ARTOX media разработал «умную» технологию таргетирования рекламы

ARTOX media разработал «умную» технологию таргетирования рекламы

25.03.2018


Агентство ARTOX media в партнерстве с компанией Biclast, представила собственное решение, позволяющее более точно таргетировать рекламные кампании с использованием технологий машинного обучения.

ARTOX media разработал «умную» технологию таргетирования рекламы

Как пишет директор по производству ARTOX media Алексей Чечукевич, сегодня существует 2 подхода, направленных на повышение эффективности таргетированной рекламы в интернете: ретаргетинг и look-a-like. Причем в понятие таргетированной рекламы также попадает контекстная реклама в поисковых системах, реклама в социальных сетях и реклама через programmatic-платформы).


Ретаргетинг

Это метод, при котором анализируется поведение пользователей на сайте, после чего аудитория рекламной кампании сужается до круга посетителей, поведение которых попадает под определенный паттерн. Это может быть как одиночное действие (положил товар в корзину), так и цепочка действий (был на сайте более 1 минуты и посмотрел не менее 3-х карточек товаров).

Опираясь на личный опыт, маркетолог принимает решение считать таких пользователей максимально вовлеченными и готовыми к покупке. На основе этого в рекламной кампании выставляются настройки, позволяющие максимально влиять на этот сегмент пользователей. Это можно сделать, например, повышая для данной категории пользователей ставки в контекстной рекламе, либо догоняя их объявлениями на сайтах контекстно-медийной сети. Важно отметить, что в данном случае решение о признании какого-либо паттерна поведения пользователей индикатором готовности к покупке принимается человеком.

Ретаргетинг хорош тем, что он работает с «теплой» аудиторией, которая уже была на вашем сайте и знакома с брендом. Но его главным недостатком является то, что решение о том, какую аудиторию «догонять», принимает человек.

Практика показывает, что задачу по выделению в большом количестве объектов узкого сегмента с оптимальными характеристиками современный компьютер решает гораздо быстрее и эффективнее человека. В машинном обучении эта задача называется классификацией и применяется повсеместно, начиная от распознавания текста на фото и заканчивая поиском новых галактик на снимках с телескопа Хаббл.


Look-a-like

Данный метод, основан на работе алгоритма, который анализирует поведение пользователей, совершивших определенное целевое действие на сайте. Такие инструменты есть практически у всех крупных рекламных систем: ВКонтакте называет свой алгоритм «Похожие аудитории», у Яндекса есть «Крипта».

Точных методов работы ни одна компания не раскрывает по понятным причинам, но общие принципы известны: специальные алгоритмы анализируют поведение пользователя в интернете (например, ВКонтакте изучает данные вашего профиля, подписки на определенные группы, контент, который вы лайкаете и шерите) и формируют группы пользователей, похожие друг на друга по определенным признакам.

После этого остается только найти подходящую группу, которая по поведению похожа на ваших клиентов. Например, если вы продаете корма для животных, ВКонтакте проанализирует ваших покупателей и определит, что их объединяет, например, интерес к собакам, а потом покажет ваше рекламное объявление тем пользователям, которые интересуются собаками, но в вашем магазине пока ничего не купили. Таким образом, вы получите дополнительную аудиторию, которая с большей вероятностью может совершить заказ в вашем магазине. Важно отметить, что в данном случае поиск аудитории происходит полностью автоматически, участие человека в принятии решения не требуется.

Look-a-like направлен на «холодную» аудиторию, и не всегда эффективен. Кроме того, сегодня этот механизм является черным ящиком — рекламодатель не знает, по какому принципу рекламная система формирует похожую аудиторию, и не может влиять на процесс подбора.

Решение ARTOX media

При создании собственного решения специалисты компании решили максимально использовать сильные стороны обеих технологий и не зависеть от их недостатков.

Задачи:

  • Найти среди всех посетителей сайта максимально целевую аудиторию (склонную к покупке).

  • Поиск выполнять через решение задачи классификации с использованием машинного обучения.

  • Иметь возможность видеть влияние различных характеристик пользователя на итоговую оценку и корректировать их при необходимости.

  • Иметь возможность таргетировать рекламные кампании по полученным данным.

Для тестирования технологии был выбран интернет-магазина радиоуправляемых игрушек.


Результаты первого этапа

На этом этапе необходимо было получать данные о каждом хите любого из посетителей сайта. Это было сделано с помощью разработки команды Яндекс.Метрики под названием LogsAPI, которая позволяет получать данные обо всех действиях посетителей на сайте в виде таблицы.

Далее данные были обработаны с помощью алгоритма машинного обучения под названием градиентный бустинг.

Необходимо было:

  • Проанализировать всю информацию о пользователях, которые совершали покупки на исследуемом сайте.

  • С помощью градиентного бустинга найти общие паттерны поведения, то есть определить, какие именно характеристики объединяют всех покупателей.

  • Далее разработать алгоритм, который позволяет для каждого отдельного пользователя на основании его характеристик и поведения на сайте узнать вероятность того, что он совершит покупку.

  • И в конце концов найти среди пользователей, которые были на сайте, но ничего не купили тех, для кого вероятность совершить покупку будет максимальной.

Основные итоги тестирования

Из более чем 130 факторов, которые мы смогли выгрузить из LogsAPI, только порядка 30 имеют значение при определении вероятности покупки товара. Остальные на эту метрику никак не влияют.

Для прогнозирования вероятности покупки имеют значение только данные за последние 3 месяца. Использование более старых данных не улучшает точность прогноза, а в некоторых случаях даже ухудшает его.

Точность прогнозирования вероятности покупки, которой удалось достичь — 92%.

И наконец, самый неожиданный — только порядка 3% посетителей, которые были на сайте, но ничего на нем не купили, имеют достаточно высокую вероятность совершить покупку при следующем визите.

Несколько инсайтов, которые удалось обнаружить в ходе исследования:

Чем чаще пользователь заходит на ваш сайт, тем выше вероятность покупки.

Вероятность покупки при первом визите крайне мала, чаще всего покупки совершаются в диапазоне от 3-го до 6-го визита за месяц.

Если пользователь не был на вашем сайте более трех месяцев, его паттерн поведения практически идентичен новому пользователю.

Количество страниц, просмотренных в процессе визита на сайт, практически не влияет на вероятность покупки. А вот количество страниц, просмотренных в процессе визита в рамках одной категории товаров — влияет.

Существует четкая зависимость между временем и днем визита пользователя на сайт и вероятностью покупки.

ВНИМАНИЕ: Подобные паттерны поведения пользователей характерны только для конкретного сайта, данные которого анализировались системой. На каждом сайте зависимость вероятности покупки от поведения пользователей будет своя.

В итоге всех пользователей исследуемого сайта в зависимости от вероятности покупки можно разделить на 4 группы:

Excellent (hot clients) — 2% от общего числа зашедших на сайт пользователей, вероятность покупки выше 80%.

Good (close to hot) — 11% от общего числа зашедших на сайт пользователей, вероятность покупки от 50% до 79%.

Standart (ordinary clients) — 36% от общего числа зашедших на сайт пользователей, вероятность покупки от 6% до 49%.

Bad (cold clients) — 50% от общего числа зашедших на сайт пользователей, вероятность покупки 5% и ниже.

После классификации пользователей получилась следующая картина:

  • 50% посетителей сайта никогда на нем ничего не купят.

  • 36% купят с низкой вероятностью, скорее всего только в том случае, если найдут крайне выгодное предложение по сравнению с конкурентами.

  • 11% заинтересованы в покупке, могут купить товар, если их подогреть небольшой скидкой.

  • 2% скорее всего купят товар при следующем визите на сайт.

Далее на основании этих групп были сформированы 4 сегмента в Яндекс.Метрике, чтобы запустить на них ретаргетинг. Кроме того, было настроего 2 тестовых сегмента:

1.   Пользователи, которые были на сайте, ничего не купили.

2.   Пользователи, которые были на сайте, положили товар в корзину, но ничего не купили.

Данные группы пользователей впоследствии использовались как тестовые, чтобы сравнить полученные результаты.

Выводы

Ожидаемо пользователи из сегментов Excellent, Good и Normal показали более высокие показатели, чем тестовые группы. Причем, чем выше была вероятность покупки для группы пользователей, тем более высокие результаты она показывала. В целом, гипотеза специалистов подтвердилась: таргетинг на целевых пользователей, которых указал алгоритм ARTOX Prediction, оказался более эффективным, чем привычные схемы таргетинга, например, на пользователей, которые оформляли заказ, но не дошли до этапа оплаты.


Вернуться к списку новостей

ОРГАНИЗОВАТЬ ТЕНДЕР Выбрать всех
Вы выбрали для тендера
Наверх