Можно ли определить, как именно просмотры медийной рекламы влияют на сделки? Да! Читайте совместный кейс Smartis, ГК ФСК, международного агентства OMD и сервиса коллтрекинга CoMagic.
Клиент
ГК ФСК — один из крупнейших девелоперов Москвы, Московской области и Санкт-Петербурга. Портфель компании представляет собой 25 объектов недвижимости. Это квартиры бизнес- и комфорт-класса.
Маркетинговый отдел застройщика постоянно тестирует новые подходы и мартех-технологии в рекламе, чтобы стабильно повышать ROMI и получать больше выручки при снижении затрат на продвижение.
Значимую часть в маркетинговой стратегии застройщика занимает медийная онлайн-реклама. Традиционные модели аналитики позволяют посчитать эффективность такой рекламы от клика до сделки, однако влияние на конечный результат оказывают не только клики, но и просмотры. Именно поэтому команда девелопера решила реализовать у себя систему postview-аналитики.
Что такое postview-аналитика
Объясним на примере. Вы размещаете рекламный баннер в интернете или видеоролик на YouTube. Какая-то часть аудитории переходит с него на сайт, а какая-то просто смотрит рекламу и не совершает целевых действий. Однако баннер или видеоролик все равно был замечен, и, возможно, через какое-то время часть аудитории из «просто посмотревших» начнет искать вашу компанию в интернете. Конверсия в этом случае будет учитываться по первому клику и SEO или контекстной рекламе. На самом же деле этой конверсии уже предшествовало «знакомство» с вашей компанией — просмотр баннера.
Postview-аналитика позволяет оценить конверсии на сайте с точки зрения этого первого «знакомства» и связать данные просмотра конкретным пользователем с его дальнейшими действиями.
Подобный анализ особенно важен для отслеживания эффективности брендовой рекламы.
Рostview-аналитика охватных медиа до сделок и доли рекламных расходов — достаточно узкая прикладная тема в контексте улучшения ключевых показателей бизнеса. И всё же это одна из немногих системных точек роста, которую можно отнести к стратегии «голубого океана».
Задача
Понять, насколько эффективна медийная реклама, чтобы сделать управляемой верхнюю часть воронки и ориентироваться не на косвенные метрики, а на прямые показатели — такие как встречи, договоры, сделки.
Сегодня застройщики являются в некотором смысле заложниками performance-маркетинга, в отличие, например, от рекламодателей в FMCG. «Соскочить с иглы» last-click все еще страшно. Потому что, по сути, это прыжок в темноту, а для осмысленного шага требуется аналитика принципиально иного уровня.
С чего начали построение postview-аналитики
Рядовая воронка продаж девелопера выглядит следующим образом:
Два нижних этапа — это часть воронки с четкими и понятными KPI, которые легко посчитать и связать с бизнес-показателями. Команда маркетологов ГК ФСК точно знает, какая именно рекламная активность приносит и лиды, и деньги. А вот с верхней частью воронки всё традиционно сложнее. Она отвечает за привлечение большей части лидов, и в ней находятся самые охватные каналы — медийная реклама. Сложность медийки в том, что каналов много, стоят они дорого и найти лучший по соотношению «цена — качество» — нетривиальная задача.
Вот какие вопросы встали перед отделом маркетинга застройщика при необходимости инвестиций в охватные медиа:
1. Какой бюджет нужно инвестировать в верхнюю часть воронки, чтобы повлиять на нижние уровни и выполнить план продаж?
2. В какие источники лучше инвестировать этот бюджет — в онлайн или офлайн?
3. Как выбирать рекламные источники, которые подойдут для этих целей?
Существует три подхода к анализу эффективности охватных медиа — моделирование (brand health tracking и/или эконометрика), комбинированный подход (так называемый brandformance: post-click + моделирование) и postview.
Первые два подхода встречаются наиболее часто: первый традиционно используется для офлайн-медиа, второй — для онлайн. Их относительно легко применить, реализовать inhouse и посчитать. Но у них есть ряд недостатков, в частности:
- ретроспективность (выводы нельзя применить в течение флайта),
- поверхностность (анализируется влияние флайта целиком, без детализации до конкретного сегмента или креатива),
- фрагментарность (стоимостные показатели — CPL/CPO — анализируются в отрыве от CJM, в жестко заданных временных границах, с существенной статистической погрешностью, что делает результаты ужасающе дорогими).
Поэтому мы и решили протестировать третий метод, который применим только к онлайну, но зато снимает все сложности и ограничения первых двух. Он полностью решает проблемы учета миграции лидов по рекламным каналам между просмотром и конверсией и потери той анализируемой части лидов, которая приходит спустя время.
Технология работы postview-аналитики
Postview — это революция на рынке медийной рекламы. Многим интересно узнать, видел ли ваш клиент, купивший квартиру, тот или иной ролик или баннер. Как повлиял конкретный ролик на принятие решения о покупке именно у вас и именно этой квартиры. В этом и есть магия postview — все можно посчитать и увидеть в цифрах и данных.
Как технически работает postview-аналитика
1. В основе postview-аналитики лежит отслеживание просмотров конкретным пользователем через AdTracker. Это пиксель, который размещается на баннере, в видеообъявлении и т.д. Он фиксирует просмотр определенного баннера каким-либо пользователем и присваивает этому пользователю обезличенный идентификатор.
В случае с этой рекламной кампанией всю работу по подключению AdTracker и организации взаимодействия с рекламными площадками реализовало международное агентство OMD.
2. Спустя какое-то время пользователь заходит на сайт компании. И не обязательно по прямой рекламной ссылке. Возможно, он просто вспомнил рекламный ролик застройщика на YouTube и решил посмотреть планировки квартир. В момент захода на сайт его идентификатор AdTracker связывается с Client ID — данными, которые отслеживают Google Analytics или Яндекс.Метрика. Таким образом, фиксируется история действий пользователя от просмотра медиаобъявления до его дальнейшего взаимодействия с сайтом.
3. Но это еще не всё! Благодаря подключению сквозной аналитики можно проследить путь пользователя до следующих этапов воронки — обращений, брони, сделок, факта продаж и размера выручки. Можно посчитать долю рекламных расходов каждого канала и количество сделок, которые принес каждый конкретный ролик. В этом случае бизнес-результат можно посчитать на реальной выручке до сделки, а не на трафике и целевых звонках.
Вот так выглядит общая схема работы postview для ФСК:
Коллтрекинг CoMagic передавал данные по обращениям в Smartis, где клиент (маркетологи ГК ФСК) уже видел всю отчетность по движению лида:
В карточке каждого клиента отражено, когда и какой именно видеоролик он посмотрел и какими были его дальнейшие действия после перехода на сайт застройщика.
В данном случае видно, что пользователь посетил сайт спустя десять дней. Затем совершил еще два визита, позвонил. После чего перешел на нижнюю часть воронки — посетил офис застройщика, запросил договор купли-продажи и в итоге забронировал квартиру.
Атрибуция Шепли как способ оценить вклад разных рекламных касаний
В рекламе недвижимости на один клик может приходиться десять и более просмотров баннера / ролика. Поэтому логично появление вопросов о том, как правильно распределить между собой влияние медийных и performance-каналов, как понять их роль в принятии решения о покупке
Если использовать линейную модель атрибуции или first-click, то медийка «оттянет» на себя вес и исказит картину данных, которые оказывают влияние на принятие решений. В этом случае выбор наиболее релевантной модели атрибуции становится действительно важной задачей для бизнеса.
Что такое метод Шепли и почему именно он
Это математическая модель из теории кооперативных игр. Она оценивает вклад в успешный результат, который сделали игроки в том или ином командном составе, ищет оптимальную конверсионную цепочку и обеспечивает повторяемый, контролируемый результат. В нашем случае под игроками подразумеваются рекламные касания.
Таким образом, на основе метода Шепли используют модель атрибуции data-driven-маркетинга.
Чтобы рассчитать сотни миллионов касаний по модели Шепли, потребовались и работа классных программистов, и серьезные серверные ресурсы. Всем этим занялась команда OMD.
Важно отметить, что при кажущейся сложности интегрировать postview-аналитику в процессы оптимизации нетрудно. Большое достижение, что разработанное решение с минимальными доработками имплантировалось в текущую структуру решений клиента и стало его бесшовным дополнением, а не новым дополнительным источником правды.
Реализация проекта была выполнена в два этапа:
— быстрый MVP
— Postview на сквозной воронке
Быстрый MVP позволил за короткое время подтвердить работоспособность модели. На этом этапе анализировали результаты от просмотра рекламы до звонка с сайта вне зависимости от того, был ли переход с медийного объявления или пользователь посетил сайт спустя какое-то время с других каналов.
Postview-аналитика на сквозной воронке. Данный этап позволил выстроить полноценную postview-аналитику до нижних уровней воронки продаж. В итоге общую эффективность медийной рекламы удалось оценить до этапов «визит», «бронь», «оплаченный договор» и т.д.
Результаты
Стоит оговориться, что они — промежуточные. Почему? Потому что нужно учитывать движение когорт посетителей. Показы — это очень большое значение, которое удалось собрать на текущий момент, но нужно еще время, чтобы дождаться, когда та или иная рекламная когорта совершит свой дальнейший путь по воронке.
Тем не менее, анализируя текущие показатели сплита, можно отметить, что благодаря использованию postview-аналитики с учетом метода Шепли для построения подходящей модели атрибуции удалось увеличить число конверсий на 80 % при сокращении их стоимости почти на 40 %.
Но главное — это приобретённые прозрачность и управляемость медийной рекламы, сопоставимые с performance. Теперь застройщик может менять медиаплан, исходя из точных данных, а не гипотез и статистических моделей.
Если провалиться от общего результата по анализируемому флайту до конкретных площадок и сравнить результаты по postview Шепли с предыдущей классической моделью оценки, то будет видна четкая картина изменений. Результативность части каналов выросла в 4–5 раз, а у других изменения практически незаметны или даже отрицательны. Абсолютно понятно, как на основе этого перераспределять рекламные инвестиции внутри канала. Вот эта уверенность в своих действиях на основе данных и есть главное достижение технологии.
Какие инсайты получили еще
Postview-аналитика дополнительно ответила еще на ряд вопросов, которые задают себе маркетологи:
— Какова должна быть эффективная частота контактов с медийным объявлением? — Сколько раз человеку нужно посмотреть рекламу, чтобы в итоге перейти на сайт? — Какова длительность цикла сделки в недвижимости от первого просмотра рекламы?
Реализация проекта по postview-аналитике позволила ГК ФСК совершенно по-иному подойти к вопросу закупки медиарекламы. Теперь стало возможным ориентироваться не на показатели performance-маркетинга и работу с теплыми лидами, а на более ранние стадии контакта и работу с еще не «прогретыми» пользователями — теми, кто только задумался о приобретении квартиры, но еще не приступил к активным поискам. Это отличная аудитория, в которой можно зародить любовь к своему бренду.
Некоторые скриншоты, например скрин с конкретным примером пользователя, нечитабельны.
Спасибо за обратную связь. Мы учтем ваше замечание.
Довольно любопытно, но хотелось бы увидеть больше данных и информации о подходе.