Привлечение игроков с помощью психосегментации и машинного обучения (кейс игры Will it Crush? и humanteq.ai)
Ранее мы уже рассказывали, как российский сервис Humanteq научился благодаря психосегментации снижать CPI (стоимость привлечения пользователей) без потери качества аудитории. Сегодня расскажем о том, как мы показали, что психосегментация это не тоже самое что машинное обучение и продемонстрировали как закупать качественную аудиторию на примере игры Will it Crush?
Ключевой метрикой в маркетинге является ROAS (окупаемость кампаний). Таким образом важно закупать трафик по наименьшей цене, и при этом он должен быть хорошего качества (по ретеншну и ARPI) чтобы кампании окупались. С одной стороны, достичь низкой цены можно через broad кампании, т.е. таргетироваться на максимально широкую аудиторию. Но проблема таких кампаний что в среднем качество таких пользователей оставляет желать лучшего. Чтобы улучшить качество аудитории можно использовать Facebook Look-alike аудитории, т.е. таргетироваться на пользователей, похожих на самую лояльную аудиторию игры или приложения. В этой связи мы задались вопросом: а можно ли использовать психосегментацию для привлечения более качественных пользователей? Второй вопрос: можно ли вообще обойтись без психологии, и использовать классификатор отделяющий качественных пользователей только на технических данных устройств?
Обычно, когда мы говорим об использовании машинного обучения в сегментации пользователей, предполагается, что для обучающих данных используются данные о поведении пользователей в игре, например как много они играют, как много тратят внутриигровой валюты и.т.п. Но тогда возникает много факторов, которые могут влиять на результаты модели, например сеттинг, туториал, какие-то случайные переменные. И получается, что мы построим модель для конкретного приложения-игры. При закупке трафика через Facebook также используется собственные black-box алгоритмы площадки, например для поиска похожей аудитории. Поэтому к произвольным моделям, созданным под определенное приложение, алгоритмы Facebook могут быть нечувствительны. Для решения этой проблемы, мы решили использовать именно психологию и модели основанные только на списках установленных приложений, так как они не зависят от конкретной игры и поведения в ней.
Вкратце напомним суть подхода humanteq: для предсказания психотипов используется обучающая выборка собранная через приложения-майнеры, где пользователи проходят реальные психологические тесты (Big5, тест Шварца, тест Кеттелла и др), а также отправляют техническую информацию об устройстве, такую как: модель устройства, версии ОС, списки установленных приложений, и др. Далее на основе машинного обучения строится модель, которая предсказывает психопрофили пользователей на основе технических данных. Такие профили можно использовать в привлечении новой аудитории через Facebook Lookalike или для оптимизации на прокси-события в Google Ads UAC.
Для ответа на выше заданные вопросы мы интегрировали Humanteq SDK в игру Will it Crush? (гиперказуальный айдлер с преимущественно рекламной монетизацией), собрали необходимое количество данных для обучения моделей, а также определили целевое событие. Так как основная монетизация в этой игре построена на просмотре рекламы, то было выбрано событие просмотра определенного количества рекламных роликов одним пользователем.
Далее были построены две модели:
1. Психосегментация - предсказание психопрофиля на основе технических данных смартфонов.
2. Классификатор - предсказание вероятности совершения целевого действия только на основе технических данных, т.е. без использования психологических характеристик.
Обе эти модели с предсказывали вероятность того, что пользователь просмотрит необходимое количество реклам, т.е. совершит целевое действие.
Отдельно строились эти модели и под аудиторию в США, и под WorldWide аудиторию. Всего было получено на выходе 9 психосегментов (на различные гео и психотипы) и 8 аудитории на основе классификатора (различные гео и пороги отсечения - score). Для оптимизации кампаний везде выбиралось целевое событие, т.е. просмотр определенного количества рекламных роликов пользователем. Для бенчмарков были выбраны кампании с обычной оптимизацией на целевое событие, без дополнительных ограничений и каких-либо аудиторий и LaL.
Всего в анализе было 40 рекламных кампаний из которых: 13 кампаний контрольных (оптимизация на целевое событие без ограничений на аудитории), 16 кампаний с аудиториями построенными на основе машинного обучения и 11 кампаний с таргетом на психосегменты. По всем кампаниям удалось привлечь почти полмиллиона пользователей, из которых 50к из США.
Обратимся теперь к результатам:
1. Стоимость за одну установку выше и у классификатора и у психосегментов. Но это можно объяснить тем, что в контрольных кампаниях не использовались аудитории, а только оптимизация на целевое событие. Тоже самое относится и к стоимости за одну конверсию в целевое действие.
2. Средний доход с одного пользователя и конверсия в кампаниях на психосегменты выше, чем у контрольных кампаний и классификатора.
3. Относительная окупаемость также в среднем выше у психосегментов.
4. Ретеншн в среднем также выше у психосегментов. И эти пользователи в среднем смотрят больше рекламы, поэтому и доход от них выше.
Исходя из полученных результатов можно сказать, что, как психосегменты так и аудитории построенные на основе машинного обучения в среднем и дороже, но и качественнее, чем простая оптимизация на целевое событие. Но если сравнивать между собой эти типы аудиторий, то получается, что психосегменты не только выигрывают за счет качества трафика и окупаемости, но также их преимущество в интерпретируемости. Так, для каждого психосегмента есть психологическое описание аудитории, что позволяет проверять больше гипотез, строить взаимосвязи между психологией пользователей и их поведением.