Cравнение эффективности аудиторных таргетингов на примере programmatic-кампании для Asus

Данный продукт позиционируется как лучшее «железо», обеспечивающее максимальное быстродействие, которое высоко ценят геймеры. Компактные, но при этом функционально богатые материнские платы ASUS ROG премиум-класса от лидера IT-индустрии рекомендуются для построения высококлассных систем.

Рекламодатель поставил следующие коммуникационные задачи:

• расширить охват представителей целевой аудитории (геймеров);

• повысить узнаваемость линейки Republic of Gamers;

• повысить уровень конверсии на сайте – увеличить количество пользователей, принимающих участие в акции.

Рекламное агентство Positive Media разработало комплексную стратегию продвижения. Для проведения акции «ROG Mini» использовался следующий механизм: участники должны были купить материнскую плату ASUS из серии ROG и зарегистрировать на сайте промо-коды с упаковки или чеки. В рамках акции покупатели материнских плат получали шанс стать обладателем главного приза – автомобиля MINI Cooper в стиле ROG. Кроме того, еженедельно среди участников акции разыгрывались видеокарты ASUS, а также футболки ASUS Republic of Gamers.

Programmatic кампания

Особенностью данной рекламной кампании была довольно узкая целевая аудитория с определенным паттерном поведения в Сети. Каким образом нам удалось найти эту аудиторию среди всех пользователей Рунета? Для этого мы использовали несколько источников данных, алгоритм расширения аудитории по образцу и способ таргетирования, основанный на семантическом анализе контента веб-страниц.

Один из самых действенных механизмов поиска целевой аудитории – это собрать аудиторию клиента с его же сайта. Такой вид данных на профессиональном языке называют first-party data. Для этого на корпоративном сайте ASUS, а также на сайте промо-акции был установлен специальный пиксель для сбора информации о посетителях веб-ресурсов клиента с целью дальнейшего таргетирования на них. Такие данные обладают наибольшей ценностью для проведения рекламных кампаний.  Согласитесь, что если человек однажды уже заходил на ваш сайт, то он более восприимчив к вашему рекламному сообщению, нежели тот, который ничего не слышал о вашей компании. Вероятность того, что такой пользователь сконвертируется из “заинтересованного посетителя сайта” в “покупателя”, довольно высока.

Еще один способ найти вашу аудиторию - это использовать данные внешних поставщиков, так называемые third-party data. В Интернете есть колоссальный массив данных о пользователях. Например, поставщик данных tBh охватывает 90% Рунета, или 65 млн уникальных пользователей. Каждый из них обладает определенными интересами, ему присуща та или иная модель поведения в интернете. Используя определенные алгоритмы обработки данных, мы выделили из этого массива информацию о тех пользователях, интересы которых соответствовали нашей рекламной кампании: компьютерные игры, апгрейд компьютерной техники, киберспорт. Например, если пользователь заходил на специализированный форум или сайт, посвященный играм, мы могли предположить, что ему может быть интересен наш продукт. Такую информацию мы собираем через плагины авторизации социальных сетей, счетчики веб-аналитики, сервисы и тематические сайты, плагины в браузерах и другие специальные программы. Отметим, что информация обезличена и не нарушает закон о защите персональных данных.

Таким образом, на основе имеющихся в нашем распоряжении внешних данных (third-party data) мы выделили две целевые группы пользователей: состоятельные тинейджеры и профессиональные геймеры.

Наверное, самым необычным и интересным способом найти необходимую нам аудиторию было look-alike моделирование. Его суть состоит в том, что мы берем информацию о тех пользователях, которые УЖЕ совершили целевое действие (переходили по баннерам/сделали покупку и пр.), и на основе математического моделирования выбираем из всех пользователей Рунета тех, кто по многим показателям похож на них. Таким образом мы можем значительно расширить целевую аудиторию для рекламного воздействия, которая при этом никогда ранее не проявляла заинтересованности в продукте, но имеет значительный потенциал для проявления такого интереса.

И, наконец, последний способ работы с аудиторией, который мы использовали в этой рекламной кампании - контекстуальный таргетинг. Его суть сводилась к тому, что мы показывали объявление на тех площадках, семантическое содержание которых совпадало с тематикой нашего продукта. Например, если на сайте сравнивались характеристики материнских плат, мы могли предположить, что пользователь, читающий эту статью, потенциально может быть заинтересован в нашем продукте.

Для проведения РК в качестве основных инструментов использовались весь доступный в России по протоколу RTB display-инвентарь, а также текстово-графические блоки в социальных сетях ВКонтакте и Facebook.

Как происходил сбор third-party данных

Для того чтобы лучше понимать механизм работы с данными, следует немного рассказать о том, как они собираются. Начать следует с того, что изначально все данные находятся в “сыром” виде, неприменимом для использования. В процессе их обработки (data processing) данные категоризируются и разделяются на аудиторные сегменты, согласно определенной логике (таксономии). Чаще всего в таксономии аудиторных сегментов используется логика основных тематик бизнеса (авто, недвижимость, FMCG и пр.) с подразделением на более узкие точечные подсегменты. В данный момент в таксономии tBh содержится более 170 сегментов. Для большинства клиентских задач этого достаточно.

Однако в отдельных случаях, когда целевая аудитория клиента очень специфична, в дополнение к готовым аудиторным сегментам мы собираем кастомные сегменты для таргетирования. Как это делается? Из существующего списка таксономии готовых сегментов мы отбираем те, которые наибольшим образом отвечают задачам рекламной кампании (например, в нашей таксономии уже есть сегмент “интересующиеся компьютерными играми”). К этим людям мы добавляем пользователей, которые за последний период посещали определенные молодежные сайты, делали типичные поисковые запросы, связанные с интересами состоятельной молодежи, и т.д. Вся полученная информация очищается от ботов, обогащается при помощи семантического анализа и прогоняется через аналитические алгоритмы. Итого на выходе мы получили готовый для таргетирования сегмент “Состоятельные тинейджеры”.
Для того чтобы сформировать сегмент “Профессиональные геймеры”, мы вручную отобрали игровые порталы из того ассортимента сайтов, к данным которых мы имели доступ. Сбор информации производился среди таких киберспортивных организаций, как Vitus.Pro, Gambit Gaming, Empire, Rox.Kis и т.д. Затем мы выделили тех пользователей, которые, как минимум, один раз заходили на эти сайты за последние 2 недели.

Результаты

Окупаемость инвестиций (ROI) комплексной рекламной кампании по всем каналам составила 370%, а это значит, что на каждый вложенный в рекламную кампанию рубль рекламодатель заработал более 3 рублей. Продажи выросли в среднем на 22,5% по сравнению с аналогичными акциями в прошлом, которые проводились без рекламной поддержки. В этой комплексной рекламной кампании programmatic успешно выполнил роль инструмент расширения воронки продаж, обеспечив охват более 1 млн уникальных пользователей.

Выводы

Как и ожидалось, рекламная кампания показала наилучшую эффективность при таргетинге на пользователей, собранных на собственных веб-ресурсах клиента (first-party data).

Особенно впечатляющим выглядит сравнение показателя конверсии по трафику с first-party data и трафику с third-party data (кастомный сегмент «Тинейджеры») – в случае применения собственных данных клиента показатель конверсии был в 11,5 раз выше! Такой результат ожидаем, поскольку пользователи, заходившиеся когда-то на сайт клиента, уже потенциально заинтересованы в его продуктах.

В целом, third-party data (сторонние данные) продемонстрировали меньшую эффективность по сравнению с собственными данными клиента. Следует иметь в виду, что разные аудиторные сегменты отрабатывают по-разному, поэтому при планировании рекламной кампании с применением данных всегда следует помнить о важности тестирования сегментов и поставщиков данных. В процессе тестирования на коротком периоде мы понимаем, какие из сегментов лучше отрабатывает на данном конкретном продукте и впоследствии фокусируем на них основную рекламную активность. Это необходимый элемент programmatic-размещения - оптимизация рекламной кампании, позволяющая значительно повысить эффективность и сократить издержки за счет нерелевантных пользователей и данных.

Отметим, что, несмотря на в целом меньшую эффективность third-party data по сравнению с first-party data, это важный и незаменимый инструмент, если главные задачи – охват и эффективность. Собственных данных клиента редко бывает достаточно для полноценной охватной кампании, а в случае когда бренду необходимо расширить воронку продаж за счет новых, ранее не контактировавших с ним пользователей, это единственно верное решение.

Контекстуальный таргетинг показал наихудшие результаты в пересчете на стоимость одной конверсии, в 2 раза проиграв по стоимости конверсии даже кастомному сегменту «Тинейджеры». Несмотря на то, что сегмент «Тинейджеры» показал CR в 2 раза ниже, за счет большего CTR (в 5 раз!) итоговая стоимость конверсии на нем оказалась ниже. Стоит отметить, что в целом, по нашей практике, даже самый лучший выбор мест размещения (в данном случае, сайты про ресурсоемкие видеоигры и упоминание конкурентов) всегда проигрывает правильно подобранной аудитории.

Look-alike моделирование не смогло обеспечить высокие показатели эффективности по сравнению с другими внешними данными, но при этом стоимость конверсии все равно оказалась почти в 2 раза ниже, чем у тщательно подобранных мест размещения по контекстуальному таргетингу - за счет более высокого CTR. И если в целом этот инструмент не показал лучших показателей, мы советуем нашим клиентам обратить на него внимание, если для расширения охвата и аудиторного таргетинга недостаточно объемов стандартных и кастомных сегментов.

Механизм подключения данных к рекламной кампании пока еще слабо освоен отечественными рекламодателями, в основном инициатива исходит от прогрессивных транснациональных брендов. Однако уже сейчас многим становится понятно, что аудиторный таргетинг является полноценной заменой тематическим размещениям и позволяет значительно сэкономить рекламный бюджет за счет сокращения нецелевых показов. На примере данной рекламной кампании мы показали, что вариантов работы с данными - множество, и идеальным решением для рекламодателя является использование в ходе рекламной кампании микса всех типов данных с обязательной оценкой эффективности каждого из них.