Как мы с командой придумали ML-оптимайзер рекламных кампаний и я закрыл свое агентство

UPD: Я написал эту статью еще в начале февраля, а потом случилось сами знаете что. Выждал паузу и все же решил запостить — когда еще говорить об оптимизации, если не в кризис? Поехали!

Меня зовут Алексей Бирюков, я CEO Andata. 20 лет занимался диджитал-маркетингом, создал рекламное агентство и 15 лет им управлял. Всё это время я хотел создавать контекстную рекламу так, чтобы она приносила клиентам результат, а клиенты приносили мне деньги. Без заморочек. Но управление рекламой — это огромное количество ручного труда, постоянный контроль за ставками, поиск лучших настроек и попытки обогнать алгоритмы рекламных систем.

Чем больше росло агентство, тем больнее было развиваться дальше. Мы нашли логику, по которой делали стабильно хорошие проекты, прописали алгоритмы, копили опыт, но руками объемы не сделать — нужна армия с высокой экспертизой. Мне хотелось снять ограничения роста, и я всё больше думал в сторону доступной автоматизации.

Стало ясно, что нужно искать принципиально новый подход к рекламе. Я закрыл агентство и сфокусировался на том, чтобы этот подход сформулировать и превратить в бизнес. В 2018 году уже с готовой идеей и командой мы пришли в акселератор Сбербанк 500 Startups, менторы в нас поверили, и мы начали работать над Andata. Этот момент и запечатлен на титульном фото.

В этой статье покажу, из какой боли мы вышли, какое нашли решение и как развиваем наш продукт, поэтапно наращивая в нем ценность и для специалистов, и для самих рекламодателей.

Ну ни для кого не секрет же, как работают специалисты в контекстной рекламе:

И это бесконечный процесс. На результаты влияют тысячи факторов, от качества собранной семантики и настроек до действий конкурентов и самих рекламных систем. И каждый раз эти вводные играют по-разному — завтра мы получим не такой результат, как сегодня, даже если ничего не будем трогать.

Так внутри наших трех «простых» этапов появляются десятки и сотни отдельных задач, которые можно собрать в стандартные HADI-циклы: запанировать → сделать → оценить результат → запланировать, как улучшить… и так до бесконечности.

На рынке есть десятки классных сервисов, а у специалистов есть готовые пресеты минус слов и карты кластеризованной семантики, но каждую заготовку все равно нужно проверять на новом продукте. Даже если у нас уже есть 10 кейсов для цветочных магазинов, это не значит, что одиннадцатый клиент получит готовое идеальное решение. Мы это знаем уже на 100%, потому что видим на клиентах Andata — разброс прогнозов в одной и той же сфере бывает очень разный. Только через тесты маркетологи могут уточнять прогнозы бюджета и результатов.

Чем больше бизнес, тем масштабней его рекламные кампании. А чем больше рекламы, тем больше копится данных и тем больше ресурсов нужно, чтобы с ними работать — анализировать и что-то исправлять. В этом месте и начинается челлендж для маркетологов и аналитиков. У них есть данные по рекламным кампаниям, есть KPI, до которых пока не добежали, и куча рекомендаций от сервисов и инструментов.

Тем временем у бизнеса, который покупает услуги по ведению рекламы у инхаус-команды, на фрилансе или в агентствах, свои задачи. Бизнесу важно понимать, что дает оптимизация кампаний на стратегическом уровне. Например, я хочу получать конверсии по 500 рублей и не готов покупать дороже. Или, наоборот, хочу больше клиентов даже дороже, готов платить за них на 10 % больше. Мне нужно понимать, если куплю по 600р., у меня будет больше заявок в 5 раз, в 2 раза или всего на 15 % больше? И какой вариант меня устроит?

Да, уже есть решения, которые отчасти автоматизируют работу со ставками. Но все эти автобиддеры основаны на том, что человек продолжает вручную менять параметры кампаний.

Мы хотели создать такой инструмент, который с помощью ML и полностью в автоматическом режиме помогал бы маркетологам добиваться бизнес-результата. Мы его сделали и назвали оптимайзер.

Внутри каждого канала Яндекс и Google можно оптимизировать кампании по нескольким направлениям сразу. Возьмем основные:

Специалист по контекстной рекламе поднимает или понижает ставки и каждый раз получает разные результаты. Например, он видит, что в 8 утра трафик конвертируется лучше, чем в 3 часа ночи, при этом разные фразы работают в это время по-разному и в каждом городе, на каждом устройстве, в разные дни недели своя стоимость клика и конверсии.

Задача оптимайзера — ответить именно на этот вопрос. На основании машинного обучения и больших данных, он умеет находить оптимальные свойства рекламных кампаний, все время подсказывает маркетологу выгоды и помогает достигать их автоматически. Сейчас мы готовим к выходу уже третью версию.

Рассказываю, как работает оптимайзер, и что заставляет нас постоянно развивать продукт.

Первая версия оптимайзера Andata умела находить, где мы тратим деньги зря, и выключать неэффективные параметры. Покупка рекламы в 9 вечера не приводила к конверсиям — оптимайзер предлагал 9 вечера отключить рекламу. А в 12 дня конверсия была хорошей, и оптимайзер рекомендовал оставить там все как есть.

Суперсила версии: в автоматическом режиме экономить до 20% бюджета.

Минусы: Оптимайзер мог сужать кампании, но не умел расширяться там, где хорошо. На деньги которые мы научились экономить, рекламная кампания начинала покупать то, на что их раньше просто не хватало из за дневного лимита. В результате конверсий не всегда становилось больше, и их общая стоимость могла не снижаться.

Еще система не знала, какой бизнес к ней пришел и за сколько ему нормально покупать. Она сравнивала конверсии внутри кампании сама и сама отключала то, что считала дорогим. Но это могло не совпадать с мнением клиента. Может быть, бизнесу не нужна экономия, а система могла посчитать, что конверсии по 1400 рублей хуже, чем по 600, и отключала более дорогие. А клиент готов был и по 2000 покупать, ему главное — купить больше.

Такие ситуации мы решали в ручном режиме — дорабатывали код платформы под конкретные стратегии, и так заставляли ее переучиваться. Но по умолчанию это была просто средневзвешенная стоимость конверсий внутри каждого параметра капмании. Например, внутри одного часа.

Специалист по рекламе тоже это делает. Он определяет, какая фраза не работает, и выключает ее, но он не может физически каждый час включать и выключать отдельные фразы в десятках разных кампаний. Это трудозатратно и очень дорого. Первая версия делала в разы больше действий, чтобы постоянно докручивать кампании, и оставляла людям время и силы, чтобы думать и принимать решения.

Вторая версия работает сейчас. Теперь оптимайзер рассчитывает десятки параметров в модели обучения и умеет не просто включать и выключать отдельные настройки, но покупать трафик более плавно, постоянно собирая обратную связь и переобучаясь.

Суперсилы версии: На сэкономленные деньги находить, где покупать трафик лучше.

Мы добавили в модель биржевую логику. Оптимайзер прощупывает диапазоны и постепенно находит идеальный диапазон ставки с учетом конверсии. Модель работает более плавно, без резких скачков и лучше контролирует изменения.

Когда клиент включает оптимизацию, система сразу повышает и понижает ставки на города, дни, фразы, часы — автоматически делает сотни и тысячи корректировок. Она сама собирает данные, учится на них и выдает рекомендации.

Во второй версии оптимайзер в 60-70 % случаев улучшает результаты автоматизированных стратегий Яндекса и Google за счет того, что в автоматическом режиме работает с докупкой трафика. В остальных случаях он научился показывать сопоставимые с автостратегиями результаты.

На результаты работы оптимизатора влияет качество разметки данных. Некачественно размеченные данные тащат за собой в систему мусор и оставляет пробелы, поэтому у машины не всегда получалось обучаться. Чтобы это исправить, мы сделали UTM-бот, который циклично мониторит ошибки в разметке и исправляет их. Об этом расскажу в следующей статье.

Минусы: Системе нужно время, чтобы накопить данные, обучиться на них, и только потом выдать рекомендации на улучшение. Клиенты не хотели ждать, поэтому мы снова изменили логику решения и сейчас готовим к выпуску третью версию оптимайзера.

Третья версия оптимайзера сейчас в beta-тесте, мы обязательно расскажем, когда она выйдет публично. Оставлю ссылочку на Телеграм, добавляйтесь и всё узнаете первыми.

Но что умеет: работать с историческими данными из аккаунтов Яндекса и Google, обучаться на них и сразу выдавать рекомендации. Не нужно ждать, пока платформа получит новые данные, но как только они накопятся, оптимайзер сможет уточнить прогнозы.

Так наши клиенты получают первую версию оптимизации сразу при подключении к сервису. Затем мы добавляем те данные из нашей платформы, которые невозможно получить напрямую у Яндекса или Google. Например, информацию о том, сколько стоил клик в каждый час суток, а ведь клики стоят и конвертируются очень по-разному в зависимости от времени. По нашему опыту, днем цена может быть до 10 раз выше, чем ночью.

Суперсила: предикты в реальном времени на исторических данных.

В третьей версии мы еще раз изменили логику — использовали реинжиниринг в наших моделях, чтобы быстрее начать применять оптимизацию. Реинжиниринг позволяет нам восстанавливать данные, которые от нас скрывает Яндекс и Гугл, с достаточной точностью, чтобы получить отличный результат для наших клиентов. Плюс мы нашли зависимости и научили систему обучаться сразу, на исторических данных. Мы называем этот инструмент «пятиминутные предикты».

Объясню, как это работает на примере оптимизации по фразам. У каждой фразы есть диапазон, по которому мы можем участвовать в аукционе. На исторических данных клиента оптимайзер вычисляет максимальную и минимальную границу, при которых вообще имеет смысл торговать. Система понимает, на сколько нужно повысить ставку, чтобы закупив трафик по этой фразе, получить лучшую стоимость и увеличить объем конверсий.

Например, есть запрос «ипотека в Краснодаре». Клиент получает по нему 100 конверсий по 100 рублей за клик, цена конверсии 10 тысяч. Если поднять ставку 120 рублей за клик, то все эти 100 конверсий станут дороже, и у кампании бюджета не хватит, чтобы достичь цели по заявкам.

Решение — поднять ставку так, чтобы конверсии стали дороже, но их стало больше в нужной вам пропорции. Например, вы подняли ставку на 10%, а конверсий стало больше на 30%, и итоговая стоимость снизилась. Это математическое вычисление порога эффективности установки ставки на каждую фразу с различными свойствами, чтобы получить необходимый результат. Новый оптимизатор умеет автоматически проставлять коэффициент эффективности и определять, какие из фраз пора отключать, какие скорректировать, а по каким поднимать ставки.

В других типах кампаний мы оптимизируем по городам, дням, часам, плейсментам и так далее.

В новой версии можно будет включить или выключить всю систему сразу, но не какое-то одно из свойств. Оптимайзер, как система, балансирует три параметра:

Задача клиента — решить, что он хочет получить от кампании с учетом общих целей бизнеса и маркетинга. Тогда он сможет выбрать ключевой параметр, отрегулировать его и сразу увидеть прогнозы.

Мы создали разные стратегии оптимизации под любые ваши цели:

Представьте, что у вас появится инструмент, который будет показывать настолько глубокую аналитику, которой никогда не будет в рекламных кабинетах, а строить у себя — бесконечно долго и дорого. Это будет полноценный маркетинговый ассистент, который на основании больших данных и машинного обучения поможет вам решить ваши задачи и сам скажет, сколько конкретно на вашем проекте, на ваших вводных, вам потребуется времени и денег, чтобы достичь цели в лидах, заказах или конверсиях. Так, чтобы вы действительно могли прогнозировать и управлять экономикой маркетинга и его эффективностью.

Мы строим такую систему, и она уже доступна для всех:

Присоединяйтесь к нам сегодня, пока мы развиваем продукт, чтобы получить кастомные инструменты для решения ваших насущных и будущих задач.