Таргетинг в рекламных кампаниях уже давно стал рутиной для всего рынка. Несмотря на то, что сама идея показывать рекламу конкретной аудитории не нова, методы ее реализации постоянно совершенствуются вместе с развитием технологий, в том числе основанных на обработке больших данных. Своим опытом и ключевыми принципами работы с кастомными аудиториями в специальной колонке для Sostav поделился Анатолий Новожилов, руководитель по развитию рекламных сервисов 
Platforma .
Чтобы данные не били ключом по голове
На первый взгляд, недостатка в данных, которые могут помочь с таргетингом, нет. В 2022 году объем даты, накопленной человечеством, составил примерно 97 зеттабайт. Это, среди прочего, цифровые следы пользователей — истории просмотров, покупок, регистрационные данные
У каждого человека могут быть десятки и сотни подобных атрибутов: от максимально широких вроде пола и возраста до уникальных — к примеру, покупки молотого кофе в онлайн-магазине раз в месяц. Даже самое странное действие в интернете можно использовать как отдельный признак для рекламных кампаний.
Учитывая, что big data во многом служит основой для таргетинга, быть уверенным в качестве данных — один из главных для меня принципов при работе с аудиторными сегментами. Для этого необходимо внимательно изучить источник даты, оценить ее легитимность и достоверность. При формировании аудиторного сегмента важно понимать, по какой логике и на каких данных он собран. К примеру, сегмент “инноваторы”, но что это означает? Чтобы к этому сегменту изначально было доверие, нужно понимать, по каким атрибутам он был собран. Также важно понимание источников, на основании которых делается разметка сегмента по выбранным параметрам.
Когда источники данных проверены, дальнейшая работа идет проще. Например, не так давно мы запустили рекламную кампанию для онлайн-кинотеатра, который хотел расширить аудиторию после ухода с российского рынка Netflix и Megogo.
Чтобы собрать по-максимуму целевую аудиторию, мы ориентировались всего на два атрибута:
- Пользователи, которые оплачивали подписки “ушедших” онлайн-кинотеатров за последний год (по данным одного из крупнейших в стране банков, по данным телеком и ОФД операторов);
- Посетители, которые заходили на сайты стриминговых сервисов (по данным нескольких телеком операторов).
Главная цель кампании — привлечь пользователей, которые были клиентами ушедших сервисов или активно интересовались ими. Всего два атрибута, сегменты, построенные на качественных источниках, и мы получили шикарный результат — 100 тысяч новых пользователей.
Практика вероятности
Сбор и присвоение атрибутов пользователям — это отдельная сложная тема. Ведь большинство утверждений основаны на вероятностях. Но бояться этого не стоит — вот как все работает.
Допустим, пол и возраст запрашивают во многих регистрационных формах. И собрать их относительно просто. Но как определить, что у человека есть кот? Со стопроцентной вероятностью — никак. Мы можем лишь предположить действия пользователя, которые говорят о наличии питомца. К примеру, посещение сайтов или звонки в ветеринарные клиники, заказ кошачьего корма или игрушек для животных в интернет-магазине. Эти действия пользователя не дают полную уверенность, что у него есть кот. Но вероятность этого довольно высока, поэтому отмечаем его атрибутом «есть кот». Но это сильно упрощенная схема.
На самом деле даже базовые атрибуты вроде пола нередко строятся на математических моделях, поэтому часто в мужских аудиториях есть 10−20% женщин, которым присущи соответствующие паттерны поведения и предпочтения. И наоборот. Но нужно понимать, что регистрационные данные тоже имеют аналогичную погрешность, и не все пользователи указывают достоверную информацию при регистрации в различных сервисах.
Есть редкие исключения — к примеру, если по закону товар доступен только совершеннолетним и нужно отсечь всех пользователей младше 18 лет. Тогда вероятностный подход не подходит — нужно знать точно. При этом мы проверяли, насколько 100% достоверные аудиторные сегменты, которые основаны на регистрационных данных, “попадают” в сегменты признанных авторитетных рекламных платформ и верификаторов: результат такой же, 20−30% могут быть нецелевыми с точки зрения сегментации этих признанных игроков.
Для анализа действий пользователей используется целый ряд источников данных, которые нужно сопоставлять между собой и комбинировать. Это могут быть размеченные по тематикам сайты и отдельные страницы в интернете, телесмотрение (определенные телепередачи или ТВ каналы), биллинг звонков пользователей, анонимизированные данные об их покупках в онлайн- и офлайн-магазинах, мобильных приложениях или оплатах банковскими картами. Естественно, все это ведется не вручную, а с помощью аналитических моделей.
Гипотезы и тесты
При этом ни проверенные источники данных, ни самые точные вероятностные модели не сработают без продуктовой гипотезы по сегментированию и профилированию аудитории. Именно гипотеза продуктологов и дата-сайентистов определяет направление для поиска качественных данных и построения моделей. Машинный анализ ускоряет работу и расширяет круг потенциальных покупателей. Но без тщательного тестирования все равно никуда.
Методы тестирования стандартные. Проводим A/B-тесты и сравниваем результаты, откручиваем тестовый прогон на небольшую часть аудитории. Так можно выбрать гипотезу, которая работает лучше всего.
Я приведу пример, как мы рассуждаем при построении гипотезы.
Допустим, у нас есть рекламная кампания для заказчика, который продает кроссовки, и мы хотим определить, стоит ли нам строить широкий аудиторный сегмент или узкий. Первый может включать в себя 3 000 000 человек и в него войдут покупатели интернет-магазинов, а также пользователи, которые интересуются модой и одеждой. А второй — 10 000 человек, которые купили оригинальные кроссовки, например, New Balance от 9 до 15 месяцев назад.
Широкая аудитория даст низкий CTR, ведь в нее попадут люди, которые не хотят покупать обувь, условно, бренда New Balance, не нуждаются в новой паре кроссовок прямо сейчас или и вовсе предпочитают кеды.
Всего лишь малая доля процента, увидевших рекламу, кликнет на нее. И еще меньше сделает заказ.
У выбора нишевой аудитории есть своя железная логика. Ведь покупатель New Balance явно любит удобные кроссовки и готов за них платить. А срок службы пары кроссовок у всех разный — у кого-то год, у кого-то два — но, как правило, соответствует количеству сезонов, поэтому в сегменте мы собрали людей, которым через год после последней покупки с большой вероятностью понадобятся новые. Стопроцентное попадание, верно?
На самом деле, промахнуться здесь предельно просто. В базе может не быть данных, что человек уже купил новые кроссовки или другую обувь, которая не вошла в атрибут. А еще не факт, что предыдущие кроссовки у него уже износились.
Максимально точная база может запросто оказаться пустышкой, на которую потратили много времени и сил. Но даже если она попадает в цель, много денег на ней не заработаешь. Например, если она окажется в 100 раз эффективнее и даст невероятный 1% покупок, то в сумме будет лишь 100 продаж.
Таким образом, всегда нужно выдерживать разумный баланс между охватом и таргетированием нишевых аудиторий…
Вместо выводов
Универсальных аудиторий в рекламе не бывает. Под каждую отдельную задачу нужно делать уникальную сборку, тщательно продумывать гипотезу, выбирать источники данных и определять атрибуты пользователей, а также обязательно тестировать свои идеи перед масштабным запуском. Здесь нет стопроцентных решений — все зависит от цели кампании. То, что сработало один раз, может подвести в другой, и наоборот. Стабильный результат в среднем по больнице имеют те компании, которые ставят эту работу на поток, у кого она ведется в фоновом, рутинном режиме. В рекламных агентствах, к примеру, есть целые подразделения, отвечающие за программатик рекламу, подбор сегментов и запуск тестов и рекламных кампаний. Постепенно это будет в бОльшей степени переходить в автоматизированные процессы, уменьшая издержки на ручной человеческий труд. Расходы на дорогостоящую инфраструктуру и человеческие ресурсы будет снижаться (в удельном соотношении), качество данных будет, наоборот, расти, и наступит счастье.