Клиент
divan.ru — один из крупнейших российских интернет-магазинов мебели, предлагающий широкий ассортимент товаров для дома.
- Дорогие читатели и пользователи платформы StreamMyData! Хотим пригласить вас в наш телеграм канал, в котором публикуются важные новости, обновления, статьи и кейсы.
Задача
Задачей являлась оптимизация рекламных расходов и повышение эффективности маркетинга за счет более точного таргетинга на пользователей в рекламной платформе Яндекс.Директ. Требовалось выявить группы пользователей с разной вероятностью совершения покупки и использовать эти данные для настройки корректирующих ставок в рекламных кампаниях, чтобы рационально перераспределить бюджет и повысить отдачу от инвестиций в рекламу.
Используемый инструмент
Для решения поставленной задачи были использованы «быстрые предикты» – система которая работает на основе AI — машинного и глубокого обучения. ML-модель анализирует действия пользователей на сайте и их паттерны поведения, что позволяет настроить систему на прогнозирование совершения выбранного целевого действия пользователями в течение заданного промежутка времени в будущем.
Для настройки «быстрых предиктов» необходимо выполнить несколько действий:
1. Настройка подключения к аккаунту Яндекс.Метрика
2. Выбор нужного счетчика Яндекс.Метрика и выбор цели для обучения системы
3. Выбор горизонта предсказания
После настройки необходимо нажать «Запустить предикт» и в течение нескольких часов ML-аудитории пользователей будут готовы. Стоить отметить, что сформированные сегменты обновляются на ежедневной основе, что позволяет поддерживать постоянную актуальность данных.
Реализация
Для компании divan.ru был реализован проект на платформе StreamMyData с использованием модуля быстрых предиктов. В качестве целевого действия была выбрана конверсия по цели «Ecommerce: покупка», а горизонт предсказания составил 45 дней. AI-система автоматически обучалась на основе исторических данных действий пользователей на сайте за последние 3 месяца. Такой временной интервал стал достаточным для корректного обучения ML-модели. В течение нескольких часов модель была обучена и сформированные сегменты стали доступны для использования.
На выходе было сформировано 5 сегментов пользователей, распределённых по степени готовности совершить покупку в течение ближайших 45 дней. Для автоматизации дальнейшей работы была настроена выгрузка аудиторий в Яндекс.Аудитории с последующей передачей доступа в рекламные аккаунты команды divan.ru.
|
Наименование аудитории |
Диапазон значений вероятности покупки |
|
high |
64-100% |
|
slightly_high |
41-64% |
|
medium |
24-41% |
|
slightly_low |
10-24% |
|
low |
1-10% |
| extremely_low |
0-1% |
После предоставления доступа к сформированным аудиториям начался этап настройки рекламных кампаний с применением корректирующих ставок в системе Яндекс.Директ. ML-сегменты были интегрированы в ключевые рекламные форматы: поиск ретаргетинг, смарт-баннеры и бренд.
Основной целью divan.ru было снижение неэффективных расходов, поэтому в большинстве случаев применялись понижающие корректировки ставок для сегментов extremely_low и low — пользователей с минимальной вероятностью совершения покупки. В то же время, для сегментов с высокой вероятностью конверсии были заданы повышающие корректировки, что позволяло увеличивать шансы выигрыша аукциона и обеспечивать показ рекламы тем пользователям, которые находятся в высокой стадии готовности к покупке.
В рамках теста были внедрены настройки аудиторий на уровень кампаний, путем отрицания ML сегментов:
В то время как на уровне групп были выбраны ML сегменты в качестве ретаргетинга, а также был включен офферный ретаргетинг:
Дополнительно проводилась регулярная чистка площадок:
Результаты
В результате тестирования, проведенного в течение полутора месяцев, были получены следующие показатели эффективности:
- За счет исключения пользователей из низкоконверсионных сегментов удалось сократить общие рекламные расходы в тестируемых рекламных кампаниях на 12%, перераспределив соответствующую часть бюджета на более перспективные аудитории.
- Сравнительный анализ показал, что использование корректировок ставок на основе предиктов StreamMyData обеспечил прирост показателя конверсии до 75% по сравнению с автоматическими стратегиями Яндекса, благодаря более точному учёту вероятности покупки.
Результаты по региону МСК:
Исходя из результатов видно, что CR в покупку вырос со второй недели теста, ДРР за месяц вышел на уровень ниже 100%
Рассматривая статистику динамики по региону МСК месяц к месяцу получаем покупки в рамках желаемого ДРР:
Статистика за май показывает получение покупок с динамикой на снижение в показателе ДРР и ростом количества покупок:
Проведя A/B-тестирование удалось достичь результатов в сокращении ДРР на 41% и показателя CPO на 25% за те же деньги
Реализация проекта на платформе StreamMyData позволила divan.ru перейти от обобщенного подхода в таргетинге к точечной работе с пользователями на основе их поведенческих характеристик. Благодаря быстрому внедрению AI, автоматизированной сегментации и интеграции с рекламными инструментами Яндекса, компании удалось значительно повысить эффективность рекламных вложений. Экономия бюджета за счет исключения нецелевых сегментов и рост конверсии на фоне автостратегий Яндекса подтверждают высокую практическую ценность предиктов как инструмента оптимизации рекламных активностей.
Еще больше полезной и интересной информации вы можете получить в нашем блоге
