Сократили рекламные расходы на 12% для divan.ru с помощью предиктивной аналитики

Клиент

divan.ru — один из крупнейших российских интернет-магазинов мебели, предлагающий широкий ассортимент товаров для дома.

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 и 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

Мы в MediaNation стремимся разрабатывать технологии, которые позволяют нашим клиентам существенно повышать свою эффективность. Данный кейс прекрасно иллюстрирует возможности, которые открываются перед рынком после внедрения подобного рода решений. Надеюсь, что в ближайшее время сможем дать рынку еще больше крутых инструментов

Интеграция StreamMyData с Яндекс Директом открыла для нас новые возможности оптимизации рекламных кампаний. Помимо использования стандартных корректировок по полу, возрасту и устройству, мы начали работать с поведенческими предиктами. Получив сегментированную по степени вероятности покупки аудиторию, мы внедрили понижающие корректировки на «холодных» пользователей. Это позволило нам эффективно распределить сэкономленный бюджет и увеличить конверсионность трафика в тестовых кампаниях. Автоматическое обновление сегментов и более высокая чувствительность к поведению пользователей способствовали оперативному приросту эффективности. Планируем масштабировать подход и тестировать новые прогнозные модели в сочетании с разными инструментами Директа.

Коллеги, благодарю за продуктивное и проактивное сотрудничество — команда оперативно погружалась в наши задачи, держала прозрачную аналитику и гибко дорабатывала настройки по ходу теста. Итог говорит сам за себя: благодаря точечным предиктивным сегментам и умному управлению ставками за полтора месяца мы снизили неэффективные расходы в тестируемых рекламных кампаниях контекстной рекламы на 12%, а также получили прирост конверсионных действий до +75% в сравнении с автостратегиями Яндекс Директ, перераспределив бюджет в пользу аудиторий с высокой вероятностью покупки. Этот кейс наглядно иллюстрируют нашу текущую стратегию digital-маркетинга в divan.ru: быстрый Test & Learn и фокус на внедрение потенциально результативных AI-инструментов для маркетинговых и продуктовых задач, где мы масштабируем продажи, не увеличивая ДРР и сохраняя рентабельность в оптимальных для бизнеса значениях. Рассчитываем продолжать совместное тестирование, а также тиражировать эффективный подход на другие рекламные активности, укрепляя лидерство за счёт грамотной работы с данными и осмысленного применения искусственного интеллекта.