Как использовать персонализированную рекламу на базе big data и ML-алгоритмов для преодоления проблемы лояльной аудитории
на главную спецпроекта
Digital Generation
Digital Generation
Как использовать персонализированную рекламу на базе big data и ML-алгоритмов для преодоления проблемы лояльной аудитории

Успешный кейс работы с данными.

E-mail
Телефон
Имя
CAPTCHA


В марте 2022 года маркетплейс Pharmacosmetica внедрил в свою инфраструктуру adtech-платформу Smart Placement Ads от Retail Rocket Group. С помощью технологий big data и машинного обучения решение помогает настроить точечный таргетинг и показывать покупателям максимально релевантные им рекламные предложения в нужное время и в нужном месте.

Pharmacosmetica нашли способ продавать новые продукты аудитории, лояльной другим товарам, а также нарастить долю СТМ в общей выручке без снижения товарооборота. По итогам рекламной кампании площадка увеличила свою среднемесячную выручку по СТМ год к году на 49%.

O Pharmacosmetica.

Маркетплейс аптечной и профессиональной косметики Pharmacosmetica работает на фармрынке уже 13 лет. На площадке представлено более 20 000 товаров от 300 мировых брендов. Среди них — средства для лица, волос и тела, а также БАДы. Вся продукция сертифицирована и поставляется напрямую от производителей.

Проблема лояльной аудитории

Главная сложность в продвижении косметики — колоссальная привязанность целевой аудитории к конкретным товарам. Выбрав один уходовый крем или шампунь, который «работает», покупатели, как правило, с трудом переходят на что-то другое.

Изменить этот поведенческий паттерн непросто. Обычно для этого пытаются использовать стратегию «бомбардирования» потребителей конкурентных брендов рекламой по всевозможным каналам. Однако такой подход заканчивается разочарованием: CTR в этом случае будет очень низким, а цена привлечения клиента — чрезмерно высокой.

Чтобы эффективно работать с проблемой лояльной аудитории, нужно очень хорошо знать потребности каждого конкретного покупателя и вовремя предлагать ему персонализированную альтернативу.

Для решения этой задачи «со звёздочкой» можно пойти двумя путями. 

Первый — проводить долгосрочные исследования с применением глубинных интервью. Они позволят понять потребности и особенности покупательского маршрута каждого клиентского сегмента, а затем на основе выявленных закономерностей выстроить стратегии по «переманиванию». Это вполне рабочий вариант, однако он подразумевает большие финансовые, временные и трудовые затраты.

Второй подход — ИИ-персонализация. Он более экономичен к ресурсам и подразумевает применение инструментов предиктивной аналитики.

Предиктивные технологии в маркетинге и персонализация

Сегодня всё больше компаний разных отраслей внедряют решения предиктивной аналитики в свою деятельность. Такие продукты работают на базе big data и ML-алгоритмов и позволяют использовать исторические данные для выявления закономерностей и прогнозирования будущего. Например, предиктивную аналитику активно использует промышленность для раннего обнаружения и предотвращения поломок и сбоев в работе оборудования, а также банковская сфера — для оценки платёжеспособности заёмщиков.

С массовой онлайнофикацией покупателей такие решения стали особенно актуальны для ecom-сегмента по направлению маркетинга. Во время онлайн-шоппинга пользователи генерируют очень большое количество данных: они осуществляют поиск, просматривают категории и страницы товаров, кладут их в корзину, избранное или сравнивают. Вся эта накопленная информация (big data о поведении потребителей) — кладезь для сегментации, выявления потребностей покупателей, а также прогнозирования их спроса. 

И именно поэтому сейчас активно развивается ниша инструментов предиктивного маркетинга: они работают на базе ML-алгоритмов и при наличии достаточных мощностей могут выполнять подобные задачи в реальном времени. Причём некоторые решения позволяют не просто изучать покупателей, но и использовать результаты анализа для формирования персонализированного рекламного предложения покупателям.

В очень упрощённом виде рекламная персонализация с использованием таких инструментов работает следующим образом:

1. Покупатель заходит на сайт и начинает выполнять необходимые действия.

2. Информация о его поведении в реальном времени аккумулируется в хранилище данных и анализируется ML-алгоритмами.

3. По результатам анализа формируется портрет посетителя и прогнозная модель его спроса.

4. Далее покупателю предлагается купить товар, который с точки зрения алгоритмов максимально соответствует его потребностям.

Постановка задачи и выбор инструмента

Команда маркетплейса Pharmacosmetica долгое время пыталась продвигать собственные торговые марки классическими способами: пробовали контекстную рекламу, таргетинг в социальных сетях, CRM, директ-маркетинг и размещение у блогеров. Все эти подходы отлично работали на привлечение трафика на площадку, но совершенно не помогали с проблемой лояльной аудитории: пользователи «приземлялись» на сайт и просто покупали на нём «свои» бренды.

Нужно было искать новый инструмент, который помог бы сломить паттерн «привязанности» к конкретным товарам и обратить внимание покупателей на новые продукты. Чтобы найти его, команда сформулировала для себя следующие критерии:

  • data-driven подход с быстрой проверкой гипотез;
  • объективная аналитика;
  • минимум усилий на внедрение.

Под эти условия подошла adtech-платформа Smart Placement Ads от Retail Rocket Group. Функционал инструмента работает на базе технологий big data и машинного обучения и позволяет настраивать точечную коммуникацию на релевантную аудиторию внутри маркетплейсов и мультибрендовых интернет-магазинов. Формат продвижения представляет собой брендовую «онлайн-полку» из рекомендуемых товаров или персонализированный баннер.

Реализация

Внедрение adtech-платформы прошло быстро: специалисты Retail Rocket Group оценили архитектуру Pharmacosmetica, выявили оптимальные места для рекламных плейсментов и за неделю интегрировали решение на сайт площадки.

Всего под «полки с рекомендациями» было выделено 8 ключевых страниц: главная, страница категории, карточка товара, страница бренда, страница поиска с результатами поиска и пустой поиск, а также корзина и страница заказа.


Сразу после внедрения команда маркетплейса приступила к запуску первой рекламной кампании для продвижения 12 СТМ-брендов. Специалисты решили таргетироваться на очень узкие интересы пользователей в четырёх макрокатегориях: «Макияж», «Для лица», «Для волос» и «Для зубов».

По этой стратегии все покупатели, интересовавшиеся шампунями, тониками, тушью, гигиенической помадой, зубной пастой, щётками и другими подобными товарами видели персонализированные онлайн-полки в различных точках своего покупательского маршрута (на главной, в категории, карточке товара, корзине, поиске, странице заказа). Причём их наполнение зависело от потребности клиента в конкретный момент времени.

Всего в рамках кампании было собрано более 30 мультибрендовых полок с СТМ-продукцией. Их покупатель мог встретить на любой точке своего маршрута в зависимости от того, насколько перспективной с точки зрения конверсии её посчитал алгоритм платформы.


Например, если пользователь заходил на сайт и изучал средства для объёма тонких и сухих волос, система понимала, что посетителю нужно восстановить волосы. И поэтому, если этот же клиент посещал категорию средств для объёма волос, для него тут же формировалась полка «Специально для вас» с продуктами СТМ-брендов, решающих его проблему: восстанавливающими шампунями, муссами-реконструкторами, кондиционерами и так далее.

Если же пользователь переходил в карточку шампуня для защиты структуры волос, то для него полка перестраивалась: теперь ему рекомендовались подходящие БАДы.

Аналогично, если клиент интересовался косметикой для бровей, далее на своём покупательском пути он видел полку с карандашами, гелями, тушью, сыворотками и другими средствами для бровей от СТМ-брендов. Если же он просматривал страницы с очищающими средствами для лица, его персонализированное предложение формировалось из гелей, мицеллярной воды, тоников и других продуктов категории.

Результаты

Запущенная рекламная кампания работала на маркетплейсе Pharmacosmetica в течение года. Площадка подвела итоги:

  • фактические продажи превысили планируемые в 2,5 раза;

  • доля СТМ в общей выручке год к году увеличилась на 52%, а прибыль выросла на 88%;

  • средний ROMI по всем рекламным размещениям составил 441%;

  • при этом общий товарооборот площадки не снижался, а рос в среднем на 8% в месяц.


Иными словами, площадке удалось продвинуть СТМ-бренды и нарастить прибыль, не снизив общий товарооборот маркетплейса.