Как управлять эффективностью омниканальных кампаний

[0:00] Speaker B: Коллеги, всем привет! Надеюсь, что меня слышно, потому что я никого не вижу. Мы рады приветствовать вас на нашем вебинаре про измерение и управление эффективностью в омниканальном мире. Пока мы еще ждем, когда к нам дойдут все желающие посетить наш вебинар, я расскажу, как вообще возникла идея осветить эту тему. В конце октября наша команда Марте Хакам выпустила большой трендбук, которым мы вдохновились. Те из вас, кто успел этот трендбук изучить, мог вспомнить, что первой главой шел разговор о том, что у SEMUR и в целом у маркетинга есть большая боль с оценкой эффективности маркетинговых компаний. И мы понимаем, что тема оценки эффективности стоит достаточно давно и достаточно острая. И единого решения тут не существует, поэтому мы решили провести этот вебинар и рассказать о том, какой у нас есть опыт в решении подобных задач и какой опыт есть у наших партнеров. Буквально пару слов про «нас». Что мы такие? Мы группа компания «АКОМ». Одна из крупнейших рекламных групп на российском рынке. У нас большое количество разнообразных юнитов. Это рейд-маркетинг, устойчивое развитие, и мартех, и консалтинг, и креатив, и e-com. медиа и коммуникации.

[1:19] Speaker B: И мы приносим всем этим пользу нашим дорогим клиентам. Сегодня с вами агентство УМ. В ДНК нашего агентства как раз лежит оценка измеримость, эффективность рекламных усилий наших клиентов. Если вдруг вы еще не подписаны на наш телеграм-канал Акам Инсайт, у вас есть шанс это исправить. Мы туда обязательно скидываем все полезное, и эту презентацию тоже туда обязательно направим. И я позволю себе представить наших спикеров и о чем они сегодня поговорят. Вика Горина расскажет про эконометрику. Дален Майнарман расскажет про амниканальную атрибуцию. Валя Кортыкина про робоаналитику. Саша Горбачев про платформу ОМСК. Наши партнеры тоже подготовили интересное выступление. Рустам Салхудинов расскажет про настоящую персонализацию, как искусственный интеллект подружился с АБ-тестированием. А Степеренко Фарума расскажет про нейроисследования. И я готова передавать слово… Вики Жойты, которая расскажет, о чем же эконометрика может быть полезна для наших клиентов.

[2:27] Speaker I: Всем привет! Я подозреваю, что многие из вас обладают экономическим образованием. И если это так, то наверняка вы все проходили курсы эконометрики в университете. Я даже почти на 100% уверена, что мало кто ее любил в институте, потому что этот предмет казался сложным, непонятным, полным формул и неприкладным. Но сегодня на кейсах я хотела бы показать, что эконометрика – это весьма полезный инструмент, и что именно он может принести вашему бизнесу. Для начала пару слов о том, кто мы и о нашей экспертизе. Эконометрикой мы занимаемся уже очень давно, уже более 10 лет, и у нас накопилось более тысячи проектов с клиентами из самых разнообразных индустрий. Мы строили эконометрику и для интернет-сервисов, и для FMCG, для фармы. для строительства, для банков. В общем, индустриальных ограничений для эконометрики и для нашей экспертизы не существует. Хотела бы сначала рассказать по-простому, что такое эконометрика. Если говорить в двух словах, то эконометрика – это научный, универсальный и опробированный способ оценить влияние факторов, которые влияют на ваш бизнес и, в первую очередь, ваших маркетинговых активностей.

[3:42] Speaker I: Для этого строится эконометрическая модель, которая как раз-таки основана на математике и статистике, на всех этих научных методах, что обычно моделирует бизнес. Обычно самые частые модели мы строим по продажам в рублях, по рублевой выручке. Также можно оценивать часто продажи в чеках. Трафик в каменный магазин тоже довольно часто строится. И пореже строим модели на трафик онлайн, либо на БХТ, либо на запросы в Wordstat. А для чего строится эконометрическая модель? Для того, чтобы в первую очередь определить, насколько эффективно работает реклама, каким ROI она обладает, и уже на основании вот этих знаний давать практические рекомендации по оптимизации медиамикса. А вообще у эконометрики есть глобально две функции. Аналитическая, то есть понять, что было, и практическая, прогнозная, извините, понять, что будет, если. И вот с точки зрения аналитической функции эконометрическая модель позволяет отвечать на такие вопросы, как, например, сколько денег принесло в прошлом году нам национальное ТВ, а реклама в перформанс сколько денег принесла.

[4:55] Speaker I: Когда мы знаем, сколько денег нам принесла реклама в том или ином медийном канале, и знаем, сколько денег мы на это потратили, мы, конечно, можем рассчитать ROI. И уже зная исторические закономерности, как работает тот или иной медийный канал, мы можем построить кривые отклика, которые позволяют прогнозировать, сколько денег мы получим, инвестировав определенный бюджет в тот или иной медийный канал, а также понимать, где происходит насыщение этого канала, и дальнейшие инвестиции в этот канал уже не рентабельны. Естественно, когда мы знаем, как работали все факторы до исторической перспективы, мы можем строить прогноз своего KPI по самым разнообразным сценариям. И тут тогда мы отвечаем на вопросы, как, например, вот мне нужно прирасти в продажах на 5% год к году, что нужно сделать для этого и в какие медиа инвестировать. Или, например, что будет, если мы вообще все деньги из медиа заберем и переложим их в трейд-маркетинг, например. Или вообще с другой стороны, у меня есть определенный бюджет на медиакомпанию, например, 20 миллионов рублей. Каким образом мне распределить эти 20 миллионов рублей по каналам, чтобы получить максимальный отклик с продажа?

[6:16] Speaker I: И теперь, когда мы определились с ценностью эконометрической модели, давайте посмотрим на модель в самом общем виде. Вообще эконометрическая модель всегда многофакторна, и она учитывает собственную рекламную активность, влияние конкурентов, различные календарные факторы из разряда сезонности рынка, праздничных дней, макроэкономику, если она действительно аффектит бизнес, тоже учитывает модель. Различные маркетинговые факторы, собственные, будь то цены, либо промо, скидки, ну и другие макроэкономические факторы, если они действительно актуальны для бизнеса, из-за разряда курса валют, тоже могут быть включены в модель. В разрезе собственной рекламной активности мы учитываем здесь оффлайн-медиа, онлайн-медиа. Также, если в бизнесе имеет место эффект каннибализации, либо холло-эффект, то он также в рамках эконометрической модели может быть оценен. В общем, видите, эконометрическая модель выглядит как уравнение, состоящее из нескольких слагаемых. Конечно же, у любого бизнеса есть базовый уровень KPI, например, продажи или выручки, который гарантирован этому бизнесу, даже если не будут предприняты никакие усилия.

[7:36] Speaker I: Эта базовая часть достигается за счет накопленного знания о бренде, либо за счет уже существующей инфраструктуры в виде магазинов или интернет-сайтов, и она достаточно стабильна. На базовую вариацию уже накладывается влияние других факторов, будь то рост бизнеса вследствие открытия новых магазинов, либо роста охвата населения, либо, вернее, дополнительно еще, конечно же, в KPI привносятся Некоторая часть обеспечена рекламной активностью, и вот эта вот часть, кипяя за счет рекламы, является как раз-таки основным фокусом в нашем исследовании. И у каждого бизнеса есть своя специфика, какие-то свои конкретные факторы, влияющие на него, и они тоже включаются в модель эконометрическую. Поскольку модель — это модель абстракции реального мира, у нее есть ошибка, и она тоже является слагаемым вот этого уравнения. Задача эконометрики как науки подобрать этим слагаемым такие коэффициенты, чтобы минимизировать ошибку модели, во-первых, а во-вторых, чтобы приблизить прогнозное значение TPI Факту. То есть максимально точно описать продажи в каждый момент времени. Момент времени – это либо день, либо неделя. В каждую неделю, чтобы это уравнение было максимально точно.

[9:04] Speaker I: И поскольку модель многофакторна, она даёт более точное понимание, как влияют те или иные факторы по сравнению с тем, если бы мы считали прирост вот этих uplift напрямую. При этом эконометрика учитывает, как именно работают медиа, учитывает отложенный эффект. Что это значит? Мы понимаем, что когда идет рекламная кампания, ее влияние растет с ростом охвата населения. И чем оно больше, тем больше эффект оказывает эта реклама на наш KPI. И когда рекламная кампания заканчивается, она не сразу прекращает своё действие, потому что у людей есть память, они накопили знания, и какое-то время это знание ещё живёт в их головах. И вот этот эффект длительный называется отложенным эффектом. Как раз-таки математика в наших эконометрических моделях уже учитывает вот этот долгосрочный эффект, вот эту концепцию отложенного эффекта. И это позволяет нам говорить о об полном эффекте рекламы не только в момент ее выхода, но и об отложенном ее эффекте. Кроме плюсов, которые мы с вами уже проговорили, у эконометрики есть свои ограничения. Я тоже хотела бы о них сказать. Во-первых, эконометрика смотрит на эффективность канала в целом.

[10:28] Speaker I: То есть достаточно сложно выделить влияние конкретных, например, ТВ-каналов и сказать, реклама на первом канале или реклама на ТНТ эффективнее работает. Также сложно сказать про время размещения. В субботу в час лучше работает реклама, больше денег приносит, или в пятницу в 9 часов вечера. И у эконометрики не получится спуститься на уровень конкретного пользователя, который совершил конверсию, и сказать, кто больше денег приносит, женщины до 40 или после 40 лет. Но самое большое ограничение, оно заключается в данных. Эконометрике для всего этого построения всех этих моделей нужны данные, по дневной либо понедельной грануляции минимум за три года. И желательно, чтобы за вот этот период, три или больше лет, не было изменения методологии учёта этих данных. Ну а если всё-таки она была, то желательно иметь возможность пересчёта, то есть введения поправочных коэффициентов. Теперь, когда мы с вами в теории кратко прошли, что такое эконометрика, давайте поговорим Посмотрим немножко практики на кейсы наших клиентов. И начнем со 100 лото. Это кейс оптимизации компании новогоднего миллиарда. Новогодний миллиард – это главная лотерея 100 лото.

[11:44] Speaker I: Она продается с октября месяца по Новый год, то есть 4 месяца. И несмотря на то, что формальные данные по 3 годам у Stulato были, то есть компания предоставила за 3 года эти данные, но сама специфика продаж с октября по Новый год очень сильно нас ограничивала. И точек для оценки модели было достаточно мало. Вот в таких случаях мы переходим на дневную грануляцию данных и строим модель по дням, что и было реализовано в данном кейсе. В общем, перед нами стояла задача предложить такой сценарий, при котором Столато продаст билеты на эту лотерею на 2 миллиарда рублей. И на момент обращения у Столато уже работала реклама во многих медийных каналах. включающих в себя надстовые, диджитал медиа, перформанс был тогда, наружная реклама и даже радио. Анализ всех этих медиа, а также продуктовых фичей, позволил нам построить модель продаж, предсказывающих продажи с точностью более 90%, предложить оптимальный медиа-микс и, В итоге план продаж был выполнен и даже перевыполнен. Продали билетов не на 2 миллиарда рублей, а на 3, что приятно. Еще один кейс покажу, он связан с Хоффом, с ритейлером мебели.

[13:10] Speaker I: И тут в этом кейсе клиент обратился к нам спустя всего лишь несколько месяцев после ухода главного конкурента IKEA и вообще кардинальной смены рыночного ландшафта. И вот В условиях нового рынка нам предстояло определить вклад медийных переменных, изолируя при этом вот эти все макроэкономические шоки, и предложить оптимальный медиамикс. Для клиента была построена модель продаж. Мы в итоге смогли оценить влияние медийных каналов, которые были на тот момент у клиента, а это РЕК-ТВ, наружная реклама. Performance, Digital Media, CRM Marketing. Все эти каналы привлечения новых клиентов, они были оценены и предложен оптимальный сплит. Изюминкой проекта стало то, что мы дополнительно определили границы оптимальности для NPS, индекса клиентской лояльности, чтобы клиент как раз-таки выдерживал эти границы для максимального влияния на собственные продажи. Еще один ритейловый клиент «Детский мир» обратился к нам также на момент, когда сменил стратегию размещения на «Надз ТВ». До этого у клиента присутствовало размещение на стопроцентное спонсорство, и после смены стратегии «Детский мир» Детский мир перешел на прямой НАЦ-ТВ.

[14:31] Speaker I: Нам предстояло тоже оценить эффективность новой стратегии по сравнению со старой, с прежней, а также оценить влияние всех остальных факторов, влияющих на бизнес и широкий пул медийных каналов, чтобы предложить оптимальный медиамикс. Что и было сделано. Мы построили две модели для розничного и онлайн канала, и ТВ разделили в процессе моделирования на прежнюю стратегию, на новую стратегию, попутно делили это все еще на категории, в которых рекламировался товар, и оценивали дополнительно еще перформанс, диджитал медиа и остальные факторы, влияющие на бизнес. В итоге мы доказали эффективность размещения на прямом на СТВ и предложили оптимальный медиамикс для детского мира. При этом, как и для всех наших клиентов, мы построили калькулятор, который позволяет клиенту уже в дружественном интерфейсе задавать медийный план, стоимость размещения, желаемое количество активных периодов для того, чтобы прогнозировать свой KPI. И бывает, что к пенометрике вопрос ставится с другой стороны. Например, как мне нарастить продажи при ограниченном, вообще не растущем медиабюджете? Вот как раз такой кейс один из представлен сейчас на слайде.

[15:49] Speaker I: Это кейс одного селлера техники, и для него были как раз-таки построены модели онлайн и оффлайн выручки. И С помощью анализа исторической эффективности работы медиа мы построили кривые отклика, которые подсветили, что некоторые медиа были уже насыщены, уже была достигнута точка оптимальности, и дальнейшие инвестиции в нее были нерентабельны. В таких случаях мы рекомендуем релацировать инвестиции из таких уже насыщенных каналов в другие каналы. Таким образом, мы выстраиваем архитектуру оптимального медиамикса. В данном кейсе все медиа были проанализированы, и как раз-таки с учетом отдачи и эффективности было предложено релаксировать ресурсы из определенных каналов в другие, имеющие максимальную отдачу. Вот этот оптимальный медиамикс, который был предложен, в итоге был реализован, и это позволило клиенту при нерастущем бюджете увеличить отдачу от медиа на 10%. Кейсов может быть очень много, у нас их действительно очень много накопилось, но мы ограничены по времени. Поэтому предлагаю просто еще раз пройтись верхнеуровнево по выводам и повторить. Эконометрика – это научный способ оценки вклада факторов, которые влияют на ваш бизнес, и в первую очередь маркетинговых активностей.

[17:22] Speaker I: Эконометрика позволяет отвечать на такие вопросы, как сколько денег приносят те или иные медийные каналы, каким ROI они обладают, сколько денег в них инвестировать оптимально, а сколько нерентабельно, либо как вырастить продажи на определенный процент с помощью медиа, как увеличить KPI при нерастущем медиабюджете, и что будет вообще, если мы все деньги из медиа изымем и вырастим. реинвестируем в другие активности. Эконометрика позволяет прогнозировать ваш KPI по различным сценариям, и мы для этого готовим специальный калькулятор, который очень дружественен, понятен и позволяет как раз-таки выполнять эти сценарные планирования. Но для того, чтобы построить все это великолепие, эконометрике требуются данные. Их нужно за три года иметь. На этом я передаю слово моему коллеге Далену Майнерману, и он расскажет про умниканальную атрибуцию.

[18:25] Speaker D: Коллеги, всем привет. Итак, умниканальная атрибуция. Сейчас разберемся, что это, как это работает, почему, зачем используется.

[18:36] Speaker A: Если у меня будут переключаться слайды.

[18:41] Speaker D: Будут. Итак, давайте начнем сначала. Атрибуционные модели. Это математическая модель, по которой мы определяем, какой рекламный формат поспособствовал совершению конверсии. На графике мы видим две самые примитивные популярные модели First Touch и Last Touch, в которых конверсия присваивается или самому первому, или самому последнему каналу, с которым пользователь контактировал перед совершением конверсии. Многие из нас уже неоднократно сталкивались с атрибуционными моделями в отчетах Яндекс.Метрики, где есть соответствующая выбиралка, модель атрибуции, где мы можем выбрать первый переход, последний переход, и у них там еще есть последний переход из Яндекс.Директа и последний значимый переход. Сейчас дефолтная и самая популярная модель – это последний значимый переход. И, казалось бы, все хорошо и жизнь прекрасна. Эта модель считает незначимыми прямые заходы, переходы по сохраненным ссылкам и так далее. То есть кто угодно может зайти в Яндекс.Метрику, построить отчет и увидеть эффективность разных рекламных форматов. Но эта модель игнорирует все, что происходило до последнего значимого касания, ну и разумеется, все, что происходило в других медиа.

[19:54] Speaker D: Мы ведь сегодня про омниканальный мир говорим. Чтобы правильно оценить вклад каждого инструмента, мы не можем смотреть на какое-то одно звено в цепочке касаний с рекламой. Какого-то универсального номера или значимости касания не существует. Для правильной оценки нам нужно развернуть всю цепочку контактов и размазывать эффективность по каждому этому звену. Для этого нам приходится уже погружаться в сложную математику, которая описывала бы вклад каждого канала более достоверно. В нашем случае цепочки – это логи контактов с рекламой и с конверсиями. Все наши данные должны быть детализированы на уровне пользователя, и идентификаторы пользователя должны быть сквозными. Словная математика – это цепь Маркова. Фишка в том, что эффективность каждого звена цепочки оценивается на основе изменения вероятности совершения конверсии без данного звена цепочки. Сейчас на предыдущем графике мы добавляем распределение конверсий по модели уже с цепями Маркова, и видим, что разница очень существенная. Например, каналы 4 и 5 были очень сильно переоценены моделями First, Last, Touch. Каналы 10, 9, 15, 16 и так далее наоборот. Итак, решили провести такое исследование. Как это происходит?

[21:21] Speaker D: Запускаем рекламную кампанию. Аудитория контактирует с рекламой, совершает конверсии. Данные и об одном, и обо втором поступают в нашу платформу. Мы строим цепочки, атрибуционные модели, используем полученные выводы для оптимизации размещения. Можно запускать такие проекты и с одним медиа. Мы регулярно проводим такие исследования, где участвует только ТВ. Мы можем подключить и Digital Media, и Digital Performance. Все-таки омниканальный мир ведь. Примерно так будут выглядеть собранные данные. У нас есть обезличенные идентификаторы наших респондентов. Мы знаем, кто из них, когда именно, какую именно рекламу посмотрел, проконтактировал и какую конверсию совершил. Из этих данных мы собираем цепочки на уровне каждого пользователя. Таких цепочек у нас получается довольно много. От нескольких тысяч до нескольких десятков миллионов цепочек. Самое главное, мы видим… Каждый контакт с каждым инструментом. А атрибуцию по моделям First Touch и Last Touch мы можем посчитать уже сейчас на нашей символической выборке в 5 цепочек методами пристального взгляда. Мы видим, что первые 4 цепочки начинаются с зеленого телека и последний со смартфона.

[22:40] Speaker D: Вот нам и вклады телека и смартфона по модели First Touch. Аналогично можно посчитать, что по модели Last Touch. У зеленого телека вклад одна конверсия, у ноутбука одна и у телефона три. Но ни то, ни другое не кажется правильным. First Touch полностью проигнорировала оранжевый ноутбук. Last Touch как будто бы недооценила телек, которого в этих цепочках больше всех. При этом приходится использовать цепи Маркова. Их уже ровным взглядом только посчитать. Все эти цепочки мы можем разделить на два типа. Одноканальные и многоканальные. Тут названия говорят сами за себя. На многоканальных мы сейчас уже убедились, что модели с каким-то номером касания работают не так достоверно. У одноканальных другой прикол. С ними работают все модели одинаково. Если у нас каждый контакт это один и тот же рекламный формат, вопрос, какой же формат привел эту конверсию, не возникает. Сейчас Вика рассказывала, что эконометрика оценивает эффективность медиа и эффективность медиа каналов. Тут нужно сделать акцент на том, что атрибуция и эконометрика – это вообще не взаимозаменяемые исследования, они отвечают на разные вопросы.

[23:57] Speaker D: И в то время как эконометрика оценивает все факторы, которые влияют на бизнес, атрибуция может оценить вклад только медиа, которые участвуют в рекламной кампании, данные о которых у нас удалось собрать. Но эффективность этого медиа атрибуция исследует самостоятельно. максимально глубоко. Опять же, данные у нас на уровне каждого пользователя и каждого контакта. По трудозатратам проекты похожи. И на то, и на другое уходит где-то 5-6 недель. Но очень сильно отличается процесс сбора данных. В эконометрике требуется серьезное вовлечение со стороны клиента для сбора данных о бизнесе, какие-то роботовые метрики. А данные для атрибуции мы получаем от подрядчиков, от платформы больших данных, например. Разумеется, ни у одного подрядчика не вводит данных о всем населении, о всей нашей генеральной совокупности. Чтобы результаты исследования были применимы к медиапланированию и к закупке, мы проецируем эти результаты вот тут, например, для телека на панель медиаскопа. Аналогичные корректировки мы вводим для всех медиа, которые участвуют в проекте. Еще один очень важный момент – это окно атрибуции. Физический смысл этого окна атрибуции – это запоминаемость и забываемость рекламы.

[25:11] Speaker D: Я вот не помню, какую рекламу я смотрел вчера. На этой выборке у нас в среднем 6 дней проходит от последнего касания до конверсии. Исходя из этого, мы выбираем окно атрибуции. Если, допустим, окно получилось 6, то контакт с рекламой, который произошел за 7 дней до конверсии, в нашу цепочку уже не включается. Мы собрали огромное количество данных, построили цепочки, спроектировали результаты на генеральную совокупность. Какие инсайты мы из этого можем достать? Во-первых, мы можем вычислить эффективную частоту. Видим, сколько в среднем контактов у нас происходит перед конверсией. В этом проекте вы видели, что 80% конверсии у нас происходит на 6 контактах. Это нам и эффективная частота. Что касается медиа, тут вообще интересно, потому что мы можем оперировать абсолютно всеми параметрами медиа, которые у нас известны с гранулярностью по выходам. Многие из нас уже сталкивались с базой данных Mediascope, видели, что там есть идентификатор выхода, и у этого выхода есть огромное количество атрибутов. Каждый из этих атрибутов мы можем использовать в моделировании.

[26:19] Speaker D: Например, можно вытащить ID ролика, посмотреть, выгрузить эти ролики, разметить их на 10 разных креативов, на 2 креативные рамки по 5 креативов каждый. По атрибуционной модели вычислить, сколько конверсий какой креатив принес. Мы знаем бюджеты размещения каждого выхода, то есть знаем, сколько оно стоило, сколько конверсии принесло, и можем посчитать CPA. Тут увидели, что топовыми каналами у нас являются, ой, креативами, креатив 1.4 и креатив 2.5, и всех удивил креатив 1.5 с CPA, которого аж на 314% выше среднего значения. Если объем данных позволяет, мы можем не ограничиваться одним параметром в одной модели и строить модель сразу и с креативом, и с позицией креатива в рекламном блоке. Как, например, здесь креатив 1.5 все еще в пролете. Тут мы увидели, что премиальное позиционирование в начале ролика работает гораздо лучше непремиального, несмотря на высокую стоимость. И работает эффективнее следующих позиций вне зависимости от ролика. Можем смоделировать и программинг. Тут мы увидели, что больше всего конверсий принесли телесериалы, но какой ценой? Самый высокий CPA.

[27:38] Speaker D: Разумеется, мы не имеем в виду, снимаем все бюджеты с телесериалов, и переносим это все на, допустим, другую познавательную передачу. Нам нужно учитывать и другие моменты для оптимизации линеек передач, там объемы сделки, пределы аудитории соответствующих каналов, на которых мы можем разместиться. Зная все это, мы можем оптимизировать нормальный микс программинга и увеличить эффективность. Разумеется, сами каналы мы тоже можем смоделировать и оценить. А если у нас есть информация о ценности конверсии, например, конверсия – это покупка определенного SKU по определенной цене, то можем вычислить и ROI. Тут у нас самый дорогой канал получился первый, самый дешевый получился мир. Разумеется, по аналогии с предыдущим слайдом, ни в коем случае не имеем в виду, перетаскиваем все бюджеты с первого на мир. Еще ведь нужно учитывать национальное и региональное размещение. В этом примере мы сравнивали размещение в Москве и сетевое вещание, увидели, что значимого… Различия в количестве конверсий нет, а разница в эффективности была обусловлена только ценой размещения. Тут рекомендовали клиенту размещаться в национальном вещании. Что же насчет времени размещения? Тут довольно насыщенный график.

[29:02] Speaker D: Сделаем небольшую паузу, осознаем, что здесь происходит. На оси Х у нас время суток с 7 утра до полуночи. на оси Y каналы, между ними пузыри. Чем пузырь больше, тем больше произошло конверсий. Чем он зеленее, тем дешевле эти конверсии были. Чем он краснее, тем дороже. То есть нам очень нравятся большие зеленые пузыри, и нам не нравятся маленькие красные. Вот, например, увидели, что ЕРК в 10 часов вообще хорошо. А вот первый канал в 9 утра не надо. В аналогичном формате мы можем оценить эффективности по дням недели и по времени. Тут мы увидели, что во вторник утром наша аудитория не очень хорошо воспринимает рекламу. Видимо, восстанавливается после тяжелого понедельника. А вот вечер среды или вечер субботы великолепно. Все отчеты, которые мы сейчас смотрели… Это такой комплект минимум, который мы делаем в каждом проекте, где у нас есть ТВ-атрибуция. Чем больше у нас данных, тем глубже мы проводим это исследование. Например, мы знаем о продукте, что у нас есть не только конверсии, у нас есть целая конверсионная воронка. И мы знаем, кто, когда, какое действие с этой конверсионной воронки совершил.

[30:15] Speaker D: В таком случае мы можем проанализировать, как разные инструменты влияют на разные этапы воронки. В другом проекте у нас был опыт с кластеризацией аудитории по интенсивности ТВ-потребления. Кто смотрит мало телека, в среднем и очень много. Тоже было интересно, как разные каналы и разные инструменты работают на разных людей. Ну и, разумеется, омниканальность. Такая методология позволяет нам на одной шкале сравнивать эффективность разных каналов в разных медиа, в разных инструментах. Давайте подводить итоги. Цепи Маркова давно не новость, давно зарекомендованный подход. По амниканальной атрибуции мы объединяем несколько медиа в этой единой методологии. Очень-очень важно качество данных и гранулярность на уровне пользователя со сквозным идентификатором. Данные будут некачественные, цепочки не построятся, выводы будут бесполезны. И атрибуция не умеет прогнозировать. Атрибуция – это про ретроспективу и про тактические рекомендации. Как видели раньше, мы можем смотреть наиболее эффективные каналы на ТВ, в диджитале, сравнивать медиа на единой шкале и оптимизировать все, что мы знаем про медиа, как мы убедились сейчас на примерах с данными из медиаскопа. На этом у меня все.

[31:36] Speaker D: Я передаю слово коллеге Вале Куртыкиной. Сейчас Валя расскажет про ропоаналитику. Спасибо.

[31:43] Speaker J: Коллеги, всем доброго дня. Переходим к пропоаналитике и затронем не только часть с поиском в онлайне и переходом в конверсию в оффлайн, а посмотрим шире, разберем обратное воздействие оффлайн-то онлайн и затронем вопрос о внеканальной оценке. Почему, собственно, возникает потребность такой аналитики? Все мы живем в омниканальном мире, где нас и других пользователей воздействуют рекламы в разных средах. Онлайн-каналы, диджитал-медиа, перформанс, РМА. И оффлайн, более традиционные медиа, такие как ТВ, радио, наружные рекламы. Далее может происходить взаимодействие с брендом, посещение сайта или поход в каменный магазин. Конечно, желаемым действием для бизнеса является конверсия, желательно в покупку, которая также может происходить в разных каналах. И закономерно у бизнеса возникает вопрос, как воздействовать на покупателя в разных каналах так, чтобы это воздействие это воздействие было наиболее эффективным. И на пути к ответу на этот вопрос могут возникать специфические задачи. Например, бизнесу хочется вырастить продажи в онлайн или оффлайн. Надо добиться понимания общего влияния какого-то медиа.

[33:09] Speaker J: Поэтому мы говорим, что смотрим несколько шире в данном рассказе, чем только research online, purchase offline. Хотя можем и спуститься только до этого вопроса. И чтобы ответить на все вопросы, касающиеся омниканального воздействия, нужны, конечно, данные. И вот так выглядела бы идеальная картина имеющихся данных, к которой хочется стремиться. То есть у нас есть информация о полном пути пользователя, его воздействия с рекламой в интернете, на офлайн-носителях, потом дальнейшее взаимодействие с брендом в различных срезах и финальная покупка. И здесь только остается посчитать, сколько тот или иной канал вносит в конечную конверсию. Но в реальности же у нас может быть доступна только часть информации о пути пользователя в процессе взаимодействия с рекламой или брендом. И чаще всего эта часть касается оффлайн-воздействия, потому что в онлайне, благодаря настроенным аналитик-системам, есть понимание, как онлайн-каналы воздействуют на пользователя. Но возможны различные комбинации, когда у нас… тот или иной канал все равно остается в слепой зоне. И для того, чтобы слепая зона стала более прозрачной и понятной, мы используем несколько подходов, которые есть на следующем слайде.

[34:54] Speaker J: И первый, мы развиваем CRM-систему. И здесь, благодаря развитию CRM-системы для авторизованных пользователей, мы можем построить как раз путь по всем каналам воздействия, в том числе… в том числе и по покупке оффлайн. И тут закономерно есть ограничения, это выборка. Есть данные только по авторизованным пользователям. Дален уже рассказал про неканальную атрибуцию. Это как раз второй подход, который мы используем в решении данной задачи. И данный инструмент также может ответить на вопросы взаимодействия пользователя в онлайне, оффлайне и затем покупки. Здесь в качестве целевого показателя в анализе стандартно, если не берем случай постановки дополнительных пикселей, рассматриваем заход на сайт и покупка. И здесь ограничением будет также стоять выборка. Она будет охватывать пользователей, которые пользуются услугами определенного подрядчика, у которого происходит закупка данных. Обычно в таких проектах мы работаем с этим ограничением по выборке и перевзвешиваем результаты, чтобы получить выводы на генеральную совокупность. И далее эконометрика тоже отвечает на этот же вопрос взаимодействия пользователя в онлайн-среде и дальнейшей конвертации в офлайн.

[36:26] Speaker J: И эконометрика не будет спускаться до конкретного пользователя, но при постановке определенных специфических задач и соответствующего ответа, например, мы строим модель на онлайн-продаже и тестируем там факторы офлайн, Либо наоборот, мы строим модель на оффлайн-продаже, и там же среди прочих факторов тестируем воздействие, допустим, OV рекламы, либо брендформанс, либо CRM взаимодействия. Мы таким образом охватываем в том числе и онлайн-воздействие на пользователя. И, как уже говорили, здесь нужны данные за три месяца. или больше трех лет в подробной детализации. И посмотрим теперь на кейсы. Здесь, на этом слайде, схематично изобразили ту информацию, которую обычно видим в платформе клиентских данных. И в данном кейсе за период с 2022 по 2023 год у клиента было 147 тысяч человек в активной базе. И они распределялись между теми пользователями, которые только зарегистрировались в данной системе, либо уже совершили после регистрации первую покупку в онлайн либо офлайн. В процессе взаимодействия мы видели, как они взаимодействуют с рекламой в интернете и с нашими активностями в CRM. Соответственно, оптимизировали это воздействие для того, чтобы добиться больше конверсий.

[38:04] Speaker J: И по итогам двух лет у нас активная база конвертировалась в покупки повторно в 25% случаев и конвертировалась как омниканально, так только онлайн либо оффлайн. В эту часть также можно забрать данные и на оффлайн-носителях. Этого можно добиться с помощью покупки дополнительных данных. данных телеком-операторов. Естественно, у нас тогда выборка ограничится только данными телеком-операторов, но зато по тем пользователям, которым у нас будет информация, в том числе о взаимодействии с ТВ, мы получим полный путь воздействия и можем оптимизироваться уже во всех средах. На следующем слайде мы смотрим… мы смотрим на сырые данные, которые как раз получаем на вход для амниканального атрибуционного моделирования. И так как у нас есть точки касания со всеми носителями, мы можем посмотреть, как соответствующие носители участвуют в цепочках. Итак, мы увидели, что ТВ, например, канал, Он не только воздействует один на большинство пользователей в одноканальных цепочках и самостоятельно доводит конверсии пользователей, но также он участвует в одноканальных цепочках, когда существует не только ТВ, но и Digital Performance,

[39:45] Speaker J: Либо Digital Media, и, соответственно, он прогревает тот спрос, который в дальнейшем обрабатывает и другие каналы. То есть мы увидели, что ТБ имеет значительный вклад в конверсию. Такие вещи мы как раз не можем посмотреть в кабинетах. Здесь в кабинетах аналитических систем мы обычно видим только Digital Perimeter. И в этом же кейсе, на следующем слайде, мы также посмотрели, как все каналы ранжируются с точки зрения ROI. То есть уже посчитав и применив марковские цепи, мы ранжировали все каналы на единую шкалу. И то, что мы увидели на сырых данных, что у нас прокрывает большинство конверсий цепочек, доводит их до… пользователей до конверсии, мы также подтвердили уже на расчетах, увидели, что в большинстве случаев, то есть ТВ, все каналы ТВ, они занимают первые 11 позиций, а вот перформанс, он уже находится дальше, например. То есть в расчетах подтвердили все выводы, которые мы видели на сырых данных. И эконометрика.

[41:01] Speaker J: Здесь тоже хочется сказать пару слов, что как раз в этом кейсе на онлайн-иртейлере мы смогли посмотреть эффекты всех медиа в разных средах, онлайн, оффлайн, потом сложить все эффекты и провести оптимизацию всего медиамикса с учетом всех знаний о отдельном эффекте на онлайн и оффлайн. И пару слов выводов, подводя итоги. В зависимости от задачи и наличия данных можно промерять как классический робоподход, так и смотреть на картину шире и мерить обниканальное воздействие рекламы на бизнес. Для ответов на эти вопросы подключаем данные как из CRM-систем, так и из внешних источников и анализируем воздействие с помощью разных инструментов, в том числе атрибуционное модулирование – В том числе в этом случае используем интервенционное моделирование или эконометрику. И передаю слово Саше, который расскажет про платформу UX.

[42:09] Speaker G: Спасибо, Ван. Коллеги, добрый день. Добрый день. Мы сегодня много говорим про аналитику, и платформа Умск – это тоже история про аналитику, которая помогает нам объединить разные блоки анализа в некую единую экосистему. И сейчас, собственно говоря, я расскажу о том, как у нас устроена эта платформа. База, она состоит из трех блоков. Это блок наблюдения, блок анализа и блок исполнения. Блок наблюдения — это… То, где мы смотрим на текущие бизнес-процессы, анализируем, как видит бизнес, собственно говоря, аудитория и смотрим на, анализируем данные. Дальше у нас есть блок продаж. собственно говоря, анализа, где мы собранные данные сводим в единый дашборд с понятным отслеживанием всех ключевых KPI, и дальше на этих данных строим аналитику. и делаем выводы. За выводы отвечает стратегическое планирование. Блок исполнения – это там, где мы используем полученные выводы из анализа для того, чтобы оптимизировать процессы. И это тоже происходит в трех направлениях. Оптимизация коммуникационной платформы, оптимизация маркетинговых инвестиций и оптимизация бизнес-процессов. Дальше я на уже конкретных кейсах покажу, как это все реализовано.

[43:53] Speaker G: Собственно говоря, один из примеров реализации платформы, она модульная, поэтому нам не обязательно задействовать все модули, это оцифровка воронки от источника трафика до покупки. И здесь мы берем, собственно говоря, данные из разных источников, прошиваем их через сквозную идентификацию пользователей, создаем единое хранилище для данных и на основе этого уже формируем дашборд. Это такая задача не столько анализа с целью получения выводов, сколько анализ, чтобы держать руку на пульсе и понимать, что происходит в моменте, где у нас пользователи отваливаются на каких-то этапах воронки и как чинить этот процесс. Другой пример использования платформы – это анализ путей пользователя. И, собственно говоря, здесь мы можем сегментировать нашу аудиторию на отдельные платформы. базовые фрагменты и посмотреть, как они себя ведут. То есть, условно говоря, у нас могут быть потребители, которые собирают разную потребительскую корзину, для них важны разные триггеры, кто-то из них предпочитает покупать онлайн, кто-то офлайн. С каждым из этих сегментов надо настраивать свою коммуникацию. У каждого сегмента будут свои наиболее эффективные каналы. Поэтому, когда мы анализируем

[45:22] Speaker G: Собственно говоря, пути пользователей и понимаем, где какой сегмент на каком этапе отваливается, где у нас с каким сегментом проблемы, мы можем лучше чинить эту историю. Вот так это тоже работает как один из примеров реализации платформы. Ну и если смотреть, что еще может делать такая платформа, коллеги уже много говорили про атрибуционное моделирование, и часто оно является тоже неотъемлемой частью реализации нашей платформы, одним из важных фрагментов, потому что оно позволяет довольно-таки глубоко тактически оптимизировать рекламные кампании. Ну, в частности, понимая внутреннее устройство данных потребителей И ТВ-смотрение мы можем смотреть не просто на эффективную частоту на ТВ, но разделять ее на отдельные сегменты. Например, смотреть, как лайт-TV-вьюеры конвертируются в покупателей в сравнении с хэви-TV-вьюерами. И как, собственно говоря, вот эта сегментация влияет на потребление диджитала. Надо ли нам дополнительно усиливать в диджитале коммуникацию с лайт-TV-вьюерами, или это может быть какая-то универсальная коммуникация.

[46:42] Speaker G: Но так или иначе, здесь тоже достаточно большое поле для анализа, поиска инсайтов, которые могут быть использованы потом в оптимизации маркетинговых инвестиций и упрощении процессов проведения пользователя по воронке. Ну и сейчас хочется чуть подробнее рассказать на примере кейса МТС Тревела о том, как все это работает. Этот кейс мы показывали на осенней конференции АКАМ. Ну и сейчас немножко подробнее расскажу. Собственно говоря, если говорить о тех модулях, которые здесь были задействованы, то мы анализировали прохождение пользователей через воронку на сайте MTS Travel. Мы видели все точки касания от первого захода на сайт до оформления покупки брони отеля. Мы, собственно говоря, собрали, агрегировали очень много данных из разных. источников и прошли их единомодификатором и дальше мы сделали достаточно глубокие выводы которые позволили оптимизировать маркетинговые инвестиции собственно дальше если говорить о самой компании то это была достаточно большая крупная охватная компания нашла с апреля по август Здесь было достаточно много и TV, и digital, и performance, и наружной рекламы.

[48:11] Speaker G: И все это привело достаточно много конверсий, но не было понимания, кто что привел, можно ли было сделать лучше, можно ли было больше или меньше дать digital рекламы, TV рекламы, как все эти инструменты друг относительно друга сработали и помогли достичь цели. Собственно говоря, тут мы использовали данные телеком-оператора для того, чтобы все данные свести вместе. И из всех этих данных выделили поведение аудитории МТС Travel. Нашли всех, кто смотрел ТВ-рекламу, кто видел диджитал-рекламу. кто дальше с Digital Performance взаимодействовал, кто с наружкой взаимодействовал, и даже мы нашли людей, которые потом попадали у нас в опросах брендлифта. И вот это, собственно говоря, все мы обработали в нашем фреймворке, сшили и протянули до выводов, которые помогают оптимизировать закупку рекламы. То есть не просто мы сказали, что по данным рекламы этого телеком-оператора было совершено strict conversion. Нет, мы все эти выборки перевесили на генеральную совокупность, мы поняли, как аудитория соотносится между телекомом и медиаскопом, и, собственно говоря, как это соотносится между телекомом и дривером, и смогли, собственно, все выводы экстраполировать притянуть до закупки оптимизации.

[49:45] Speaker G: Это важный элемент такого рода анализа. Ну а если говорить о практических выводах этого кейса, то мы увидели здесь распределение каналов по привлечению, и так как это не стандартная модель оптимизации, Last Click, это многоканальная атрибуция, включающая в себя как диджитал, так и ТВ на равных, то мы здесь увидели и полный эффект от ТВ, который был заметно выше, чем диджитал, несмотря на то, что и там, и там были достаточно большие охваты. Здесь мы увидели, что реклама повлияла не только на абсолют привлечения пользователей, но и на прохождение воронки. Мы увидели более высокие CR на каждом этапе, при этом плевты в конверсиях были большие, разные в зависимости от этапа и от инструмента. Мы посчитали, собственно говоря, оптимальные частоты здесь и увидели кросс-медийную частоту, эффективную для всех медиа. Это тоже достаточно интересные выводы, которые сложно было бы получить в другого рода анализе. Кроме этого, достаточно любопытным было исследование поведения пользователей от момента показа рекламы до совершения конверсии. Когда мы построили распределение во времени когорт наших пользователей от показа рекламы до конверсии, то мы увидели достаточно любопытную картину.

[51:08] Speaker G: Во-первых, это достаточно часто говорится, но редко можно увидеть на живых цифрах. Есть достаточно большой отложенный эффект. Нет смысла ловить эффект рекламы, условно говоря, в 15-минутных интервалах после показа рекламы, потому что в реальности этот эффект может разделять дни. И вот в данном кейсе мы увидели, что пик конверсии от момента показа рекламы до совершения целевого действия происходил примерно на 20-й день. Но также важна и ротация коммуникаций. И в данном случае мы увидели, что где-то на 30-й день, 28-й, у нас начали снижаться конверсии, несмотря на то, что ТВ-веса были высокими, даже увеличивались. И мы поняли, что это уже началось выгорание креативов. А вот дальше, вы видите, произошла смена коммуникации, запустились новые креативы, и у нас снова пошли конверсии в рост, и примерно через те же 20 дней вышли на плату, а потом где-то через 28 дней снова начали снижаться. Причем картина была разная для медиум и хэви-тв зрителей. Мы видели, что хэви-тв зрителям надо больше времени для того, чтобы выйти на пик эффективности, И дальше они при этом достаточно быстро, опять-таки, спустились, эффект затух быстрее.

[52:35] Speaker G: То есть хэлитовые зрители сильно сложнее достижимы через ТВ, что конструктивно, потому что на, казалось бы, эффективную частоту они выходят быстрее. Ну вот, достаточно любопытный такой получился здесь инсайт, который по-другому сложно было бы как-то еще достать. Ну и Валя уже показывала слайд с тем, что благодаря такой сквозной атрибуции нам удалось все инструменты положить на одну линейку. Это как раз тоже слайд из этого кейса, где мы сравнили по эффективности как наверху воронки, так и вверху. внизу воронки, все рекламные инструменты, которые были доступны, и поняли, как можно оптимизировать, собственно говоря, весь медиамикс и все каналы внутри каждого инструмента в отдельности. Эконометрика такой детализации, к сожалению, не позволяет делать. Там часто возникают проблемы из-за качества данных или того, что все инструменты используются параллельно, а вот в атрибуции можно провалиться уже в тактические такие вот собственно говоря, истории по оптимизации.

[53:53] Speaker G: Ну и про креативы, хочется сказать, тут в данном кейсе мы исследовали не только каналы, их эффективность, не только поведение пользователей и как они проходят воронку, но и то, как, собственно, аудитория реагирует на разные креативы. Есть креативы более эффективные, менее эффективные, есть, которые выбиваются. Ну, в данном кейсе у нас выбился креатив… где Бадрова и Ефремов достают Нагиева. Ну вот так получилось, что он показал наименьшую эффективность. Это тоже достаточно хороший вывод для будущих компаний о том, как можно оптимизировать и коммуникацию с клиентами. Ну и, собственно говоря, если говорить о всех выводах, которые были сделаны из кейса, то здесь мы увидели корреляцию эффективной частоты для разных групп пользователей. Мы увидели, что Lightweaver заметно быстрее реагирует на ТВ-коммуникацию. И видим, что при этом… Внизу воронки, там, где Digital Performance подхватывает трафик, все равны, неважно, кто-то Heavy, Medium или Light Viewer. Digital Performance работает практически одинаково. Медиапотребление влияет на скорость принятия решений. Выгорание креативов происходит за четыре недели. Digital Media хорошо разогревает лиды внутри атрибуционного окна.

[55:14] Speaker G: И если говорить в целом о применении умской платформы как платформы, что она позволяет делать, резюмируя здесь, хочется сказать про то, что она позволяет оптимизировать коммуникационную платформу, она позволяет оптимизировать размещение, позволяет оптимизировать архитектуру рекламной кампании и оптимизировать целевую аудиторию. Это вот четыре важных направления вектора работы этой платформы. При этом для каждого клиента… Конфигурация самой платформы и те выводы, которые могут быть получены, будут индивидуальны в зависимости от доступных источников данных и тех проблем, которые вызовы стоят перед бизнесом. Спасибо, коллеги. Здесь я передаю слово Рустаму. Рустам расскажет про настоящую персонализацию или как подружить АИ и АБ-тесты.

[56:07] Speaker E: Всем привет. Меня зовут Сулхутинов Рустам. Я основатель. платформы для e-маркетинга Sales Ninja, и сегодня я расскажу вам про самый недооцененный, недоиспользованный канал в маркетинге, который мы все видим, но не выкручиваем его на полную, потому что медиаинфляция давит, и мы все в поисках нового инвентаря, а он прямо перед нами, и это ваш сайт. Ведь современный маркетинг у нас сейчас крутится в основном вокруг рекламы. Да, ребята, давайте объединим наши рекламные компании в пакетную стратегию. Автостратегия будет лучше. Галя, а ты подготовила креативы, у нас завтра запуск. И каждой большой компанией десятки человек каждый день работают, чтобы выжать из рекламы максимум. Чтобы реклама была самая хорошая, самая релевантная для каждого пользователя. Ну вот пользователь видит самую-самую релевантную рекламу для него, кликает по баннеру, переходит и видит сайт. Сайт полностью одинаковый для всех. И тут вы скажете, ну слушайте, ну мы с АБТ-стами работаем, поэтому не совсем правда. И объяснить, почему этого мало и почему можно выжимать концептуально больше, я хотел бы на такой шутливом примере Бэтмена и Робина из известной франшизы.

[57:25] Speaker E: А если спрашивать людей, кого они выберут, большая часть, разумеется, 65% выбирает Бэтмена, потому что это фильм про Бэтмена. Но 35% выбирает Робина, и они не только не получают наиболее оптимальный выбор именно для них, но они видят и более худший вариант для них, который им, вероятно, не очень нравится и, может быть, где-то раздражает. В АБ-тестах нет ничего плохого. В реальности это очень классный инструмент, потому что он простой, он интуитивно понятный. Но АБ-тесты, они очень похожи на то, как реклама работала в нулевых годах. Может быть, помните, тут ставочку повыше на эту фразу, она конвертит лучше. А давайте сделаем небольшую корректировку и будем покупать трафик для мужчин из Москвы подороже, потому что это наша целевая аудитория. Вот АБ-тесты это примерно то же самое. Ведь ваша современная реклама так не работает. Она работает поверх сложного машинного обучения, который анализирует сотни параметров, чтобы для каждого человека показывать релевантную рекламу. Ваша реклама адаптируется постоянно. Машинное обучение переучивается, чтобы адаптировать рекламу к изменению спроса, паттернов поведения, сезонности, цен, запросов пользователей. Ваша реклама адаптируется. А сайт нет.

[58:43] Speaker E: А хотя он может. Мы можем использовать рекламу, Подходы, к которым мы привыкли в рекламе, ну, в первую очередь, перформ рекламы с автостратегиями, прямо на вашем сайте. Даже если человек зашел в первый раз, даже если он не авторизирован. И вот человек заходит на лейдинг интернет-магазин какой-то сайт, и мы показываем для него наиболее релевантный заголовок, подзаголовок, картинку, структуру сайта, способ оформления заказа, сортировку по умолчанию и что угодно. То есть то же самое, что делает рекламный движок, В директе, в ВК, в любой другой рекламной платформе, но только не в рекламе, а на уровне вашего сайта. Как это работает чуть-чуть более детально. Потому что абстрактно вроде прикольно, но хочется чуть-чуть потрогать руками. Вот простой пример. Предположим, у нас ювелирный магазин. Человек заходит на карточку товара, чтобы подобрать красивое кольцо для девушки. Но что есть оптимальный выбор для каждого человека? Даже если товар один и тот же, для разных людей, Он может выглядеть немножко по-разному. Им нужны разные, скажем так, нарративы, обрамления. Для кого-то красивое кольцо – это просто красивое кольцо. А для другого человека это выгодный оффер.

[59:57] Speaker E: Он по скидке, он с рассрочкой. И показывая релевантный контент для каждого, мы можем радикально увеличить конверсию или выручку на сессию намного сильнее, чем если бы мы выбрали какой-то один оптимальный вариант для каждого человека в классическом АБ-тесте. Но теперь давайте, скажем так, потрогаем это руками, потому что лучше увидеть просто реальные кейсы, которые мы с разрешения наших клиентов взяли из разных ниш и разных примеров. ОТП-банк как заголовок формы регистрации расчетного счета на 25% увеличивает конверсию. Сервис психологической помощи Альтер. Один из крупнейших в России. Человек заходит на лендинг, но что именно он хочет там увидеть? Сервис ментального здоровья? Один оффер. Консультации с психологом онлайн? Немножечко другой оффер. Эффективная психотерапия онлайн? Третий оффер. И показывая для каждого просто оптимальный заголовок, а персонализации-то может быть сколько угодно много, в Альтер мы имеем плюс 27% относительно лендинга. Иллюстрировать 6% относительно оригинала. ReRooms – ведущий сервис для дизайна квартир в России. Группа компаний «Самолет». Небольшой дескриптор под логотипом.

[1:01:15] Speaker E: Мы его даже специально выделили красненьким, потому что сразу-то его даже не видно. Но даже такая маленькая деталька, она дает плюс 20% к выручке на сессию. Да, мы можем работать не только с конверсиями как таковыми, но и учитывать разные когорты по платежеспособности, разные средние чеки, если у нас есть дисперсия. И те же самые 23% к выращиванию на сессию относительно оригинального варианта. Коди – один из старейших в России онлайн-школ для обучения детишек программированию. На одной из посадок только небольшая деталька с оффером увеличивает на 25% конверсию относительно контроля и на 39% относительно оригинала. Ну и наконец, одни из моих любимых примеров Play Sale. Это интернет-магазин дискаунтер электроники. И то, как социальное доказательство. Видите, на первой картинке люди в реальном живом магазине. Кому-то мы их показываем, а кого-то мы опускаем ниже. И небольшая деталь увеличивает выручку на сессию на странице товара на 75%. относительно контрольной группы и на 7-10% относительно оригинала. При том, что если брать обычный АБ-тест, то он показывает абсолютно одинаковые метрики.

[1:02:37] Speaker E: То есть весь этот прирост мы получили не благодаря тому, что мы креативно придумали, как изменить сайт, а потому что мы предоставили релевантную версию для каждого пользователя, что он хочет увидеть. И звучит, наверное, заморочено, очень-очень сложно, но в реальности все не так уж сложно. Суперпростая интеграция, не требует никакой передачи данных, просто поставили скрипт, определили варианты и все. Не работаем с персональными данными, полная автоматизация, красивый личный кабинет с красивыми графиками в реальном времени и множество возможностей от оптимизации по выручке и прибыли, а не только по конверсии, до работы с динамическим рендерингом ReactView без программиста. У меня все, и передаю слово Роману с не менее интересной темой.

[1:03:30] Speaker F: Коллеги, всем привет. Меня слышно, видно? Замечательно. Итак, сегодня с вами поговорим про то, как нейроданные нам помогают находить больше инсайтов и делать более эффективные выводы по результатам исследований рекламных материалов и, в частности, рекламных роликов. Пару слов про компанию. Компания Sense Machine. Что это такое? Это IT-компания, по большому счету платформа для работы с нейроданными и ключевые вопросы, с которыми мы помогаем нашим клиентам. Это, соответственно, исследования и повышение эффективности рекламных материалов. Это могут быть статичные динамичные баннеры, там для наружной рекламы, интернет-рекламы. Это могут быть ролики любого хронометража, включая классическую ТВ-рекламу, какие-то прероллы, даже это могут быть трейлеры к фильмам или компьютерным играм. Также мы работаем над улучшением интерфейсов и создаем классные упаковки. Упаковки здесь тоже в очень широком смысле, то есть это классический тест упаковки плюс полочные тесты и также с заходом на карточки товаров, витрины в маркетплейсах и так далее. Компании «Пять лет».

[1:04:50] Speaker F: Тысячи объектов проанализированы, куча исследований было сделано, и мы также используем наши технологии, то есть наши партнеры используют наши технологии в своих каких-то продуктах, большие и маленькие компании. Что же такое нейроданные, про которые сегодня пойдет речь? Это прежде всего… эмоции, то есть респондент, находясь у себя в нативных условиях, просматривает контент, и нейросеть детектирует эмоциональную реакцию на, собственно, этот самый контент. Когда мы говорим про эмоциональную реакцию, там он же фейс-кодинг, и здесь мы говорим про детектирование эмоций, так называемых базовые эмоции, коих шесть, но иногда четыре, иногда шесть, в зависимости от того, о какой модели мы говорим. Соответственно, это печаль, гнев, отвращение, страх, радость и удивление. Из всех этих эмоций, на самом деле, только радость, она позитивная, одна чисто позитивная эмоция. Удивление бывает разное, оно бывает позитивным, бывает негативным, а, в принципе, все остальное… Это негативные эмоции. Это важно, почему? Потому что при верхнеуровневом анализе мы смотрим на то, какая эмоция доминирует с точки зрения знака.

[1:06:07] Speaker F: То есть человек скорее счастлив, либо он скорее как бы в негативе находится в любой из негативных эмоций. Это то, что мы посмотрим попозже, будет называться у нас валентностью или знаком эмоций. И мы также смотрим на эраузл, то есть как бы общее эмоциональное вовлечение эмоций. Человек может очень сильно смеяться или очень сильно хмуриться, и это будет характеризовать его интенсивность эмоций. Второй тип нейроданных, с которыми мы работаем, это веб-айтрекинг. Здесь нейросеть, соответственно, фиксирует координаты взгляда, который преобразует их в координаты и в конечном итоге накладывает все это на изображение, которое нас интересует. Что самое важное здесь, это то, что эти все метрики эмоциональные и айтрекинговые, они доступны в моменте, в посекундном буквально вот покадровом моменте. В покадровой динамике это дает нам как раз вот тот дополнительный уровень инсайтов, когда мы можем сказать, например, что в ролике не работает, на каком моменте мы теряем внимание людей, как соотносится внимание людей, либо их эмоциональная вовлеченность с тем, что работодатель хотел донести, сказать или выразить через свой рекламный креатив.

[1:07:22] Speaker F: Давайте ближе к делу, посмотрим, углубимся в тестирование именно ТВ-рекламы. И самая большая проблема после теста рекламы, те, кто делал эти тесты, меня поймут точно, это то, что на самом деле очень часто непонятно, какой дать фидбэк креативной команде. что именно не работает, куда именно смотреть. То есть, как правило, это какие-то такие довольно абстрактные, что там, ну, понятность, что-то с понятностью не очень. Или, вы знаете, не совсем там месседж проходит. Почему он не проходит? Да непонятно, не проходит, и все. Вот такие метрики, соответственно, идите, думайте, как этот месседж можно по-другому завернуть, либо обыграть в сюжете. По нашему опыту мы видим, что, в общем-то, сюжет, Это ключевой фактор успеха рекламного ролика. И для того, чтобы делать классные ролики, нужно научиться работать с сюжетом. Но для понимания сюжета у нас нет надежного инструментария, чтобы, собственно, этот сюжет как-то раскладывать, анализировать и так далее. Потому что большинство этих инструментов, которые есть на рынке, будь то это какие-то онлайн-платформы или более серьезные поставщики типа Ipsos или Army Marketing, Milward Brown и так далее, соответственно, Посекундного анализа там не хватает.

[1:08:43] Speaker F: Это как бы подводка к тому, как используются нейроданные в анализе, то есть появляется дополнительный уровень посекундного анализа. Мы посмотрим, как это работает на примерах. Для того, чтобы… Зайти в кейсы, еще пару слов подводящих. Первый момент – это про скоринговую модель, которую мы используем внутри нашей компании. С точки зрения общего подхода, методологии эффективной рекламы, мы опираемся на то, что в индустрии много раз обсуждалось, было опробовано многими компаниями и так далее. Хорошая реклама какая? Должна быть заметна, вовлекать, она должна быть брендирована и, соответственно, убеждать на какое-то конкретное действие. Либо если что-то из этого не работает, то, соответственно, сложно назвать рекламу эффективной. Она будет либо атрибутирована к неправильному бренду, либо человек ничего не поймет, но поймет, какой бренд был. В общем, реклама должна нам все это деливерить. На этом строится скоринговая модель, которую мы потом посмотрим.

[1:09:50] Speaker F: Что важно, то, что в методологии у нас используется фактически сочетание вот этих вот самых метрик опросных, где мы спрашиваем человека про восприятие, общее восприятие рекламного ролика, и туда же интегрируются данные, которые измеряются напрямую, то есть это эмоциональный отклик и, соответственно, Также используется айтрекинг. Эмоции сами по себе, они очень полезны в том, что они многие вещи могут предиктироваться, да, то есть там overall liking какой-нибудь общая привлекательность, она замечательно предиктируется, предиктируется очень хорошая корреляция, например, с предрасположенностью к бренду, да, то есть как бы позитивные, хорошие ролики, они двигают в плюс предрасположенность, ну, как бы, условно говоря, любовь к бренду, да, то есть после просмотра ролика у меня улучшилось отношение к бренду, вот поэтому как бы в будущем, как некоторая конечная цель нашего продукта, это мы хотим при помощи эмоциональных метрик предсказывать, в общем-то, перформанс ролика без участия респондентов, но это наша такая цель, такая года на три, скорее всего. Идем дальше. Основные показатели, на которые мы смотрим при… Анализа ролика — это, собственно, первый сколинг против нормы.

[1:11:03] Speaker F: Норм — это общая карта, где мы понимаем, где мы располагаемся по краткосрочному эффекту на продаже в ближайшие. Шот-тем эффект от ролика, который, как правило, длится 6-8 недель. Коллеги, которые занимаются ROI, не дадут мне соврать. Соответственно, там мы смотрим как раз на… Это некоторые сборные индексы из эмоционального вовлечения, той самой валентности ролика. знака эмоции, силы этой самой эмоции, а также брендинга и мотивации. И мы смотрим также на долгосрочный вклад в бренд. Это как бы насколько мы способствуем своим роликам бренда строительства. Под брендом мы понимаем то, что как бы в процессе после просмотра ролика, соответственно, Улучшается предрасположенность, аффинитивность ее можно называть, либо любовь к бренду, в общем, улучшается отношение к бренду. И второе – это то, что мы не только развлекли и что-то сказали прикольное про бренд, но и то, что дифференциация растет тоже, потому что дифференциация – это, собственно, то, что позволяет работодателю оправдывать свою более высокую цену и так далее. И помимо вот этой общей диагностики мы углубляемся в динамику, в динамичную часть, где мы как раз по косточкам разбираем сюжет.

[1:12:15] Speaker C: И вот это и будет фокус в тех кейсах, которые сейчас мы с вами посмотрим. Да-да. А теперь добавь соус кунжут и хватай вилку покрепче. Биг Бон Лок. Переверни представление о вкусе. В чем секрет доширак? Ты должен это выяснить. Есть, сэр.

[1:12:57] Speaker H: Новый доширак-бульон приготовлен традиционным методом ферментации, который длится более 100 дней. А в его основе свежие овощи. Все дело ферментации! Доширак-бульон. Секрет вкуса ферментации.

[1:13:13] Speaker F: Где он?

[1:13:13] Speaker H: Ммм, доширак.

[1:13:17] Speaker F: Мы с вами посмотрели два ролика. Оба ролика, они из категории лапши. Это инициативные исследования, которые мы провели за свой счет. Это не клиентский материал, поэтому мы можем им делиться. Выбрали эти два ролика, потому что они, в принципе, где-то похожи по своему перформансу. Там одинаковый продукт. И тот, и другой ролик пытается донести новинку. И, соответственно, интересно посмотреть не только на общий скоринг этих роликов, которые мы сейчас увидим, но также и на провалиться внутрь, в динамику, в сюжет, посмотреть, что же там работает, либо не работает, и насколько по-разному эти ролики на самом деле устроены. Мы с вами видим, что, в общем-то, оба ролика неплохие. «Биг Бон» гораздо лучше, как по мотивации краткосрочных продаж, так и по компоненту долгосрочного влияния на бренд. «Доширак» тоже неплох, но похуже будет. Если мы с вами провалимся на следующий слайд, то практически классический аутпут от опросных исследований – это то, что мы видим, что Доширак у него поменьше мотивации. Мотивация – это желание купить или оформить подписку в зависимости от того, какое целевое действие. предполагается в результате, совершенно в результате ролика.

[1:14:40] Speaker F: Вот мы видим, что как бы мотивация похуже, purchase intent как-то не очень. Диагностические метрики дополнительные нам говорят, что что-то у нас там не очень хорошо возможно с релевантностью, с понятностью и с доверием. Но вот, собственно, на этом, как правило, по классике мы и заканчиваем повествование, потому что мы говорим, что, ну, дорогое креативное агентство, ну, вот так получилось. Идите, подумайте, как мы можем повысить релевантность, доверие, либо понятность вашего ролика. И интересно, собственно, да, действительно, а что же именно там не работает, и что в этих роликах разного, почему перформанс разный. Сначала мы с вами посмотрим на посекундный анализ ролика BigBoneWalk. И здесь мы с вами отмечаем два очень четких тренда. То есть первый – это мы смотрим на эраузл. Эраузл – это вовлечение. В идеальном ролике мы хотим, чтобы вовлечение, то есть сюжет, он… держал внимание зрителя до конца, до какого-то момента, где проявляется какая-то кульминация, развязка сюжета, в этот момент бренд проявляется, либо продукт проявляется в своей полной красе, как-то помогает вот этой вот сложности.

[1:16:00] Speaker F: И таким образом мы на пике максимального вовлечения показываем свое продуктовое предложение и его полезность. Почему так? Потому что нейронаука нам говорит о том, что вовлечение равно долгосрочная память. Все из нас помнят либо какие-то очень хорошие события, яркие, либо какие-то очень плохие. Как правило, все то, что происходит на низких эмоциях, запоминается плохо. Здесь принцип такой же. И в ролике Big Bon реализовано несколько очень правильных вещей. То есть первая вещь – это происходит рассказ о преимуществах продукта на восходящем ираузеле. И здесь мы видим, что это как раз очень хороший паттерн, который подходит где-то до 11-12 секунды, где нам начинают показывать, собственно, сам продукт. И в этом смысле… Это очень правильный паттерн успешного, хорошо запоминающегося ролика. Также мы понимаем, что в Биг Боне он построен на таком креативном твисте, который переворот. То есть с одной стороны этот переворот обыгран в сюжете, то есть там наклоняется пол, движение, кресел, там девушка тоже скользит на своем кресле. Он обыгран в продукте, потому что продукт нужно перевернуть, чтобы слить воду.

[1:17:25] Speaker F: И это ключевой отличие от всех остальных продуктов, потому что обычно из лапши растворимой ты не сливаешь воду. И это подчеркивается, что вот чем продукт отличается от других. И, соответственно, это обыгрывается в слогане «Big Bon Wok, переверни свое представление о вкусе». То есть это в начале говорится, это говорится в конце. То есть мы в целом видим, что структурно ролик очень продуман. Там есть 2-3 таких основных идеи, и они хорошо развернуты, они повторяются. И также мы видим, что свойства продукта вплетены в сюжет. И это самое важное. Посмотрим на следующий слайд. А следующий слайд это Доширак. У Доширака все довольно тоже неплохо, казалось бы. Да, у нас там есть элементы киноэкшена. То есть когда вот… Вначале дается задание этому молодому человеку. Эй, ты должен выяснить, что же за секрет Доширака. Начинается движуха. Начинается параплан. Он прилип. приземляется куда-то на крышу какого-то производственного помещения. Этот киноэкшен, он захватывает, его прикольно смотреть, поэтому мы с вами видим и Раузел, он растет, у нас растет также валентность, то есть как бы людям прикольно, они вовлекаются.

[1:18:46] Speaker F: Но потом, как только мы доходим до продуктовых свойств продукта, у нас происходит провал по вовлечению. То есть как только начинается чан с бульоном, с какими-то свежими овощами, бульонный цех, Вот это все видно, что это людям просто не заходит, неинтересно. Это может быть неинтересно, потому что само по себе, да, здесь мы заходим немножко на уровень концепции самого ролика, а насколько действительно людям прикольно знать про ферментацию 100-дневную, насколько это релевантный категорийный бенефит в этом сегменте. Или, может быть, просто на контрасте, да, потому что когда тебе показали какую-то киношную завязку, ну, потом что-то там про цех, про какие-то продукты, дешрака, там его компоненты смотреть уже… Не очень интересно. И дальше мы снова видим подъем в самом конце роликов, и это тоже как бы хорошо, потому что мы хотим, чтобы ролик заканчивался на вовлечении, на повышенных эмоциях. Но опять же у нас это вовлечение происходит через киноэкшен, когда уже, собственно, нам про продукт все интересно. И таким образом мы с вами видим два ролика. Они где-то похожи, но структурно они очень разные. И именно интеграция продуктовых бенефитов в сюжет – это их ключевое различие.

[1:20:06] Speaker F: Помимо того, что мы смотрим на эмоции, мы также смотрим на тепловые карты, причем посекундно. И одно из наиболее интересных мест применения этого – это, безусловно, пэкшот. То есть, когда мы в конце что-то показываем. Пэкшот в ролике – это вот эта конечная точка, где мы говорим последний стейтмент в нашем мини-продажной сессии, потому что реклама – это акт продажи. И мы сами видим, что доширак много внимания уходит на упаковку. Причем это как будто бы даже старая упаковка, там нет ничего такого особенного. Слоган про секрет вкусов ферментации привлекает очень мало на себя внимания. И есть еще отвлекающие элементы по бокам в виде правой и левой упаковки. То есть, в принципе, этот пэкшот нам говорит о том, что Доширак это два пакетика. Ну так, если прям совсем утрированно. У Биг Бона гораздо более интересная история. То есть, с одной стороны… Слоган – это номер один, куда идет больше всего внимания. Плотность тепловой карты здесь 2.33. И также, в принципе, неплохо распределяется внимание между логотипом вот этим вот BigBondWalk большим и самой упаковкой. И здесь мы с вами видим три структурных элемента, и все они друг друга поддерживают. То есть как бы у нас есть продукт «Walk»,

[1:21:24] Speaker F: Соответственно, он перевернут, потому что он переворачивает представление о вкусе. У нас есть этот слоган, и у нас есть, собственно, еще одно напоминание Big Bon Wok большими буквами. Поэтому в этом смысле Big Bon более выдержан и сюжетно, и, собственно, по конструкции пакшота тоже. И таким образом, собственно, мы приходим здесь к очень простым выводам. То есть через посекундный анализ мы можем с вами анализировать реакцию зрителя на сюжет. мы можем сопоставлять это с контентом, который есть, с теми вещами, которые рекламодатель хотел сказать про свой продукт, да, и как вот эта динамика связана с тем, что действительно значимо в ролике для потребителя. Такой вот кейс на сегодня. У нас их гораздо больше. Вот мы при этом, на самом деле, наверное, вот последний момент, то, что как бы чтобы… провалиться настолько глубоко, как правило, вам будут требоваться либо какие-то дополнительные глубинные интервью, либо фокус-группы иногда. То есть это такой большой-большой очень разбор, который за этим стоит, если вы используете традиционные методы.

[1:22:33] Speaker F: Соответственно, с нейроданными это действительно дополнительный срез, который делает многие вещи очень простыми с точки зрения понимания и принятия решений.

[1:22:42] Speaker B: Ром, спасибо тебе большое. Мне здесь подсказывают, что у нас есть вопрос в чате. Все знают, как лапша, а тут абсолютно новый продукт – бульон. Это непривычно для аудитории. Странно, непонятно. А у Vox та же лапша, только с другим способом употребления. Все же это не создание нового паттерна. Вы на такое делаете поправку?

[1:23:03] Speaker F: Естественно, мы всегда смотрим в клиентский кейс, потому что Мы не знаем, например, вот это была инициативная история, да, мы ее проанализировали, и это то, что мы видим. Но настоящая суть, она проявляется, когда мы обсуждаем это вместе с клиентом, то есть мы четко понимаем его цели, задачи, в какую сторону и что он хотел донести этой рекламой. И, грубо говоря, например, если перед нами клиент, какой-нибудь новый шампунь с пептидами, который подклеивает кончики волос, и все это делает ваши волосы офигенно выглядящими. То есть это, возможно, более имиджевая реклама. И здесь, может быть, мы ожидаем, что у нас будет, может быть, даже низкая понятность, потому что вот эти пептиды не всем понятны, но они могут быть понятны для целевой группы каких-нибудь продвинутых девушек. Поэтому, безусловно, здесь нет такого… Черного и белого. Есть метрики, есть контекстуализация этих метрик. И нам самое главное, собственно, не то, что мы говорим как эксперты, а то, что ваш новый ролик может быть лучше в процессе того, что мы вместе с вами его осознали и поняли его структурные моменты и какие-то смысловые моменты.

[1:24:17] Speaker B: Спасибо вам большое. Я хотела поблагодарить и всех спикеров, и всех слушателей сегодняшнего вебинара. Здесь слайдик с QR-кодами. Обязательно подписывайтесь на телеграм-канал и переходите на… сайты и телеграммы наших партнеров. Если у вас есть какие-то вопросы, которые могут появиться после вебинара, вы можете писать их Лере, она обязательно навигирует. Этот вопрос найдет своего адресата. И хотела сказать, что это не последний вебинар от АКАМ 5 декабря. У нас будет вебинар от коллег из Агентства мира про экономику внимания в диджитале. Приходите, будет интересно. Всем большое спасибо. За внимание, за время. Надеемся, что было полезно.