Кейс MediaNation и Finn Flare: как увеличить ROI в 2 раза при помощи предиктивной аналитики

Клиент

Finn Flare — международный бренд одежды, который входит в топ-15 крупнейших компаний фешен-ретейла России. Представлен более чем 100 офлайн-магазинами, в том числе в Казахстане. Имеет свой онлайн-магазин и мобильное приложение.

Задача

Повысить эффективность рекламных кампаний и привлечь больше покупателей на сайт без увеличения затрат на рекламу.

Решение

Использовали платформу предиктивной аналитики StreamMyData (входит в MediaNation), которая позволяет прогнозировать совершение целевого действия пользователем на сайте в течение выбранного горизонта предсказания в днях. 

В качестве источника данных система подключается к «Яндекс Метрике», собирая информацию о поведении пользователей и формируя комплексный профиль в каждом из сегментов. После обучения создается таблица, в которой указана вероятность выполнения целевого действия для каждого пользователя, а также его уникальный идентификатор.

Данные использовали для формирования сегментов покупателей в зависимости от вероятности выполнения целевого действия. Затем полученные сегменты загрузили в «Яндекс Аудитории». 

Рассмотрим создание проекта в StreamMyData

Для настройки «быстрых предиктов» необходимо выполнить несколько действий:

1. Настроить подключение к аккаунту «Яндекс Метрика».

2. Выбрать нужный счетчик «Яндекс Метрики» и цели для обучения системы.

3. Выбрать горизонт предсказания.

*Дополнительно можно задать желаемое количество аудиторий с пользователями после обучения системы, включить доступ к API (Application Programming Interface — набор правил, по которым приложения или части программы общаются друг с другом) и получать значения прогноза по конкретному пользователю через API-интеграцию.

После настройки необходимо нажать «Запустить предикт», и спустя несколько часов аудитории пользователей будут готовы. Отметим, что сформированные сегменты обновляются ежедневно, что позволяет поддерживать постоянную актуальность данных.

Для Finn Flare настроили проект, где в качестве цели выбрали «Ecommerce: покупка», а горизонт прогнозирования составил 7 дней. 

Пользователей разделили на пять аудиторий. В целях обучения системы выгрузили данные о сессионной активности за 3 месяца — этого объема оказалось достаточно для настройки моделей машинного обучения.

Результат

Для точной оценки работы и эффективности рекламной кампании проанализировали некоторые показатели до и после внедрения наших сегментов.

После сравнения получили следующие показатели:

Процент конверсий увеличился в среднем до 2,5%, что в 4 раза больше, чем до внедрения.

Например:

• Сегмент high: CR (Conversion Rate — коэффициент конверсии) ~4,7%. До внедрения — 0,57%.
• Сегмент slightly_high: CR ~ 2,5%. До внедрения — 0,57%.

CPA уменьшился в среднем на 67%, а CTR (Click-Through Rate — показатель кликабельности), наоборот, увеличился в среднем на 41%.

Например:

• Сегмент low: CTR — 0,87%; CPA (Cost per Action — цена за действие) — 1151,3 руб. CPA уменьшился на 68%, а CTR увеличился на 55% в сравнении со значениями до внедрения.

ROI (Return On Investment — возврат инвестиций) стал выше в 2 раза.

Например:

• Сегмент slightly_high. ROI ~ 3,0. До внедрения — 1,4.
• Сегмент slightly_low. ROI ~ 3,3. До внедрения — 1,4.

Все пять сегментов превосходят стандартные стратегии «Яндекса» почти по всем ключевым показателям. Их CTR выше, чем у аудитории до корректировок (базовых стратегий «Яндекса»). Конверсия в 2–8 раза выше, а CPA в 2–4 раза ниже. 

ROI у сегментов также выросло: в феврале — 2,7 против 1,4 у аудитории до изменений, а в январе — 6,5 против 3,7. Это означает, что на каждый рубль расходов в сегментах приходится больше целевых действий и прибыли.

Сегменты, охватывающие всего около 15% рекламных расходов, уже генерируют около четверти всей прибыли канала.

Например:

• Сегмент slightly_high: ~4,2% бюджета, но составляет ~8,5% прибыли.
• Сегмент slightly_low: ~4,1% бюджета, но составляет ~8% прибыли.
• Сегмент low: ~2% бюджета, но ~3,2% прибыли.

Сравнивали показатели сегментов в течение нескольких месяцев после корректировки. На основе данного сравнения сделали несколько основных выводов:

• Даже при расширении охвата сегменты StreamMyData показывают лучшую эффективность — они приносят больше прибыли с каждого рубля, чем обычная аудитория.
• Базовая стратегия «Яндекса» без корректировок деградирует: при одинаковых бюджетах рост трафика не приводит к соразмерному росту конверсий, снижается ROI.
• Сегменты стабилизируют кампанию: хотя общий рынок в феврале просел, точечное таргетирование удержало рентабельность на приемлемом уровне и сдержало рост CPA.

Вывод

Подключение предиктивной платформы StreamMyData позволило точнее отбирать аудиторию, склонную к покупке, и перенаправить показ объявлений именно на этих пользователей. В результате рекламные кампании стали заметно эффективнее: клиенты чаще переходят по объявлениям, охотнее совершают целевые действия, а стоимость привлечения одного покупателя ощутимо снизилась. 

При этом общий бюджет остался на прежнем уровне, что привело к существенному росту отдачи от рекламы и увеличению прибыли канала.

Таким образом, использование поведенческих сегментов на основе моделей машинного обучения доказало свою ценность как устойчивый способ повышения результативности кампаний без дополнительных вложений.

Реклама. Рекламодатель ООО «МедиаНация» ИНН 7736602705