«Оптимизатор» CyberBrain в деле: как HAVAL сократил CPA на 37% и получил первые лиды уже в день старта рекламных кампаний
Продажи в сегменте автострахования и авторитейла имеют длинный цикл сделки. Но как при этом отслеживать эффективность каналов, чтобы не тратить деньги впустую? CyberBrain совместно с HAVAL и агентством Media Wise реализовали проект, позволивший снизить CPA на 37% за счёт грамотного похода к аналитике и машинному обучению.
Проблематика
- Длительный цикл накопления данных — для оптимизации кампаний требовалось ждать 2-3 недели, пока наберётся достаточная статистика, а это замедляло корректировки.
- Разные окна атрибуции — медийные, performance-кампании, баннеры и видео анализировались по разным моделям, что затрудняло их единую оптимизацию.
- Сложность обработки данных — маркетологи тратили до трёх дней в неделю на сбор информации из десятков площадок. Это усложняло принятие решений.
Реализация
Чтобы преодолеть эти вызовы, мы помогли команде HAVAL внедрить несколько ключевых инструментов:
1. Сквозная аналитика от показа до заявки
Для комплексного анализа эффективности кампаний была развёрнута сквозная аналитика, которая объединила данные из рекламных кабинетов, Google Analytics, Google BigQuery и AdRiver. Это позволило ежедневно отслеживать эффективность каналов, креативов и таргета.
2. Data-driven атрибуция Шепли
При множественных касаниях пользователя с рекламой важно корректно определить вклад каждого источника в конверсии. Модель Шепли — это уникальный инструмент, который позволяет избежать дублирования и правильно распределить ценность каналов.
3. Прокси-конверсии для ускоренной оптимизации
HAVAL работает с длинным циклом сделки. Чтобы ускорить оптимизацию, была внедрена система прокси-конверсий — промежуточных метрик, предсказывающих вероятность финального целевого действия.
Промежуточные результаты
- Вместо редких заявок на тест-драйв анализировались более частые действия: скачивание брошюр, просмотр страниц авто, глубина взаимодействия с сайтом.
- Выбор прокси-конверсий подтвердили статистическими методами (T-критерий Стьюдента, индекс Жаккара).
- Эти метрики накапливались всего за 6 дней, что позволило запускать оптимизацию в 3 раза быстрее.
Оптимизация кампаний с помощью машинного обучения
После внедрения сквозной аналитики, атрибуции и прокси-конверсий возникла новая задача — автоматизировать перераспределение бюджетов между десятками площадок и сотнями рекламных кампаний.
Как работает «Оптимизатор»
- Получает данные о прокси- и финальных конверсиях.
- Выявляет закономерности между площадками, креативами и поведением пользователей.
- Автоматически корректирует ставки и бюджеты на основе ML-алгоритмов.
- Обновляет расчёты на основе новых данных без необходимости завершать кампанию.
Гипотезы и улучшения
За 7 месяцев команды HAVAL, Media Wise и CyberBrain протестировали и внедрили несколько стратегий:
- Разделение оптимизации медийных и performance-кампаний из-за разницы в KPI.
- Корректировка частоты оптимизаций в зависимости от атрибуционных окон.
- Исключение площадок с невозможностью оперативной оптимизации.
Результаты
- CPA снизился на 37% благодаря ML-оптимизации и прокси-конверсиям.
- Время накопления статистики сократилось вдвое — с 61 до 29 дней.
- Кампании начали приносить лиды с первого дня запуска.
- Автоматизация позволила эффективнее управлять бюджетами.
Выводы
История нашего клиента показывает, что продвинутая аналитика и машинное обучение — не просто тренд, а необходимый инструмент для маркетинга в отраслях с длинным циклом сделки.
Больше полезного об атрибуции, аналитике и оптимизации расходов на рекламу — в нашем TG-канале.