Инструкция и лайфхаки.
«Хотим продать стиральный порошок домохозяйке за неделю до того как у неё закончится старая упаковка», — говорит клиент. В DV Group за решение таких вопросов отвечают модели машинного обучения, анализ конкурентов и Сustomer Data Platform. Руководитель по работе с информационными продуктами DV Group Светлана Пронькина рассказывает, как проводить акции до того, как это сделают конкуренты, и коммуницировать с покупателями именно в тот момент, когда товары наших клиентов им больше всего нужны. Статья будет полезна trade-маркетологам брендов и рекламным агентствам.
На рекламном рынке есть три важных ограничения
1. Нет инструмента для прозрачного анализа воронки продаж
Большинство рекламодателей, инвестируя миллионы в рекламные кампании, не могут прогнозировать окупаемость таких вложений.
Фактически на отрезке от закупки внешнего трафика в интернете до его конверсии в продажи товара в стороннем интернет-магазине или маркетплейсе образуется искажение статистики по конверсионным событиям.
2. Нельзя передавать данные о пользователях без согласия самих пользователей
Согласно Закону о защите персональных данных, владельцы данных не имеют права передавать третьим лицам информацию о пользователях без их прямого согласия.
3. Маркетплейсы не предоставляют необходимые данные о пользователях
Отчёты, которые сейчас доступны, имеют ряд ограничений и фактически бесполезны для решения трейд-маркетинговых задач. Аналитика продаж по доступной ёмкости покупателей в категории, портрет пользователя, листинг популярных товаров, конкурентный анализ брендов остаются внутри маркетплейсов.
Дополнительная трудность состоит в том, что владельцы данных о покупателях своей сети, маркетплейса или пользователях банка не делятся напрямую RAW DATA («сырые» данные о транзакционных событиях пользователя без предварительной обработки и классификации) с внешними партнёрами. Они самостоятельно монетизируют их в маркетинговых целях внутри своего IT-контура.
Мы в DV Group научились решать эти три проблемы на каждом этапе работы с данными и сформировали мини-инструкцию для маркетологов и рекламных агентств по работе с онлайн-покупателями.
Шаг 1: собрать агрегированный массив данных
На сегодняшний день события или транзакции пользователей, полезные для онлайн-маркетинга, собираются в шести источниках:
- производители контрольно-кассовой техники и эквайринга;
- провайдеры сервисов SMS-уведомлений;
- банки с кешбэк-системой;
- телеком-операторы;
- операторы фискальных данных;
- сетевые ритейлеры с программой лояльности.
Все перечисленные источники являются владельцами собственных данных, поэтому закупка данных у них не нарушает ФЗ о защите персональных данных. При этом у каждого свой подход по обмену данными со сторонними партнёрами, начиная с мониторинга событий по брендам и заканчивая передачей сырых данных для самостоятельной обработки партнёром.
Мы предпочитаем работать с владельцами событий о пользователях в онлайн-пространстве: при переходе в мобильное приложение или совершённой транзакции в екоме. Это позволяет отследить устойчивый идентификатор пользователя на каждом из этапов воронки продаж, сначала найти его в сети, показать рекламу и посчитать факт покупки с рекламной кампании.
Использование агрегированных данных от провайдеров не предполагает согласие от каждого магазина, куда был переход или где была совершена транзакция. Согласие могло бы понадобиться только в случае, если провайдер формировал сегмент посетителей или покупателей конкретного магазина, например, OZON или Wildberries.
Шаг 2: обработать агрегированные данные
Окей, данные купили, что с ними делать дальше?
В сыром виде все вышеперечисленные данные не несут ценности для бизнеса. Но если их проанализировать с помощью CDP, применить категоризацию товаров, определить на основе вероятностных моделей склонность к покупке в определённом магазине, можно сформировать аудитории для таргета в рекламной сети, построить прогноз выручки и посчитать отдачу от маркетинговых инвестиций по проведённым рекламным кампаниям.
Как мы добиваемся качественной обработки данных
Используем CDP. Всю магию мы проделываем внутри DV Platform (CDP), обрабатывая события и запуская предиктивные скрипты. В нашем perfomance деле важно прогнозировать высокую вероятность совершения покупки для конкретного магазина, категории и бренда. Именно эти факторы влияют на успех проведения рекламной кампании и помогают контролировать и оптимизировать в режиме реального времени закупку внешнего трафика для достижения планового ROMI.
Работаем с владельцами данных по методу дообогащения событиями — проксирование или мониторинг. Владельцам данных мы отправляем запросы о событии пользователя (например, использование приложения, клик на рекламу или покупка товара) и получаем ответы формата «да» и в этом случае принимаем содержание логов или «нет», что равно нулевому значению. Таким образом мы обогащаем нашу CDP-аудиторию событиями, обеспечивая безопасность соблюдения ФЗ 152 о персональных данных.
Если же нет своей CDP, можно воспользоваться обработкой данных на стороне самого провайдера. Речь про так называемый selfservice от формирования сегмента до sales lift. Многие провайдеры предоставляют эту услугу.
Мы закупаем идентификаторы событий, связанных с покупкой товаров, из разнородных источников, что даёт полное представление клиентского пути и жизненного цикла покупателя. На сегодняшний день наша платформа обрабатывает более 200 млн событий в день, предсказывает покупку более 20 000 товарных позиций и работает с охватом более 60 млн уникальных идентификаторов пользователя. Таким образом мы формируем сегмент аудитории, которая покупает с вероятностью выше 98% — в интересующем нас магазине определённую категорию товара и бренда — Светлана Пронькина, руководитель по работе с информационными продуктами DV Group.
В результате такого подхода в работе с данными мы достигли следующих показателей:
Шаг 3: применить данные
При подготовке таргетированной рекламы используем моделирование данных с высокой вероятностью покупки товара и прописываем сегменты с различными жизненными ситуациями. Это могут быть беременность или планирование отпуска, склонность к покупке товара в определённых онлайн-магазинах, наличие домашних животных и многое другое. Ниже будет кейс с детальным описанием каждого шага.
Дополнительно анализируем потребительскую корзину, собирая товары-спутники, купленные вместе с промотируемым товаром. К примеру, покупатели детских подгузников чаще всего вместе с основным товаром покупают влажные салфетки и средства для ухода за малышом. Добавляя такие товары, мы расширяем воронку аудиторий для таргета.
Благодаря анализу событий о покупке в CDP мы приводим трафик в ecommerce-магазин уже на этапе целевого визита, тем самым оптимизируя расходы и доводя пользователя по воронке до карточки товара.
Секрет успешной рекламной кампании в электронной коммерции не только в целевых сегментах, но и в ценах на товары бренда, стоке, активности конкурентов. Всё это необходимо учитывать до и во время рекламной кампании. Именно поэтому мы используем обработанные данные и предиктивные скрипты не только для сегментов, но и для детальной аналитики по бренду.
Что важно учесть на этапе аналитики по конкретному бренду
- Оценку промоактивностей брендов-конкурентов. Мы для этого используем предсказательную модель промокалендаря и определяем оптимальные сроки запуска рекламной кампании.
- Конкурентный анализ цен.
- Запас стока рекламируемого бренда.
- Анализ ТОПа продаж по SKU для включения их в промо- и рекламные материалы.
- Оценку качества карточки товара.
- Наличие отзывов и рейтинг.
Аналитика основных показателей бренда и исправление недочётов — обязательное условие для старта рекламной кампании: это напрямую влияет на конверсию с привлечённого трафика и итоговый ROMI.
Кейс: увеличили продажи детского питания на 31%, ROI= 7,5
Жизненный цикл детских смесей длится 2 года. Как правило, решение о выборе смеси принимается мамой в период ввода прикорма до 6 месяцев. В большинстве случаев после тестирования смесей покупатель останавливается на выбранном бренде до конца периода.
Мы предложили следующую стратегию.
Сформировать три сегмента аудитории
- Текущие покупатели, которые делают свою первую покупку детской смеси до 6 месяцев.
- Покупатели смесей для детей от 6 до 12 месяцев и от 12 до 24 месяцев.
- Текущие покупатели товаров для беременных и молодых мам с детьми до 6 месяцев.
Сформулировать стратегии
- Стратегия 1: берём все три сегмента без дополнительных фильтров, как они есть.
- Стратегия 2: строим look-a-like модели на все три сегмента — ищем в сети похожих пользователей.
- Стратегия 3: собираем аудиторию из всех трёх сегментов с использованием предиктивной модели вероятности покупки и ищем в сети похожих на них по look-a-like моделированию.
Запланировать стоимость закупки исходя из ценности привлеченного покупателя
Аудитория из 1 и 3 сегментов (впервые покупающие смесь и молодые мамы с детьми до полугода) — наиболее ценные пользователи, поскольку останутся с брендом дольше всех. Их реактивация обойдётся дешевле. В таких случаях мы используем дифференцированное ценообразование в рекламных кабинетах в зависимости от ценности клиента.
Результаты
Сегмент с наибольшей склонностью к покупке дал очень высокий перформанс. Но есть нюанс по дефициту охвата. Бесконечно такой сегмент масштабировать нельзя. Поэтому сегменты в 2-х других стратегиях просто необходимы: они дают хороший результат и добивают охват.
Чтобы метрики вашего бизнеса постоянно росли, необходимо собирать и обрабатывать события о пользователе из различных источников, анализируя его путь на 360°. Но и этого недостаточно. Для соблюдения правил ФЗ 54 необходим технологический стек, позволяющий шифровать 1st party data (собственную дату), и при помощи протокола обмена запрашивать обогащения событиями в нужных для рекламной кампании бренда параметрах. При планировании самой кампании — анализировать ёмкость продажи категории в магазине, склонность к покупке и промокалендарь. Таким образом у вас получится клиентоцентричный бизнес, который умеет выжимать максимум из маркетинговых вложений.