Чтобы увеличить эффективность показов, рекламодатели начали сегментировать свою аудиторию и разрабатывать для каждого сегмента индивидуальные баннеры, которые затем тестировались на разных группах пользователей. Этот процесс занимал много времени и чтобы автоматизировать его, «Соловей» разработал свою систему динамической оптимизации баннеров (DCO). Эта система отменила необходимость ручной разработки и тестирования сотен и тысяч баннеров, заранее адаптированных для каждой целевой группы. Вместо этого – она позволила создавать брендированные шаблоны баннеров, которые формируются на основе бренд бука рекламодателя. Во время рекламного показа, в брендированный шаблон автоматически подбирается контент, который будет интересен этому конкретному пользователю.
Наибольшей популярностью динамические баннеры стали пользоваться в сегменте электронной коммерции, потому как именно там высокая производительность рекламной кампании наиболее востребована. Для того чтобы предугадать, что пользователя интересует в момент показа динамического баннера, «Соловей» использует рекомендательную систему подбора товаров. Самым простым алгоритмом рекомендательной системы является просто запоминание тех товаров, которые пользователь посмотрел на сайте, и демонстрация их в баннере. Алгоритм очень простой, но при этом довольно эффективный, так как пользователь, очевидно, выражает свой интерес: раз смотрел, значит интересуется. Однако, как показала практика, не всегда пользователь покупает только те товары, которые он просматривал в последнее время. Кроме того, за одну сессию пользователь может просматривать сотни товаров.
Проведенные в «Соловье» эксперименты также показали, что пользователь, при просмотре каталога рекламодателя, не имеет четко оформленной потребности. Особенно, если выбор касается одежды – вероятно, у человека формируется некий образ, а он не может найти этот образ среди обширной товарной базы, которая представлена десятками тысяч наименований. Очевидно, что пользователь не будет просматривать сотни товаров в одном баннере. Соответственно, ему нужно было помочь и среди всего обширного ассортимента подсказать те товары, которые с наибольшей вероятностью его заинтересуют. Это привело к усложнению рекомендательной системы «Соловья», которая теперь должна была эффективно предугадывать интересы покупателя.
Для решения этой задачи, система научилась анализировать поведение всех посетителей сайта и на основе этого выявлять покупательские характеристики каждого из них. Используя полученные знания, алгоритм «Соловья» распознает различные стереотипы поведения пользователей, затем строит и тестирует гипотезы относительно того, какие товары могут заинтересовать каждого конкретного покупателя. В результате улучшения рекомендательного сервиса «Соловья» увеличилась как конверсия товарных баннеров, так и средний чек клиента. Показатели эффективности рекламных кампаний возросли до 1,5 раз.
1.15 Выбор таргетинга. Тенденция использования системы Google AdWords для рекламы. Тенденция использования мобильного таргетинга
Выбор таргетинга
Размещение рекламы для конкретной целевой аудитории предусматривает определение мест дислоцирования данной аудитории. Например, какая-то часть аудитории может дислоцироваться на специализированных ресурсах – тематических сайтах, собирающих интересующую рекламодателя целевую группу. Но этой части может оказаться недостаточно. Поэтому есть резон прибегать к использованию поведенческого таргетинга по интересам, и социально-демографического таргетинга. Тогда есть смысл размещать рекламу в баннерных сетях с таргетингом на пользователей, которые, по крайней мере, дважды за последний месяц заходили на соответствующие ресурсы, либо вводили в поисковые машины запросы по соответствующей тематике. Также целесообразно размещать рекламу в соцсетях с таргетингом по анкетам пользователей с определенными характеристиками (например, с таргетингом на женщин, проживающих в Беларуси).
