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:
- на российском рынке высокая конкурентная среда, когда условия по продукту актуальны здесь и сейчас;
- для привлечения клиентов используется сложная экосистема, когда бренд активно использует как ТВ и другие охватные каналы коммуникаций, так и перформанс инструменты.
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:
- распределение новых клиентов по каналам коммуникации;
- рекомендации по оптимальному медиамиксу;
- прогнозы эффектов от инвестиций в каждый медиа канал.
Learnings
- перераспределение медиа инвестиций между медиа каналами в соответствии с моделью дает рост количества прогнозируемых новых клиентов;
- также рост количества клиентов ожидается за счет перераспределения медиа инвестиций между продуктами банка.
Сейчас мы заканчиваем работу над автономностью системы. Оптимизируются процессы автоматической подгрузки данных из даталейка банка, внешних источников и баз с медиа статистикой.