Увеличить аудиторию в 45 раз: способы работать с большими данными в рекламе

Больше половины компаний по всему миру применяют большие данные для развития бизнеса. По мнению рекламодателей, основная причина использовать большие данные — рост рентабельности маркетинговых кампаний. Рассказываем, какие возможности открывают большие данные в рекламе.

Если коротко, то суть performance-маркетинга — измеряемые результаты рекламных кампаний. Здесь вся работа с рекламой завязана на конкретных бизнес-показателях: CPA и ROI, например. Наружная или медийная (например, TV) реклама не может этим похвастаться: между оффлайн-аудиторией и офлайн-кампаниями нет такой четкой связи, выраженной в данных.

В performance-маркетинге данные позволяют анализировать кампании и в дальнейшем оптимизировать их на достижение более высоких результатов. Тем не менее, вручную с небольшим количеством собственных данных маркетолог может сделать немного: найти инсайты об аудитории и выйти на новые сегменты, немного повысить эффективность рекламы, незначительно сэкономить маркетинговый бюджет.

Все данные можно разделить на три категории:

• First-party data — собственные данные, которые компания получила на своих ресурсах. Это могут быть данные из веб-аналитики или CRM.

• Second-party data — косвенные данные, которые являются чьими-то First-party data. Их можно получить по соглашению с партнером: рекламным агентством, например.

• Third-party data — сторонние данные, которые никак не относятся к компании.

Все три категории необходимы для качественной настройки рекламной кампании. Если компания не использует собственные данные, то таргет будет выставлен «вслепую» — например, исключительно по социально-демографическим признакам. Это снижает конверсию баннеров и ухудшает частоту показа на площадках с высокой конкуренцией за аудиторию.

Большим результатам — больше (с точки зрения объема и разнообразия) данных для анализа.

Рекламодателям повезло, потому что есть DMP (Data Management Platform). Они работают со всеми участниками рынка: рекламодателями, рекламными платформами и поставщиками данных. DMP хранит и обрабатывает данные из всех источников, агрегирует third-party данные, а также обогащает данные рекламодателей, в том числе с помощью алгоритмов машинного обучения. Это могут быть интересы пользователей, часто посещаемые сайты, временные метки и ID социальных сетей.

Даже небольшой объем собственных данных можно использовать для выявления паттернов внутри сегмента аудитории и построения lookalike модели.

Разберемся, как это может работать в реальной жизни. Например, компания с небольшой базой CRM и группой лояльных клиентов в соцсети обогащает свои данные атрибутами из DMP. Платформа проводит анализ аудитории и для таргетинга подбирает аналогичный сегмент.

Таким образом lookalike моделирование способно значительно увеличивать аудиторию без снижения точности таргетинга. Например, lookalike моделирование Aidata увеличивает аудиторию более чем в 45 раз с сохранением точности не ниже 88%.

С DMP активно работают и крупные владельцы данных, такие как e-commerce, банки и операторы связи, которым критически важно снижать затраты на маркетинг. Это отличный ресурс для постоянного обновления 3-rd party данных. Очевидных плюса для бизнеса два:

• для бюджета: даже небольшое повышение точности таргетинга и процента конверсии может дать довольно серьезную экономию в абсолютном выражении;

• для коммуникации: глубокая аналитика большого объема данных позволяет выявить наиболее характерные черты аудитории (аффинитивность).

Построение lookalike сегментов и выявление аффинитивности среди аудитории — далеко неполный список инструментов работы с аудиторией в DMP. Например, в Aidata можно и проводить онбординг данных, и создавать собственные actionable-сегменты, в том числе с использованием семантического анализа посещенных страниц.

Теперь рассмотрим, как работа с данными помогает в выстраивании эффективных рекламных кампаний в конкретных нишах.

Фармакологическая компания одновременно рекламирует ряд продуктов на одну и ту же аудиторию. Если таргетироваться исключительно по данным соцдема, то аудитории будут значительно пересекаться, то есть рекламу нескольких препаратов увидят одни и те же пользователи. Это приводит к существенному увеличению бюджетов на привлечение.

Для решения этой задачи проводится массовая охватная кампания для детализации профилей аудитории бренда. Затем Aidata анализирует данные пользователей из CRM по конкретным препаратам, чтобы построить lookalike модели и обогатить сегменты third-party данными. Сегменты нарезаются и автоматически отправляются в рекламные кабинеты — у Aidata интеграция со всеми популярными DSP. Сами рекламные кампании разделены по времени и сезонности – в зависимости от препарата.

Такой подход позволяет снизить стоимость привлечения заинтересованного контакта и увеличить sales uplift по основным продуктам.

Застройщик продает квартиры в строящемся ЖК. Цикл продаж достаточно длинный, и наблюдаются проблемы в нижней части воронки. Качество лидов оставляет желать лучшего: стоимость заявки на просмотр достаточно высокая.

Из пользователей, которые интересуются покупкой жилья в районе ЖК, Aidata собирает кастомные сегменты и импортирует в DSP. Для каждого этапа воронки формируется свой эталонный сегмент, а на примере совершивших конверсию — lookalike сегменты. На основе заинтересованных посетителях сайта строятся сегменты для ретаргетинга, а незаинтересовавшиеся исключаются из последующих кампаний для оптимизации бюджета.

Таким образом можно значительно снизить стоимость заявки на просмотр и увеличить CTR баннеров.

• Данные из DMP дают заметный эффект для повышения эффективности performance-каналов.

• Не обязательно обладать большими объемами данных. Свой небольшой сегмент можно расширить через LAL-моделирование или воспользоваться готовым сегментом из DMP.
• Глубокий анализ собственных данных помогает находить наиболее характерные черты аудитории для коммуникации и сэкономить маркетинговый бюджет через повышение точности таргетинга.