Что такое психосегментация в маркетинге и чем она лучше обычного Look-alike

5 Марта 2020
Время чтения: 10 минут
logo

Как работает Look-alike Facebook? Алгоритм анализирует данные людей, совершивших целевое действие, и ищет похожих. Однако у LaL есть свои недостатки. Что это за ограничения и как привлечь еще более качественную аудиторию с помощью психопрофилирования, нам рассказал Александр Одайник, СMO сервиса Humanteq.ai в России.

Александр Одайник

— Александр, расскажите, в чем суть психосегментации. Что это, как работает, чем отличается от всем известного LaL на FB и почему только LaL может быть недостаточно?

Проблема LaL на FB заключается в том, что это всегда ограниченная аудитория, так как формируется по ограниченным и зачастую очень узким критериям. Например, мы хотим привлечь наиболее платящих пользователей, а это значит, что будем выбирать из своих клиентов самых платящих и лояльных и потом на их основе строить Look-alike.

Условно у нас есть 10к пользователей, которых мы считаем наиболее ценными клиентами, и тогда LaL будет составлять, например, 1 млн пользователей (в лучшем случае). Чтобы показать всей этой аудитории рекламу своего продукта, нам потребуется несколько дней или даже недель.

Что происходит дальше, когда мы уже всех охватили? Мы зачастую наблюдаем рост CPM (Cost per Mile) и, соответственно, стоимости каждого нового привлеченного пользователя с рекламы. Растет Frequency, иногда падает качество самого рекламного послания из-за снижения релевантности объявления аудитории.

Выходов несколько. Первый — пересобрать аудиторию для LaL и запустить новую кампанию на обновленную аудиторию. У этого подхода есть значительный минус: новая лояльная аудитория накапливается не так быстро, как выгорает старый LaL, и эффективность такой кампании будет ниже первой.

Второй подход — дать отдохнуть этому LaL и запускать кампании на другие оптимизации, например на интересы, или выбрать другой критерий построения LaL. Например, показывать рекламу не самым платящим, а самым активным пользователям. Однако такой подход усложняет долгосрочное маркетинговое планирование, поскольку скорость выгорания LaL контролировать сложно и неизвестно, какой из альтернативных способов привлечения сработает хорошо, а какой нет.

Психосегментация позволяет решать эти проблемы за счет того, что мы анализируем не поведение напрямую, а именно людей: их склонности, мотивы, черты личности. Эти характеристики константны для человека, они не меняются значительным образом на протяжении жизни, не зависят от пола, возраста, вероисповедания, расы и т. п.

Откуда мы берем данные о психотипах? У нас есть свой майнер (Digital Freud) — приложение в Google Play, где пользователи проходят стандартные психологические тесты: IQ, OCEAN и т. п. Далее мы собираем из этой выборки технические данные девайсов (например, какие установлены приложения, как люди ими пользуются, какова сила нажатия на экран и т. п.) и сравниваем с психологическими профилями. Затем экстраполируем полученную информацию на технические данные пользователей.

Когда мы получили психосегменты по данным клиента, можем вычислить, какой именно психосегмент с большей вероятностью выполняет целевое действие, например покупку. Дальше выгружаем этих пользователей в виде Custom audience в Facebook Business manager и строим LaL.

Если вернуться к истории с привлечением самых платящих пользователей, то за счет психосегментации можем определить, какой набор психологических особенностей обеспечивает бо́льшую вероятность того, что человек совершит покупку или станет китом, то есть самым платящим пользователем. Для этого мы анализируем всю аудиторию бренда/продукта и смотрим, кто из пользователей уже заплатил, кто нет, а потом выделяем психосегмент, наиболее склонный к совершению целевого действия (покупки или любого другого).

Далее, например, мы обнаружили, что самая платящая аудитория — экстраверты. И теперь, когда будем создавать аудиторию для LaL, можем выбрать не всех платящих, а всех экстравертов, которых значительно больше, чем платящих, качество такой аудитории будет выше, чем качество всей аудитории (broad audience).

За счет большего охвата мы снижаем стоимость привлечения аудитории, а за счет того, что эта аудитория наиболее склонна к совершению платежа, сохраняем качество кампании.

— Каких результатов позволяет добиться психосегментация? Можете привести пример?

Первые наши кейсы уже показали, что за счет такого подхода можно добиться снижения CPM, CPС, CPI, CPA до 35 % и при этом сохранить или увеличить LTV и Retention внутри продукта.

Например, совместно с Beresnev Games мы показали, что можно снизить CPI для русской аудитории до 40 %, а для глобальной аудитории (в частности, в США) в среднем на 10–15 %.

Мы интегрировали наш SDK в игру Flippy Knife. Выбрали целевое действие — определенное количество просмотренных рекламных роликов за игровую сессию (ad whale). Задачи: снизить CPI и повысить Ad Revenue per User.

Наши алгоритмы проанализировали аудиторию этой игры и определили психосегменты, склонные к совершению целевого действия.

Оказалось, что четыре психологические характеристики и их сочетания повышают вероятность целевого действия на 30–50 %. Эти характеристики — ценности стимуляции и гедонизма, эмоциональная стабильность и интеллект. Были выбраны два психосегмента пользователей, которые чаще других смотрят рекламу в игре.

  1. Пользователи, которые стремятся к получению удовольствий (ценность «гедонизм», согласно модели ценностей и мотивации Шварца).
  2. Люди со слабовыраженной ценностью яркой и насыщенной жизни, полной впечатлений (ценность «стимуляции», согласно той же модели).

Затем мы выгрузили эти два психосегмента и аудиторию людей, которые совершили целевое действие, в рекламный кабинет Facebook. Потенциальный охват у всех аудиторий получился одинаковым — по 170 тысяч пользователей (российская аудитория). Далее мы запустили рекламу на все три аудитории, остальные настройки при этом оставались без изменений. Результаты:

Результаты

Сейчас мы готовим новые кейсы с проверкой технологии на других проектах (также на Facebook LaL). Более того, мы попробовали использовать психосегментацию в Google Ads на UAC (universal app campaigns). Кейсы выйдут в течение месяца, хотя уже сейчас можно говорить, что результаты не только воспроизводимы, но и в некоторых сегментах оказались даже лучше, чем мы ожидали.

— Помимо увеличения эффективности Facebook LaL, как еще можно использовать психосегментацию?

Например, в продуктовой аналитике для оценки и интерпретации «отвалов», подготовки персонализированных акций и т. п. Также можно использовать для собственного Machine Learning — для снижения размерности данных.

Зачастую в машинном обучении задействовано для предсказания очень много данных (features), и их размерность (градации внутри каждой фичи или количество фичей) может снижать результаты предсказания. Если удается объединять разные фичи в одну метрику, можно достичь повышения качества предсказания. Данные по психосегментам — это естественное снижение размерности данных о пользователях, т. к. они изначально разбиты на градации по каждому свойству (например, высокий или низкий интеллект), что позволяет снижать количество поведенческих, или «слабых», фичей и заменять их психологическими характеристиками.

— Как построить психосегментацию с нуля? Какие данные нужны, сколько времени займет тестирование, какие неочевидные моменты важно учитывать?

Для построения психосегментации необходимо установить наш SDK в приложение (если говорить про мобильный рынок) или интегрироваться с вашей CRM или группой в соцсетях. Лучше всего на данный момент у нас развито именно мобильное направление, поэтому расскажу на его примере.

Итак, вы интегрируете наш SDK в Adnroid-приложение, а также размечаете целевые действия, например покупки, или вход в приложение, или любое другое действие, которое ценно для вас. Сразу после интеграции мы начинаем собирать данные и накапливать их для сегментации именно вашего приложения. Тут важно заметить, что поиск целевого сегмента мы делаем именно на данных клиента, так как никакой универсальной модели для разных бизнесов не существует. Для более-менее точного определения целевого сегмента нам нужно собрать около 300 людей, которые совершили целевое действие.

Далее мы определяем, кто эти люди и чем они отличаются от остальной аудитории приложения, и создаем сегмент. Его можно сразу загрузить в Facebook, создать там LaL и запустить тест. Например, сравнить LaL на платящих с LaL на наш психосегмент.

Из неочевидных моментов стоит отметить, что возможны варианты, когда этот подход может не сработать. Например, когда ваша задача — привлечь максимальное количество пользователей. LaL, как и любой таргетинг, — это ограничение для Facebook, которое всегда ведет к снижению охвата и повышению стоимости закупки. А если у вас цель — максимально быстро набрать аудиторию, вне зависимости от ее качества, то лучше не использовать никаких ограничений в кампаниях.



Таким образом, за счет PsychoLaL можно:

  • значительно снизить затраты на привлечение аудитории;
  • повысить ROAS;
  • улучшить качество привлекаемой аудитории (конверсия, ARPU, LTV);
  • оценивать «отвалы», создавать персонализированные акции и т. п.;
  • снижать размерность данных для собственных проектов Machine Learning.

Психосегментация позволяет компаниям не только экономить маркетинговый бюджет, но и привлекать более качественную аудиторию, а значит, работать на перспективу. Люди, которые внутренне предрасположены интересоваться продуктом, с большей вероятностью купят его и будут дольше им пользоваться, то есть станут постоянными клиентами. Таким образом и формируются Brand Loyalty (лояльность к бренду) и Brand Affinity (близость бренда), так необходимые сегодня для развития любого бизнеса.



(18)
4.5/5
Оцените статью
Поделитесь с друзьями
Вы эксперт в
интернет-маркетинге?

Опубликуйте материал в нашем блоге

Содержание:
Будем на связи!