Предсказывать и распределять — как магия данных работает в рекламе

Почему реклама на всех действует по-разному? Одни охотно кликают на баннеры, переходят по ссылкам на сайт, заказывают товар, а другие тихо ненавидят бренд, который постоянно мелькает перед глазами.

Успех зависит не только от того, насколько чётко вы описали аудиторию и сформулировали для нее подходящее сообщение, а еще и о того, получилось ли у вас предсказать ее поведение.

Сегодня разбираемся с тем, что нужно рекламодателю, для четких портретов и точных прогнозов.

Cобственная база клиентов

Начнем с простого. Если у бренда (производителя товара) есть только собственная клиентская база, можно считать, что он почти ничего не знает о своих клиентах. Максимум, что можно сделать с этими данными своими силами — предлагать новинки, сообщать об акциях, напоминать о регулярных покупках. Для того, чтобы коммуникация была чуть более точной, можно сегментировать аудиторию по полу, возрасту или гео, предлагая каждому сегменту персонализированные предложения с разным УТП и креативами. 

Если проанализировать данные в ретроспективе, можно выяснить, кто из клиентов лоялен к бренду (покупает регулярно, охотно участвует в акциях, пользуется бонусами и т.д.), а кто в определенный момент просто перестал покупать продукцию. 

Расширить целевую аудиторию, опираясь только на свою клиентскую базу, тоже непросто. Можно подбирать пользователей с похожими интересами, используя механизмы Look-a-like в соцсетях. Алгоритмы площадки будут подбирать людей с теми же комбинациями интересов, что и клиенты компании. Но чем шире будет выборка, тем ниже ее релевантность. И рекламодатель снова будет откручивать рекламу не тем, терять на этом деньги.

Получается, что без дополнительных инструментов рекламодатель ни собственных клиентов толком не знает, ни новых не может найти.

Первичные данные и прогнозные алгоритмы

Собственные данные, накопленные в достаточном объеме, могут стать основой для прогнозной аналитики — для работы алгоритмов, которые предугадывают поведение потребителя.

Осознаем мы это или нет, но большинство наших покупок подчинено определенной логике. Подумайте, когда вам легче тратить деньги — в первую неделю после зарплаты или за неделю до нее? В обычной жизни люди не пытаются выявлять паттерны в собственном поведении. Другое дело аналитики, для которых поиск закономерностей и построение гипотез — профессия и работа. 

Статистика позволяет выделить сегменты покупателей с определенной частотой покупок, средним чеком или, например, товарами, которые входят в один чек. Далее в дело вступают теории вероятности и игр, сложные математические алгоритмы и серьезные вычислительные мощности — миллионы записей и сотни условий требуют соответствующих затрат.

Чаще всего с помощью алгоритмов прогнозирования выделяют следующие категории покупателей:

• самых перспективных клиентов, тех кто покупает часто и много
• тех, кто активно реагирует на маркетинговые акции
• клиентов в зоне риска — по изменениям в поведении можно с большой долей вероятности предположить, что человек в скором времени перестанет покупать продукцию бренда
• тех, кто уже перестал быть клиентом и вряд ли вернется.

Дальше рекламодатель может взаимодействовать с каждой такой группой отдельно, подбирая нужные слова, формируя отдельные акции, персональные скидки — продавать еще больше тем, кто готов покупать, и возвращать тех, кто собрался было уйти. 

Возможность предсказывать поведение клиента заметно повышает шансы бренда на захват рынка, но все же никак не объясняет причины такого поведения. Почему постоянный клиент попал в группу риска? Почему 5% покупателей перестали приобретать ваши товары? Что с ними стало? 

Для ответов на эти вопросы нужны другие данные.

Транзакционные данные

О том, что такое транзакционные данные и как они попадают к рекламодателям, мы уже писали. Теперь же поговорим о том, в чем их главная сила.

Во-первых, в их помощью можно получить не гипотетический, а реальный ответ на вопросы, которыми заканчивается предыдущий параграф. Анализируя фактически совершенные пользователем покупки, можно выяснить, отказался пользователь от товара вообще, или выбрал другой бренд.

Например, если клиент перестал покупать растворимый кофе конкретного бренда, это может быть связано с тем, что он переметнулся к конкуренту — может быть там вкуснее, или дешевле, или этот кофе чаще продается в магазине рядом с домом. А может быть, он купил кофемашину и теперь пьет только натуральные зерновые сорта. В первом случае — можно попробовать вернуть клиента, предложив ему особые условия. Во втором — реклама скорее всего будет бесполезна. 

Еще более яркий пример — когда речь идет не просто об изменении вкусов и предпочтений, а о медицинских показаниях. С помощью транзакционных данных производитель шоколада может выяснить, например, что постоянный клиент перестал покупать сладости и начал приобретать сахарозаменители. Вероятно теперь он вынужден следить за уровнем сахара в крови, и реклама шоколада ему больше не актуальна. Ни один «классический» способ анализа на основе внутренних данных просто не в состоянии обнаружить подобный маркер.

Гипотезы для поиска новой аудитории 

С помощью транзакционных данных мы можем предсказывать действия не только своей аудитории, но и той, которую планируем захватить. Для этого нужно только определить шаблоны поведения нужных нам покупателей. 

Например, предположить, как они принимают решение о покупке конкретного товара. 

В комментариях к прошлым статьям встречались жалобы вроде: «Купила племяннику игрушку в подарок, теперь мне везде рекламируют товары для детей!». И правда, далеко не все покупатели игрушек являются родителями — теми, кто практически ежедневно принимает решение о покупке детских товаров. Как выбрать тех, кому действительно стоит показывать рекламу подгузников, детской уходовой косметики, каш, пюре и прочего?

Мы в таких случаях предлагаем анализировать частоту и регулярность покупок. Вполне вероятно, что люди, эпизодически приобретающие игрушки или дорогие товары, типа детской мебели, самокатов, снегокатов и прочих «подарочных» вещей, это близкие родственники: тети, дяди, бабушки, крестные и т. д. Не стоит сбрасывать их со счетов — им вполне подойдет реклама более дорогостоящих товаров и подарков, ближе к новогодним праздникам или к концу учебного года. 

Транзакционные данные позволяют пойти еще дальше. Заинтересованных покупателей можно найти не только у конкурентов, но и у «смежников». Аналитики отслеживают паттерны поведения для различных сегментов потребителей и строят гипотезы.

Например, покупатели корма для длинношерстных животных интересны не только владельцам зоомагазинов и производителям товаров для домашних питомцев. Наличие в квартире пушистого четвероногого — это неизбежная шерсть и пятна на полу, мебели и одежде. А значит, сеть химчисток может выделить на основе транзакционных данных сегмент своих потенциальных клиентов (именно тех, кто покупает корм для длинношерстных кошек, например) и сделать им персональное предложение — скидку на чистку диванов. 

Формулировка и проверка гипотез на основе транзакционных данных — увлекательный процесс, отчасти напоминающий работу детектива. По каким признакам выделить из общей массы покупателей иногородних студентов, живущих в общежитии и нацелить на них рекламу молодежного кафе или прачечной самообслуживания? Достаточно ли информации о покупке внедорожника повышенной проходимости и обуви для альпинизма, чтобы показать рекламу экстремальных туров?

“Часто бренды приходят к нам с собственным видением аудитории — в описании указывают определенную частоту покупок товара, средний чек, категории товаров, бренды и т.д. Мы в ответ предлагаем свои идеи, например, расширить ЦА за счет своеобразного look-a-like. Но только мы выбираем похожих покупателей не по гипотетическим интересам, а по их реальным покупкам.”

Андрей Смирнов, CTO First Data

Иногда проверка гипотез приводит к совершенно неожиданным результатам. Например, реальный кейс из нашей практики. Мы строили гипотезы о целевой аудитории для производителя пельменей — нужно было найти тех, кто с большей вероятностью отреагирует на рекламу премиальной линейки продуктов. Мы анализировали транзакционные данные, определяя по другим покупкам интересы тех, кто приобретает качественные пельмени. Результаты были неожиданными: помимо IT-специалистов (что довольно стереотипно) и семей с детьми (детям только лучшее, даже если это пельмени) среди покупателей оказались те, кто увлекается спортом, путешествиями, и водит автомобиль. Спортсмены, если честно, удивили — не думали, что пельмени можно отнести к правильному питанию. Но против фактов не пойдешь — реклама именно на эти сегменты была более эффективной, чем на первоначально широкую аудиторию людей 25-55 лет.

Именно работа аналитиков, которые находят неочевидные на первый взгляд связи и закономерности в поведении покупателей, а также доступ к транзакционным данным, — чаще всего оказываются причиной того, что реклама в прямом смысле угадывает, а порой и опережает запрос пользователя. 

Но мало просто предположить, важно еще и проверить, насколько верны гипотезы. О том, как проверять идеи и оценивать эффективность рекламы — в следующей статье.