Предиктивный таргетинг: как анализ данных потребителей помогает предсказывать отклик на рекламу

С каждым днем объем данных о пользователях в интернете растет, на рынок выходят новые поставщики аудиторных данных, развиваются инструменты работы с 1st party data, появляется больше позитивных примеров работы с собственными источниками данных брендов.

Важная задача для рекламодателей — на основе данных вокруг потребителя выявить применимые на практике знания для использования в маркетинговых коммуникациях. В силу большого объема данных обработать их  и определить связи между различными параметрами и особенностями поведения потребителей возможно только с помощью искусственного интеллекта.

Решением вопроса относительно вероятности совершения потребителем того или иного действия, занимается предиктивная (предсказательная) аналитика, основанная на машинном обучении и аудиторных данных.

На позитивных и негативных выборках «машина» обучается выявлять взаимосвязи между разрозненными факторами, включая интересы пользователей, соцдем-характеристики, активность в сети, потребительское поведение, а также внешние параметры, и на основе этого предсказывать вероятность совершения потребителем целевого действия.

Применение полученной предиктивной модели на бОльшую выборку — 3rd party data DMP или же клиентскую базу — позволяет построить сегменты для последующего таргетинга на тех пользователей, которые с высокой вероятностью откликнутся на рекламное сообщение, совершат конверсию, вернутся на сайт вновь, купят конкретный товар, оформят повторный заказ и др.

Польза для рекламодателя

Знания о вероятности совершения потребителем того или иного действия позволяет рекламодателям более тщательно прорабатывать коммуникации с собственной аудиторией и клиентской базой. В каком случае реклама приведет потребителя к покупке? А в каком она окажет на него минимум влияния и только увеличит общую стоимость контакта? Какое именно рекламное сообщение необходимо в конкретном случае? Ответы на эти вопросы позволяют тщательнее настраивать онлайн-рекламу и тем самым оптимально распределять рекламные бюджеты.

Наиболее популярным примером работы предиктивного таргетинга является прогнозирование отклика на рекламную активность. С помощью данных об отклике интернет-аудитории на рекламную кампанию можно обучить модель, определяющую параметры тех пользователей, которые с наибольшей вероятностью совершат клик по рекламному баннеру. 

В задачи предиктивного таргетинга входит и определение той аудитории, которая не откликнется на предложение рекламодателя без дополнительного рекламного взаимодействия, например предложения скидки или какого-либо бонуса. Стоит учесть и тех потребителей, которые готовы совершить покупку  без скидки – для них требуется отдельное сообщение и иной подход в коммуникации.

Отклик потребителя на показ рекламы — событие вероятностное и зависит от множества факторов. Стандартный подход к таргетингу предполагает, что факторы, влияющие на действие потребителя, определяет специалист. В основе его решений — собственный опыт, экспертиза и общепринятые в индустрии практики.

Однако такой подход не гарантирует определения влияния всех возможных факторов. Построение же предиктивной модели предполагает формирование аудиторных сегментов, исходя из определения скрытых взаимосвязей между сотнями различных параметров потребителя и других факторов, оказывающих влияние на целевое действие.

Более глубокое понимание аудитории

Подход предиктивного таргетинга применим для построения любых маркетинговых процессов. Речь не только про расчет вероятности действия или иного события, но и определение принадлежности пользователя к определенной целевой группе.

Так за счет анализа клиентской базы рекламодателя можно построить прогноз о принадлежности того или иного потребителя к группе оттока. Сведения о клиентах, которые с высокой вероятностью могут перестать пользоваться услугами компании необходимы для оперативного принятия мер по их удержанию, например, за счет отправки им специального предложения.

Знания о комбинации различных параметров аудитории постоянных клиентов позволяют находить похожую аудиторию для последующего таргетинга в онлайн-рекламе. Аналогичный подход можно применить, выявив среди собственной клиентской базы аудиторию с высоким LTV на основе прогноза потребительского поведения.

Применение прогнозирования актуально не только для маркетинговых коммуникаций, но и для предоставления дополнительного сервиса собственных клиентам. Например, такие компании, как Netflix и YouTube, активно используют машинное обучение для построения рекомендаций контента для своих пользователей.

Прогноз как формула зависимости

Весь подход построения модели можно представить в виде формулы зависимости P = F(X1, X2…Xn), где X — это набор соответствующих факторов, оказывающих влияние на вероятность того или иного события — позитивное, негативное или нейтральное.

Все эти множества факторов X — данные. От их объема и качества зависит эффективность той или иной предиктивной модели.

Важную часть занимают данные о потребителе — особенности его онлайн-поведения, интересы, соцдем-характеристики. Это могут быть как 3rd party data на стороне DMP провайдеров, так и отдельных поставщиков. Данные о покупках и потребительском поведении — собственные данные рекламодателя из CRM.

Потребительское поведение напрямую связано с конкретными товарами и товарными категориями, которые интересовали пользователей, включая сведения о параметрах продукта, цвете, модели, конфигурации. Это множество факторов, которые на первый взгляд не оказывают влияние, но тем не менее входят в задачу «машины» по выявлению скрытых связей.

Данные — это топливо для искусственного интеллекта

Data-Science-подход позволяет не ограничиваться количеством применяемых алгоритмов машинного обучения, а использовать их в комплексе. При создании предиктивной модели можно формировать целый ансамбль алгоритмов, включая линейную, логистическую регрессии, случайный лес, градиентный бустинг, нейронные сети, а также другие алгоритмы, которые соревнуются друг с другом по уровню точности.

Особенность предиктивного таргетинга в том, что первые результаты построенной модели поддаются последующему анализу и могут быть использованы для дообучения модели и повышения ее точности.

Тем не менее определяющую роль в точности модели занимают данные. Чем больше факторов тестируется, тем больше требуется исторической статистики. Данные выступают в роли «топлива» для искусственного интеллекта. Поэтому первый этап работы с предиктивными моделями предполагает организацию сбора данных, интеграцию различных источников данных между собой, внедрение DMP для обработки web-данных, построения сегментов, а также регулярного обновления предиктивного сегмента в real-time-режиме.