Какие данные нужны для планирования рекламных кампаний в 2024 году

Краткое содержание статьи:

- Следует собирать данные про продажи, бюджеты, трафик, объем клиентской базы, медиасплит, CRM, сквозной аналитики, brand health tracking и исследование потребительских привычек.

- Если данных нет, то гипотезы строятся на основе открытой информации, 3rd party data, категорийные данных, исследованиях отрасли или накопленном массиве агентства.

- AI-сервисы участвуют в процессе планирования рекламных кампаний.

Наталья Ивановская

CEO Tamburin

За три года мы сделали многое, чтобы маркетологам было удобно делать из разрозненных данных стройную систему, которая отвечает на вопросы: насколько эффективны были кампании, что будет если в них что-то поменять и какой сплит будет оптимален для роста продаж.

Благодаря аккуратному сбору данных возврат инвестиций у десятка наших клиентов вырос на 3-10%.

Под капотом Tamburin довольно сложная система анализа данных, которую мы долго разрабатывали и оптимизировали под цели маркетинга и потребности рекламистов. Мы рады, что сейчас все больше и больше маркетологов стали аккуратно собирать исторические данные о продажах и активностях, ведь в интерфейсе Tamburin их можно легко преобразовать в дашборды с ROI, интерактивный калькулятор сценариев продаж и оптимизатор медиамикса.

Илья Кобяков

Head of Strategy & Product DADA

Нам, как креативному агентству, в первую очередь важно понимать то, как люди воспринимают и используют бренд и его конкурентов, поэтому первое исследование, которое мы стараемся получить от клиента, это исследование brand health tracking. А второе — исследование потребительских привычек. Также мы часто просим клиентов поделиться наблюдениями по результатам прошедших кампаний, чтобы объективно оценить какие решения работают с конкретным брендом и категорией.

Клиенты, которые не хотят делиться данными — это частая практика на этапе тендера. Недоверие, к сожалению, порождает менее точные решения, но это общие правила игры. В таких случаях мы стараемся компенсировать данные опытом и информацией из открытых источников. Понятно, что BHT не получится закрыть из открытых источников, как и посткампэйн данные. Восполнять эти данные часто нужно, поэтому мы закапываемся в открытые данные и пытаемся найти ретроспективные сведения и на их основе собрать пазл, который приведет нас к решению маркетинговых задач наших клиентов.

Если клиент не хочет длиться данными, мы обязательно разрабатываем дизайн исследования и согласуем его с ним, чтобы все понимали, что будет в конечном итоге. Далее в соответствии с задачами собирается массив данных, который в последствии перерабатывается в выводы и рекомендации. Они ложатся в основу стратегии в последующем.

Внутри dada agency мы стараемся придерживаться data based и как следствие мы зависим от качества данных. И на основании этого можем точно сказать, что за последние 2 года качество данных не изменилось глобально. Радует, что медиаселлеры продолжают искать новые способы сбора и обработки данных. Это позволяет находить новые модели и получать более точные вводные. Кроме того, из новых веяний хочется отметить внедрение в работу ИИ, но пока что ИИ требует человеческий дабл-чек и допускает много ошибок.

Татьяна Смирнова

директор по медиастратегии агентства стратегического маркетинга Cube | D Innovate Group

Датасет для планирования рекламных кампаний определяется продуктом. Базовая медиастратегия требует данных по продажам, трафику, объёму клиентской базы за последние 2-3 года с разбивкой по месяцам и географии, а также оцифрованный медиасплит за аналогичный период. Даже без полноценной эконометрики эти данные помогают найти закономерности, вычислить корреляции и построить эффективный медиамикс.

В случае с математическими моделями требования к датасету строже: не менее 60 периодов для анализа (в идеале разбитых по неделям), включение всех релевантных внешних факторов – от погоды в конкретный период до мобилизации, учёт внутренних изменений бренда, будь то смена упаковки, ценовые промо и другие. Вклад вносит и специфика категории. Например, в FMCG обязательно считаем дистрибуцию из-за высокого влияния на показатели.

Если у клиента нет данных или недостаточно, то используем 3rd party data, категорийные данные. Также задействуем собственный data центр и накопленную экспертизу. Так как таких запросов становится все больше (хотим качественную аналитику и прогнозирование, но данных недостаточно), мы разработали методику бенч-моделирования. На основе конкурентного анализа, включающего медиа и бизнес аналитику, формируется бенч-модель для конкретной отрасли. Возможности таких моделей меньше, чем эконометрических моделей, но они кратно повышают глубину и качество планирования и прогнозирования по сравнению с классическим чисто медийным подходом.
MarTech-бум последних двух лет трансформирует медиаотрасль. Не просто растет скорость, качество и точность планирования, ML/AI технологии открывают ранее недоступные возможности. Мы используем собственную разработку «Предиктивный калькулятор», чтобы не просто прогнозировать бизнес-результат для заданного медиамикса, а под заданный результат просчитывать медиамикс, что стандартными IT инструментами рассчитать невозможно. В будущем развитие технологий приведёт к созданию полноценных маркетинговых ассистентов на базе объединения генеративных и вычислительных ИИ.  

Татьяна Лукашёва

Project TeamLead Ingate Group

При запуске кампаний мы всегда уделяем особое внимание всем показателям текущих и прошлых РК. Нас интересует сплит каналов, бюджеты, данные счетчиков и рекламных кабинетов. Очень радуемся, когда клиенты делятся информацией о своей целевой аудитории: данными из CRM, сервисов сквозной аналитики. Чем больше информации мы получаем на старте, тем более точным получится прогноз KPI для клиента.

Когда клиенты не готовы делиться своими данными и инструментами, мы опираемся на открытые исследования отрасли, ищем информацию о клиенте в сводках и других открытых данных. Мы также мониторим конкурентов в тематике, AI сейчас очень помогает в этом вопросе.

Кроме того, мы используем сервисы для отслеживания трафика сайтов, которые позволяют хотя бы примерно понять, какие каналы были запущены ранее. Благодаря некоторым современным сервисам, можем отследить многое, вплоть до бюджета ТВ/радио за прошлые периоды. С каждым годом таких сервисов становится все больше, а данные становятся все более прозрачными.