Audience Analytics: сначала оцени – потом заплати

Programmatic-закупки – это магия сухих цифр. Ничего личного – только цифры. И доверие к инструменту programmatic – это тоже, прежде всего, цифры. Однако когда мы говорим об оценке какого-либо аудиторного сегмента, то мы оперируем только его названием, размером и ценой. До сих пор на рынке недостаточно распространены инструменты, позволяющие с большой долей вероятности спрогнозировать эффективность применения таргетингов еще до старта рекламной кампании. И то, какой аудиторный сегмент подключать, большинством маркетологов по-прежнему решается лишь на основе собственного эмпирического опыта. Сначала заплати – потом оцени. Так выглядит рынок данных без объективных метрических показателей. Сурово и непрозрачно. Все меняется при использовании такой метрики, как индекс аффинитивности. Данная метрика позволяет провести строгую математическую оценку предлагаемых поставщиками данных аудиторных сегментов на «содержание» в них именно вашей целевой аудитории. И что принципиально важно – до запуска рекламной кампании, а не по ее завершении. Как мы видим, парадигма аудиторных закупок меняется: сначала оцени – потом заплати. Это честно, удобно и эффективно.

Affinity Index: научный подход к аудиторному таргетингу

При анализе аудитории используется так называемый аффинити-индекс – метрика, определяющая соответствие значения показателя целевой аудитории к значению показателя базовой аудитории. Если говорить проще, то индекс соответствия показывает, насколько доля целевой аудитории на конкретном рекламном канале больше или меньше по сравнению с долей этой целевой аудитории среди всего «населения» интернета. Например, если индекс соответствия конкретного сайта равняется сотне, то на нем целевой аудитории ровно столько, сколько вообще в сети. Поэтому минимально допустимым показателем аффинитивности считается 100. Аффинитивность меньше 100, означает что, таргетируясь по этому сегменту, мы получим меньше целевых пользователей, чем таргетируясь вообще без данных. Если значение Affinity Index выше 100, это значит, что концентрация целевых пользователей на площадке выше, чем в среднем в интернете. Нет самого верхнего значения аффинитивности, но по опыту реальных измерений этот показатель не достигает 10 000.

В programmatic этот инструмент позволяет маркетологам выяснить, насколько аудитория сайта рекламодателя соответствует выбранным аудиторным таргетингам. То есть понять, насколько верно вы подобрали целевую аудиторию к своему продукту. Наряду с размером аудитории и ее стоимостью это метрика позволяет моделировать/прогнозировать объемы закупки и финансовые затраты.

Как это работает

Audience Аnalytics – прекрасная возможность подобрать аудиторный таргетинг для новой кампании или скорректировать текущее размещение. Он позволяет кратно растить показатели CTR и пост-клика. Как это работает? В первую очередь, на сайт рекламодателя устанавливается пиксель. С помощью него мы собираем достаточное количество уникальных пользователей по интересующему нас действию (например, по глубине просмотра или заходу на страницу «Контакты»). Конкретный размер зависит от целей и задач кампании, размера рынка и других факторов, но при прочих равных – не менее 5 000 уников. Впрочем, алгоритм расчета не зависит от размера сегментов, и индекс будет рассчитан в любом случае. Однако его репрезентативность может оказаться под сомнением. Результатом анализа будет список сегментов из таксономии с указанием индекса аффинитивности.

Второе необходимое условие – наличие в Trading desk, поддерживающей работу с индексом аффинитивности, достаточного количества аудиторных сегментов различных поставщиков. Третий момент – это, непосредственно, методика оценки и интерпретация результатов расчета аффинити-индекса.

Предлагаем рассмотреть на реальном примере, как правильно применять Audience Analytics. Итак, мы с помощью пикселя собрали данные с сайта рекламодателя, разделили полученную аудиторию по определенным критериям на сегменты. Далее применяем анализ к одному из таких сегментов (например, мы выбрали сегмент «Время на сайте более 1,5 мин»). И получили следующий результат.

В первой колонке показано количество пользователей в сегменте поставщика данных. Во второй – процент пересечения аудитории поставщика данных с выбранным нами сегментом аудитории рекламодателя (в нашем случае речь идет о пересечении с сегментом «Время на сайте более 1,5 мин»). И в третьей колонке – тот самый индекс аффинитивности, о котором сегодня идет речь. Чем аффинитивность того или иного сегмента выше, тем выше и результативность рекламной кампании: растут показатели конверсии и охвата, уточняется портрет ЦА, расширяется поток трафика и т.д.  Красным мы выделили максимальное и минимальное значение индекса аффинитивности: 1176 и 142 соответственно. При анализе результатов audience analytics необходимо учитывать не только значение аффинитивности, но и процент пересечения с уже подключенным к РК сегментами. Как мы видим, максимальное значение в нашем случае сопровождается достаточно высоким процентом пересечения аудиторий, поэтому пользы от подключения этого сегмента к списку таргетингов будет не так много. В то время как сегмент «мобильные устройства» показал очень неплохой аффинити-индекс и при этом низкий процент пересечения.

Помимо того, что Audience Analytics помогает вам абсолютно точно на основе цифр определить вашу целевую аудиторию, еще одним важным параметром является то, что он позволяет оптимизировать рекламный бюджет. Ведь уже на старте РК можно таргетироваться максимально точно и получать лучшие результаты. Приятным и важным бонусом при этом будет значительное улучшение метрических параметров. Никаких потерь драгоценного времени – рекламная кампания изначально будет двигаться в строго заданном и, что самое главное, верном направлении.

Look-alike VS Audience Analytics

Сегодня на рынке уже получил распространение такой инструмент, как Look-alike моделирование. Он так же, как и Audience Analytics, позволяет осуществлять дополнительное к таргетированию действие – расширять аудиторию. Хотя сравнение индекса аффинитивности с алгоритмами Look-alike выглядит, на первый взгляд, попыткой сравнения «теплого с мягким», однако очевидно, что в конечном итоге и аффинитивность, и Look-alike являются различными подходами к одной цели – расширению аудиторного таргетинга (Audience Extension).

И вот именно под этим углом зрения полезно сравнить эти два инструмента. Принципиальных отличий два:

1. Audience Analytics позволяет расширять аудиторию «блоками», т.е. целыми аудиторными сегментами, в то время как Look-alike набирает «похожих» пользователей поштучно со всей доступной таксономии. В этом смысле Look-alike, безусловно, выглядит более гибким инструментом, но…

2. Алгоритм расчета аффинитивности является понятным, простым, открытым и потому надежным, в то время как Look-alike в подавляющем большинстве случаев является декларативным алгоритмом, неким подходом, который каждый из разработчиков реализует по-своему, не раскрывая реальных методик, метрик, допущений и ограничений алгоритма. При этом очевидно, что эффективность Look-alike напрямую зависит от качества и количества сырых данных, источников их сбора, используемых метрик, весов и непосредственно алгоритмов их сравнения.

Таким образом, нужно сравнивать не инструменты, конкретную реализацию конкретных поставщиков решений, когда и если таковые алгоритмы будут опубликованы. Пока же алгоритмы Look-alike остаются закрытыми и не содержат никаких метрик для их объективной оценки.  И до тех пор Audience Analytics является единственным количественным инструментом, позволяющим спрогнозировать эффективность расширения аудиторного таргетинга (Audience Extension).

Анализ аудитории на кейсах

В качестве примера рассмотрим кейсы компании Auditorius, которая подключила инструмент Audience Analytics к нескольким рекламным кампаниям. Поделимся промежуточными результатами на примере брендов электроники и нефтегазовой компании.

Вначале мы подключили к рекламной кампании те аудиторные сегменты из нашей таксономии, которые указали в брифе клиенты: «владельцы бизнеса», «топ-менеджеры», «офисные работники», «студенты», «индивидуальные предприниматели» и др. Таким образом мы получили стандартные аудиторные закупки, или базу для сравнения. Далее, используя инструмент Audience Analytics, мы проанализировали аудиторию сайта рекламодателя на предмет соответствия всем доступным аудиторным сегментам из таксономии. В частности, мы исследовали уровень пересечения (или присутствия) группы пользователей, которые провели на сайте больше полутора минут, во всех возможных для таргетинга сегментах. В результате этой работы выяснилось, что высокую аффинитивность с «ядром» аудитории сайта показывают ранее вообще не задействованные сегменты «поиск работы», «авто», «банки», «недвижимость», «страхование» (для РК нефтегазовой компании), а также «подарки и сувениры», «стиль и мода», «семья и дети» (для кампании, которую проводил производитель электроники). В рамках этого кейса мы можем озвучить пересечения только с верхним уровнем таксономии, фактически его возможно осуществить по более детальным микросегментам и получить достаточно точную картину, позволяющую предположить типовые потребности аудитории. Например, в случае с нефтегазовой компанией – это большой интерес к работе в этой компании, в случае с брендом электроники – частое использование его в качестве подарка. Полученные сегменты обязательно просеиваются на предмет пересечения с уже подключенными (ведь нам нужно расширить аудиторию, а не просто подтвердить гипотезу), и на основе этого принимается решение о подключении новых сегментов.

Двухнедельное тестирование дало нам следующие цифры: двукратный рост CTR (с 0,16% до 0,30% в случае нефтегазовой компании и с 0,19% до 0,33% для компании, занимающейся производством электроники), а также увеличение конверсии более, чем в три раза. Следует отметить, что в качестве основной конверсии нефтегазовая компания обозначила клик на кнопку «Контакты». Улучшились и метрические показатели пребывания уникального пользователя на сайте – время и глубина просмотра.