Оптимизатор от CyberBrain: как HAVAL получил лиды в день запуска рекламы и сократил CPA на 37%
Как отслеживать эффективность каналов в сегментах с длинным циклом сделки? Вместе с HAVAL и агентством Media Wise мы показали, что даже в авторитейле можно получать заявки с первого дня старта кампаний. Это история о том, как прокси-конверсии, модель Шепли и ML-оптимизатор помогли нашему клиенту снизить CPA и эффективно управлять бюджетами.
Всем привет! Мы — CyberBrain, независимая аналитическая платформа для оптимизации медиа- и performance-кампаний. Объединяем post-ckick и post-view данные, строим сквозную аналитику и делаем рекламу по-настоящему эффективной — собственно, об этом наш кейс.
Проблематика HAVAL
- Цикл накопления данных был слишком долгим — приходилось ждать 2–3 недели, прежде чем можно было вносить изменения в кампании.
- Окна атрибуции различались — поскольку медийные, performance-кампании, баннеры и видео анализировались по разным моделям, были сложности с единой оптимизацией.
- Обработка данных занимала много времени — маркетологи вручную собирали отчёты с десятков платформ, тратя на это до трёх дней каждую неделю.
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. CyberBrain использует для этого модель Шепли — продвинутую data driven модель атрибуции, которая основана на теории кооперативных игр и расчётах нобелевского лауреата по экономике Ллойда Шепли. Она предельно точно распределяет ценность между каналами, учитывая их взаимодействия между собой.
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 итоги
- 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» CyberBrain
- Получает данные о прокси- и финальных конверсиях.
- Выявляет закономерности между площадками, креативами и поведением пользователей.
- Автоматически корректирует бюджеты на базе 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 максимально эффективно распределять рекламные бюджеты.
Выводы
Наш опыт сотрудничества с HAVAL показывает, что продвинутая аналитика и машинное обучение могут стать ключевыми инструментами для маркетинга в отраслях с длинным циклом сделки. Вместо недель ожидания для принятия решений — автоматизированная обработка данных. Вместо разрозненных моделей — единый подход к оценке эффективности каналов. Вместо ручной рутины — алгоритмы, которые сами находят точки роста и перераспределяют бюджеты.
И это только начало! Больше полезного об атрибуции, аналитике и оптимизации расходов на рекламу — в нашем TG-канале.