Автоматизация работы с ТВ-рекламой: можно ли доверить рутинные задачи алгоритмам

Всем привет! Меня зовут Татьяна Хохлова и я являюсь директором по продуктовой стратегии АДВ Лаб - R&D-подразделения коммуникационной группы АДВ. Сегодня я хотела бы поговорить о том, с какими сложностями сталкиваются рекламные агентства при закупке ТВ-рекламы, насколько этот процесс поддаётся автоматизации и каких результатов можно достичь с её помощью.

В отличие от digital-рекламы, о которой сказано уже очень и очень много, реклама на ТВ продолжает оставаться темой более специфической – если в интернете мы сталкиваемся с внушительным количеством как поставщиков рекламного инвентаря (Google, Yandex, Mail.ru Group, Facebook и др.), так и сервисов для работы с ними, то на телевидении ситуация имеет диаметрально противоположный характер. Наличие крупного единого селлера в лице Национального Рекламного Альянса (НРА) во многом определяет особенности закупки ТВ-рекламы в России: с одной стороны, отсутствие на рынке иностранных аналогов лишает рекламное агентство возможности применить опыт зарубежных коллег, с другой - работа с единственным поставщиком технически упрощает процесс автоматизации.

Но прежде чем перейти к сути, думаю, стоит немного погрузиться в теорию (или много). Если вы уже достаточно хорошо владеете терминологией, то можете смело пропустить этот раздел:

Процесс закупки рекламы на телевидении выглядит следующим образом:

Рейтинг - процент интересующей нас аудитории, посмотревший конкретную телевизионную программу. Является основной единицей измерения рекламы на ТВ – покупая возможность разместить ваш рекламный ролик на телевидении, вы платите именно за количество рейтингов;
Сплит – процентное распределение рейтингов (по телеканалам, регионам, типам закупки и т. д.);
Федеральное размещение - размещение рекламы на всю Россию;
Региональное размещение - размещение рекламы в конкретных регионах;
Тематическое размещение – размещение рекламы на узкожанровых телеканалах, вещание которых передается преимущественно через кабельные, кабельно-эфирные и спутниковые системы;
Орбитальное размещение – размещение рекламы в свободных региональных блоках по всей России. Говоря простым языком, в случаях, когда мест, отведенных под ТВ-рекламу в конкретном регионе, больше, чем желающих их выкупить, оставшиеся места заполняются орбитальной рекламой – и чем меньше спрос на региональную рекламу, тем выше вероятность того, что телезрителю покажут орбитальную. В некоторых случаях орбитальное размещение полностью замещает региональное;

Прайм - время наиболее активного просмотра телевидения в течение суток: на федеральном ТВ это промежуток с 19:00 до 00:00 в будни и с 8:00 до 00:00 по выходным и праздничным дням. Стоимость размещения рекламы в такое время будет выше;
Оффпрайм – все остальные временные промежутки. Размещение рекламы в оффпрайм, соответственно, будет дешевле;
Суперфикс - наиболее дорогой и стабильный тип размещения. Если рекламный ролик поставлен в программу этим методом, то он гарантированно выйдет именно в этой программе в указанные день и время;
Фикс – более дешёвый тип размещения с меньшим приоритетом: его место может занять суперфикс конкурента, иными словами, размещение в конкретной программе не гарантировано;
Плавание – самый дешёвый тип размещения. Оплата в этом случае происходит только за количество рейтингов, а рекламные ролики автоматически распределяются по эфирной сетке случайным образом.

Помимо этого нам также понадобятся следующие термины:
Целевая аудитория – аудитория, интересующая конкретного рекламодателя и обладающая чётким набором характеристик (возраст, пол, интересы и др.);
Рекламный блок – место для размещения рекламы до, во время или после телевизионной программы;
Рекламный спот – конкретный выход рекламного ролика в блоке. Один блок может включать в себя несколько спотов;
Баинговый рейтинг – процент аудитории телеканала, посмотревший конкретную телевизионную программу на этом канале;
Целевой рейтинг – процент целевой аудитории клиента, посмотревший конкретную телевизионную программу;

Аффинити – это отношение целевого рейтинга к баинговому. Показывает, насколько та или иная программа соответствует целевой аудитории клиента;
Охват – это итоговый процент целевой аудитории, который увидел рекламу определенное количество раз (например, нам удалось охватить 90% целевой аудитории дважды, 80% трижды и т. д.).

Теперь, когда мы знаем о ТВ-рекламе немного больше, попробуем представить себе, как строится работа специалиста по закупкам (байера) в рекламном агентстве: допустим, необходимо закупить для клиента N некоторое количество рейтингов на ряде телеканалов, из них 20% суперфикс, 80% фикс, при этом доля прайм-тайм должна быть не менее 60% (кстати, составлением такого плана, называемого «медиаплан», тоже занимается отдельный человек).

Начинается всё с массовой закупки инвентаря в начале года, когда нужно приобрести огромные объемы рекламы в очень сжатые сроки. При этом если на федеральных каналах одному бренду нужно от 300 до 1000 рекламных выходов и байер может справляться даже с несколькими брендами, то на региональных каналах счёт идёт уже на тысячи, а для мультибрендовых клиентов нужна расстановка в десятки тысяч выходов.

Далее нужно провести анализ приобретенного инвентаря, удалить лишнее/произвести дозакупку и т. д. Однако на этом работа не заканчивается: рейтинги блоков регулярно обновляются, фиксированное размещение может быть выбито суперфиксом конкурентов, а кроме того, байерам далеко не всегда удаётся сразу купить места в топовых передачах, а значит, нужно постоянно мониторить наличие свободных спотов. И это не говоря уже о том, что изменения могут произойти в самом медиаплане (например, клиенту может понадобиться перенести рекламную кампанию на другой период).

Таким образом, обычный день байера при отсутствии у агентства системы автоматизации включает в себя большое количество рутинной работы:

Но какая доля этих задач поддается описанию с точки зрения алгоритмов? Я расскажу об этом на примере нашей собственной системы автоматизации закупки ТВ-рекламы по названием Aizek.Trade.

В процессе разработки мы определили для себя следующие цели:

Изначально казалось, что с точки зрения математики автоматическая расстановка рекламных роликов – задача не такая уж и сложная: есть общая сумма рейтингов и вполне понятный набор параметров, по которым эти рейтинги нужно распределить, есть возможность подключиться по API к системе бронирования – выглядит как вполне стандартный алгоритм, берём парочку разработчиков и вперёд!

Однако быстро выяснилось, что существует ряд ограничений, которые существенно усложняют процесс, заставляя нас не просто искать наиболее эффективное решение задачи, но ещё и поддерживать оптимальное соотношение различных ситуативных факторов. Стратегия размещения каждого клиента – особенная: для кого-то важно равномерное распределение рейтингов по неделям и даже дням или выходы в определенные временные промежутки, у некоторых клиентов есть список запрещенных для размещения программ, или наоборот, список приоритетных программ, в которые они стремятся попасть, каким-то рекламодателям крайне важно, чтобы ролики были максимально распределены по различным программам и т. д.

Такое решение потребовало работы уже целой команды, состоящей из разработчиков, data-сайентистов и, конечно, байеров, экспертиза которых играла здесь первостепенную роль.

В результате мы внедрили весовую модель, позволяющую учесть множество факторов в соответствии с их значимостью - байер определяет её исходя из наиболее приоритетных для клиента критериев, находит оптимальный баланс между ними и применяет для дальнейшего автоматизированного размещения.

Написание этой модели было похоже на создание шахматного алгоритма: система выбирала лучший блок для размещения исходя из настроек и ставила выход (как ход в шахматах), после чего условия задачи менялись – если первый выход пришелся на первую неделю и в прайм, то следующий выход нужно ставить в другую неделю и уже в оффпрайм, и т. д. Иногда возникают ситуации, когда каждая последующая постановка может только ухудшить результат всей задачи - как позиция цугцванга в шахматах. Тогда нужно менять условия и решать ее снова до достижения 100%.

На основе этой модели также была разработана система фонового бронирования, которая осуществляет постоянный контроль спотов в соответствии с заданными условиями. Система включается каждые 10-20 минут в зависимости от завершенности задачи и проверяет сетку размещения в поисках более выгодного свободного инвентаря.

Но несмотря на достигнутые результаты, на повестке оставалась ещё одна важная и весьма трудозатратная задача, отнимающая у байера большое количество времени – прогнозирование аффинити рекламных выходов. Почему это важно? Когда агентство покупает рекламу на ТВ, оно платит за баинговые рейтинги – те, что рассчитываются, исходя из аудитории телеканала. Однако клиенту агентства, по большому счёту, не важно, какой процент зрителей посмотрел передачу, во время которой вышла его реклама – ему важно, чтобы её увидело как можно больше людей из его целевой аудитории. Иными словами, клиент покупает у агентства целевые рейтинги.

Разберём это на примере: допустим, ЦА нашего клиента – женщины в возрасте от 25 до 45 лет, аудитория телеканалов же, как правило, существенно шире этих параметров. Имеющиеся софты позволяют байеру получить целевой и баинговый рейтинги прошедших выходов той или иной ТВ-программы (на основе данных компании Mediascope) – скажем, за последние 3 месяца. Далее исходя из имеющейся информации байер делает прогноз аффинити для предстоящих выходов программы, умножает его на баинговые рейтинги, которые прогнозирует НРА для этих же выходов, и получает прогноз целевого рейтинга. И если целевой рейтинг равен одному, а баинговый – десяти, то получается, что лишь 10% аудитории передачи являются потенциальными потребителями нашего клиента, что, конечно, далеко не тот результат, который нам нужен.

Обладая внушительным количеством данных об уже прошедших рекламных кампаниях, можно построить модель на основе машинного обучения и научить её предсказывать аффинити конкретного выхода. В нашем случае мы смогли добиться точности прогноза с погрешностью всего в 3-5%, что не хуже результатов работы байера, однако значительно быстрее.

Ещё один важный для клиента параметр при работе с агентством – охват. Очевидно, что определенный процент зрителей посмотрит наш рекламный ролик не один и не два раза, а отдельные люди увидят его даже не один десяток раз (этот показатель называется «частота»). Если бы мы могли отсеять тех, кто уже так хорошо знаком с нашей рекламой, и вместо этого показать её новым людям, нам удалось бы охватить больший процент целевой аудитории. Технически это возможно, так как у Mediascope есть данные об охваченных людях, которые можно экстраполировать на нашу ЦА, однако изменение расстановки роликов вручную прямо по ходу рекламной кампании является делом достаточно рискованным – если только у вас нет робота, который может сделать это за считанные секунды. Обеспечив системе доступ к этим данным, мы смогли получить дополнительный прирост охвата на 2-3 п.п.

По нашей оценке система уже сейчас выполняет рутинную работу, аналогичную работе 18 байеров, что позволяет специалистам на местах перенести акцент на аналитику и разработку новых, более эффективных стратегий закупки.

Ну а если вы хотите узнать больше об автоматизации работы агентства в целом, то можете также почитать мою статью о том, какие возможности для этого есть в digital-рекламе.