Дмитрий Пархоменко, DAN: как работают data-инструменты на примере кейса с X5 и Mail.ru Group
В декабре прошлого года Dentsu Aegis Network, Mail.Ru Group и X5 Retail Group запустили новый инструмент, который дал рекламодателям доступ к обезличенным данным ритейлера о покупательском поведении. На первом этапе проекта для конкретных брендов были созданы аудиторные сегменты, разделяющие потенциальных покупателей в соответствии с их моделью потребления. Доступ к этим сегментам осуществлялся через Data Marketplace myTarget
Дмитрий Пархоменко, лидер Data stack Dentsu Aegis Network, рассказывает, как работает инструмент, что нового могут рассказать полученные данные и какие KPI стояли перед группой.
Последовательность шагов сейчас уже весьма понятная и отработанная:
— Принимаем от клиента бриф.
— Смотрим на его суть, обсуждаем нюансы целевых групп и продуктовых
сообщений.
— Верифицируем определение ЦА с ритейлером.
— Планируем кампанию на основе прошлых бенчмарок.
— Получаем сегменты для таргетинга — сразу в рекламных кабинетах.
— Откручиваем кампанию.
— Получаем отчет о ее результатах (расчет идет по нашей методологии на стороне
ритейлера или другого владельца данных). При необходимости верифицируем расчеты
совместно с аналитиками клиента.
— Оптимизируем следующую кампанию.
В первых тестах работали со всеми магазинами «Перекрестка» и «Карусели», сейчас подключили еще и «Пятерочку».
Формулировка задачи была крайне простой — нужно было выяснить, как и каким образом дисплейная реклама работает на продажи в традиционном ритейле. И заодно вытащить все остальные полезные сведения — оптимальную частоту контакта, ROMI/ROI, работающие и неработающие форматы и сегменты ЦА.
В тестировании принимали участие продуктовые бренды в самых разных категориях — от молока до кофе. Мы старались смотреть на бренды с разными периодами покупки — для того чтобы понять, как реклама работает для товаров ежедневного, еженедельного или еще более длительных циклов спроса.
На данный момент большинство представлений рекламодателей о том, как ведет себя покупатель, сформированы панельными исследованиями. Как выясняется, в реальной жизни картина потребления выглядит несколько иначе и различается в зависимости от точки продаж, да и определения традиционных для того или иного рекламодателя целевых аудиторий.
Скажем, для продуктов питания определение лояльной бренду аудитории традиционно выглядит как «покупает не менее, чем Х килограммов продукции в месяц». Меж тем это определение вообще никак не учитывает ни лояльность к конкретному типу товаров, ни поведение покупателя по отношению к конкурирующей продукции. Могу сказать, что определения интересных клиентам сегментов, полученные в ходе таких размещений, кардинальным образом отличаются от того, как аудитории определялись традиционными исследованиями. Собственно, в этом и заключается совершенствование таргетинга: мы меняем определения целевых групп и сообщений к ним, плюс — работаем с географией и временем показа.
Самое интересное — посмотреть, как конкретная рекламная кампания повлияла на offtake продукта с полки. Какой прирост дает кампания? Как она влияет на случайных покупателей, а как — на лояльных? Влияют ли на покупки социально-демографические ограничения аудитории, или достаточно просто работать с группой покупателей? Можно ли переключать аудиторию с конкурентов? В общем, вопросов великое множество, и все они на сегодня очень слабо изучены из-за того, что в прошлом все базовые покупательские данные добывались исключительно в панельных исследованиях (дорого, долго, не всегда точно).
Первые рекламные кампании, построенные на основании нового подхода, новых источников данных планировались согласно принципам и подходам, принятым в каждой категории клиента, для того чтобы сформировать базовую точку для оптимизации и в дальнейшем сформировать бенчмарки для работы. Поэтому KPI были чисто медийными (охват на частоту, ничего нового), но задачей было именно измерение эффекта на продажи. Теперь бенчмарки появились, и сейчас для нескольких категорий товаров мы уже планируем с довольно открытыми глазами. Как накопится более-менее внятная статистическая база (это еще 6–8 месяцев), сможем перейти к гарантии ROMI, что, как нам представляется, будет прорывом в медиапланировании и закупке.
Сложности, с которыми столкнулись
Процесс весьма сильно отличался от простого «спланируй — запусти — проверь открутку — собери пост-кампейн».
Во-первых, была масса проблем с ЦА — это ведь только кажется, что легко определить аудиторию как «покупающие огурцы не реже раза в неделю». На самом деле клиент, агентство и торговая сеть понимают по-разному определяют огурцы. Кто-то рассматривает их как малосольные, кто-то говорит о свежих азербайджанских, а кто-то строго о солёных от Дяди Вани (пример максимально гипотетический, если что).
Во-вторых, подобные кампании требуют другого подхода к открутке — ведь в данном случае нас интересуют именно эти идентификаторы, а не усредненный соцдем. Как следствие, пришлось много работать с механикой выкупа — и здесь большое спасибо коллегам из Mail, которые пошли нам навстречу и помогли в тестировании различных настроек рекламных кампаний для улучшения качества покупки именно нужной аудитории и тестирования гипотез по работе форматов и настроек РК.
В-третьих, необходимо было отработать процесс взаимодействия между всеми участниками процесса: медийной площадкой, поставщиком данных и агентством. Процесс требует прозрачной работы с логами рекламных кампаний и объединением идентификаторов между участниками процесса: мы были первыми, кто так применял логи размещений.
В-четвертых, работа с таким типом кампаний потребовала подготовки значимо большего количества креативов. Креативы различались не только по форматам, но и обладали разным сообщением, для того чтобы учесть разницу в поведении и интересах сегмента. И, конечно, использовались креативы под разные механики — промоматериалы (с дополнительной скидкой) и направленные на построение знания.
Крайне важно было выработать и использовать правильную математику для оценки результата. Совместно с коллегами из X5 мы перебрали несколько подходов, для того чтобы научиться корректно конструировать контрольные группы, и еще несколько — для того чтобы правильно выделять рабочие частоты и форматы.
Результаты
К сожалению, результаты тяжело комментировать без конкретных клиентских цифр. Поэтому вынуждены ограничиться диапазонами приростов — в товарах ежедневного спроса разброс прироста продаж от 10 до 38%, ROI кампаний (с учетом низкой маржинальности FMCG и того, что на продажи мы смотрим только в период открутки) — от 20–30% и выше. ROMI похожих кампаний в товарах народного потребления проще всего определить, как «многократный». Опыт данного проекта мы уже масштабируем на других клиентов с коллегами из технологического стартапа «Трамплин», агрегирующего в себе данные не только X5, но и сотовых операторов и т. д.
Интересно, что мы нашли неплохую частотную формулу для генерации «длинного хвоста» продаж, так что сейчас наблюдаем значимый эффект от первых наших кампаний, прошедших еще весной. Скорее всего, это позволит выработать стандарты отчетности в продажах, аналогичных RR (rolling retention) в мобильной рекламе — ROI0, ROI30, ROI60, ROI120 (по числу дней, прошедших после окончания РК).
Тем самым подход позволяет начать работать с рекламными кампаниями на новом
уровне, оценивать влияние каждого тактического решения на продажи за счет
прямой привязки медиаактивности к данным продаж. Подходы performance-медиа
теперь доступны для широкого списка рекламодателей с оптимизацией по событиям,
происходящим в офлайн.
