Лайфхак маркетологу: настройка рекламы по логике рекомендательных алгоритмов
«С этим покупали», «Подборка товаров для вас», «Этот фильм вам понравится»: персональные рекомендации есть почти в каждом сервисе. Поговорим о том, как эти алгоритмы устроены и чем полезны интернет-маркетологу.
Лайфхак от Finepromo — сертифицированного агентства Яндекс Директ и Ведущего Партнера Google.
Задача создать качественную рекомендательную систему возникла еще в 2006 году, когда Netflix давала в прокат VHS-кассеты и DVD. Важно было предсказать, какие фильмы понравятся пользователям, чтобы те брали больше кассет и соответственно увеличивали прибыль.
Для этого запустили соревнование Netflix Prize. Участники соревнования должны были как можно лучше предугадывать, какую оценку поставит определенному фильму тот или иной пользователь.
Рекомендуем прочитать подробнее о конкурсе — там интересный финал. Но главное, что он дал прорыв в разработке рекомендательных алгоритмов.
Рекомендательные алгоритмы основываются на сходстве:
— объектов
рекомендуются товары — похожие по цвету, бренду, аксессуары
— пользователей
учитывается история оценок — вам рекомендуют то, что нравится похожим на вас пользователям. Например, в ВК вам рекомендуют плейлисты друзей или посты, которые они лайкнули.
Логика алгоритма: похожим пользователям нравятся похожие объекты. И зная сегменты пользователей, можно предсказывать, какие товары они готовы купить. Так и работают рекомендательные алгоритмы, например, Яндекс Музыки.
Как использовать рекомендации в рекламе
А причем здесь реклама? У нас нет команды, чтобы писать нейросеть!
Но сам подход можно использовать при настройке контекстной и таргетированной рекламы.
Зная приоритеты рекомендаций определенной группы пользователей, мы можем настраивать по этим правилам ретаргетинг.
Сегменты аудитории на основе рекомендаций
Как настраивает ретаргетинг типичный маркетолог? Запускает рекламу:
— с похожими товарами— аксессуарами к товарам— скидками на ту же категорию товаровЭто объектный подход, «про товар» .
А если применить подход «про пользователя»?
У нас ведь есть история корзин, где можно выявить закономерности и составить портрет.
Например: человек, который купил офисное кресло 1 раз и тот, кто их заказывает регулярно раз в 2-3 месяца — это два совершенно разных сегмента. Первый может быть фрилансером, и брал кресло лично себе, а второй снабженец офиса. Смысл рекомендовать им одни и те же товары?
Рекомендуем подобрать рекламные сегменты на основе истории заказов/лайков/добавления в Избранное.
Так могут появиться интересные гипотезы:
— те, кто заказывает определенный тип товаров
— те, кто заказывает товары определенной ценовой категории
— те, кто заказывает чаще акционные товары
— те, кто заказывает часто / редко / с одинаковой регулярностью
— те, у кого в корзине товары X часто бывает вместе с товаром Y (значит тем, кто купил только X, можно предложить Y)
А далее тестировать на этих сегментах ретаргетинг или лук-а-лайк.
Этот материал впервые появился у нас в Telegram, где мы каждую неделю даем новую идею для продвижения.