağlıyoruz.
Müşteri Değerine İlişkin Tahmin Modelleri
HelloFresh’teki makine öğrenimi/yapay zeka ürün ekipleri, milyonlarca müşterinin ve milyarlarca veri noktasının davranışları ve işlemlerinden beslenen binlerce modeli geliştirir ve yönetir. Modeller, ölçeklenebilir üretim sistemlerinin kesintisiz eğitimini, doğrulanmasını, devreye alınmasını ve izlenmesini kolaylaştıran özel makine öğrenimi işlemleri (MLOps) platformumuz üzerine oluşturulmuştur. Ayrıca özellik depomuz, model girdilerinin yönetimini merkezileştirerek yeniden eğitim sürecini kolaylaştırır ve kuruluş genelinde tutarlılık ve yeniden kullanılabilirlik sağlar.
Tahmine dayalı modelleme, HelloFresh için Müşteri Yaşam Boyu Değerini (CLV) ve Müşteri Kampanya Değerini (CCV), yani bir müşterinin sonraki abonelik dönemini iptal edene kadar ürettiği değeri tahmin etmede çok önemliydi. Müşterilerimizin gelecekteki davranışlarını tahmin etmek için Catboost olarak bilinen güçlendirilmiş karar ağacı tabanlı makine öğrenimi algoritmasının yeteneklerinden yararlanıyoruz . Catboost modeli, çoğunlukla kategorik girdilere (özelliklere) sahip tablo verilerinden çıktıların (hedeflerin) nasıl tahmin edileceğini öğrenmek için özellikle çok uygundur.
Modelimizin odak noktası, bir müşteri grubunun satın alması muhtemel yemek seti sayısını takip eden ortalama sipariş oranıdır. Bir dönüşüm grubunu (belirli bir zaman diliminde ilk satın alma işlemlerini gerçekleştiren bir müşteri grubu) analiz ederek yalnızca anlık değeri değil, bu müşterilerin HelloFresh’e getireceği kalıcı değeri de tahmin edebiliriz.
Tahmine dayalı modelimiz, bir müşterinin kazanıldığı kanal gibi çeşitli müşteri özelliklerinin yanı sıra erken sipariş davranışı ve katılımını da dikkate alır. Bu özellikleri kullanarak, HelloFresh ile müşterilerimizin kalıplarının, tercihlerinin ve potansiyel uzun ömürlülüğünün ayrıntılı bir resmini çizebiliyoruz.
Modelin tahminlerini gerçek, gerçek sonuçlara göre değerlendirerek, özellikle müşteri ve grup düzeyinde Ortalama Ortalama Yüzde Hatayı (MAPE) kullanarak, yaklaşımımızda sürekli olarak ince ayar yapıyoruz. Bu ölçüm, bir müşterinin değerinin ne olmasını beklediğimiz ile gerçekte ne olduğu arasındaki farkı anlamamıza yardımcı olarak, pazarlama harcamalarımızın verimliliğini artıran veriye dayalı kararlar almamıza olanak tanır. Daha sonra, tahminleri gerçekçi bir ortamda değerlendirmek için geçmiş veriler üzerinde karar almayı simüle ederek model performansımızı da geriye doğru test ediyoruz. Gerekli doğruluk düzeyi, (kusurlu) model olası sonuçların varyansını arttırdığından, modellenen tahminlere dayandıracağımız kararlara bağlıdır. İdeal olarak, bu kararlar ve altta yatan motivasyon, yani hipotezlerimiz, kontrollü deneylerle test edilecektir (aşağıya bakınız).
Geriye dönük testler en güvenilir değerlendirme yöntemini sağlasa da, bunların yine de zaman içinde özellikler ve hedef değerler arasındaki ilişkilerin değişmesine ve sapmaya eğilimli olduğunu unutmayın. Bu, özellikle müşteri kazanımları (dönüşüm olayları) ile nihai müşteri değerlerinin aylar, hatta yıllar uzakta olduğu ve bu arada müşteri davranışının yanı sıra iş uygulamalarının da anlamlı şekilde değişmiş olabileceği durumlarda sorunludur. Haftalardan yıllara kadar çok sayıda farklı ufuk modeli eğiterek, temeldeki verilerin kayma potansiyelini aynı anda yalnızca sınırlı bir dönemle sınırlandırarak bu etkilere kısmen karşı koymayı başardık.
Ayrıca, özellikle reklam harcamalarımızın verimliliğini optimize etme kullanım durumu için, yeni dönüştürülen müşteri değeri tahminlerinin zamanında sunulmasının çok önemli olduğunu unutmayın. Bu nedenle, aktif bir müşterinin davranışı hakkında daha fazla veri topladıkça tahminlerimiz daha doğru hale geldiğinden, hız ve doğruluk arasında bir denge kurma durumuyla karşı karşıya kalıyoruz ve dönüşüm değerlerini Google gibi reklam platformlarına mümkün olan en kısa sürede geri beslemek istiyoruz. Böylece tekliflerini hedeflerimiz doğrultusunda güncelleyebilirler.
Bu tahmine dayalı modeller sayesinde HelloFresh, müşterilerimizin ihtiyaçlarını ve değerlerini daha iyi anlayabilir ve öngörebilir, böylece uygun maliyetli bir pazarlama stratejisi sürdürürken beklentilerini yalnızca karşılamakla kalmayıp aşmamızı da sağlar.
Pazarlama Verimliliğine Olumlu Etkiler
CLV ve CCV için tahmine dayalı modellemeye yaptığımız yatırım, özellikle pazarlama verimliliği alanında somut sonuçlar verdi. En önemli sonuçlardan biri Müşteri Edinme Maliyetindeki (CAC) azalma oldu. HelloFresh, bu modellerin stratejik uygulaması sayesinde, farklı hedeflere sahip Google Arama kampanyaları genelinde yapılan kontrollü deneylerle kanıtlandığı gibi, reklam harcamalarından elde edilen gelirde (ROAS) %14’lük bir artış elde etti. Kontrol grupları edinme başına maliyeti en aza indirecek, yani belirli bir bütçe için dönüşümleri en üst düzeye çıkaracak şekilde oluşturulmuş olsa da, tedavi grupları tahmine dayalı müşteri değeriyle hedef ROAS’tan yararlandı ve bu da aşağıdaki farklara yol açtı:
CAC’deki azalma, yeni müşterileri eskisinden daha düşük maliyetle çekebildiğimiz anlamına geliyor. Hangi potansiyel müşterilerin sadık HelloFresh kullanıcısı olma ihtimalinin yüksek olduğunu tahmin ederek pazarlama çabalarımızı daha kesin bir şekilde hedefliyoruz. Dolayısıyla makine öğrenimi modellerimiz, doğru potansiyel müşterileri kazanmak için doğru miktarda harcama yapmamıza yardımcı oluyor. Sonuç olarak, pazarlama harcamalarımız yalnızca daha verimli (daha yüksek yatırım getirisi) değil, aynı zamanda daha etkili (daha büyük genel değer yaratımı) oluyor.
Olumlu etki, maliyet tasarrufunun ötesine uzanır. Bu modellerle elde edilen verimlilik, kaynakları pazarlama stratejilerimizi daha da geliştirmek ve genel müşteri deneyimini geliştirmek için yeniden yatırabileceğimiz anlamına geliyor. Bu sürekli iyileştirme döngüsü büyümeyi teşvik ediyor ve yemek seti dağıtım pazarındaki konumumuzu daha da güçlendiriyor.
HelloFresh Üründen Sorumlu Kıdemli Başkan Yardımcısı Annie Meininghaus, değere dayalı pazarlama optimizasyonunun stratejik etkisini şu şekilde özetliyor:
“Tahminsel modellemeyi pazarlama çalışmalarımıza entegre ederek, müşterilerimize öncelik verebiliyoruz ve onların ihtiyaçlarını daha derinlemesine anlayabiliyoruz. Bu sadece anlık kazanımlarla ilgili değil; müşterilerle uzun süreli ilişkiler yaratmakla ilgilidir. Günlük pazarlama kararlarımız sağlam kanıtlarla destekleniyorsa, şirket için uzun vadeli vizyonumuzu geliştirebiliriz. Teknoloji ile temel değerlerimiz arasındaki bu uyum, HelloFresh’teki sürekli inovasyon kültürünün bir kanıtıdır.”
Gelecekteki yönlendirmeler
Mevcut stratejilerimizden gördüğümüz olumlu sonuçlar, HelloFresh’te heyecan verici sonraki adımlara zemin hazırladı. Gelecek planlarımız, tahmine dayalı pazarlama çabalarımızı, sosyal medya, görüntülü reklam ve video dahil olmak üzere daha geniş bir platform yelpazesini kapsayacak şekilde Arama Motoru Reklamcılığının ötesine genişletmeyi içermektedir. Bu genişleme, çeşitli müşteri segmentlerinden ve tercihlerinden faydalanmamıza olanak tanıyarak erişimimizi ve etkimizi daha da geliştirecek.
Modellerimiz yalnızca müşteri davranışını tahmin etmekle kalmayacak, aynı zamanda bütçemizi farklı reklam öğelerine, kitlelere ve kanallara nasıl dağıtacağımız konusunda da bilgi sağlayacaktır. Hangi kombinasyonların en iyi sonuçları verdiğini analiz ederek pazarlama fonlarımızı dinamik olarak en yüksek performans gösteren alanlara yeniden dağıtabiliriz.
Ayrıca, reklam harcamalarından elde edilen gelir (ROAS) için en uygun hedefe karar vermek amacıyla tahmine dayalı modellerimizden elde edilen bilgileri kullanmayı planlıyoruz. Bu, kârlılık hedeflerimizi yalnızca karşılamamızı değil, aşmamızı da sağlayacaktır.
Kısacası tahmine dayalı modelleme, pazarlama stratejimizin temel taşı haline geliyor. Bu çabalarımızla müşterilerimizin ihtiyaçlarını daha etkin bir şekilde karşılamaya ve pazarda rekabet avantajımızı sürdürmeye devam edeceğiz. Biz bu planları gerçeğe dönüştürürken, HelloFresh’i pazarlama gelişmişliği ve müşteri memnuniyetinde daha da yüksek noktalara taşırken bizi izlemeye devam edin.
Çözüm
Müşteri Yaşam Boyu Değeri için tahmine dayalı modelleme yolculuğumuz HelloFresh’i pazarlama verimliliğinde yeni ufuklara taşıdı. Müşterilerimizin değerini doğru bir şekilde tahmin ederek pazarlama harcamalarımızı optimize ettik, Müşteri Edinme Maliyetimizi önemli ölçüde düşürdük ve çeşitli pazarlama platformlarında daha geniş uygulama için zemin hazırladık.
İlerledikçe, harcanan her doların müşteri tabanımızın ve HelloFresh grubu markalarının sürdürülebilir büyümesine yapılan bir yatırım olmasını sağlayarak stratejilerimizi geliştirmeye devam edeceğiz. Yeniliğe ve sürekli iyileştirmeye olan bu bağlılık, bir stratejiden daha fazlasıdır; bu, insanların yeme biçimini sonsuza dek değiştirmeye olan bağlılığımızın bir yansımasıdır.