Realtime AI-scoring booster Hipers online-salg

Strategi

Hiper har siden sin grundlæggelse i 2015 haft fokus på at levere den bedst mulige internetforbindelse til den laveste pris. Med en stærk ambition om at være drevet af data, har Hiper udnyttet kunstig intelligens (AI) og machine learning for at opnå optimal markedsføringsaktivering. Denne case beskriver den løsning, vi udviklede sammen med Hiper, samt de imponerende resultater der forbedrede deres nettoprofit fra annoncering med over 25%, svarende til et sekscifret beløb.

Performance marketing er domineret af "the big two" - Meta og Google. Deres AI-algoritmer er designet til et globalt marked med langt større datamængder, end det vi ser i Danmark. Specielt for Hiper er det en udfordring, da de månedlige konverteringsvolumener er langt lavere end de tusinder eller hundredtusinder, der driver disse algoritmer effektivt. Dette begrænsede Hiper's muligheder for fuldt ud at udnytte Meta og Googles avancerede funktionaliteter for automatiseret indkøb.

Hipers hovedmål var at øge deres nettoprofit (profit efter annonceudgifter) med 10%. For at nå dette ønskede Hiper at identificere, hvilke data de kunne sende til platformene, så algoritmerne kunne foretage de mest intelligente indkøb, selvom Hiper ikke kunne realisere de datamængder, algoritmerne er designet til, fra køb alene.

Et ønske fra Hiper har også været, at man ville undgå høje platforms- og uddannelsesomkostninger til for eksempel en CDP, men derimod udnytte de (næsten) gratis teknologier som er tilgængelige gennem deres eksisterende cloudløsning fra Google (Google Cloud Platform).

I casen bruger vi begrebet “propensity scoring”, som savner en god oversættelse. Begrebet dækker over det at beregne en sandsynlighed for, at en bruger vil foretage en bestemt handling, ud fra deres tidligere adfærd.

Løsning

I tæt samarbejde med Hiper formulerede vi udfordringen:

"Hvordan kan vi udnytte vores egne data og AI, for at øge antallet af datapunkter tilsendt platformene, så vi sikrer, at disse data hjælper algoritmerne med at byde intelligent? "

Vores løsning fokuserer på at forudsige, når en bruger har 10-15% sandsynlighed for at foretage et køb. Dette vil give 6-10 gange flere datapunkter, end hvis der kun optimeres mod gennemførte køb. Forudsigelsen skulle foretages i realtid, og en konvertering skulle sendes til platformene, når en brugers sandsynlighed nåede over tærsklen på de 10-15%.

Vi fokuserede derfor på tre primære elementer:

- Forøgelse af Datapunkter: Markant stigning i antallet af datapunkter for at optimere Meta og Googles algoritmer.

- Højkvalitets datapunkter: Benyttelse af AI og machine learning for at sikre den højest mulige sandsynlighed for køb med de nye datapunkter.

- Realtidsdataoverførsel: Sikring af, at data behandles og sendes uden forsinkelse, så snart en brugers propensity score placerede dem blandt de mest værdifulde.

Kvaliteten af datapunkter: Af de forskellige gængse machine learning modeller, var modellen ”propensity scoring”, den der passede bedst til Hipers konkrete behov. Propensity scoring, giver netop en sandsynlighed for brugerens tilbøjelighed til at foretage en handling – i dette tilfælde et køb. Et plus ved modellen er, at den er tilgængelig gennem Vertex AI i Google Cloud Platform.

Anvendelse af data og træning af Modellen: Vertex AI blev trænet på adfærden af over 100.000 af Hipers brugere – både dem der endte med at blive kunder, og dem der ikke gjorde. For hver af disse brugere havde vi data på, hvorvidt de havde foretaget adresseopslag, lagt i kurv, besøgt hjælpesider, påbegyndt køb og lignende. Denne information anvendes i modellen til at træne modellen, såvel som at beregne propensity scores efterfølgende. Selve datakilden til træningsdata er GA4 data eksporteret til BigQuery.

Data i realtid: En af fordelene ved Vertex AI er, at den faciliterer, at man på millisekunder kan få en konkret brugers propensity score at vide. Googles Server Tag Manager sammen med Firestore-databasen anvendes til at forespørge propensity scores og til at videresende data.

Aktivering: Ved at gemme brugernes adfærd i Firestore, er det muligt at lave realtidsforudsigelser via server tag manager og Vertex AI. Hver gang en bruger blev kategoriseret som værdifuld, blev der sendt en konverteringshændelse til henholdsvis Meta og Google Ads.