Матемаркетинг-2019: 5 докладов, которые не оставят вас без инсайтов

Время чтения: 15 минут
logo

В ноябре прошло, пожалуй, самое масштабное событие в сфере аналитики — Матемаркетинг-2019. Около сотни спикеров и порядка двух тысяч участников. Мы, конечно, тоже были там. Наши продуктологи показывали участникам, как правильно работать со сквозной аналитикой, и разыгрывали призы. Алексей Макаров выступал с докладом про анализ поведенческих данных, ну, а я, уже по традиции, тщательно слушала лекции и записывала для вас самую интересную и полезную информацию.

Читайте, и узнаете:

  • как использовать таргетированную рекламу и контент-маркетинг FB и Linkedin еще более эффективно;
  • как точно узнать, продает ваш контент и SMM или нет;
  • как, используя предиктивную аналитику и машинное обучение в CRM маркетинге, помогать бизнесу расти;
  • что важно помнить при построении любого дашборда;
  • как работают разные модели атрибуции и как построить модель, основываясь на ML-based-подходе.

Поехали 🚀


Роман Виас: Хакинг таргетированной рекламы и контент-маркетинга в FB и Linkedin

Принято считать, что Facebook и Instagram больше подходят для рекламы B2C-товаров. Роман Виас объяснил, почему это также отличные площадки для рекламы B2B: SaaS-платформ, тяжелых enterprise-решений и многих других продуктов, где цикл принятия решения достаточно долгий. Данные, которыми обладает FB, плюс правильный контент — все вместе это может решить практические любые задачи бизнеса.

Помимо возможности использования LAL, множества рекламных форматов и довольно мощной встроенной системы аналитики, есть дополнительные лайфхаки, позволяющие использовать Facebook еще более эффективно.

1. Лайфхак для тех, кто на старте: сегментация базы и построение LAL по наиболее качественным (хоть и более мелким) сегментам

Роман и его команда выработали определенный фреймворк, который позволяет собрать как можно больше новой аудитории и сформировать первичное доверие этой аудитории к продукту. Сперва они делят всю воронку на шаги, затем прорабатывают креатив и коммуникацию под каждый из шагов.

На первом уровне это может быть какая-то статья, видео о продукте или квиз.

Затем нужно выделить тех людей, которые как-то взаимодействовали с этим креативом, и им уже показывать следующий контент. Таким образом, вы будете сужать свою аудиторию от абсолютно равнодушных до наиболее заинтересованных в вашем продукте людей. Далее уже можно работать с этой прогретой аудиторией классическими маркетинговыми инструментами.

2. Лайфхак для узкопрофильных продуктов: парсинг номеров с HH/Avito

Работая с LAL, важно учитывать, что телефонные номера валидируются в среднем на 30–40% лучше, чем e-mail. Как сформировать базу номеров узкопрофильной аудитории? Вы можете зарегистрироваться как работодатель на крупном job board (например, HH.ru) и скачать всю базу резюме подходящих людей — например, директоров по маркетингу. Далее выгрузить из этих резюме номера телефонов и e-mail и загрузить их в FB. Теперь вы можете показывать свой контент — баннеры, видео или статьи только нужным вам людям.

3. Лайфхаки по работе с Linkedin

В чем плюсы работы с Linkedin? У него есть возможность точечного таргетинга по конкретным должностям и компаниям, а также наличие пикселя и возможности оптимизации под конверсии. Минус: это пока самый дорогой канал на рынке. Поэтому его надо «взламывать», считает Роман. :) Например, с помощью плагина Linked helper.

Linked helper полностью имитирует ваше поведение и добавляет вам в друзья людей по заданным параметрам (индустрия, должность и т. д.). Например, вам нужно найти всех директоров по логистике в Восточной Европе — просто задаете нужные параметры и запускаете плагин на ночь.👌

Какие форматы в Linkedin можно использовать:

  1. Sponsored content — формат для показа в ленте пользователей. Это оптимальный формат для awareness-кампаний и закупки трафика. Модели закупки: CPC, CPM, а его средний CTR: 0,5–0,8%.
  2. In mail — подойдет для привлечения трафика и генерации лидов. Модели закупки: CPS (Cost per Send), средний Open Rate: 65%, CTR из открытых: 3%. Как сделать эффективнее: используйте персонализированное письмо с простым СТА.


Владимир Давыдов: Сквозная многоканальная аналитика контент-маркетинга

Если цель рекламы — продажа, то основная задача контента — обучение, развитие, доказательство экспертности и только потом, возможно, закрытие сделки прямой рекламой или продающим контентом. Поэтому анализировать контент нужно процессно, чего не могут делать GA и Яндекс. Метрика, которые показывают только последний шаг перед продажей.

Что именно нужно анализировать в контент-маркетинге?

  1. Внимание — подписчики, читатели, входящие ссылки и т. д.
  2. Вовлеченность — лайки, шеры и т. д.
  3. Влияние — воздействие бренда (количество позитивных упоминаний), оценочность и т. д.
  4. Действия — коэффициент полезности, пожизненная ценность клиента и т. д.
    1. Измерение всех этих показателей легло в основу системы аналитики Contrack, которую разработала компания Completo. Как работает эта система и как вы можете создать подобную систему для анализа контента?

      Первое, что нужно сделать, это подключить все формы обратной связи, присутствующие на вашем сайте. Вы должны иметь источник и некую статистику, чтобы понимать, что делал человек на сайте до того, как отправил форму обратной связи. Передача ID в CRM и в используемый вами рассыльщик позволяет видеть полную цепочку взаимодействий пользователя с контентом. По получившейся цепочке можно проанализировать, что человек читал, на каких мероприятиях был, от какого партнера пришел и т. д.

      На основе каждой цепочки строятся многоканальные отчеты. Таким образом, можно проанализировать:

      • сколько денег принесла нам каждая конкретная единица контента (статья, видео, вебинар, конференция и т. д.);
      • какой тип контента приносит больше лидов/денег;
      • какой автор генерирует наиболее продающий контент и т. д.

      В результате такая система аналитики полезна сразу нескольким специалистам компании: менеджер по продажам может просматривать всю информацию о пользователе, прежде чем ему позвонить. Менеджер по PR и ивент анализирует отдачу от мероприятий и партнерских размещений. SMM-специалист и контент-маркетолог видят отдачу от каждой размещенной статьи/поста, что позволяет им делать еще более качественный и продающий контент. И конечно, маркетолог, для которого в первую очередь и создавалась эта система, может видеть всю картину целиком и повышать продажи с контента, PR, SMM.


      Павел Костин: автоматизация пользовательского маркетинга — как с помощью данных помогать бизнесу расти

      Какие можно выделить типовые стратегии использования Machine Learning и предиктива в CRM-маркетинге?

      1. Биноминальная классификация (Probability). Предсказывает вероятность совершения определенного события с результатом от 0 до 1: (например, предсказание оттока, предсказание следующей покупки).
      2. Регрессия (Real Number). Предсказывает числовое значение определенного атрибута клиента в будущем: например, будущее LTV пользователя, сумму следующих покупок пользователя в периоде.
      3. Мультиноминальная классификация (Best Segment). Предсказывает, какой сегмент лучший для каждого клиента из набора сегментов: например, в каком канале лучше отправлять клиенту директ-коммуникацию.

      Как эти стратегии используются в реальной жизни? Например, для внедрения динамического ценообразования.


      Эксперимент


      Задача — увеличить RPV (доход с одного посетителя) и конверсию в заказ из корзины через автоматизированное динамическое ценообразование. Если взять исторические данные по заказам, прошлым сессиям и внутрисессионному поведению юзеров, сможем ли мы продавать больше с динамическим ценообразованием?

      В результате эксперимента на двадцати процентах трафика (примерно 45 тысяч показов персональных цен) уменьшение цены на 3–7% понизило конверсию на ~1%, увеличение цены на 3–7% также понизило конверсию на ~1%. НО! Даже при уменьшении конверсии при показе более высокой цены на выборке происходит аплифт на 5000 евро в связи с более высоким RPV (1.5x) в течение 3 недель. При увеличении группы, которой показывается более высокая цена, и уменьшении группы с более низкой ценой следующий аплифт — уже 40 000 евро в месяц.

      Следующее частое применение предиктивной аналитики — построение динамической скоринговой модели.

      Данная модель была внедрена в компанию Ikea. Выстраиваем скоринговую модель на основе данных о посещении определенных страниц:

      • Посещение каталога = 1
      • Посещение карточки товара = 2
      • Добавление товара в корзину = 5
      • Переход к оформлению заказа = 15

      Таким образом, каждому посетителю начислялись баллы. На основе оценки каждого пользователя были выделены три сегмента:

      • Клиент А = 10
      • Клиент B = 25
      • Клиент С = 60

      Так, клиенты с высоким шансом совершения покупки, на основе биноминальной классификации, попали в сегмент С. На них откручивали аудиторию в ретаргетинг с повышенной ставкой. В результате: конверсия в заказ +7,5% и уменьшение затрат на ретаргетинг на 2%.

      Что еще позволяет делать предиктивная аналитика?

      1. Предсказывать вероятность следующей покупки.
      2. Оптимизировать в real-time количество отправляемых e-mail.
      3. Использовать оптимальное время для отправки e-mail.
      4. Выбирать оптимальный канал для директ-коммуникаций.
      5. Автоматизировать сбор NPS и CSI в. омниканальной модели.
      6. Использовать геймификацию воронки продаж в онлайне.

      Нужно ли вам использовать ML, predictions, big data? В первую очередь ответьте на вопрос «зачем?». Если ответ содержит слово «деньги» — начинайте действовать.


      Виктор Крылов: короли дашбординга

      Виктор Крылов выделил несколько базовых принципов, соблюдение которых позволит построить действительно полезный дашборд.

      1. Заказчик. Самое важное, что всегда стоит держать в голове аналитику, — для кого он строит этот отчет. 80% аналитиков строят отчеты для себя, вместо того чтобы строить их для тех, кто эти отчеты просит. Не стесняйтесь задавать уточняющие вопросы, чтобы выяснить, чего именно хочет заказчик: необходимый уровень детализации, разовая это задача или регулярная, сколько людей будет пользоваться отчетом и т. д.
      2. Actionable. Старайтесь докопаться до сути вопроса, на который должен отвечать дашборд. После построения проверьте, решает ли дашборд поставленную задачу. Учитывайте, что практически всегда заказчику важна динамика изменения показателя, а не просто его текущее значение.
      3. Размерность: если на дашборде присутствуют несколько графиков по одной и той же метрике, старайтесь выводить оси в одной и той же размерности, минимуме и максимуме.

        Фокус:

        • В компоновке следуйте интересам заказчика. Представьте, что нужно в первую очередь, а что — во вторую.
        • Постарайтесь подсветить ключевые аспекты — heatmap, маркеры экстремумов.
        • Не допускайте слишком большого количества текста.
        • Старайтесь не использовать пивоты за исключением реальной необходимости.

        Не старайтесь ответить на много вопросов одним дашбордом.

      4. Контекст. Вам нужно сделать так, чтобы любой неподготовленный человек мог посмотреть на дашборд и понять основную идею.

        Для этого используйте подписи. Старайтесь подписывать метрики, оси и любые легенды так, чтобы дашборд как можно быстрее мог понять другой пользователь, живущий вне контекста показателей. Старайтесь минимизировать использование аббревиатур за исключением тех, значение которых наверняка знает более 80% пользователей отчета.

        Используйте вспомогательные блоки. Иногда стоит добавить абзац описания происходящего на дашборде или в отчете. Это может быть статичная инфографика или диаграмма.

      5. Детализация. Как правило, все дашборды можно поделить на две категории:

        При выборе отталкивайтесь от пожеланий заказчика — какую именно задачу ему нужно решить.

        Чек-лист хорошего дашборда:

        1. Отвечает на один или два ключевых вопроса за первую минуту пользования.
        2. После трех минут изучения не оставляет вопросов о выведенных данных.
        3. Позволяет быстро принять управленческое решение или определиться, какие именно отчеты потребуются для принятия решения.


      Мария Мансурова и Сергей Жданов: ML-based-атрибуция по шагам — кейс на данных Яндекс. Метрики

      Какие существуют базовые модели атрибуции?

      • Last click — источник из последнего перехода.
      • Last significant click — источник из последнего значимого перехода (без учета прямых заходов, внутренних переходов и переходов с сохраненных страниц).
      • First click — источник первого перехода пользователя на сайт.

      Почему их недостаточно? Как правило, осуществляя покупку, пользователь проходит некий путь взаимодействия с компанией через различные каналы. Если рассматривать влияние рекламы на цепочки касаний в интернет-магазинах, статистика следующая:

      Справедливо ли зачесть ценность всей конверсии лишь одному каналу (последнему или первому)? Очевидно, что нет.

      Чтобы определить наиболее корректно работающую модель атрибуции, Мария Мансурова и Сергей Жданов протестировали дополнительные модели. Они построили множество моделей атрибуции и оценили реальный вклад рекламы с помощью A/B- теста, проведенного в Яндекс. Аудиториях. Также, помимо стандартных моделей атрибуции, они проверили и феномологические модели:

      Последней тестируемой моделью был ML-based-подход (с точки зрения предсказательной силы). Как происходил эксперимент:

      1. На основе предсказания числа визитов до и после визита был найден вес источников.
      2. Далее эффект источников был атрибуцирован пропорционально весу.

      Результаты теста специалисты сравнили с результатами разных моделей. Итог по Яндекс. Директу:

      Вклад других источников в конверсию в зависимости от модели атрибуции:

      Выводы: по рекламным каналам есть недооценка 15–25 % относительно модели ласт-клик.

      Если агрегировать вместе все эти результаты, можно делать поправки в сторону той окупаемости, которую вы считаете по ласт-клику или ласт-сигнификанту, и на основе этих поправок сравнивать эффективность разных источников и принимать какие-то решения по перераспределению денег внутри медиасплита.

      Чтобы получить такой расчет по ML-based атрибуции, нужно:

      • включить электронную коммерцию или создать цели в Метрике;
      • иметь от 2000 заказов/достижений цели в месяц и не менее 30% трафика с рекламы на протяжении последних 4 месяцев;
      • обратиться к своему менеджеру в Яндексе.

      Учитывая масштабность мероприятия, выделить наиболее интересные выступления было сложно, но мы старались. Не расстраивайтесь, если пропустили конференцию в этом году. Алексей Никушин рассказал нам по секрету, что на Матемаркетинге-2020 будет еще больше крутых спикеров и полезных докладов. 🔥

      Подписывайтесь на официальную страницу в FB и следите за анонсами.👌



      Оцените статью
      Поделитесь с друзьями

Читайте еще по этой теме

Наши инсайты с AdIndex City Conference 2019

Наши инсайты с AdIndex City Conference 2019

Время чтения: 10 минут
Содержание: