Новые технологии меняют нашу жизнь – то, как мы работаем, общаемся и достигаем своих целей. Многие процессы автоматизируются, а инновационные решения становятся неотъемлемой частью креативных digital-кампаний. Поговорим о том, какие технологические тренды будут влиять на рекламный рынок в 2019 году.

Автоматизация и машинное обучение

За последние десятилетия было три технологии, которые существенно изменили мир: компьютеры, интернет и мобильные устройства. Сейчас настало время четвертой – это машинное обучение.

Сначала посмотрим, как оно помогает справляться с важными задачами в обычной жизни. Родители японского инженера выращивали огурцы на продажу. Он заметил, что мать сортирует их до восьми часов в день. Чтобы автоматизировать процесс и освободить маму от рутинной задачи, инженер разработал систему сортировки огурцов на основе технологии машинного обучения TensorFlow.

На производстве установили конвейер, который с помощью алгоритма сортировал огурцы по девяти категориям. Такой подход можно применить не только в сельском хозяйстве или на производстве – в мире маркетинга мы тоже пользуемся плодами машинного обучения.

Сортировка трафика с помощью автоматизации

Автоматизация помогает удобнее закупать рекламу в контекстной системе и быстрее определять ставки. Когда мы заводим первую контекстную кампанию, возникает вопрос – сколько стоит клик и какую стоимость конверсии ожидать? Можно провести исследования, узнать средние ставки в отрасли и стартовать с них. Можно следовать интуиции.

На старте человек и робот почти равны – пока нет предыстории работы кампании в реальных аукционах, мы работаем с базовыми ставками. Затем добавляются параметры для сегментации и сортировки трафика: география, время суток, тип устройств, поведение пользователей, конверсии, интересы аудитории. Мы можем включать эти признаки в таргетинг и регулировать ставки.

Сортировка трафика. Think with Google. Ник Смольянинов.

 

Так аккаунт-менеджер сегментирует и сортирует трафик, жонглируя классифицирующими признаками. Но возможности менеджера не безграничны. Он может держать во внимании четыре, пять, восемь таких «шариков». Однако в закупке трафика в каждом аукционе задействуются сотни классифицирующих сигналов.

Есть масса признаков, которые машина поймает намного быстрее и оптимизирует показ рекламного объявления. С помощью алгоритмов она решит, показывать рекламу конкретному пользователю или нет – исходя из того, подходит ли он и с какой вероятностью сконвертируется. Продемонстрируем это на примере успешного кейса.

В «Сбербанке» провели тест, в рамках которого рекламные кампании Google Рекламы перевели с ручной оптимизации ставок на оптимизатор конверсий. Конверсия – заполненная заявка на кредитный продукт. Пользователи приходили на сайт и либо заполняли заявку (на кредитную карту, автомобильный кредит, ипотеку), либо нет. Сигнал об успешно заполненной заявке отправляли в закупку, и алгоритмы могли на него оптимизироваться. Автоматизированный алгоритм закупки трафика (оптимизатор конверсий) помог увеличить конверсию в заявку, причем в большинстве случаев при той же стоимости, а иногда и при более низкой.

Атрибуция

Когда перед покупкой происходит несколько взаимодействий с пользователем, возникает вопрос – на какое из них атрибуцировать конверсию. Самый простой способ – отдать ее последнему клику. Так поступают многие рекламодатели и включают атрибуцию по последнему взаимодействию. Тогда поведение пользователя и его клики, которые предшествовали последнему конвертирующему взаимодействию, выносятся за рамки моделирования.

Альтернатива – атрибуционные модели, которые учитывают совокупность всех взаимодействий до конверсии. Прежде всего это data-driven атрибуция (атрибуция на основе данных).

С помощью нее мы учим робота, который оптимизирует трафик, учитывать все клики, реально повлиявшие на конверсию. По пути к конверсии пользователь сначала знакомится с товаром, потом расширяет знания о нем, затем начинает им интересоваться и только после этого конвертируется.

Разные типы трафика выстраиваются в логичную конверсионную цепь взаимодействий: в начале пути – широкоохватные форматы (display, видео), в середине – небрендовый поиск и в конце – брендовый поиск. И когда мы отдаем конверсию роботу и включаем data-driven атрибуцию, робот получает сигнал не только о конвертирующем клике, но и об ассистирующих. Картина мира меняется.

Атрибуция. Think with Google. Ник Смольянинов.

 

Другое решение, доступное для моделирования в рамках data-driven атрибуции, – это  cross-device взаимодействия. У вас вдруг появится конверсионный мобильный трафик, который никогда раньше не конвертировался в рамках атрибуции по последнему клику.

50% пользователей начинают конверсионный путь со смартфонов – первый клик и показ рекламы чаще всего происходят именно там. Без data-driven атрибуции вы вряд ли отследите эти первые клики, из-за чего не сможете оптимизировать показы рекламы в этот стартовый, наиболее ценный момент.

В средней части конверсионной воронки повышается роль общих небрендовых запросов. Как применить атрибуцию на основе данных на практике и какие результаты это может дать в плане оптимизации закупки небрендового поиска – демонстрирует кейс компании «Холодильник.Ру».

Когда команда компании включила data-driven атрибуцию, в поиске почти на 60% увеличился объем конверсий с небрендовых категорийных запросов: «купить холодильник», «купить телевизор», «купить стиральную машину», «купить микроволновку» и так далее. Красота этого кейса еще и в том, что оптимизация закупки общих запросов помогла увеличить конверсионность бренда.

Креатив и таргетинг

Машинное обучение умеет оптимизировать креативы и таргетинги – например, в Smart Display кампаниях для контекстно-медийной сети и в Universal App Campaigns, универсальных кампаниях для продвижения приложений.

Атрибуция 2. Think with Google. Ник Смольянинов.«Умные» кампании  просто настраивать – не нужно задавать ключевые слова, интересы и площадки для размещения рекламы. При создании Universal App Campaign достаточно указать системе страницу магазина с адресом приложения и сказать: «Я хочу установку за вот такие деньги». Если внутри приложения отслеживаются дополнительные полезные действия пользователя (in-app actions), их можно тоже отдать в закупку и оптимизироваться на них.

Universal App Campaign запускается с максимальным охватом аудитории, а потом сужает таргетинг, оставляя в закупке только тот трафик, который показал конверсионность. При этом одна кампания покрывает все существующие/потенциальные типы трафика и форматы объявлений: поиск, контекстно-медийную сеть, баннеры в приложениях и на мобильных сайтах, видео.

Достижения таких кампаний показывает кейс компании ЦИАН. Переход на закупку с помощью Universal App Campaigns помог почти в 2,5 раза увеличить конверсионность и больше чем наполовину снизить стоимость звонка.

Чтобы технология сработала, важны два момента – правильные данные и правильный сигнал для закупки. Оптимизатор всегда зависит от математической базы – данных должно быть достаточно много для принятия верного решения. Чтобы система начала оптимизировать трафик, конверсионные действия должны случаться часто и быть качественными.

 

С. Видяев для Think with Google

 

См. также: