По внутренним данным Go Mobile, с 2022 года стоимость привлечения новых пользователей увеличилась на 40%. Рекламодателям и агентствам важно уметь работать с текущей аудиторией. Смарт-ретаргетинг — один из инструментов, который помогает возвращать пользователей эффективнее. О том, зачем он нужен и как работает, команда Go Mobile рассказала Sostav на примере кейса с «М.Видео-Эльдорадо».
Классический ретаргетинг. Почему он оказался менее эффективным
Ретаргетинг — маркетинговый инструмент, нацеленный на аудиторию, которая уже взаимодействовала с брендом. К ней относятся пользователи приложения, которых мы хотим вовлечь повторно для совершения первичного или повторного целевого действия.
При наличии крупной клиентской базы важно вовремя возвращать к активности «спящих» и «полуспящих» пользователей. Приводить их к целевому действию, давать возможность еще раз повзаимодействовать с продуктом и увеличить LTV. В этом процессе важно:
- держать баланс между долей привлечения новых пользователей и возвратом текущих;
- аналитически подходить к формированию сегментов;
- следить за качеством работы ретаргетинговых источников.
Способы работы с ретаргетингом
«Классические» сегменты аудитории
- пользователи, которые установили приложение, но не совершили покупку;
- пользователи, которые заполнили корзину, но не сделали заказ;
- пользователи, которые покупали Х дней назад, но перестали покупать.
RFM-матрица
Этот инструмент появился достаточно давно, однако при запуске ретаргетинга его используют немногие. Матрица позволяет вовлечь разные аудитории: перспективные, лояльные, дрейфующие и другие. Мы делим аудиторию на сегменты по двум параметрам:
- количество активностей;
- время с последнего действия.
Это помогает определить, какому сегменту аудитории нужен ретаргетинг, а какому — нет.
Конкретно в кейсе «М.Видео-Эльдорадо» работали с тремя классическими сегментами.
- Сегмент 1 — пользователи, которые установили приложение, но не добавляли товар в корзину, а также пользователи, которые добавили товар в корзину, но не совершили покупку;
- Сегмент 2 — пользователи, которые совершили минимум одну покупку за последние 365 дней;
- Сегмент 3 — пользователи, которые когда-либо совершили минимум одну покупку, но не покупали ничего за последний год.
Смарт-ретаргетинг
Не все стандартные кампании были достаточно эффективными. Для оптимизации решили протестировать ML-инструмент смарт-ретаргетинг, который помогает взаимодействовать с наиболее релевантной частью аудитории.
Предиктивные технологии смарт-ретаргетинга позволяют возвращать пользователей точечно. При его использовании исключаем категории, которые с меньшей вероятностью конвертируются в покупателей, а также органических пользователей, которые совершат целевое действие и без дополнительного вовлечения.
Второй ретаргетинговый сегмент не нуждался в интеграции ML-модели, так как в нем уже была высоко конверсионная аудитория, поэтому выбирали между сегментами № 1 и № 3.
У нас была гипотеза: пользователи, которые когда-либо совершили покупку, но «спали» последний год — наиболее холодная аудитория, поэтому начать тесты решили именно с нее. Из этого сегмента исключили пользователей, которые:
- заходили в приложение за последние 15 дней — чтобы не ревовлекать пользователей с и так высокой вероятностью конверсии;
- хотя бы один раз установили приложение за последние 37 дней — чтобы не каннибализировать UA (привлечение пользователей).
В результате получили аудиторию в 7000 пользователей, когда для запуска кампании нужно минимум 40 000. Из-за низкого объема решили выбрать другой сегмент — пользователей, которые установили приложение за последний год, но не добавили товары в корзину.
Из этого сегмента тоже исключили пользователей, которые установили приложение за последние 37 дней или заходили в него за последние 15.
Алена Максимова, Buying Director Go Mobile:
С помощью смарт-ретаргетинга можно смело брать более холодную аудиторию, которая до этого оставалась в стороне из-за высоких KPI. Это также поможет решить вопрос с сохранением достаточного объема аудитории, так как холодных пользователей чаще всего значительно больше, чем теплых.
Сбор данных или поиск «спящего» пользователя
После определения оптимального ретаргетингового сегмента мы оценили вероятность совершения покупки пользователем в определенный день в зависимости от типа устройства и трафика. Затем определили точку невозврата — день, с которого пользователь органически не вернется в приложение. В нашем случае 90% пользователей уже не возвращались в приложение после 37 дней инактива.
Увеличение эффективности ретаргетинга за счет ML
ML-технологии делают прогнозы более точными. С их помощью мы можем возвращать пользователей, интересующихся продуктом клиента, и не тратить бюджет не на целевую аудиторию — например, на людей, которые по ошибке установили приложение.
Также смарт-ретаргетинг помогает снизить риск привлечения органических пользователей в 1,5−2 раза. За счет ML-модели определяем пользователей, которые совершат целевое действие и без взаимодействия с рекламой: это помогает снизить вероятность каннибализации органики и оптимизировать бюджеты.
С помощью ML-модели можно прогнозировать вероятность нескольких вариантов развития событий в поведении пользователя:
- больше не вернется в приложение;
- совершит действие органически, без взаимодействия с рекламой;
- совершит целевое действие в случае взаимодействия с ретаргетингом.
На основе этих прогнозов исключили самые неэффективные ретаргетинговые сегменты и определили пользователей, которым нужно дополнительное касание для совершения действия.
Результаты
Смарт-ретаргетинг показал свою высокую эффективность — аудитории с низкой эффективностью в классическом ретаргетинге оказались крайне результативными при интеграции ML-модели. За счет смарт-ретаргетинга получилось значительно увеличить количество пользователей и снизить стоимость их привлечения.
Использование инструмента позволило значительно улучшить показатели рекламной кампании на том же бюджете:
- в семь раз выросло количество re-attribution (количество повторных атрибуций);
- в 2,5 раза увеличился re-engagement (повторное вовлечение);
- более чем в пять раз возросло количество уникальных покупок, что позволило снизить затраты на привлечение одного пользователя на 75% и уменьшить CPO (стоимость заказа) на 79%.