{"id":13572,"url":"\/distributions\/13572\/click?bit=1&hash=1b184683c12dd3fe683ea6215405917e2080e9ba9a81477851ab7a5867d03ddc","title":"\u0413\u0434\u0435 \u0438 \u043a\u0430\u043a \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u043e\u043c\u043e\u0449\u044c \u0432 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u0438 \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u0430","buttonText":"","imageUuid":"","isPaidAndBannersEnabled":false}
Маркетинг
First Data

Как узнать, помогает ли онлайн-реклама увеличить офлайн-продажи

Когда и реклама и покупки «живут в одном мире» и осуществляются в онлайне — рекламодатель может практически в реальном времени посчитать нужные KPI. Показываем объявления и фиксируем количество переходов, время и глубину просмотра, отправку товаров в корзину, оплату заказа. Прямо в рекламном кабинете или в дополнительных сервисах рассчитываем конверсии, CR, CTR , ROI, LTV и так далее — все на виду, все учтено, все можно представить в виде таблиц и красивых графиков. Главное — мы всегда понимаем, сколько из людей, видевших рекламу, перешли по ссылке и купили товар.

Как посчитать эффективность затрат на онлайн-продвижение, если товары продаются в офлайне? В этом случае реклама отдельно, покупки отдельно. На кого таргетируетесь известно, но кто купил товар после просмотра рекламы? Можно было только догадываться, повлияла ли на продажи реклама, погода, фаза Луны или активность конкурентов. Мы в First Data не гадаем, а считаем. Рассказываем, как это работает.

Оценка результатов РК для офлайн-продаж

Ситуация изменилась с появлением транзакционных данных и возможности их анализировать. Допустим, мы хотим узнать, как повлияла рекламная кампания на продажи кваса, который мы производим.

Для проведение рекламной кампании можно использовать данные ОФД, например, с таргетингом по покупателям конкурентов, а после проведения рекламной кампании запросить данные по покупателям нашего кваса в период проведения РК плюс 2 недели. ОФД присылают нам полностью обезличенные данные, в них есть только:

время покупки, регион, сумма, количество, бренд.

Для того, чтобы посчитать оффлайн-покупателей, придется сделать несколько лишних движений.

Мы берем наш сегмент ЦА (тех, на кого таргетировалась реклама), перечень покупок от ОФД, в которых фигурирует наш квас, за период РК и идем с этими двумя базами к сотовым операторам.

Сотовые операторы берут из базы ОФД регион, время и суммы покупок, и собирают сегмент людей, которые в то самое время получали СМС о списании средств за покупку с этой самой суммой. Этот список мэтчится с полученной базой пользователей, на которых была таргетирована рекламная кампания.

Таким образом, сотовый оператор знает практически всех, кто нам нужен. Но согласно закону “O cвязи”, передать Hard ID этих людей он не может, мы получаем обратно только агрегированную информацию с известными оператору соцдем данными.

Например: в течение заданного периода женщины в возрасте 25-35, проживающие в Москве, 1000 раз покупали товар; мужчины в возрасте 18-25, проживающие в Санкт-Петербурге, 500 раз покупали товар.

Благодаря транзакционным данным рекламодатели получают точку опоры для принятия дальнейших решений по продвижению на аудиторию офлайн-покупателей. Можно понять, какие сегменты по гео, возрасту и полу отработали лучше, и в дальнейшем перераспределять бюджет в их пользу. Но у этого подхода есть один ключевой недостаток — все происходит постфактум. То есть внести изменения можно только в следующие рекламные кампании.

Замеры продаж в реальном времени

Для того, чтобы получить возможность корректировать рекламу максимально оперативно, как это обычно происходит в онлайне, придется договориться об обмене информацией непосредственно с ритейлом. Действия при подготовке к началу рекламной кампании будут те же, что и в предыдущем способе, но собранная база Hard ID передается не только в рекламный кабинет, но и ритейлеру. Последний с определенной периодичностью, например, раз в неделю, проверяет, кто из постоянных клиентов приобрел рекламируемый товар, и, если Hard ID такого покупателя есть в переданной базе — сообщает об этом рекламодателю. Рекламодатель получает агрегированный отчет, данные по каждому конкретному пользователю не передаются.

Давайте представим, что вы продаете свои сыры через сеть «Магнит», при этом передали ритейлеру Hard ID ЦА, например из CRM, а он в ответ еженедельно предоставляет вам отчет со срезами данных о покупках по магазинам, регионам, полу и возрасту. Благодаря этому, вы можете увидеть, что, например, в Краснодаре после начала РК выросли продажи в сегменте 20-27 лет, а в Новосибирске во всех возрастных категориях среди женщин. Проанализировав полученные данные, можно попробовать добавить в кампанию для Краснодара объявления с креативами, которые окажутся более привлекательны для местной аудитории 30+, или наоборот, принять решение сосредоточить свои усилия в данном регионе на более молодом сегменте. А в Новосибирске перераспределить бюджет в пользу женской аудитории.

Чтобы сделать рекламные кампании максимально эффективными, необходимо оперативно измерять офлайн продажи и корректировать стратегию, опираясь на аналитику и данные третьих сторон. Опыт First Data показывает, что сотрудничество рекламодателей, ритейлеров и аптечных сетей приносит измеримый и управляемый результат, выраженный в росте продаж. В кейсе с брендом российских витаминов более 30% аудитории покупателей конкурентов, которые ушли с рынка, после просмотра рекламы бренда, купили товар. Sales lift составил более 37% (при средних значениях 10−12% для этой категории), а конверсия в покупку — 7,25%.

Анна Чулкова, директор клиентского сервиса First Data

Таким образом, мы не только определяем тех, на кого была таргетирована онлайн-реклама и кто купил товар в обычном магазине, но и можем менять рекламную стратегию непосредственно в ходе кампании, сверяясь с данными о продажах и вкладывая больше в те сегменты, которые показывают лучшие результаты.

0
1 комментарий
Ваня Л

идея для стартапа: создать парсер-агрегатор , где будет видны метрики со всех рекламных инструментов

Ответить
Развернуть ветку
Читать все 1 комментарий
null