Modelling innovations: как посчитать ROI в условиях омниканальности

Никита Малыхин, Advanced Analytics Publicis Data Sciences, и Антон Платонов, Data Engagement Lead Publicis Groupe Russia, рассказывают про построение клиентских моделей омниканальной атрибуции (Omni Channel Attribution - OCA) в банковском сегменте.

Бизнес, как правило, хочет знать, как медийная реклама влияет на бизнес-показатели, KPI и впоследствии атрибутировать продажи, трафик, загрузки приложений на конкретный медиа канал и с помощью этого анализировать их ROI.

Чтобы проанализировать ROI, на рынке собирают как можно больше данных, статистику по медиаканалам, рекламным кампаниям, учитывая сезонность, макрофакторы, затем строят эконометрическую модель и рассчитывают параметры, которые позволяют оценить отдачу от инвестиций. В такой ситуации мы можем посмотреть, как в течение определенного количества лет у бренда или компании атрибуцировались инвестиции и это позволяет лучше понимать свой бизнес.

Главная проблема такого подхода — он одноразовый. Стандартное моделирование (Marketing Mix Modelling), которую предоставляют клиентам многие медийные агентства и другие поставщики, описывает конкретный момент. Но в перспективе бизнес хочет знать точный вклад в KPI от каждого медиа, их точную стоимость, получать эти данные в режиме реального времени и составлять оптимальные медиапланы на следующие месяцы и годы. Понятно, что идеальной ситуации достичь невозможно, но мы предлагаем начать с омниканальной атрибуции.

Мы запускаем схожее моделирование, но с использованием машинного обучения, добавлением к эконометрике multi-touch атрибуции и ее синхронизации с системой компании для получения информации практически в реальном времени, загружая новые блоки данных от агентства, самой компании или CRM системы. Если мы сложим все эти компоненты, получим омниканальную атрибуцию. Полученные результаты агрегируются для каждого бренда отдельно и по каждому из них можно построить modern portfolio (модель, которая позволяет оптимизировать инвестиции между медиа каналами/ сегментами аудиторий/ брендами). Подход помогает разбить инвестиции между брендами и проанализировать их ROI.

Дашборд позволяет оптимально планировать медиа затраты в следующих периодах. Всю статистику возможно отслеживать в разрезе продуктов, брендов, а информацию по потребителю сегментировать по медиа каналам потребления. Собрав весь пул данных становится понятно, что происходит на рынке. В дальнейшем всю полученную информацию мы используем для создания устойчивых моделей планирования. Можем посмотреть, как ведут себя потребители бренда (переходят на сайт, покупают товар), и рассчитать любой другой KPI, который интересуют рекламодателя в данный момент.

А теперь заканчиваем с теорией и переходим к практике.

Case study

Первый раз мы предложили протестировать нашу модель OCA (Omni-Channel Attribution) клиенту из банковского сектора — Райффайзенбанку.

«Райффайзенбанк как data-driven организация стремится к принятию решений на основании ретроспективных данных и прогнозов по моделям. Применение модели OCA позволило вывести процесс поиска оптимального медиа-сплита на новый уровень», — Иван Бабаев, руководитель отдела цифрового маркетинга Райффайзенбанка.

Почему банк мотивирован использовать data-driven подход в планировании своих медиа инвестиций:

Наша основная задача – разработать эффективную систему, которая позволит планировать медиа инвестиции в разрезе продуктов и каналов коммуникации с учетом кросс-влияния между продуктами банка.

Execution

Чтобы собрать внутренние банковские данные мы интегрировали нашу команду data scientists в контур банка. Получили доступ ко всем необходимым для моделирования данным: временные метки моментов, когда клиент пришел в банк, какие заявки он делал, на какие получил одобрение и т.д. Нашей задачей было восстановить цепочку событий, которые привели клиента в банк.

Дополнительно мы использовали макроэкономическую статистику, а также данные по предложениям других банков (рыночный анализ конкурентов). Для оценки вклада digital мы использовали сложные аттрибуционные модели, которые позволили оценить вклад кастомных гранулярных диджитал каналов в цепочку. При работе с данными CRM возникли новые препятствия, часть полей оказалась незаполненной. Их восстанавливали с помощью отдельных моделей, чтобы не терять общий объем данных.

Для каждого из продуктов мы построили отдельные модели, чтобы оставаться на высоком уровне гранулярности и отслеживать специфичные для продукта особенности для улучшения качества прогнозов. Все модели были интегрированы в portfolio, чтобы оптимизировать необходимые инвестиции в каждый продуктовый сегмент и медиаканал.

Результаты модели представлены в виде дашборда, отражающего:

Learnings

Сейчас мы заканчиваем работу над автономностью системы. Оптимизируются процессы автоматической подгрузки данных из даталейка банка, внешних источников и баз с медиа статистикой.