Технологии искусственного интеллекта позволяют значительно оптимизировать и ускорить поиск целевой аудитории. Команда экспертов Weborama рассказала Sostav, как построить аудиторные сегменты для продвижения продукта ОСАГО с помощью first-party data и алгоритмов машинного обучения.
Бэкграунд и цели
Перед Weborama стояла задача найти аудиторию, которая заинтересована в покупке полиса ОСАГО. Даже если пользователю нужны услуги автострахования, он может не показывать интерес к продукту открыто. Например, он может выбирать страховую компанию или изучать варианты страховок.
Поиск релевантной ЦА основывался на данных о собственных клиентах «Ингосстраха». Анализ онлайн-поведения пользователей помог определить набор характеристик целевой аудитории бренда и на его основе сформировать необходимый таргетинг. Чтобы автоматизировать этот процесс, использовались технологии машинного обучения.
Эффективность подхода измеряли с помощью медийных и post-click-показателей по итогам рекламной кампании.
Алексей Коняшин, начальник отдела продвижения в цифровых каналах, «Ингосстрах»:
«Ингосстрах» активно развивается в сфере диджитал и инвестирует в привлечение онлайн-клиентов. В сегментных ML-закупках мы видим большой потенциал, так как для медийных форматов важен показ рекламы в нужный момент релевантной аудитории.
Как правило, полис ОСАГО оформляется раз в год, и в течение этого периода реклама имеет низкую эффективность. Автомобилисты проявляют интерес за месяц до окончания полиса. Важно именно в этот момент показать релевантные рекламно-информационные материалы.
Реализация
Модель машинного обучения, которая определяет аудиторию таргетинга, строится на двух пользовательских выборках: позитивной — референтная группа покупателей или посетителей сайта; негативной — случайные интернет-пользователи. На основе этих сегментов алгоритм учится находить взаимосвязи между множеством параметров и характеристик пользователей, определяет идеальные комбинации и выбирает тех, кто больше всего похож на целевую группу.
Для этой рекламной кампании референтные группы были созданы с помощью first-party data с сайта рекламодателя. Конверсионные теги Weborama, установленные на всю воронку продаж продукта ОСАГО, позволили собрать данные трёх типов пользователей:
- посетители страницы ОСАГО;
- пользователи, прошедшие первый этап расчёта ОСАГО;
- пользователи, приступившие к оформлению полиса ОСАГО.
Формированием модели занималась Data Science команда Weborama. В рамках задачи было построено три Machine Learning сегмента пользователей, похожих своим поведением на тех, кто обычно посещает страницу ОСАГО и оформляет полис.
Второй и третий сегменты были направлены на увеличение количества расчётов и оформления полиса ОСАГО. Объём каждого сегмента составил 1−1,5 млн cookies.
Сегменты активировали на ресурсах Display & Video 360. В рамках кампании эксперты Weborama проводили регулярную оптимизацию: ежедневно исключали нерелевантные площадки, меняли часы показов объявлений, перераспределяли трафик по типам устройств.
Результаты
С помощью инструмента Weborama Campaign Manager измерили медийные и post-click-показатели, а также сравнили результаты размещений на DV360 с другими площадками, где не использовались технологии машинного обучения. Показатель конверсии (Conversion Rate) в расчёты полисов ОСАГО на сегментах Weborama оказался в 1,5 раза выше, чем на сторонних сегментах.
Показатель отказов (Bounce Rate), или доля пользователей, покинувших страницу сразу после перехода с рекламы, составил 22,9%, что подтвердило наличие интереса к теме автострахования у охваченной аудитории.
Филипп Белозёров, руководитель направления отдела продвижения в цифровых каналах, «Ингосстрах»:
Благодаря кейсу с Weborama мы получили релевантную аудиторию, готовую к покупке полиса ОСАГО в данный момент. Конверсия данной когорты значительно выше, чем у других сегментов. Мы довольны результатами и планируем в дальнейшем использовать сегменты с высокой покупательской способностью.
Эльвира Сафаева, заместитель генерального директора, директор по дата-продуктам, Weborama Russia:
Искусственный интеллект становится неотъемлемой частью цифрового маркетинга. Он позволяет исключить из процесса субъективность и заранее прогнозировать результат. Predictive Machine Learning подход применим для построения различных маркетинговых процессов, в том числе для расчёта вероятности совершения пользователем целевого действия, выявления склонных к оттоку клиентов или определения принадлежности потребителя к определённой целевой группе.
