Как повысить эффективность медийной рекламы: идентификация клиентов и выявление интереса на основе машинного обучения
ПИК — давно не просто строительная компания. За последние годы мы своими силами создали и внедрили ряд современных IT-решений, у которых нет аналогов на рынке. Например, система PIK-Data позволяет нам отслеживать все касания клиента с брендом с момента первого показа рекламы.
Сейчас основная часть нашей коммуникации с аудиторией происходит онлайн. В охватных рекламных кампаниях мы знакомим потенциальную целевую аудиторию с брендом. Но традиционные для этого ТВ и ООН, во-первых, не дают возможности отследить долгосрочный результат коммуникации. Во-вторых, эти каналы подразумевают контакт с холодной аудиторией, часть которой заведомо не заинтересована в покупке квартиры.
Поэтому мы определили для себя ряд задач, выполнение которых могло бы помочь нам построить эффективную охватную коммуникацию онлайн:
- Найти возможность работать с пользователями, а не с куками.
- Найти перспективные сегменты среди холодной ЦА, по поведению похожие на горячие, и старгетировать на них рекламную кампанию.
- Определить наиболее конверсионные последовательности креативов и форматов.
- Найти каналы, не уступающие по охвату традиционным.
Что мы сделали, чтобы их решить?
В категории «Недвижимость» все игроки собирают в digital горячий спрос. Кроме этого, традиционные для digital-размещений способы отслеживания конверсий плохо подходят для сферы недвижимости из-за её специфики: период принятия решения и покупки немного превышает срок жизни cookie и GA id. Из-за этого отследить точное количество контактов с конкретным пользователем привычными способами почти невозможно.
Поэтому мы решили пойти другим путём. Совместно разработанный подход был реализован с помощью собственных разработок MediaInstinct: ML-модель, платформа Q-bid, включающая в себя модули DMP и DSP. Модель на основе больших данных и машинного обучения может создавать обезличенные цифровые паспорта пользователей (Hard ID) и работает с ЦА, ориентируясь не на cookie, а на пользователя как на человека.
В теории такая технология должна была помочь нам достаточно точно определять человека и все его контакты с нашей рекламой. А значит, более точно контролировать частоту контактов, определять их реальную эффективную частоту и оптимизировать расход медийного бюджета, не снижая эффективность рекламной кампании.
Вот как работает эта модель:
- Machine-learning модель собирает данные из разных источников Интернета и формирует Hard ID — идентификатор, который позволяет склеить данные пользователя на разных сайтах, браузерах и даже устройствах.
- Модель анализирует профили пользователей Интернета, ищет похожих на «горячую» ЦА и таргетирует на них рекламное сообщение ПИК.
- Если пользователь проявил заинтересованность, то модель показывает на него объявление следующего уровня коммуникации.
- Данные, собранные в процессе кампании, синхронизируются с данными сайта pik.ru для отслеживания всей цепочки взаимодействий и конверсий на сайте.
- Сегменты для показа рекламы обновляются с учётом накопленных данных по самым успешным цепочкам.
В рамках теста ML-модель проанализировала доступную аудиторию рунета в Екатеринбурге и Тюмени, используя дата-сигналы, и определила сегменты, которые, как ожидается, более расположены к приобретению квартиры. А потом мы старгетировали на них рекламу.
Как оптимизировали?
Подготовили креативы и тестировали их на разных сегментах и в разных форматах, чтобы определить самую эффективную последовательность.
Что получили?
- Синхронизация сайта ПИК и программатик-платформы агентства позволила составить профиль ценного для нас пользователя. Мы выявили наиболее значимые параметры «теплой» аудитории, такие как наличие детей, интерес к инвестированию, к недвижимости и т.д.
- Получили результаты ML-сегментов, превышающие бенчмарки: CTR баннеров – на 15%; CTR мультиформата – на 13%; CTR видео – на 37%; VTR – на 5%.
Более высокие результаты machine-learning сегментов свидетельствуют о верной гипотезе их формирования и о качественной сборке Machine-learning сегментов.
- Установили, что с точки зрения CTR и CR из показов в целевые действия на сайте наиболее успешна комбинация последовательного показа видео и баннера.
- Получили подтверждение эффективности видео: вклад видеорекламы в получение продаж в 3 раза превышает баннерный, но требует вдвое меньшей частоты контакта.
- Выявили, что медийная (баннерная) реклама является важным каналом коммуникации и значительно влияет на стартовую часть воронки. Например, конверсия в бронирование с участием баннерной рекламы в цепочке оказалась на 56% выше, чем в цепочках без неё.
Проведённый тест дал обнадёживающие результаты. Сейчас мы работаем над масштабированием этого подхода и построением полноценного post-view-отчёта, который также испытывали в ходе теста.