Алгоритмы, модели и пицца: как с помощью programmatic-рекламы эффективно привлекать и возвращать пользователей

Как эффективно привлекать пользователей и не менее успешно возвращать их в продукт на высококонкурентном рынке food delivery? Основными ингредиентами здесь будут данные, предиктивные алгоритмы и широкие возможности In-App-трафика.

В нашем кейсе мы расскажем, как укреплять позиции бренда без космических затрат, и о том, как в решении этой задачи помогают алгоритмы ML и AI.

«Додо Пицца» была основана весной 2011 года в Сыктывкаре. В то время пиццерия работала только на доставку. По состоянию на январь 2024 года российская сеть ресторанов быстрого питания включает 1000 заведений в 21 стране мира помимо России. Релиз приложения состоялся в 2014 году.

На этом проекте у Bidease были сразу две ключевые задачи:

Мы запускались максимально широко и в данном кейсе были задействованы практически все биржи: «Яндекс», ironSource, Vungle, AppLovin, TaurusX, Unity, Mintegral, Fyber, BidMachine, Chartboost, BIGO Ads.

User Acquisition на iOS

Как вы знаете, самая распространенная «головная боль» при работе с iOS-трафиком — это его «неопознанность», проще говоря, отсутствие IDFA.

В нашем случае результативным инструментом, той самой «волшебной таблеткой», стал автопилот, который эффективно и в оптимальные сроки обучил три предиктивные модели. Эти модели учитывали актуальный аукцион и в соответствии с ним распределяли бюджет по биржам, креативам, версиям ОС и прочим параметрам.

Две модели были обучены на конкретные целевые действия, а именно:

Третья модель — широкая, которая представляла собой ансамбль из других моделей.

На этом моменте предлагаем немного задержаться и рассказать вам про ту самую конверсионную связку. Наша широкая модель — это набор из нескольких моделей на разные ивенты по воронке продаж приложения, таких как: купил, не купил и оставил заказ на экране оплаты, добавил в корзину и оставил заказ и прочих. Специалист по закупке In-App-трафика совместно с клиентом выделил наиболее актуальные и репрезентативные действия пользователей внутри приложения, а автопилот в ходе кампании уже сам выбирал из них наиболее подходящие для быстрого и эффективного решения задачи.

Все три модели на автопилоте с момента запуска очень быстро «раскачивались». Буквально за 9–14 дней они набирали необходимое количество статистически значимых данных, дообучались, и уже на 15-й день продвижения мы наблюдали заметное снижение CPI и CPO при двукратном увеличении количества покупок.

В сентябре — октябре 2023-го клиент усилил свои промоактивности. В связи с этим аукцион разогрелся, что отразилось на CPO.

В декабре традиционно перегретый аукцион, что также отразилось на стоимости целевого действия.

User Acquisition на Android

Как известно, Android-трафик в меньшей степени страдает от анонимности пользователей — поэтому в этом случае мы разбавили ассортимент моделей lookalike’ом. Мы обучили LAL-модель на такие целевые действия, как добавление в корзину и покупку. Две другие модели были построены на наших данных и обучены по отдельности на покупку и на набор следующих событий «установка + добавление в корзину + просмотр корзины».

Аналогично iOS-трафику все эти модели были на автопилоте. Мы задали вводные один раз, а уже дальше они всё делали сами, в том числе с помощью наших инструментов для адаптации CPM в зависимости от аукциона и конкуренции на рынке.

Октябрь — ноябрь 2023 — период распродаж и скидок: «Черная пятница», «Киберпонедельник» и пр. В это время стоимость целевого действия подросла.

Декабрь — «горячее» время перед новогодними праздниками.

Retargeting на Android

Пользователям девайсов на Android мы также напоминали о том, что пора вновь побаловать себя вкусной пиццей.

С целью увеличить эффективность ретаргетинговых коммуникаций и выявить наиболее заинтересованную и платежеспособную часть пользователей мы разделили аудиторию клиента на следующие три группы:

Наиболее активным и перспективным для повторных коммуникаций сегментом оказались те пользователи, которые заказывали пиццу в приложении 30+ дней назад. Поэтому мы решили в первую очередь концентрироваться на нем, что позволило нам грамотно использовать бюджет на ретаргетинг и получать внушительные объемы повторных покупок.

Две другие группы реагировали на рекламные касания с меньшей инициативой, но в целом хорошо. Также мы тестировали (и продолжаем тестировать) и другие аудиторные сегменты.

Март 2024-го — период, в который мы проводили тесты на, как выяснилось, весьма холодную аудиторию: «Установили приложение за последние 180 дней» и «Установили приложение за последние 90 дней». Что отразилось на CPO.

Несмотря на то что в данном проекте основной фокус внимания сосредоточен на data-driven-подходе и предиктивных алгоритмах, качественный и в буквальном смысле аппетитный визуал также играл существенную роль. Основная ставка делалась на новинках меню и главных УТП продукта

Для UA-кампаний мы использовали статичные баннеры: квадраты и нативки. Этот формат был недорогим и быстрым в разработке, а также прекрасно соответствовал KPI клиента по стоимости первого заказа.

К примеру, CTR этого баннера в среднем составлял 2%.

Для ретаргетинга использовались вертикальные и горизонтальные видео. Видеоформат прекрасно вовлекал и стимулировал пользователей на повторные целевые действия.

Данное вертикальное видео в среднем показывало CTR 22%.

А теперь переходим к результатам. За время нашего сотрудничества, описанного в кейсе, с мая 2023 по март 2024 включительно, клиент получил 205 000 покупок на iOS, 55 000 покупок и 370 000 повторных покупок на Android.

Данный кейс является наглядным примером того, как технологии ML и AI позволяют эффективно маневрировать между необходимыми объемами трафика с учетом высокой конкуренции на рынке и стоимостью первой и повторной покупки. Таким образом, реклама в In-App становится отличной возможностью для привлечения лояльных и платежеспособных пользователей и для поддержания плодотворной коммуникации с текущей аудиторией.