Битва за зрителя: как с помощью Big Data найти целевую аудиторию интернет-рекламы
Реклама — это сфера, где применять аналитику больших данных интереснее всего, потому что она связана в первую очередь с коммуникацией, с людьми и их поведением. Сегодня сегмент интернет-рекламы растет быстрее всего, так как аудитория — покупатели больших корпораций — бежит от их телевизионной рекламы в интернет. Логично, каждый бренд должен стремиться показать там свою рекламу и свои продукты. Как раньше все стремились создать рекламные ролики для телевидения, так теперь рекламодатель идет за своей аудиторией в интернет. Но есть важное отличие. Рекламный ролик на телевидении вы вынуждены смотреть во время своей любимой передачи, и от этого некуда деться. Не так много людей выключают звук телевизора, переключают канал или вообще выходят из комнаты. А интернет-пользователь сам контролирует свое внимание и решает, что и когда ему смотреть. Например, если ролик встроен в статью, пользователь может решить: досмотреть его, закрыть эту страницу или нажать кнопку «пропустить». Большинство людей так и делают, и для брендов это превращается в большую проблему, так как они хотят, чтобы с их продуктом познакомились и запомнили его, потому что просмотры ролика в сегменте продуктов массового потребления очень влияют на продажи.
Метрика внимания пользователя проста: это стоимость досмотра видеоролика в сети до конца. Эта метрика стала мантрой для маркетологов всех крупных компаний. Цель, которую преследует маркетинг: сделать так, чтобы получать внимание вовлеченного пользователя как можно дешевле. Для этого маркетолог берет все затраты на показы и делит на количество всех досмотревших людей. Чем таких пользователей больше, тем цена, соответственно, ниже. Крупные бренды стараются работать именно с теми ресурсами, на которых видеоролик нельзя пропустить. Такие ресурсы есть: например, любители футбола знают, что при просмотре матча приходится смотреть как минимум два видеоролика. Это раздражает пользователей, и поэтому такая реклама стоит дорого. Это внимание очень дорого обходится брендам. Но есть огромное количество онлайн-кинотеатров и рекламных мест на новостных сайтах, где также можно размещать видеорекламу. Туда рекламодатели идут с большой неохотой, потому что пользователи эти ролики не смотрят.
Реклама, которая изучает зрителя
Сбербанк как рекламодатель работал только с тем сегментом интернет-рекламы, где пользователь не может пропустить видео. Средний бюджет каждой рекламной компании Сбербанка — несколько десятков миллионов, и онлайн-видео — это довольно большая его часть. И тут как нельзя кстати пришлась технология анализа больших данных, для того чтобы взять всех пользователей, кто смотрит ролики и тех кто их не смотрит, и выявить характеристики, которые определяют вероятность досмотра ролика, а потом построить модель, которая по этим характеристикам сможет найти нужного пользователя в нужный момент времени и в нужном состоянии, чтобы видеоролик был досмотрен с наибольшей вероятностью, и тем самым снизить цену привлечения каждого отдельного зрителя.
Обычно целевая аудитория рекламной кампании планируется медиаблогером, который сидит и думает: «Наверное, аудитория на этих сайтах посмотрит видеоролики Сбербанка о потребительских кредитах». А может, и не посмотрит. То есть все эти предположения могут закончиться удачей или неудачей, и это будет учтено в следующей кампании. Но оказалось, что на огромной части интернет-аудитории, пропускающей ролики, можно сделать выгоду. Зачем показывать им вообще ролики? И таргетинг тут не поможет: под примерное описание целевой аудитории рекламной кампании Сбербанка подходит практически вся Россия!
В итоге было разработано семь рекламных кампаний, для каждой из которых была подготовлена своя собственная модель. Эта модель уже через 150 успешных взаимодействий с пользователем (то есть через 150 досмотров видеоролика) могла выявить тот тип аудитории, которая будет досматривать ролик до конца! Это дало возможность начинать сегментировать аудиторию. Но прежде чем набиралась эта критическая масса досмотров, должен был пройти первый, самый болезненный для любого рекламодателя этап. В этот момент задача модели заключается в том, чтобы пропустить через себя как можно больше интернет-пользователей и получить как можно больше взаимодействий, причем не только в формате досмотренных роликов, но и прерванных. В этот момент модель учится находить те признаки, которые делят эту аудиторию, определять разницу между теми, кто готов посмотреть видео определенного продукта, и теми, кто не готов этого делать.
Пока платформа обучается, цена досмотренного ролика может быть даже выше, чем у тех роликов, которые нельзя пропустить. В этот момент рекламодатель может сказать: «Это все неэффективно. Давайте остановим эксперимент». Но затем стоимость просмотра начинает снижаться с каждым новым зрителем, тогда как обычное видеоразмещение в интернете закупается по фиксированной цене и никакие способы снижения цен там не работают.
Успеть за 60 миллисекунд
Когда вы открываете страницу, на которой есть какой-то рекламный видеоролик, пока он грузится, в систему приходит сигнал. Этот сигнал содержит ваш идентификатор, а модель анализирует данные, все, что она знает о вас как о пользователе. Задача модели — учесть все эти признаки. После первых 150 взаимодействий она уже может выделить характеристики пользователя, которые работают лучше всего. Какие-то признаки пользователя сильнее влияют на факт досмотра ролика, какие-то влияют на это меньше. Модель уточняет их с каждой новой порцией взаимодействий и перестраивается каждые четыре часа. Здесь нет никакой работы аналитиков и маркетологов — чистая арифметика. Общее количество признаков, по которым оценивается каждый зритель, — 2000.
За 60 миллисекунд, пока грузится страница, алгоритм должен посмотреть на вас, предсказать вероятность досмотра и рассчитать оптимальную цену демонстрации ролика именно вам. Я могу щелкнуть пальцами. И представьте, что прямо сейчас, за один щелчок, 65 000 человек получили какую-то оценку от модели! Показывать рекламу или не показывать. Заплатить или переплатить. Все работает на то, чтобы сделать рекламу эффективнее.
Ценный кадр: как предсказать увольнение сотрудников с помощью Big Data