ML-сегментация и ремаркетинг: что эффективнее
Сегментация потребителей и персонализация — одни из важнейших трендов последних лет. По прогнозам отраслевой организации IAB, аудиторные таргетинги, сегментирование и персонализация будут все шире применяться в рекламных кампаниях. А значит, очень важны инструменты, которые помогут сегментировать пользователей: это позволит выстроить эффективную рекламную стратегию и сэкономить средства, не тратя их на пользователей, которые все равно не купят продукт.
Эксперты платформы бизнес-аналитики OWOX BI сравнили ML-сегментацию и ремаркетинг с точки зрения эффективного таргетирования и выделения сегментов пользователей. Конечно, OWOX BI оценивает прежде всего собственный инструмент для ML-сегментации, однако, это имеет смысл и с точки зрения сравнения этих способов в целом.
Воронка продаж состоит из трех частей: привлечение пользователей, конвертация и удержание. Первый этап — привлечение — здесь не рассматривается, так как на нем бренд еще ничего не знает о потребителях. На третьем этапе — удержание — бренд имеет дело с потребителями, которые как минимум однажды что-то у него покупали, а значит, какой-то интерес к его продуктам точно есть или по крайней мере был.
А вот этап конвертации самый сложный — пользователи уже как-то взаимодействовали с брендом, притом пока неизвестно, являются ли они его целевой аудиторией. А значит, бренд проводит пользователя по воронке продаж, но часто это в итоге не приводит к сделке, и деньги уходят в никуда.
Именно на этом этапе начинают применяться инструменты сегментации и ремаркетинга. Самый обычный вариант на этом этапе — именно продуктовый ремаркетинг. В этом случае пользователей сегментируют по нескольким показателям. Например, по его действиям — посмотрел товар, положил ли товар в корзину, купил или нет. А также по предыдущим действиям (количество покупок, средний чек) и по поведенческим метрикам (время на сайте, количество просмотренных страниц, отказы и др.). Дальше на основании такой сегментации идет таргетирование потребителей — в соцсетях и в медийных кампаниях.
Но, по мнению аналитиков OWOX BI, у ремаркетинга есть несколько серьезных недостатков:
— Нельзя учесть все разнообразие действий. При ремаркетинге для сегментации вручную отбирается всего несколько параметров — те самые просмотры товаров, время на сайте и прочее. Но по факту разнообразие действий пользователей намного шире. И иногда для оценки вероятности конверсии полезно учесть какие-то неочевидные факторы — например, промежутки между сессиями или скорость перехода от одного действия к другому.
— Сложно оценить важность событий. При ремаркетинге маркетологи пытаются оценить важность того или иного действия: например, пользователь положил товар в корзину или просмотрел какие-то страницы. И в итоге часто оценивают важность разных событий неверно. Так, исследование OWOX BI показало, что максимальное количество визитов пользователей может быть важнее, чем добавление товара в корзину. Да и в целом добавление товара в корзину не слишком значимый факт с точки зрения вероятности конверсии.
— Не учитывается нелинейность поведения пользователей. При ремаркетинге создание аудиторий, которым будет показываться реклама, и исключение из этой аудитории делаются довольно механически. Например, рекламу перестают показывать после совершения покупки или через 10/30/90 дней после того, как пользователь зашел на сайт или положил товар в корзину. Но поведение реальных пользователей намного более нелинейно — они могут пару дней интересоваться товаром, а потом он станет им неинтересен (а реклама все еще показывается), или наоборот вспомнят про товар через полгода.
Альтернатива ремаркетингу — ML-сегментация. В этом случае сегментацию производит ИИ-система, которую обучают для этого на разных данных: из CRM-систем, сайта, мобильных приложений и др. В этом случае могут использоваться самые разные целевые действия — например, транзакции, выкупленные товары, звонок по телефону, отправка товара в корзину. Конверсионное окно также может включать периоды разной продолжительности.
После первой же сессии на сайте пользователь получает оценку — дальше эта оценка меняется при последующей активности или наоборот при бездействии. Причем оцениваются не только очевидные действия пользователя, но и много дополнительных факторов. Например, количество просмотренных страниц и их среднее, а также минимальное количество в рамках конверсионного окна, интервалы между сессиями, скорость переход от одного действия к другому, действия на сайте, причем как связанные с покупкой (например, добавить товар в корзину), так и не связанные (например, чтение блога компании) и многое другое.
Основанные на этой оценке сведения о вероятности совершения конверсии конкретным пользователем обновляются каждый день и сразу поступают в рекламные системы. А дальше эти данные могут применяться для таргетинга в соцсетях, исключений в медийных кампаниях, корректировки ставок в поисковой контекстной рекламе и других действий.