Moscow.Digital – это концепция регулярных и открытых митапов для специалистов онлайн-маркетинга. Площадки, сервисы, агентства, рекламодатели обсуждают насущные вопросы контекстной и таргетированной рекламы, ретаргетинга, RTB, веб-аналитики. Организатором встреч выступает система автоматизации интернет-маркетинга Marilyn.
Каждой теме отводится три встречи: первые две для погружения в тему, третья – для обсуждения и подведения итогов.
Представляем обзор одного из вводных митапов по практическому использованию офлайн-данных о пользователях для таргетинга онлайн-рекламы, который состоялся в начале апреля 2018.
Открыл встречу Виталий Щербаков, руководитель по машинному обучению и анализу данных в компании Мегафон, который представил доклад о монетизации больших данных.
Мегафон собирает пять типов данных об абонентах:
Демографические (пол, возраст).
Характер потребления (ключевые интересы).
Геовременные данные (данные по базовым станциям, онлайн-геоданные).
Круг общения (информация о звонках и смс).
Платежеспособность (данные по ARPU, траты на услуги связи и прочие сервисы).
Но какой бы крутой алгоритм не был, если на входе в него запихать сырые неочищенные данные, на выходе вы не сможете получить что-то стоящее. Так как основная тема этой серии митапов – использование геоданных, Виталий подробно рассказал, как они используют их.
Работа с потоками абонентов:
Извлекаемые инсайты. Информация о посещаемости и профилированию посетителей в конкретных точках: сколько людей проходят через точку, кто они, когда посещают эту точку.
Примеры use кейсов: оптимизация расположения точек продаж и базовых станций.
Работа с сегментами абонентов:
Извлекаемые инсайты. Информация о паттернах перемещения и потребления для конкретных сегментов населения: куда часто ходят эти люди, когда они туда приходят, какие черты поведения характерны для них.
Примеры use кейсов: оптимизация предложения телеком-услуг, выявление домохозяйств.
Далее Виталий перешел к описанию процесса разработки предсказательных и описательных моделей. Основные этапы создания:
Добавить в заметки чтобы посмотреть позже?
Самый трудоемкий этап – подготовка данных (сбор и очистка, формализация задач),
Построение модели (генерация гипотез и возможных переменных),
Применение результатов/тестирование по результатам которого модель может запуститься в реализацию.
Завершил выступление Виталий несколькими кейсами по применению предиктивных и описательных моделей:
Кейс 1. Next best action. Ситуация следующая: у отдела обработки данных в большом телекоме появляется слишком много моделей. Все эти модели распространяются на всю базу, и периодически на одного абонента приходится по несколько предложений. Если спамить абонентов офферами по всем каналам, вряд ли им это понравится, следовательно, нужно выбрать, что конкретно предложить, с какой скидкой, по какому каналу и в какое время.
Кейс 2. Умная реакция. Все телекомы работают с оттоками. Когда у конкурента выходит новый тарифный план, модель показывает склонность абонента уйти на этот тариф.
Кейс 3. Лидеры мнений. Лидером мнений будет тот человек, который в группе людей, например, домохозяйстве, при уходе к конкурентам может увести за собой всех остальных. Модели помогают вести работу именно с лидером мнений, сокращая стоимость контакта.
Следующий доклад представил Алексей Князев, сооснователь компании Watcom, с рассказом о том, как можно объединить данные о посещаемости офлайн-магазина и данные о посещаемости сайта.
Компания Watcom занимается подсчетом и анализом поведения пользователей в торговых точках, так называемый, Shopping Index:
Кто является посетителем.
Какие магазины посещает.
Сколько денег тратит.
Как много времени проводит.
Что ему нравится.
Shopping Index позволяет:
Обосновать эффективность расходования и защитить маркетинговый бюджет перед инвесторами/клиентами.
Оперативно оценить эффективность акций и мероприятий.
Отследить переход офлайн-трафика в онлайн трафик и наоборот.
Подобные технологии могут быть полезны в ряде случаев:
Кейс 1. Если вы хотите провести рекламную кампанию, которая должна простимулировать посещение торговой точки, то необходимо знать, что происходит на рынке. На примере ниже можно увидеть, что дает подобное знание:
В целом посещаемость не изменилась, но на фоне падения рынка, фиксируется рост.
И обратная ситуация, есть рост посещаемости, но в то же время и весь рынок растет, и, возможно, акция и не при чем:
Кейс 2. Оценка потенциала локации. С Shopping Index можно определить наиболее перспективные локации для размещения точек ретейла или ТЦ. Данные позволяют определить особенности профилей посещаемости локаций в зависимости от их характеристик в будние и выходные дни.
Кейс 3. Профили городов по покупательской активности с учетом праздников, выходных, погоды, местных событий и т.д.
Закрыл митап Андрей Корохов, менеджер по инновациям рекламной группы Publicis, который поделился опытом работы с потребностями клиентов (в данном случае крупных FMCG-корпораций).
Актуальные потребности клиентов можно разделить на два тренда:
Поиск новых данных. Базовых онлайн-сегментов уже недостаточно, нужно искать офлайн-аудиторию для закупки в онлайн. Кооперация с ретейлом – клиенты ищут возможности использовать ритейл для более эффективного таргетинга.
Коммуникации здесь и сейчас. Важно минимизировать время между рекламным контактом и моментом покупки.
Механики, которые отвечают потребностям клиентов:
Геоданные (рядом с магазином (супергео), в магазине).
Данные о покупках.
Для геоидентификации пользователей внутри магазина можно использовать несколько решений. Wi-Fi решение будет самым оптимальным по охвату, цене и скорости воплощения.
Пример использования таких данных на практике:
В торговой точке, где проводилось мероприятие, был установлен Wi-Fi роутер. Все посетители, которые к нему подключились, были зафиксированы системой. Спустя неделю этим пользователям, а также настроенной на их основе Look-alike аудитории, был показан баннер компании.
Таким образом ретейлеры могут показывать пользователям конкретные скидки и предложения, предназначенные для определенного сегмента, например, участникам программы лояльности и т.д.
Итог:
Большим FMCG-клиентам нужен размах, большие и охватные истории. Им не подходят нишевые офлайн-решения.
Офлайн-данные могут быть использованы в сложных категориях, которые не так просто охватить обычными средствами коммуникации (детское питание, товары для животных и т.д.).
FMCG-игроки активно используют офлайн-решения с широким охватом от крупных игроков вроде Google и Яндекса.
Заключительный митап серии состоится 27 апреля и будет проходить в формате дискуссии. Представители рекламных площадок, агентств, крупных рекламодателей и ритейл-сетей поделятся мнениями о геоданных в интернет-продвижении.