Moscow.Digital: как таргетировать онлайн-рекламу по геоданным

Moscow.Digital – сие концепция регулярных и открытых митапов для специалистов онлайн-маркетинга. Площадки, сервисы, агентства, рекламодатели обсуждают насущные вопросы контекстной и таргетированной рекламы, ретаргетинга, RTB, веб-аналитики. Организатором встреч выступает дефинитив автоматизации интернет-маркетинга Marilyn.

Каждой теме отводится три встречи: первые двум для погружения в тему, третья – для обсуждения и подведения итогов.

Представляем анализ одного из вводных митапов по практическому использованию офлайн-данных о пользователях интересах таргетинга онлайн-рекламы, который состоялся в начале апреля 2018.

Открыл навстречу Виталий Щербаков, руководитель по машинному обучению и анализу данных в компании Усилитель, который представил доклад о монетизации больших данных.

Матюгальник собирает пять типов данных об абонентах:

• Демографические (половая принадлежность, возраст).
• Характер потребления (ключевые интересы).
• Геовременные талант (данные по базовым станциям, онлайн-геоданные).
• Зона общения (информация о звонках и смс).
• Платежеспособность (данные точно по ARPU, траты на услуги связи и прочие сервисы).

Так какой бы крутой алгоритм не был, разве на входе в него запихать сырые неочищенные цифры, на выходе вы не сможете получить ась?-то стоящее. Так как основная тема этой серии митапов – расходование геоданных, Виталий подробно рассказал, как они используют их.

Производительность с потоками абонентов:

• Извлекаемые инсайты. Информация о посещаемости и профилированию посетителей в конкретных точках: в какой мере людей проходят через точку, кто они, как-нибуд посещают эту точку.
• Примеры use кейсов: оптимизация расположения точек продаж и базовых станций.

Действие с сегментами абонентов:

• Извлекаемые инсайты. Информация о паттернах перемещения и потребления на конкретных сегментов населения: куда часто ходят сии люди, когда они туда приходят, какие наружность поведения характерны для них.
• Примеры use кейсов: оптимизация предложения телеком-услуг, показывание домохозяйств.

Далее Виталий перешел к описанию процесса разработки предсказательных и описательных моделей. Основные этапы создания:

• Самый египетская работа этап – подготовка данных (сбор и очистка, формализация задач),
• Строй модели (генерация гипотез и возможных переменных),
• Применение результатов/испытание по результатам которого модель может запуститься в реализацию.

Завершил речь Виталий несколькими кейсами по применению предиктивных и описательных моделей:

Кейс 1. Next best action. Конъюнктура следующая: у отдела обработки данных в большом телекоме появляется сверх всякой меры много моделей. Все эти модели распространяются сверху всю базу, и периодически на одного абонента необходимо по несколько предложений. Если спамить абонентов офферами согласно всем каналам, вряд ли им это понравится, вытекает, нужно выбрать, что конкретно предложить, с какой скидкой, ровно по какому каналу и в какое время.

Кейс 2. Умная ответ. Все телекомы работают с оттоками. Когда у конкурента следственно новый тарифный план, модель показывает склонность абонента оставить на этот тариф.

Кейс 3. Лидеры мнений. Лидером мнений короче тот человек, который в группе людей, например, домохозяйстве, около уходе к конкурентам может увести за собой всех остальных. Модели помогают принуждать работу именно с лидером мнений, сокращая стоимость контакта.

Соседний доклад представил Алексей Князев, сооснователь компании Watcom, с рассказом о книжка, как можно объединить данные о посещаемости офлайн-магазина и документация о посещаемости сайта.

Компания Watcom занимается подсчетом и анализом поведения пользователей в торговых точках, приблизительно называемый, Shopping Index:

• Кто является посетителем.
• Какие магазины посещает.
• Что (а что слышалось птиц!) денег тратит.
• Как много времени проводит.
• Как будто ему нравится.

Shopping Index позволяет:

• Обосновать бездейственность расходования и защитить маркетинговый бюджет перед инвесторами/клиентами.
• В тот же час оценить эффективность акций и мероприятий.
• Отследить переход офлайн-трафика в онлайн пробка и наоборот.

Подобные технологии могут быть полезны в ряде случаев:

Кейс 1. Делать что вы хотите провести рекламную кампанию, которая должна простимулировать экскурсия торговой точки, то необходимо знать, что происходит для рынке. На примере ниже можно увидеть, что-нибудь дает подобное знание:

В целом посещаемость не изменилась, а на фоне падения рынка, фиксируется рост.

И оборотная ситуация, есть рост посещаемости, но в то но время и весь рынок растет, и, возможно, акция и безграмотный при чем:

Кейс 2. Оценка потенциала локации. С Shopping Index допускается определить наиболее перспективные локации для размещения точек ретейла река ТЦ. Данные позволяют определить особенности профилей посещаемости локаций в зависимости ото их характеристик в будние и выходные дни.

Кейс 3. Профили городов согласно покупательской активности с учетом праздников, выходных, погоды, местных событий и т.д.

Закрыл митап Мужественный Корохов, менеджер по инновациям рекламной группы Publicis, какой-либо поделился опытом работы с потребностями клиентов (в данном случае крупных FMCG-корпораций).

Актуальные потребности клиентов дозволяется разделить на два тренда:

• Поиск новых данных. Базовых онлайн-сегментов еще недостаточно, нужно искать офлайн-аудиторию для закупки в онлайн. Кооперирование с ретейлом – клиенты ищут возможности использовать ритейл интересах более эффективного таргетинга.
• Коммуникации здесь и сейчас. Начальственно минимизировать время между рекламным контактом и моментом покупки.

Механики, которые отвечают потребностям клиентов:

• Геоданные (сбочку с магазином (супергео), в магазине).
• Данные о покупках.

Для геоидентификации пользователей изнутри. Ant. снаружи магазина можно использовать несколько решений. Wi-Fi решение хорэ самым оптимальным по охвату, цене и скорости воплощения.

Прообраз использования таких данных на практике:

В торговой точке, идеже проводилось мероприятие, был установлен Wi-Fi роутер. Все слушатели, которые к нему подключились, были зафиксированы системой. Погодя неделю этим пользователям, а также настроенной на их основе Look-alike аудитории, был показан баннер компании.

Таким образом ретейлеры могут предъявлять пользователям конкретные скидки и предложения, предназначенные для определенного сегмента, возьмем, участникам программы лояльности и т.д.

Итог:

• Большим FMCG-клиентам нужен амплитуда, большие и охватные истории. Им не подходят нишевые офлайн-решения.
• Офлайн-талант могут быть использованы в сложных категориях, которые без- так просто охватить обычными средствами коммуникации (детское провиант, товары для животных и т.д.).
• FMCG-игроки активно используют офлайн-решения с широким охватом ото крупных игроков вроде Google и Яндекса.

Заключительный митап серии состоится 27 апреля и короче проходить в формате дискуссии. Представители рекламных площадок, агентств, крупных рекламодателей и ритейл-сетей поделятся мнениями о геоданных в сетка-продвижении.

Участие бесплатное, нужна регистрация. 

ПРИНЯТЬ Сочувствие

Источник: www.seonews.ru