Как анализировать рекламу в онлайн- и оффлайн-каналах с помощью искусственного интеллекта

Директор Data-практики AIC Сергей Полевич делится своими источниками и инструментами AI.

Компании тратят на телерекламу бюджеты от десятков миллионов до миллиардов рублей в год. Суммарный объем рекламы на ТВ в 2019 году составил 175 млрд. рублей, что на 6% меньше, чем в прошлом году. В то же время объем рынка интернет-рекламы за прошлый год вырос на 20% и достиг суммы 244 миллиарда рублей.

Бюджеты на телерекламу перестали расти, потому что специалистам не понятно, как ее измерить, как выяснить, что срабатывает и приносит доход, а что нет. В интернет-рекламе мы всегда можем сделать детализацию до конкретных креативов, рекламируемых товаров, времени выходов площадок и пр. С ТВ все не так просто.

Расскажу, как мы решали вопрос с замерами телерекламы и поделюсь нашими методами анализа влияния разных онлайн- и офлайн-каналов друг на друга.

Разница в замерах телерекламы и интернет-рекламы

Телереклама измеряется не полностью по всем показам, а только частично. Как правило, это выборка примерно из десяти тысяч людей (порядка 0.01% всех зрителей). Компании учитывают только общие показатели: замеряют, сколько человек посмотрели ролик. Таким способом можно лишь примерно посчитать эффект от телерекламы в целом — сравнить годовые показатели по продажам и проанализировать, как они менялись с рекламой и без.

Идеально решение – получить отчет, как в онлайн-рекламе. Возможно ли это?

При этом онлайн-рекламу можно проанализировать очень быстро. Запустить ее на один день, посмотреть на эффект, а уже на следующий день внести какие-то изменения: сократить сегмент, который работает плохо, перераспределить бюджет на более успешный канал и так далее.

Кейс

Как измерить эффект от телерекламы на тех же показателях, как и в интернет-рекламе? Именно с таким запросом к нам пришел клиент. Эффект рекламы мы замеряли на онлайн-продажах компании.

Исходные данные:

– весь поток данных о поведении на сайте

– данные из рекламных систем (онлайн-реклама)

– отчет из Mediascope (исследовательская компания (ранее «TNS Gallup Media»), занимается медиаисследованиями, мониторингом СМИ (ТВ, наружной рекламы, плазменных панелей, прессы, радио, Интернета), мониторингом креативов и пресс-клипингом).

Решение

Нужно было так обработать исходные данные, чтобы на выходе получить тот же кликстрим (записанная последовательность ссылок, которые посещал пользователь: какую страницу он посещал, куда нажимал и т.д.), в котором у нас будут выделены отдельные сессии именно с телевидения. После этого можно уже выводить данные на дашборд и делать отчет, либо использовать данные в онлайн-рекламе (например, каким-то образом менять сайт на то время, когда идет показ телерекламы).

Как связать кликстрим с показами рекламы? Первоначально кажется, что единственный вариант — связка по времени. Рекламный ролик вышел в эфир, и сразу после показа люди начинают заходить на сайт. Это и будет время начала сессии.

Сначала мы планировали запустить телерекламу и посмотреть, насколько вырастут клики. Запустили, посмотрели и не увидели ничего интересного — заметных всплесков не было. В тот момент активно работала онлайн-реклама, плюс пользователи заходили на сайт через органический поиск и напрямую.

Первым делом мы построили временные интервалы по 30 секунд от момента показа ролика, и в этих интервалах анализировали, насколько поднялись посещения.

Потом мы взяли несколько таких временных интервалов и посмотрели, насколько по ним в среднем поднимается трафик по сравнению с обычным режимом вне этих интервалов. Таким образом, мы подобрали нужное временное окно в 5 минут, где определялся подъём посещений по сравнению со временем вне интервала.

Возникает вопрос, как описать связь времени захода на сайт с тем, что человек зашёл с телерекламы?

Вариант 1

Первый подход самый примитивный: мы полагаем, что в это временное окно все сессии пришли с телерекламы. Довольно очевидно, что этот подход плохой, потому что за этот интервал пользователи могут прийти откуда угодно. Причем, вероятность того, что человек пришел именно с ТВ ниже, чем из других каналов.

Вариант 2

Второй вариант — посчитать вероятность. Например, за 7 минут у нас пришло Х сессий, и вероятность того, что они пришли благодаря телерекламе ≤10%. Не самая хорошая модель, но уже хоть что-то.

Вариант 3

Нужно было придумать, как улучшить эту модель. Для начала мы решили отталкиваться от регионального фильтра. Не вся реклама федеральная, есть и региональные показы. С такой фильтрацией уже гораздо лучше видна разница. Когда реклама транслируется, например, в Екатеринбурге, и мы смотрим статистику только по одному этому городу, пик посещений становится заметнее. Таким образом, мы уже получаем вероятность посещений с телерекламы не 10%, а условно 50%.

На следующем этапе мы используем машинное обучение. Теперь можно попытаться кластеризовать посетителей, которые заходили на сайт во время нашего временного интервала,— определить характерное поведение пользователей, пришедших именно с телерекламы. Такой подход позволял нам увеличивать вероятность еще в два раза.

Результаты

На выходе у нас появляется кликстрим, в котором записано, какие сессии пришли из телерекламы. На основе этих данных уже можно посчитать конверсию и продажи — мы знаем, сколько денег заработал каждый выход рекламы.

Но все же в этой модели еще остается вопрос с отложенным заходом, когда человек посмотрел телерекламу и перешел на сайт не сразу. Эту часть трудно предсказывать, поэтому мы решили проверить ее на том самом идеальном примере, когда у нас был спецпроект, по которому запускали только телерекламу.

Мы обнаружили, что внутри рассчитанного интервала заходит около 80% людей. В итоге мы не можем утверждать, что конкретный пользователь с конкретной сессии перешел и совершил конверсию, но для задачи сравнения каналов и креативов этой погрешности хватает.

Еще одной проблемой в процессе анализа оставалась скорость. Все происходило слишком медленно, было много ручной работы. Хотелось автоматизировать процесс и получать информацию в режиме реального времени, чтобы оперативно менять сайт или корректировать ставки в рекламных кабинетах Яндекс Директа и Google Ads.

Мы выбрали принцип Shazam – поиск соответствия образцам по аудиодорожке. Для этого перед началом поиска мы загрузили все креативы, участвующие в ТВ-кампании. По соответствию с ними мы идентифицировали в эфире все выходы нашей рекламы. Уже через 20 секунд после того, как начинал проигрываться ролик, эта информация поступала к нам. Далее в автоматическом режиме корректировались ставки в рекламных кабинетах. К сожалению, работающую версию удалось сделать только в Google Ads, поскольку Яндекс Директ корректировал ставки дольше чем расчётный интервал заходов на сайт.

В итоге у нас получилась такая система: телезритель посмотрел рекламу, в это время мы отследили, что рекламный ролик был в эфире, и отправили информацию в наш аналитический сервис. Из полученных данных собрали дашборд и отправили информацию в рекомендательный сервис на сайте и в рекламную систему в онлайн-рекламе.

На основе финального отчета уже вполне можно было сделать выводы о текущей рекламной кампании и в процессе вносить изменения.

Так и получилось в нашем кейсе: рекламодатель увидел, что реклама отыгрывает плохо и решил поменять выходы роликов и убрать неудачные креативы. Эффективность выросла, и реклама стала окупаться.

ТВ-тренинг – измерение эффективности телерекламы с помощью онлайн-инструментов

Вывод

Наш кейс показывает, что бюджеты на телерекламу можно формировать, основываясь на детальном изучении эффективности прошлых кампаний: если раньше рекламодатель понимал общее увеличение продаж без детализации причин, то теперь он оценивает, что сработало более эффективно и использует эти данные при планировании следующих кампаний. Это произошло благодаря переходу от измерения охвата и брендовых показателей к определению эффективности конкретных параметров показа рекламы.

Важно понимать, что мой подход не поможет, при планировании вашей самой первой кампании. Но если вы проведете с ТВ-тренингом одну и оцените результаты, то следующие кампании можно планировать, опираясь на эффективность предыдущей.

Описанный выше метод хорошо подходит для промежуточных замеров в процессе проведения рекламной кампании: запускаете рекламу на неделю, останавливаете и замеряете, где эффект лучше, где хуже, далее — корректируете телеканалы, время показа, креативы и пр. Этот подход начали применять в Европе, у нас же пока не знаю примеров, когда меняли план в процессе кампании из-за низкой эффективности. Думаю, нынешняя тенденция к сокращению бюджетов на ТВ станет стимулом сделать ТВ-рекламу более гибкой.

Друзья, это был наш первый пост на VC в статусе корпоративного аккаунта. Теперь мы будем регулярно делиться с вами кейсами и экспертизой наших практик.

Надеемся, сегодняшний кейс Data практики был вам полезен. Ждем ваших вопросов и комментариев.

0
2 комментария
EveryStraus _

Очень интересный кейс, хотя, конечно, повторить его будет достаточно сложно. Как, кстати, Вы конверсии в продажи считали? Имеется в виду, вручную смотрели все в CRM/писали весь софт самостоятельно? Или использовали что-то готовое для этого?

Ответить
Развернуть ветку
AIC
Автор

Спасибо за оценку кейса! Чтобы посчитать продажи, мы оффлайн-конверсии после оформления заказа на сайте передавали в веб-аналитику из CRM в автоматическом режиме. Для этого написали код для интеграции CRM с веб-аналитикой.

Ответить
Развернуть ветку
-1 комментариев
Раскрывать всегда