EveryStraus _
Для работы с аудиториями у нас есть следующий инструмент: https://promo.everystraus.ru/clasteranalysis . То есть, мы анализируем аудиторию на уровне сайта (кстати, не факт, что это делают рекламные системы в большинстве случаев) и выставляем соответствующие корректировки в биддер. Кроме того, хороший результат показывают кампании по профилю пользователя наиболее конверсионного кластера (то есть, мы отдаем рекламным системам данные на которых AI Яндекса и Googl`а обучается гораздо быстрее)
К50 - это больше не про биддинг, а про правила. Для биддинга существенное значение имеет время на изменение ставки (у нас ставки обновляются каждые 5 минут, у К50 - раз в час). Это не делает К50 хуже - это просто инструмент для другого.
С АI Яндекса и Гугла мы ни в коей мере не конкурируем. Принцип работы биддера (если не брать надстройку в виде оптимизатора конверсий) целиком основан на тех данные, которые отдает сам Яндекс и Гугл, но вручную их обработать с достаточной скоростью проблематично.
Почему, в принципе, не хватает одних автостратегий - ответ в том, что для адекватного обучения алгоритма именно под Вас нужен достаточно большой массив данных (иначе работа идет по усредненным, а это часто оказывается хуже). Поэтому наибольший эффект показывают обычно кампании запущенные на ручных ставках с применением биддера (вся суть которого состоит в том, чтобы выкупить как можно больше полезного трафика по наименьшим ценам), а далее после обучения их уже можно переводить на автостратегии. Кстати, чем больше ключей и объявлений у Вас, тем дольше будут копиться данные для адекватного обучения (в некоторых случаях не накопятся никогда).
Иногда биддинг с надстройкой в виде оптимизатора показывает результат лучше, чем автостратегии. Почему так происходит - сказать сложно. Может, Яндекс и Гугл все-таки не готовы предлагать Вам стратегии, которые слишком занизят расход, а, может, алгоритм, сам по себе не так часто обновляет свои настройки как это требуется с учетом активности Ваших конкурентов и изменений на рынке. Поэтому, собственно, мы рекомендуем всегда экспериментировать и смотреть что получается лучше.
Если интересно узнать и протестировать подробнее - давайте свяжемся и мы Вам всё расскажем ))
Интересный кейс. Хотелось Мы бы все-таки посоветовали попробовать перевести ручное управление ставками на биддер (не обязательно наш, любой) и затем уже это сопоставлять с автостратегиями.
Чаще всего отзывы пишут на эмоциях, причем негативных. Поэтому есть риск, что без маркетинга отзывы о продукте будут только плохими (при том, что большинству он все-таки нравится и полезен). Приходится маркетологам изощряться.
Ок, бумер ))
Очень интересно. Подскажите, какую все-таки модель атрибуции используете по-дефолту и почему? https://support.google.com/analytics/answer/1665189
В нашей компании дают дополнительные дни. Это не влияет на статистику желающих вакцинироваться.
WB и Ozon дают очень много статы по API. Яндекс Маркет тоже.
Описанные механики впечатляют. Очень большая просьба описать подробно как работает ремаркетинг с помощью WhatsApp (откуда изначально данные о номере пользователя попадают в воронку? Даже если используются определители вроде WhantResult или DMP one, то это же не более 5% от всех пользователей). По ссылке в статье ничего такого не нашли.
Большое спасибо за похвалу! Позволим себе не согласиться. Есть общие принципы на которых строится машинное обучение. Главный из них - объем данных. Мы помогаем увеличить этот объем, поэтому, очевидно, делаем работу алгоритмов лучше, что можно проверить с помощью теста. Собственно, сам Яндекс и Гугл во всех своих рекомендациям к маркетологам именно про объем данных постоянно и говорит. Вы можете не использовать кластерный анализ, но в таком случае придется придумать что-то другое.
Кроме того, действительно, часто наши настройки позволяют показать результат лучше, чем автостратегии. Мы можем привести кейсы которые это подтвердят. Это не значит, что наши технологии лучше сработают в конкретном случае - нужно тестировать и проверять что лучше.