Оптимизация рекламной кампании: как простой метод оказался выгоднее, чем «затратная» регрессия. Читайте на Cossa.ru

23 сентября, 14:16

Оптимизация рекламной кампании: как простой метод оказался выгоднее, чем «затратная» регрессия

Сравнение регрессионного и визуального анализа рекламной кампании на примере крупного FMCG-бренда. Подробный кейс от Сергея Козлова, специалиста по коммерциализации продукции.

Оптимизация рекламной кампании: как простой метод оказался выгоднее, чем «затратная» регрессия

Слабые места рекламной кампании

Изначально нужно определить ключевые показатели эффективности рекламной кампании, на которые будем ориентироваться (KPI, метрики). Обычно их выбирают ещё на этапе запуска — это бизнес-цели. Существует более 50 показателей эффективности, но ключевые для бизнеса — 2–3, связанные с финансами.

Важно понять, на чём сосредоточена компания. Продаёт товары, генерирует лиды или продвигает подписки? В зависимости от ситуации в приоритете может оказаться количество заявок, число успешных регистраций, ROI, средний чек. Затем показатель сверяется с желаемым.

Анализируя одну из наших рекламных кампаний, которая охватила 60 городов, мы ориентировались на такие параметры: количество лидов, количество покупок, конверсия из лида в покупку. Особенность заключалась в отсутствии паттерна в результатах.

Например, в одних городах (Норильске, Красноярске и Нижневартовске) была отличная конверсия и много заказов. В других (обеспеченных миллионниках), несмотря на гораздо большее количество заказов, конверсия в покупку оказалась меньше в 3–4 раза (в Екатеринбурге и Новосибирске).

Успей получить ТОПовую профессию в digital со скидкой 50%!


  • Обучайся SMM на практике - создай свое портфолио.
  • Начни зарабатывать через 3 месяца.
  • Получи диплом SMM-маркетолога и помощь в трудоустройстве.
  • Воспользуйся рассрочкой до 2-х лет без первого взноса.
Подробнее

Реклама

Коэффициент конверсии — один из самых важных показателей при оценке эффективности рекламной кампании. Это соотношение общего числа посетителей к пользователям, выполнившим целевое действие. Например, оценивают количество звонков и продажи благодаря им.

Если по телефону позвонили 100 человек, а покупку сделали 25, конверсия звонков в продажи составляет 25%. Полученные результаты сравнивают с показателями конкурентов или со средними по рынку.

Гипотезы и сбор данных

Волшебной таблетки не существует, но постоянный анализ и регулярная оптимизация — рабочая схема. Проанализировав рекламную кампанию, нужно разработать несколько гипотез и протестировать их. Подразумеваются данные, которые способны влиять на действия потребителей. Если гипотезы подтвердятся, результат не заставит себя долго ждать.

Пример: за 5 месяцев удалось увеличить посещение дилерского центра «РОЛЬФ Ясенево» Land Rover на 162% и благодаря тестированию гипотез реально получить в 3 раза больше заказов за четыре месяца.

Гипотеза обязательно должна быть конкретной и доказуемой.

Пример: в блоге десять постов, и два из них пользуются спросом — получают массу просмотров, ими делятся в соцсетях. Вы заметили, что в этих успешных публикациях больше картинок и короткие абзацы. Гипотеза может быть такой: «Другие статьи с большими изображениями и улучшенным форматированием получат такое же внимание».

Поскольку в нашем случае показатели рекламной кампании отличались в зависимости от города, мы ориентировались на особенности населённых пунктов. Речь о социально-демографических и структурных параметрах. Эти параметры потенциально могут влиять на готовность потребителя к покупке.

Среди них:

  • население;

  • средний возраст жителей города;

  • средний доход;

  • распространённость интернета;

  • количество офлайн-инфраструктуры бренда;

  • брендовые запросы — по конкурентам и по конкретному бренду;

  • возможность доставки в городе.

Опираясь на гипотезы, собираем данные из Google Analytics, Roistat, GaSend, Яндекс.Метрики, а также открытых источников (например, gks.ru). Если правильно настроить сбор данных, анализировать информацию и принимать решения просто.

С помощью Google Analytics также можно проводить эксперименты со страницей: A/B/N-тестирование, в котором участвуют до 10 полноценных версий одной страницы.

Мы использовали отчёт «Карта поведения», благодаря которому можно проанализировать перемещение пользователей по страницам сайта. Трекинг событий покажет, как меняется поведение после загрузки страницы.

Тестирование

После определения слабых мест и выдвижения гипотез переходим к тестированию. Это позволит проверить догадки. К примеру, для продвижения новой мобильной игры от Camel Games протестировали 2 гипотезы. Цель — понять, как достичь отметки 5 млн установок для новой игры. И уже после тестирования стартовала рекламная кампания.

Во время тестирования мы стремились понять, что влияет на конверсию в разных городах. Наша задача: найти паттерн в успешных городах, и уже на основе этого оптимизировать кампанию.

Для этого использовали 2 анализа.

  1. Регрессионный. Подразумевает поиск связи между переменными. Показывает, как отдельные показатели влияют на успех производительности. Во время анализа оценили влияние параметров города на количество лидов и конверсию.

  2. Визуальный. Более простая модель. Просчитали средний показатель и на его основе перераспределили бюджет, забрав из городов, где конверсия ниже средней, и пустив на города с конверсией выше среднего.

Регрессию в бизнесе и жизни можно использовать по-разному. К примеру, в жизни человек, который не разбирается в авто, может спарсить базу объявлений и понять, какие факторы влияют на стоимость (год выпуска, тип коробки, мощность). Затем определить значимые факторы и подставить необходимые значения авто, чтобы понять расчётную стоимость и интервал цен, в пределах которого можно вести торг.

Мы же при регрессионном анализе использовали связь количества органических лидов и платных лидов (по разным источникам).

Выяснили, что один лид из некоторых источников приносит дополнительно по 0,25 органических лидов, а из других — 0,03.

Эту информацию мы стали использовать при планировании объёмов лидов по источникам.

Для анализа используют также тестирование A/B. Одинаковое количество трафика направляется на вариант А и В. Лучшим считается тот, который привлёк больше конверсии.

Менее распространено мультивариантное тестирование. Оно подразумевает использование не одного элемента, а сразу нескольких. Есть ещё A/B/N-тестирование, где вместо двух вариантов дополнительно применяют третий. Схема такая же, как и при A/B-тестировании. Реже ориентируются на тестирование «до» и «после».

Итоги тестирования

После тестирования остаётся проанализировать полученные результаты. У нас самый важный показатель — CPO (cost per order). Чем ниже его цена — тем лучше. В случае с регрессией стоимость вышла даже большей, чем в базовом варианте, а визуальный анализ помог снизить её на ~10%.

По результатам нашего тестирования оказалось, что на количество лидов влияют несколько факторов: офлайн-инфраструктура (подогревает интерес), количество брендовых запросов (и по собственному, и по конкурентам). Количество заказов, как продемонстрировал регрессионный анализ, меняется в зависимости от инфраструктуры и запросов.

Важны и другие параметры: количество населения в городе, покупательская способность, привычка к онлайн-заказам (средний возраст, распространённость интернета).

Например, модель, описывающая количество лидов, в нашей выборке показала: каждая офлайн-точка в городе даёт 2 лида. Каждый запрос по нашему бренду приносит 0,09 лида, по бренду конкурентов — отнимает 0,.04.

Таким образом, в городе, где у бренда 10 точек, 1000 брендовых запросов и 1000 по брендам конкурентов. Расчёт:

2 × 10 + 0,09 × 1000 − 0,04 × 1000 = 70 лидов.

Или с вероятностью 95% — от 45 до 95 лидов.

А вот на показатель конверсии из лида в заказ влияет меньше факторов. Ключевой момент — сформированная привычка к онлайн-заказам. Влияют и брендовые запросы — потребители изучают разные предложения, делая выбор.

Используя полученные показатели, нужно сформировать расчётную модель. Поскольку мы изучали связь с городами, каждому из них присвоили определённый ранг. Учли и конверсию. Как итог — поделили города на 3 группы, чтобы определить ставку за клик: повысить, понизить или оставить прежней.

СРО оказался ниже в визуальной модели, поэтому используем её.

Какую модель тестирования лучше использовать?

  • По итогам тестирования мы рекомендуем визуальную модель как более простую и показавшую в нашем случае лучший результат.

  • Чтобы заработала регрессионная модель, нужно большое количество наблюдений и один параметр, который мы максимизируем.

  • В рамках теста регрессии данные по группе, где не меняли ставку, побудили нас выделить такой же сегмент и в визуальном анализе.

Что делать, если гипотезы подтвердились

После подтверждения гипотез нужно изменить подход к рекламной кампании. К примеру, интернет-магазин OZON, проанализировав прямые и дополнительные конверсии, увидел полную картину взаимодействия с пользователем. Результат — визуализация конверсионной цепочки и снижение стоимости заказа с рекламной видеокампании на 35%.

Получив данные, мы сделали выбор в пользу результатов на основе визуальной модели.

Метод простой: просчитывается средняя конверсия. Для городов, где конверсия оказалась выше средней (25%) ставку требуется увеличить. Для остальных — снизить.

Можно использовать группу городов, где в рамках регрессионной модели ставка осталась прежней, а в визуальной — изменилась. Лиды из этих городов обладают хорошим потенциалом. Поэтому в рамках визуального анализа мы выделим третью группу, где ставка останется прежней.

Чеклист по оптимизации рекламной кампании

1. Выбрать показатели, наиболее влияющие на результат или наиболее значимые для бизнеса.

2. Выдвинуть гипотезы по оптимизации показателей.

3. Собрать данные для тестирования с помощью аналитических инструментов.

4. Провести тестирование.

5. Сделать выводы и продумать шаги внедрения в business as usual.

Источник фото на тизере: Luís Eusébio on Unsplash

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.





Чем живёт диджитал?
Главное — в рассылке: