Данные о пользователях и их использование для закупки медийной рекламы

Одна из важных особенностей programmatic-рекламы – возможность не просто запустить рекламную кампанию на всех посетителей какой-то группы сайтов, приложений и других типов инвентаря, а сделать таргетинг на конкретного юзера. Точнее – на сегмент пользователей с конкретным набором свойств: поведения, местоположения, типа устройства, с которого посетитель поглощает контент, его язык, набор интересов и др. Вместе с Сергеем Самониным, CEO programmatic-платформы RTBSape разбираемся, какие данные сегодня используются в сегментации и что уникального появилось совсем недавно.

Последние несколько лет типов данных о посетителях на рынке достаточно много, доступ к ним можно иметь на различных условиях, и эффективность использования этих данных тоже отличается. Рассмотрим:

Свойства типа ГЕО по IP-адресу или тип устройства легко можно получить из заголовков страниц: код рекламной системы, установленный на страницу, сразу имеет возможность собрать эту информацию и использовать ее при принятии решения, креатив какого из рекламодателей лучше всего этому посетителю показать. А вот в случае интересов посетителей вступает в действие классический механизм cookie-матчинга.

Если очень коротко описать этот механизм, то сайт при посещении вешает в браузер посетителю куки (короткий текстовый файл), чтобы при следующем посещении уже знать, что этот пользователь на сайте уже был и обладает каким-то набором свойств. Благодаря этому сайт понимает, нужно ли показывать окно авторизации или сразу авторизовать его в какой-то интерфейс, какой контент он прочитал, а какой нет, и т. д.

Но также сайт может вызвать пиксель другого сервиса – например, рекламной сети – и повесить посетителю в браузер не свою куки, а куки рекламного сервиса (в данном случае она, в отличие от 1st party куки в первом случае, будет считаться 3rd party куки, то есть инициированной третьей стороной). А рекламная сеть может одновременно вызвать пиксель, например своих потенциальных покупателей, чтобы между куки рекламной сети и куки покупателей появилось сопоставление – так называемая таблица матчинга. Покупатели, в свою очередь, производят такой же матчинг с DMP (Data Management Platform) – платформами данных, которые договариваются с большим количеством площадок устанавливать свои пиксели, чтобы видеть, на каких площадках посетитель был, какие действия совершал и т. д., и косвенно понимать его набор интересов.

В результате этой длинной цепочки при заходе посетителя на сайт рекламная сеть и ее партнеры понимают, известен ли им этот пользователь, а если известен - каким набором свойств он обладает. На основании этого они принимают решение о том, креатив какой рекламной кампании и по какой цене предложить показать на сайте паблишера. А рекламодатели, соответственно, в настройках рекламных кампаний могут указывать сегменты на основе тех критериев, по которым рекламные инструменты имеют возможность делить аудиторию, – чтобы реклама показывалась именно посетителям из этих сегментов.

В целом все современные часто используемые способы дополнительного таргетирования основаны на куки-матчинге. Ниже рассмотрим их подробнее.

1. На основе пользовательской истории посещений

Первый тип определения интересов – когда DMP предлагают сегменты юзеров для таргетирования на основе их истории посещения сайтов различных тематик, действий на них, а также на основе более сложных сценариев, основанных на этой информации.

Всем ли это подходит?

🟢🟢🟢⚪⚪

Подходит, если рекламодатель знает или обоснованно предполагает интересы своей целевой аудитории.

Как хорошо это работает?

🟢🟢🟢⚪⚪

Это не гарантирует увеличение конверсий, но в целом можно получить более заинтересованный трафик.

Пользуется ли это спросом?

🟢🟢🟢🟢⚪

Это классический инструмент, который очень просто объяснить рекламодателю и продать.

Всем ли это доступно?

✅ Да, прямо в рекламных инструментах

2. На основании номеров телефонов и почты

Работает это просто:

Всем ли это подходит?

🟢🟢⚪⚪⚪

Полезно, только если рекламодатель знает контакты своей (или чужой, но потенциально заинтересованной) аудитории.

Как хорошо это работает?

🟢🟢🟢🟢⚪

Может быть достаточно эффективным найти сегмент из людей, обладающих конкретными свойствами (например, брошенные корзины в интернет-магазине) и давить на это – например, скидками на товары из корзины.

Пользуется ли это спросом?

🟢🟢🟢🟢🟢

Ценность для рекламодателя понятна, кейсов эффективного применения достаточно.

Всем ли это доступно?

✅ Да, прямо в рекламных инструментах.

3. На основании данных мобильных операторов

У крупнейших операторов связи есть множество данных о своих абонентах – начиная от их персональных данных, заканчивая содержимым их SMS (в обезличенных сегментах, естественно). При этом они являются провайдерами мобильного интернет-трафика – хотя почти все уже предлагают услуги также и домашнего интернета.

Всем ли это подходит?

🟢🟢🟢⚪⚪

Можно сказать, что мобильные операторы охватывают и сегментируют всю потенциально возможную аудиторию для рекламы. Но часто на покупку рекламы по сегментам мобильных операторов высокий ценовой порог вхождения.

Как хорошо это работает?

🟢🟢🟢🟢🟢

В нужную аудиторию вы, скорее всего попадете, плюс всегда можно докупить дополнительные рекламные форматы у оператора, например SMS-рассылки.

Пользуется ли это спросом?

🟢🟢🟢🟢🟢

Большое количество доступной аудитории, размеченной понятным образом.

Всем ли это доступно?

❌ Нет, только в инструментах самих телеком-операторов – либо агентствам и рекламным сервисам, имеющим соглашение на использование этих данных для рекламных кампаний.

4. На основании данных ОФД (операторов фискальных данных)

ОФД агрегируют подробные данные обо всех покупках – фактически содержимое чеков. Они хорошо работают совместно с мобильными операторами, так как есть возможность сопоставить SMS о транзакции с чеком. Эти данные удобны как для таргетинга на покупателей товаров конкурентов, так и, например, чтобы отслеживать брендлифт и сейлзлифт после каких-либо маркетинговых акций: это будет видно по динамике реальных покупок.

Всем ли это подходит?

🟢🟢⚪⚪⚪

Лучше всего подходит для тех товаров и услуг, покупка которых закрывается на оффлайн-кассах, – например, для FMCG-сегмента.

Как хорошо это работает?

🟢🟢🟢🟢⚪

Динамика реальных покупок – хороший источник знаний о аудитории и маркер изменения ее интересов

Пользуется ли это спросом?

🟢🟢🟢⚪⚪

Да, но в основном в сфере ритейла.

Всем ли это доступно?

✅ Да, но не всегда в рекламных инструментах. Часто требуется интеграция с выбранным ОФД и процесс анализа результатов.

5. На основании банковских данных

У банков очень много информации о покупателях своих финансовых продуктов, и в обезличенном виде на них можно таргетироваться. В том числе и на важные пункты типа ежемесячного дохода, которые в данном случае определяются точнее, чем другими способами. Опять же, есть разбиение по интересам в зависимости от категорий покупок, совершаемых с помощью инструментов банка.

Всем ли это подходит?

🟢🟢🟢🟢🟢

Подобные сегменты подойдут для любых рекламных кампаний.

Как хорошо это работает?

🟢🟢🟢🟢⚪

Не все пользователи сматчены с конкретной экосистемой банка, но в целом аудитории достаточно.

Пользуется ли это спросом?

🟢🟢🟢🟢⚪

Коммерческий потенциал подробных сегментов, основанных на реальных доходах и покупках, быстро реализуется.

Всем ли это доступно?

❌ Нет, только инструментам рекламы в составе финансовых структур. Например, если крупный системообразующий банк покупает независимую ранее DSP для обслуживания как внешних клиентов, так и достижения собственных маркетинговых целей.

Рекламные агентства и инструменты, которые они используют, сейчас предлагают рекламодателям очень широкие возможности для таргетинга на дополнительных данных, но стоит помнить о том, что:

#медийнаяреклама #данные