Как с помощью коротких видео увеличить знание продукта

Особенность проекта — высокая конверсия цели: клики с дальнейшим переключением с конкурентов на продвигаемый препарат. В качестве коммуникации использовались 11-секундные пропускаемые видеоролики, поскольку только такой формат возможен для получения «прозрачной» статистики, которая показывает реальную заинтересованность аудитории в теме коммуникации.

Задачи

• Провести рекламную кампанию и выполнить поставленные KPI.

Решение

Итак, имелось три 11-секундных ролика, KPI 75% по досмотрам и CTR не менее 2%.

Создать охват при соблюдении качественных показателей в ограниченный промежуток времени (два месяца) сложно, но выполнимо. Учитывая, что средние значения по рынку для 11-секундного пропускаемого видеоролика гораздо ниже запланированного KPI, исполнителем было принято решение использовать собственную платформу tTarget с двумя технологиями: programmatic OLV и native OLV в наиболее ненавязчивом формате video inread с возможностью пропуска ролика в первые секунды.

Отбор ресурсов для дисплея происходил с применением контекстного анализа. Данный подход позволил коммуницировать с целевой аудиторией, которую можно разделить на «теплую» (недавно проявившую интерес к релевантным офтальмологическим темам) и «горячую» (в состоянии актуального поиска средств решения проблемы).

Для решения поставленной задачи первоначально была использована programmatic-модель — максимальное число кликов при меньшей потере количества досмотров с применением таргетингов: пол, возраст, интересы по симптоматике, а также использование контекстного анализа. Был составлен WL площадок. Этот этап был необходим для сбора первичных данных по кампании, оценки поведенческих факторов. На базе этих данных была разработана и внедрена модель machine learning закупки.

Спустя первые две недели сбора статистики по кампании развернулась следующая динамика:

Достигнутые результаты по досмотрам и CTR были ниже запланированных значений, поэтому возникла необходимость оптимизации кампании. Благодаря собранным и обработанным первичным данным были применены алгоритмы machine learning с построением модели баланса между досмотрами и кликабельностью.

Были зашиты реперные точки, ниже показаний которых опускаться нельзя. Дополнительно сравнивались домен — статья, время суток с наибольшим кол-вом досмотров и количеством кликов, проанализированы места, в которых пользователи лучше воспринимали видеорекламу. Был произведен анализ лингвистических алгоритмов, который позволил точно определить, чем пользователи интересуются в данный момент. При помощи разностороннего анализа была выстроена модель взаимодействия на базе интересов пользователей.

Отдельно можно отметить особенность кампании — точечные настройки, которые позволили повысить ее эффективность:

1. Time-анализ: сегментированные данные пользователей, которые прочитали статью по симптоматике или подходили по интересам данной кампании, обрабатывались по временному интервалу. Исполнителем было рассчитано время пользовательской активности в интернете, алгоритмами определялось, когда пользователь находился на работе или дома (в активном серфинге). Тем самым удалось выявить наилучшее время показа рекламы каждому человеку.
2. Url-content анализ: обрабатывались все полученные показатели по CTR, просмотрам, досмотрам и т. д. сайтов и статей. Данный вид аналитики позволил разграничить данные и не привязывать их только к домену, а разбить данные вплоть до определенной статьи сайта и более эффективно распределять показы в каждой из них.
3. Spot-анализ: место размещения в каждой статье имеет немаловажную роль. Собранные данные также разбивались на места размещения отдельно по статьям, и выбирался наилучший показ-соотношение по количеству досмотров и CTR в рамках каждой статьи каждого сайта, с зависимостью от того, в каком конкретно месте был показ ролика относительно контента.
4. Interest-анализ: сегментируя поведенческие факторы пользователей на предмет того, что они читают в данный момент, на какую статью переходят после прочтения предыдущей, какие сайты посещают и т. д. На базе собранных данных создавался портрет аудитории, применяя все описанные ранее инструменты.

Применение алгоритмов закупки на базе обработки полученных данных с последующей оптимизацией кампании позволило достигнуть запланированных значений эффективности по итогу кампании.

Результаты

Для дополнительной оценки эффективности командой GoldfishMedia был произведен замер узнаваемости бренда до и после старта кампании, в результате которого, согласно откликам опрошенной ЦА, прирост знания продукта составил 55%.

По данным от Apteka.ru (база крупного дистрибьютора «Катрен»), показатели продаж по продукту «Артелак» в целом показали прирост +211% по сравнению с аналогичным периодом в 2017 году.

Благодаря собранной статистике и последующей оптимизации с помощью машинного обучения были достигнуты запланированные значения эффективности.

Поставленные KPI были успешно выполнены. Огромную роль в достижении данных результатов сыграли следующие факторы:

• контроль качества трафика и постоянная оптимизация кампании;
• применение алгоритмов машинного обучения для закупки трафика.

Был предложен мониторинг при помощи AdRiver, так как это позволило дополнительно оценивать ход кампании, не привязываясь к первичным данным, которые будут учитываться при оптимизации. В итоге было зафиксировано минимальное (10%) расхождение аудиоующих показателей tTarget и AdRiver. Средние показатели таких расхождений по рынку составляют 10-15%. Расхождения обусловлены качественной проработкой мест размещения.

Подводя итоги, руководитель проектной команды GoldfishMedia Андрей Молчанов отметил, что, несмотря на сложность задачи и сжатые сроки для ее выполнения, работа и взаимодействие с Bausch Health были полны взаимопонимания и общего драйва, а за время ночных бдений над оптимизацией кампании был израсходован не один флакон «виновника торжества» — раствора «Артелак».

Руководитель GoldfishMedia считает, что успех данной кампании — плод совместной работы digital-агентства и менеджмента со стороны заказчика: продакт-менеджера Юлии Чехолиной и руководителя интернет-маркетинга Максима Голенчукова.