ML сегментация vs обычный ремаркетинг: как предсказание конверсий помогает повысить прибыль

Материалы для скачивания
2.06 Mb

Мы уже рассказывали о решение OWOX BI, способном рассчитывать вероятность конверсии, которое помогло компании «Эльдорадо» в 2,2 раза увеличить ROI контекстной рекламы.

Сегодня поговорим о том, откуда взялась идея рассчитывать вероятность конверсии каждого пользователя и на основе этого расчета создавать аудитории. Какие проблемы решает ML сегментация, какую пользу она приносит бизнесу, и почему это намного выгоднее и актуальнее, чем обычный ремаркетинг.

бонус для читателей

Лучшие маркетинг-кейсы от OWOX BI

Скачать материал

Содержание

Зачем нужны расчет вероятности конверсии и сегментация пользователей

Мы следим за трендами рынка. Согласно исследованию организации IAB, аудиторные таргетинги будут все больше применяться в рекламных кампаниях. То есть сегментирование, персонализация рекламных кампаний, получение большего количества знаний о том или ином сегменте аудитории. Это очень важно для того, чтобы правильно реализовать свою рекламную стратегию и эффективно распределить рекламный бюджет. Тратить деньги на привлечение пользователей, которые купят, и не тратить на тех, кто не совершит конверсию.

Если вы используете платную рекламу, то знаете, что платить за привлеченного на сайт пользователя приходится не один раз. Вы платите за каждое касание пользователя с сайтом. Часть пользователей в итоге не конвертируются. Как заранее распознать таких пользователей и прекратить за них платить? А сэкономленный бюджет можно перераспределить на другие каналы, потратить на более конверсионный сегмент пользователей.

Рассмотрим воронку продаж. Она состоит из трех основных этапов: привлечение, конвертация и удержание.

  • На этапе привлечения мы еще ничего не знаем о пользователях и используем таргетинг рекламных площадок.
  • На этапе конвертации пользователь уже хотя бы раз коснулся сайта. Здесь мы обычно используем поведенческий ремаркетинг.
  • И наконец этап удержания. Это коммуникация, основанная на истории клиента. То есть он у нас уже что-то покупал, он есть в CRM, мы знаем о нем гораздо больше, чем на первых двух этапах.

На этапе конвертация возникает больше всего вопросов. Потому что данных о поведении пользователя у нас много, но мы как люди не всегда корректно с ними работаем. То есть паттерны поведения пользователей, которые может выделить человек, достаточно стандартные. Мы не видим картину целиком, только какими-то мелкими кусочками.

Пользователя зашел на сайт, и мы начинаем проводить его по воронке. То есть платим за него второй, третий… десятый раз. На этом этапе тратится больше всего денег, и часть из них уходит в никуда.

Вот график, который прекрасно иллюстрирует эту проблему:

Мы рассчитали вероятность совершения конверсии для каждого пользователя и по этому признаку поделили их на 10 сегментов. Затем мы проанализировали, как в действительности эти пользователи совершали конверсии. На графике видно, что на десятый сегмент (самая низкая вероятность конверсии) было потрачено больше всего денег — там больше всего пользователей, но меньше всего транзакций. В первом сегменте все наоборот. Возникает вопрос: как не тратить деньги в этом хвосте?

Какие альтернативы есть у ML сегментации

Первым делом мы посмотрели, как эту проблему решают на рынке.

Ремаркетинг

Первое и самое простое решение используют почти все. Это классический ремаркетинг. Неважно, в какой рекламной системе.

Принцип ремаркетинга в том, что мы создаем аудитории пользователей по следующим критериям:

  1. Действия или бездействие пользователя
    1. Положил в корзину
    2. Посмотрел товар
    3. Купил/не купил
  2. Прошлые заслуги
    1. Количество покупок
    2. Средний чек
  3. Поведенческие метрики
    1. Отказники
    2. Время на сайте, количество страниц за сеанс.

Дальше эти аудитории используются для таргетирования, например, в медийных кампаниях, в соцсетях. Либо используются для корректировок ставок в поисковых кампаниях в контекстной рекламе.

Но у этого решения есть определенные минусы.

Нельзя учесть все разнообразие действий

Первый и один из самых распространенных минусов — мы не можем учитывать все разнообразие действий.

Все компании используют для сегментирование одни и те же паттерны. На самом деле пользователь делает намного больше действий чем те, на которые мы можем обратить внимание. Эти действия говорят о том, совершит он конверсию или нет. И самое непонятное для человеческого мозга то, что это не всегда действия в привычном нам понимании. Например, временные промежутки между сессиями, скорость перехода от одного действия к другому и т. д. Все это влияет на вероятность конверсии.

Когда мы делаем аудитории ремаркетинга руками, мы не можем это учитывать. Мы делаем 2-5 событий в комбинацию, из которой создаем ремаркетинг, и все.

Сложно оценить важность событий

Обычно мы рассматриваем важность события по воронке. То есть мы знаем, что пользователь заходит на сайт, потом, например, смотрит каталог, потом страницу товара, кладет товар в корзину, оформляет заявку и т. д. И на основании этих знаний мы пытаемся придать тому или иному событию важность. На самом деле все не так очевидно.

Когда мы в OWOX разрабатывали свое решение, мы взяли более сотни событий и проранжировали их.

Получилось, что максимальное количество визитов пользователей может быть важнее, чем добавление товара в корзину. И вообще такое событие, как добавление товара в корзину, оказалось не таким уж важным. Оно не так сильно влияло на вероятность конверсии. Поэтому необходимо учитывать важность тех или иных событий в оценке вероятности совершения конверсии пользователем.

Не учитывается нелинейность поведения пользователей

Например, мы собираем аудиторию пользователей, которые положили товар в корзину. Дальше мы показываем этой аудитории рекламу. Пользователь или завершит покупку в какой-то момент, или никогда больше не купит этот товар, и мы должны прекратить показывать ему рекламу.

Как мы работаем с этим в классическом ремаркетинге? Мы либо добавляем исключающие аудитории (не показываем рекламу всем пользователям, которые уже купили), либо задаем время жизни пользователя в аудитории (30, 60, 90 дней и т. д.), после которого он автоматически из нее исключается.

Но на самом деле все намного вариативнее. Пользователь живет более активной жизнью, чем мы о нем думаем.

Например, мы создали аудиторию пользователей, которые добавили товар в корзину, и установили срок в 10 дней. Пользователь заходит на сайт в первый день, еще один день он активно интересуется нашим сайтом, а потом мы ему становимся неинтересны. Но все 10 дней мы продолжаем показывать ему рекламу. Пользователь уже, может быть, передумал совершить покупку, а мы продолжаем тратить на него деньги и ждем какого-то действия. Наша задача не ждать, а понять в момент, например, на третий день, что пользователь скорее всего не совершит покупку, и исключить его из показа (либо понизить его статус).

Этого обычный ремаркетинг не учитывает, потому что все условия исключения пользователей из аудитории мы не можем рассмотреть. Мы выбираем несколько логичных вариантов либо определенный промежуток времени.

Google Analytics Conversion Probability

Еще одно решение предлагает Google Analytics. Система позволяет рассчитать вероятность конверсии для той или иной сессии.

Эта опция доступна во всех аккаунтах. Но у этого решения есть свои ограничения, которые не позволили нам и нашим клиентам его использовать:

  • Прогнозируемое действие — только транзакция.
  • Конверсионное окно 30 дней, что подходит не для всех бизнесов.
  • Результаты прогноза можно использовать только в Google Ads.
  • Мы видим уже агрегированные данные, без возможности смотреть их на уровне пользователя.

Поэтому мы в OWOX BI разработали собственное решение на основе ML, которое рассчитывает вероятность совершения покупки с учетом выкупаемости заказов для каждого пользователя сайта.

Особенности ML сегментации от OWOX BI

Модель OWOX BI можно обучать на данных разных источников: CRM, сайт, мобильные приложения. Наше решение позволяет выбрать любое целевое действие: транзакции, выкупленные товары, звонок по телефону, отправка товара в корзину и др.

Также в качестве конверсионного окна можно задать любой период, актуальный для вашего бизнеса. В зависимости от срока принятия решения о покупке.

Результаты расчета вы можете использовать в разных рекламных сервисах: Google Ads, Facebook, Instagram, Yandex Direct, MyTarget.

Как это работает:

  1. Данные о вероятности совершения конверсии пользователем обновляются каждый день и сразу поступают в рекламные системы.
  2. Скор пользователя обновляется как при совершении действий, так и при его бездействии.
  3. Пользователь получает оценку сразу после первой сессии на сайте, каждая сессия изменяет оценку.

Какие действия учитываются:

  • Количество сессий и среднее количество сессий за визит пользователя в рамках конверсионного окна.
  • Количество визитов в рамках конверсионного окна.
  • Количество просмотренных страниц, среднее количество, минимальное количество просмотренных страниц в рамках конверсионного окна.
  • Количество хитов, среднее количество, минимальное количество хитов в рамках конверсионного окна.
  • Интервалы между сессиями и визитами в рамках конверсионного окна
  • Ecommerce действия (добавление товара в корзину, удаление товара из корзины, просмотр товара).
  • Количество не ecommerce действий на сайте.
  • Были ли визиты из direct, organic или других каналов, в рамках конверсионного окна.
  • История действий пользователя.

Результаты прогнозирования конверсий вы можете применять для:

  • Корректировки ставок в поисковой контекстной рекламе.
  • Таргетинга в медийных кампаниях. GDN, РСЯ, Facebook.
  • Исключений в медийных кампаниях.
  • Увеличения входящего нового трафика, закупая более широко и дешево и корректируя после оценки пользователя.

Чтобы узнать больше о возможностях ML сегментации для вашего бизнеса, вы можете записаться на демо.

Наши клиенты
растут на 22% быстрее

Растите быстрее, анализируя, что лучше сработает в вашем маркетинге

Измеряйте KPI, находите зоны роста и увеличивайте свой ROI

Записаться на демо