Кейс HAVAL, Media Wise и CyberBrain: как снизить CPA на 37% с помощью прокси-конверсий и ML-оптимизатора

Российский автомобильный рынок претерпел значительные изменения в последние несколько лет. Усиленная конкуренция, постоянный выход новых марок и моделей требуют от компаний поиска новых способов привлечения внимания клиентов и повышения эффективности маркетинговых кампаний.

Проблематика

• Ожидание 2–3 недели для накопления достаточной статистики замедляет старт оптимизации и снижает результаты.
• Разные окна атрибуции для performance-кампаний, баннеров и видео усложняют их одновременную оптимизацию.
• Десятки работающих одновременно инструментов и площадок требуют до трех дней в неделю на сбор данных и выработку тактики оптимизации.

Задачи

• Внедрить сквозную аналитику.
• Оценить вклад каждого рекламного инструмента в бизнес-результат.
• Разработать подход к тактической оптимизации для каждого инструмента.
• Оптимизировать кампании с первых дней, не дожидаясь накопления конверсий.

Реализация

Digital-сплит HAVAL включает медийные и performance-кампании с регулярным тестированием новых форматов и креативов. Для оперативной оценки эффективности всех инструментов специалисты внедрили:

1. сквозную аналитику полного цикла — от показа до целевых действий на сайте;
2. data-driven-атрибуцию Шепли для точной оценки вклада каждой кампании;
3. прокси-конверсии для ускорения оптимизации с самого старта кампаний;
4. модель машинного обучения для ускорения оптимизации и повышения точности управления бюджетами.

Сквозная аналитика от показа до лида

Любая аналитика начинается с правильного сбора данных. Для HAVAL важно было интегрировать не только performance-данные, но и данные медийных кампаний (post-view и post-click).

Совместными усилиями команд Media Wise (Media Direction Group) и CyberBrain интегрировали рекламные кабинеты, Google Analytics, Google Bigquery, AdRiver в единый набор данных для получения статистики и оценки эффективности каждой кампании, креатива, таргетинга.

Это позволило ежедневно контролировать эффективность кампаний и оперативно вносить корректировки.

Схема интеграции источников данных 

Data-driven-атрибуция Шепли

При запуске рекламных кампаний для новых моделей используются различные форматы на десятках площадок. Это приводит к многократным взаимодействиям пользователя с рекламой.

К примеру, человек может увидеть рекламу HAVAL H9 в сентябре в «VK Видео» — РСЯ — Auto.ru, а потом кликнуть на контекстную рекламу, перейти на сайт и отправить заявку на тест-драйв. Разобраться, как каждый инструмент повлиял на результат, помогла data-driven-атрибуция Вектор Шепли.

Разберем еще на одном примере, зачем внедрять единую атрибуцию для всех каналов. Представим, что результат сентябрьской кампании был следующим:

• 1 000 — зарегистрированные в CRM заявки;
• 620 — performance-кампании принесли по данным Google Analytics;
• 290 — медийные кампании принесли по данным отчета AdRiver;
• 350 — органика принесла по данным «Яндекс Метрики»;
• 1 260 — сумма по данным из систем выше.

Откуда взялись лишние 260 конверсий? Дело в том, что «Яндекс Метрика» и AdRiver присваивают конверсии по разным моделям атрибуции.

В разных системах аналитики модели атрибуции не совпадают, и поэтому одна и та же конверсия присваивается разным источникам. Тест-драйв под условным «номером 12» в GA4 будут отнесен к «Яндекс Директ», а в AdRiver — к VK Ads, так как в первом случае используется модель «последний клик», а во втором —post-view-модель атрибуции.

Проблема оценки реального результата каждого касания и вызывает необходимость подключения data-driven-моделей атрибуции.

Возможность правильно оценивать эффективность запущенных кампаний дает прозрачность и связку инвестиции в рекламу.

Благодаря атрибуции можно тестировать новых поставщиков и не опасаться того, что результат теста невозможно будет определить на фоне остальных параллельных кампаний.

Прокси-конверсии для анализа и управления кампаниями

Прокси-конверсия — действия, которые коррелируют с конечной конверсией, но происходят значительно чаще.

Например, нужно оптимизировать кампании на «тест-драйв». Их мало, поэтому можно использовать конверсию на уровень выше “скачивание брошюр”. Прежде чем применять прокси-конверсии, их корреляцию с целевыми действиями проверяют математическими методами, такими как T-критерий Стьюдента в связке с Бутстрапом или индекс Жаккара.

На сайте HAVAL для оценки кампаний специалисты используют несколько точек конверсий. Процесс выбора автомобиля долгий, а знакомство новой аудитории с брендом и модельным рядом увеличивает срок принятия решений, что приводит к невозможности оптимизировать рекламные кампании с первых дней запуска.

Команды Media Wise (Media Direction Group) и CyberBrain пришли к идее использовать прокси-конверсию, построенную на поведении пользователей на сайте, так как коррелирующей промежуточной конверсии не было.

Если пользователь вовлечен во взаимодействие с сайтом, посещает страницы автомобиля, проводит определенное время, набирает несколько сессий — значит, он качественный посетитель, который с высокой долей вероятности совершит конверсию. Поведенческие метрики накапливаются у пользователей в нашем случае всего за шесть дней, что позволило приступить к оптимизации в три раза раньше.

Применение машинного обучения для оптимизации кампаний

После внедрения сквозной аналитики и атрибуции, а также использования прокси-конверсий все еще остается проблема: десятки площадок и сотни кампаний требуют значительных усилий для анализа и оптимизации.

Для решения задачи оптимизации или Media Mix Optimization (MMO) адаптировали модель машинного обучения CyberBrain «Оптимизатор» под требования команды Media Wise (Media Direction Group).

«Оптимизатор» — модуль системы, реализованный на базе методов машинного обучения, чья задача — искать лучшее распределение бюджета с минимизацией CPA. Модуль умеет работать на малом объеме данных и легко адаптируется под стиль оптимизации конкретной команды. Главное, он позволяет оптимизировать кампании, пока они активны, а не по факту их окончания.

Данные на скрине смоделированы, не соответствуют реальным данным клиента и являются демонстрацией интерфейса оптимизатора

Совместно с командой Media Wise (Media Direction Group) создали рабочую группу для адаптации модели и подготовки гипотез для улучшения результатов.

За последние семь месяцев команды проверили несколько гипотез:

1. Разделить оптимизацию медийных кампаний и performance в связи с большой разницей в поставленных KPI. Когда они находились в общем пуле оптимизации, система перераспределяла больше средств на perofrmance в связи с лучшими показателями по CPA и количеству конверсий.
2. Изменить изначальный регламент оптимизации с еженедельного на раз в две недели в связи с окном атрибуции.
3. Для таких каналов, как видео с окном атрибуции превышающим 20 дней, оптимизацию проводить не чаще чем раз в три недели.
4. Убрать из пула каналы, которые нельзя оптимизировать оперативно в связи с условиями сделок.

Результаты 

За счет использования прокси-конверсий, которых было в 21 раз больше, чем основных конверсий, специалисты оптимизировали часть кампаний и форматов. Это также позволило сократить время накопления статистики с 61 до 29 дней. 

Ключевым достижением стало сокращение стоимости лида на 37% по сравнению со стартом работ. 

Реклама. Рекламодатель ООО «Брайнфарм» ИНН 7725366728