{"id":13506,"url":"\/distributions\/13506\/click?bit=1&hash=27fcb5113e18b33c3be66ae079d9d20078d1c30f1b468cdc86ecaeefa18446c2","title":"\u0415\u0441\u0442\u044c \u043b\u0438 \u0442\u0432\u043e\u0440\u0447\u0435\u0441\u0442\u0432\u043e \u0432 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438? \u0410 \u0435\u0441\u043b\u0438 \u043d\u0430\u0439\u0434\u0451\u043c?","buttonText":"\u0423\u0436\u0435 \u043d\u0430\u0448\u043b\u0438","imageUuid":"2c16a631-a285-56a4-9535-74c65fc29189","isPaidAndBannersEnabled":false}
Маркетинг
Go Ahead

Как устроен предиктивный маркетинг

Бизнес хочет, чтобы его вложения в рекламу быстро и гарантированно окупались. В этом может помочь предиктивный маркетинг. В статье расскажем на примере технологии Go Predicts, как работает предиктивная модель и в чем ее преимущества.

Предиктивный маркетинг дает возможность оценивать рекламные кампании не по первичному поведению пользователей, а по прогнозам на глубокие и значимые для бизнеса метрики — LTV, выручку или количество заказов. То есть он позволяет ориентироваться не на фактические показатели пользователя, а на предиктивные.

Как работает предиктивная модель в мобильной рекламе

Пользователи совершают в приложении первичные действия — кладут товар в корзину, делают покупки. Данные по этим действиям передаются через трекер рекламодателя в Go Predicts, где модель обучается на поведении аудитории.

На основании этих данных Go Predicts будет анализировать поведение нового пользователя в течение первых 24-72 часов и прогнозировать нужную рекламодателю метрику.

Прогнозы передаются обратно в трекер рекламодателя, затем он может их использовать в рекламных кабинетах.

Этот алгоритм позволяет привлекать только тех пользователей, чье предиктивное значение метрики удовлетворяет задачам бизнеса.

Принцип работы предиктивной аналитики в мобильной рекламе

Как работает предиктивная аналитика в веб-рекламе

Основной принцип работы в веб-рекламе почти такой же, как в мобильной: данные из систем аналитики обрабатываются в предиктивной модели и возвращаются в рекламные каналы для привлечения новых пользователей.

Однако есть и различия. Во-первых, если в мобильной рекламе в качестве трекера используют AppsFlyer или Adjust, то в вебе — Google Analytics или Яндекс.Метрику.

Во-вторых, есть отличия в интеграции данных. В вебе для их передачи нужен коннектор, который будет интегрировать данные из разноименных систем аналитики в источники, например, из Яндекс.Метрики в Google Ads или из Google Analytics в Яндекс.Директ. Сторонний коннектор также нужен для передачи данных пользователя, который не взаимодействовал с сайтом, а просто просмотрел объявление.

Этот коннектор можно создать вручную или воспользоваться сервисами по автоматизации и оптимизации рекламных кампаний, где уже проработана такая интеграция.

Использование предиктивной аналитики в вебе имеет и другие особенности:

  • В Google Analytics могут интегрироваться не все данные из источников — часть теряется, и обучение модели становится неточным.
  • Google перестанет использовать сторонние cookies для отслеживания действий пользователей в интернете к концу 2023 года. Без сбора персональных данных нельзя будет увидеть около 60% трафика, что усложнит обучение модели.
  • В некоторых каналах, например, в VK нельзя оптимизироваться на событие. Здесь можно собрать сегмент аудитории, обучить модель на нем и привлекать людей, похожих на тех, кто совершает нужное действие.

Что предиктивная аналитика дает с точки зрения маркетинга

01/ Пользователи привлекаются из расчета их будущей окупаемости

При помощи предиктивной аналитики можно узнать, какой будет окупаемость у пользователя, и покупать только тех, у кого высокий pLTV, сколько прибыли принесет пользователь и через какой промежуток времени. Исходя из этого рассчитать сумму, которую рекламодателю имеет смысл потратить на его привлечение.

Рассмотрим на примере. За привлечение одного клиента рекламодатель заплатил CPI 100 рублей, за второго — 50 рублей. Он сознательно платит больше денег за первого клиента, зная, что его LTV будет выше, и он принесет ему большую прибыль.

02/ Объект оптимизации смещается на важную для бизнеса метрику

Чаще всего целевая метрика для бизнеса — это выручка. Чтобы понять, принесет ли пользователь деньги, в классическом маркетинге нужно подождать хотя бы месяц, чтобы определить его платежеспособность.

В предиктивном маркетинге это можно понять по первичному поведению каждого конкретного пользователя и спрогнозировать значение его долгосрочной метрики, важной бизнесу.

Рассмотрим на двух примерах, как привлекать прибыльных потребителей.

Без предиктивного анализа:

Если бизнесу нужны пользователи, которые много покупают, байер устанавливает целевое действие «добавить в корзину». Он просит рекламную сеть приводить пользователей, похожих на тех, кто добавляет товары в корзину. Его гипотеза — те, кто добавляет в корзину, будут более маржинальны. Однако для какой-то части пользователей эта гипотеза будет работать, а для другой — нет.

С предиктивным анализом:

Работая с предиктивной моделью, байер просит рекламную сеть привлекать пользователей, похожих на тех, которые имеют высокое значение целевой метрики. Рекламная сеть начинает приводить не 1000 пользователей, которые добавят товар в корзину и из которых 20 купят его. А приводит 1000 пользователей, которые будут похожи на тех, у кого высокий LTV — значит все они купят товар.

03/ Расширяется доступный для выкупа объем трафика

В performance-кампаниях выставляют бенчмарк — стоимость целевого действия. Например, за целевое событие «добавление в корзину» рекламодатель готов платить рекламному сервису 100 рублей за пользователя. Но если выставлять один бенчмарк, то можно выкупить на аукционе только то, что выставил.

При помощи предиктивного анализа можно узнать, сколько точно пользователь принесет денег. Тогда можно выставить по кампаниям отдельные бенчмарки, которые оптимизируются на предиктивные значения метрик из разных сегментов аудитории. То есть можно платить за пользователя сумму в зависимости от того, сколько он принесет денег — в зависимости от значения метрики.

Рассмотрим на примере. Создадим событие, генерируемое по пользователям, у которых pLTV 1000-2000, 2000-15000, 15000-20000. За первый сегмент будем платить 100 рублей, за второй — 1000 рублей, за третий — 5000 рублей. Тем самым мы выкупаем не одну прослойку аукциона, а разбиваем его по нужным для бизнеса бенчмаркам и выкупаем вообще весь.

Это важно бизнесам, которые хотят выкупать большой объем аукциона по разумной стоимости.

04/ Ретаргетинговые кампании возвращают только сегменты с наибольшим потенциалом

В обычных ретаргетинговых кампаниях представления об окупаемости клиентов и юнит-экономике размытые. Доход от такой кампании будет меньше, так как часть пользователей возвращается, и только часть из нее — заказывает.

С предиктивной аналитикой доход выше, потому что можно сразу узнать, сколько денег принесет пользователь, принесет ли вообще, есть ли смысл его возвращать — может, он вернется сам. Это позволяет оптимизировать затраты и повысить доходность кампаний.

05/ Можно точно оценить новые каналы привлечения пользователей

При запуске в новом канале привлечения не нужно тратить месяцы на тестирование, чтобы понять его ДРР — отношение рекламных расходов к доходам от этой рекламы. С предиктивной аналитикой уже через пару дней понятно, какова прибыльность пользователей в этом канале. Если результаты не устраивают, можно отключить кампании и не тратить на этот источник деньги.

Этот принцип можно применить к новым когортам пользователей, новым креативам, новым кампаниям. Предиктивный анализ помогает быстро оценивать их эффективность и принимать решения об оптимизации.

Где предиктивная аналитика будет эффективно работать

Предиктивный маркетинг подходит почти всем компаниям, так как технология универсальна. Больше всего подойдет бизнесам с частыми покупками в приложении — там достаточный объем аудитории, на котором модель может обучиться.

Предиктивный анализ вряд ли подойдет:

  • маленьким бизнесам, так как на их объеме данных нельзя будет обучить систему.
  • бизнесам, у которых нет покупок в приложении или кто монетизируется через рекламу. Например, бесплатная игра, которая получает доход за счет просмотра рекламы. У пользователя нет возможности совершать действия, которые принесут выручку приложению, следовательно нечего будет прогнозировать.
  • бизнесам, которые работают по модели подписки. Здесь мало покупок, которые можно спрогнозировать. Скорее всего пользователь оформит подписку в первый день, и она будет автоматически продлеваться.
  • бизнесам с коротким циклом окупаемости. При коротком цикле окупаемости рекламодатель тратит деньги на привлечение пользователя, и уже при первом заказе пользователь приносит эту сумму. В этом случае нет смысла использовать предиктивный анализ — уже и так известно, когда окупится пользователь.

Как работает Go Predicts при отключении каналов

Процесс обучения предиктивной модели не нарушается при заморозке рекламных активностей. После того как кампании разморозятся, мы в Go Predicts заведем их заново. Это обычная практика, мы делаем так регулярно в нормальных условиях.

Когда произошли массовые блокировки и сокращение рекламных активностей, все кампании в Go Predicts были отключены, так как ситуация нестандартная. Обычно мы отключаем кампании в определенные моменты, например, в Новый год, потому что поведение пользователей в это время нетипичное и могут быть искажения в данных.

Наша технология Go Predicts перестроилась на рекламу в других каналах, например, в Яндексе и myTarget. Последний менее технологичен в плане предиктивного маркетинга — там нет оптимизации по целевым событиям. Чтобы это исправить, мы руками оптимизируем кампании: с плохими показателями отключаем, а с хорошими — масштабируем.

Григорий Потемкин

В целом ничего глобально не изменилось, мы все так же привлекаем трафик на основе предиктивных событий. Возможно, подобные запуски подойдут и вашему бизнесу. Можете оставить заявку на сайте Go Predicts, и мы расскажем, какой результат принесут предиктивные кампании в вашем конкретном случае.

0
8 комментариев
Написать комментарий...
Владислав Брючко

Как у вас реализован анализ? На основе простого алгоритма (ifы) или что-то вроде ml?

Ответить
Развернуть ветку
Go Ahead
Автор

Добрый день! У нас DL модели внутри, которые автоматически обучаются под данные клиентов

Ответить
Развернуть ветку
Artyom Smirnov
При запуске в новом канале привлечения не нужно тратить месяцы на тестирование, чтобы понять его ДРР — отношение рекламных расходов к доходам от этой рекламы. С предиктивной аналитикой уже через пару дней понятно, какова прибыльность пользователей в этом канале

Это на каких вы данных строите предикт, что через пару дней все о канале понятно? И сколько вы за эти пару дней проливаете трафика, что у вас модели под канал оптимизируются?
Блин, выглядит как скам конечно

Ответить
Развернуть ветку
Go Ahead
Автор

Здравствуйте! Благодаря тому, что прогноз LTV строится на анализе поведения каждого конкретного пользователя, нам не нужно переобучать или оптимизировать наши модели под каждый конкретный канал. Модели обучаются по историческим данным о том, как пользователи вели себя в приложении и какую приносили ценность, т.е. без опоры на специфику конкретного канала.
Поэтому при наличии исторических данных нам в принципе не нужно отдельно проливать трафик в новом канале, перед тем как наши модели станут в нем работать.

Ответить
Развернуть ветку
Artyom Smirnov

Ну user-level данных в iOS как год нет, а с новыми приложениями или достаточно старыми пользователями вы как работаете?
Какой объём исторических данных вам нужен, чтобы построить предикт?

Ответить
Развернуть ветку
Go Ahead
Автор

Данные о действиях пользователей в iOS остались такими же, и как прежде, за исключением того, что теперь они не всегда аттрибуцируются к рекламным кампаниям. Но в нашей задаче это и не нужно, так как мы используем данные безотносительно источника — мы обучаемся на самих событиях.
Необходимый объем: от 10к пользователей, из которых минимум 3к целевых.

Ответить
Развернуть ветку
Artyom Smirnov

Не это имел ввиду

Вы же кормите этими данными площадки, у которых нет понимания, что это за пользователь. Сделать ивент же не проблема, проблема в том, как обучить площадку/источник закупать верных пользователей. Как ваши предикты решают эту проблему?

Ответить
Развернуть ветку
Go Ahead
Автор

В случае c android такой проблемы нет, на данный момент площадки получают все необходимые данные, что позволяет им оптимизировать кампании на Smart Event.
В случае c iOS ситуация сложнее технически — нужно сгенерировать Smart Event в первые 24 часа после установки (ограничение атрибуции от iOS). Мы подстроили наши алгоритмы для того, чтобы генерировать предикт в нужный интервал времени, что делает возможным работу в том числе с iOS пользователями.

Ответить
Развернуть ветку
Читать все 8 комментариев
null