Клиент
Finn Flare — международный бренд одежды, который входит в топ-15 крупнейших компаний fashion-ритейла России. Представлен более чем 100 офлайн-магазинами, в том числе в Казахстане. Имеет свой онлайн-магазин и мобильное приложение.
- Дорогие читатели и пользователи платформы StreamMyData! Хотим пригласить вас в наш телеграм канал, в котором публикуются важные новости, обновления, статьи и кейсы.
Задача
Повысить эффективность рекламных кампаний, привлечь больше покупателей на сайт, без увеличения затрат на рекламу.
Решение
Для выполнения поставленной задачи была использована платформа предиктивной аналитики StreamMyData, которая позволяет предсказывать факт совершения целевого действия пользователем на сайте в течение выбранного горизонта предсказания в днях.
В качестве источника данных система подключается к Яндекс.Метрике, собирая историческую информацию и формируя комплексный профиль поведения каждого пользователя. После обучения модели машинного обучения создается таблица, в которой указана вероятность выполнения целевого действия для каждого пользователя, а также его уникальный идентификатор.
Полученные данные были использованы для формирования сегментов покупателей в зависимости от вероятности совершения ими целевого действия. Затем полученные сегменты загружены в Яндекс.Аудитории для дальнейших действий. Далее кратко будет рассмотрено создание проекта в интерфейсе StreamMyData.
Для настройки «быстрых предиктов» необходимо выполнить несколько действий:
Настройка подключения к аккаунту Яндекс.Метрика
Выбор нужного счетчика Яндекс.Метрика и выбор цели для обучения системы
Выбор горизонта предсказания
После настройки необходимо нажать «Запустить предикт» и в течение нескольких часов аудитории пользователей будут готовы. Стоить отметить, что сформированные сегменты обновляются на ежедневной основе, что позволяет поддерживать постоянную актуальность данных.
Для Finn Flare был настроен проект где в качестве цели была выбрана «Ecommerce: покупка», а горизонт прогнозирования составил 7 дней. Количество аудиторий, на которое были сегментированы пользователи, было выбрано в количестве 5 шт. Для обучение системы были выгружены данные о сессионной активности пользователей за 3 месяца, что являлось достаточным для обучение системы и моделей машинного обучения.
Результаты
Для корректной оценки работы и эффективности рекламной кампании были проанализированы некоторые показатели до и после внедрения наших сегментов.
После сравнения были получены следующие результаты:
- Процент конверсий увеличился в среднем до 2,5% что в 4 раза больше чем было до внедрения
Например:- Сегмент “high”: CR ~4,7%. До внедрения — 0.57%.
- Сегмент “slightly_high”: CR ~ 2.5%. До внедрения — 0.57%.
- CPA уменьшился в среднем на 67%, а CTR наоборот увеличился в среднем на 41%
Например:- Сегмент “low”: CTR — 0,87%; CPA — 1151,35 ₽. CPA уменьшился на 68%, а CTR увеличился на 55% в сравнении со значениями до внедрения.
- ROI стал выше в 2 раза.
Например :- Сегмент “slightly_high”. ROI ~ 3,0. До внедрения — 1,4.
- Сегмент “slightly_low”. ROI ~ 3,3. До внедрения 1,4.
- Все пять сегментов превосходят стандартные стратегии Яндекса почти по всем ключевым показателям. CTR у каждого из пяти сегментов выше, чем у аудитории до корректировок (базовых стратегий Яндекса). Конверсия в 2–8 раз выше, а CPA в 2–4 раза ниже. ROI у сегментов также выше: в феврале 2,7 против 1,4 у аудитории до корректировок, а в январе 6,5 против 3,7. Это означает, что на каждый рубль расходов в сегментах приходится больше целевых действий и прибыли.
- Сегменты, охватывающие всего около 15% рекламных расходов, уже генерируют около четверти всей прибыли канала.
Например:- Сегмент “slightly_high”: ~4.2% бюджета, но составляет ~8.5% прибыли
- Сегмент “slightly_low”: ~4.1% бюджета, но составляет ~8% прибыли
- Сегмент “low”: ~2% бюджета, но ~3.2% прибыли.
Также сравнение было проведено между несколькими месяцами после внедрения корректировок. На основе данного сравнения было сделано несколько основных выводов:
- Сегменты StreamMyData остаются более результативными, даже после расширения охвата: они приносят больше прибыли на каждый потраченный рубль, чем базовая аудитория.
- Базовая стратегия Яндекса без корректировок теряет эффективность: при неизменных бюджетах рост трафика не приводит к соразмерному росту конверсий, снижается ROI.
- Сегменты стабилизируют кампанию: хотя общий рынок в феврале просел, точечное таргетирование удержало рентабельность на приемлемом уровне и сдержало рост CPA.
Вывод
Подключение предиктивной платформы StreamMyData позволило точнее отбирать аудиторию, склонную к покупке, и перенаправить показ объявлений именно на этих пользователей. В результате рекламные кампании стали заметно эффективнее: клиенты чаще переходят по объявлениям, охотнее совершают целевые действия, а стоимость привлечения одного покупателя ощутимо снизилась. При этом общий бюджет остался на прежнем уровне, что привело к существенному росту отдачи от рекламы и увеличению прибыли канала.
Таким образом, использование поведенческих сегментов на основе моделей машинного обучения доказало свою ценность как устойчивый способ повышения результативности кампаний без дополнительных вложений.
Еще больше полезной и интересной информации вы можете получить в нашем блоге
