Долго. Дорого. Эффективно. Как ML формирует будущее персонализированного маркетинга

Где происходит коммуникация?

Постоянное присутствие в цифровой среде имеет огромное значение для всех брендов без исключения. Ни крупный бизнес, ни локальный не могут позволить себе пропасть из зоны видимости своего потенциального клиента.

В мире диджитал рекламы (и мобильной в том числе) уже долгое время доминируют два гиганта – Google и Facebook. В арсенале этих площадок огромные массивы ценных данных о своих пользователях, поэтому рекламодатели так сильно в них и заинтересованы.

Отрицать рекламную и информационную дуополию Google и Facebook не имеет смысла. Но вместе с неоспоримыми бонусами есть и ряд неудобств, с которыми брендам просто приходится мириться – недаром рекламные экосистемы Google и Facebook часто сравнивают с черным ящиком. Обе площадки не предоставляют своим рекламодателям полную картину по аналитике кампаний.

Как известно, с каждым годом время использования мобильных девайсов постоянно увеличивается (количество новых пользователей смартфонов тоже растет). Например, с марта по июль 2020 россиянин в возрасте 12+ лет проводил в смартфоне в среднем 165 минут в день. Это означает, что все нынешние и будущие потребители не расстаются со своими телефонами, и коммуницировать с ними необходимо именно в мобильной среде.

Эффективное взаимодействие с аудиторией 

На помощь рекламодателям приходят programmatic платформы (DSP) и in-app инвентарь, тем самым стирая границы недоверия, с которым к ним долгое время относились на рынке.

Давайте попробуем разобраться, как же у DSP получается находить наиболее выгодные места для показов рекламы, персонализировать ее под пользователей и выкупать юзеров по самой оптимальной стоимости? А делать это можно только одним способом – имея «информационное» преимущество, другими словами, лучше понимая свою аудиторию и лучше предугадывая ее потребности и поведенческие паттерны. 

За эту ключевую функцию платформы отвечает машинное обучение.

Если проводить аналогию, то машинное обучение можно сравнить с маленьким ребенком, который методом проб и ошибок познает мир вокруг себя – начиная с самых простых, базовых вещей и постепенно переходя к более сложным понятиям. Только вот ML делает это в разы быстрее.

Таким образом получается прямая связь: чем больше данных у платформы (и помним про их качество), тем быстрее и лучше обучаются алгоритмы – и, соответственно, DSP более хорошо выполняет конечные задачи и строит более точные предикторные модели.

Но не все и сразу. Для того, чтобы основательно протестировать важные и значимые изменения в алгоритме, требуется время (а где время, там и деньги) – где-то от трех до восьми недель. И это более-менее оптимальный период для проведения тестовых кампаний, без которых, увы, не обойтись.

Преимущества машинного обучения и data driven маркетинга

• Гранулированная сегментация аудитории и супер целевой таргетинг

Использование рекламных технологий на основе машинного обучения позволяет получать полезные инсайты о клиентском пути и опыте, а также о малейших изменениях в поведении и предпочтениях потребителя. В учетом всех этих моментов платформа определяет самый конверсионный момент и именно тогда показывает объявление – в нужном месте, в нужное время. 

• Доступ к данным в режиме реального времени 

Огромное количество данных само по себе мало что значит, вся суть заключается в их качестве и в их контексте. ML гораздо лучше (и гораздо быстрее), чем человек, определяет, какие типы данных надо собирать автоматически и какие подходы следует масштабировать. Таким образом, маркетологи могут оперативно оптимизировать рекламные кампании и уверенно идти к поставленным целям.

• Динамическая оптимизация креативов

DCO – это технология показа уникального и персонализированного формата креатива, исходя из того, чем пользователь интересовался, какие намерения у него были и на каком этапе покупки он ушел. Всего за миллисекунду (быстрее, чем человек моргает) на дисплее телефона подгрузится именно тот креатив, который вероятнее всего заинтересует пользователя, и он по нему «тапнет».

• Smart bidding/Умные ставки

Рекламные стратегии, которые учитывают и активно используют инсайты, полученные благодаря машинному обучению, способны значительно повышать эффективность рекламных кампаний и маркетинговых вложений. Стоимость конверсий и окупаемость инвестиций у таких РК могут весьма продолжительное время удерживаться в рамках необходимых значений, так как предикторные модели с высокой точностью предсказывают вероятность совершения целевого действия.

Резюмируя

В эпоху консьюмеризма персонализированный маркетинг задает тон в отношениях между брендами и потребителями – преимущества индивидуализированных предложений очевидны. 

В то же время data driven подход в коммуникации со своими клиентами требует от рекламодателей постоянных инвестиций в обучение алгоритмов ML, как финансовых, так и временных. Если бренды хотят развиваться поступательно и видеть всё лучшие результаты, то и работать с машинным обучением необходимо на постоянной основе, а не эпизодически.

Маркетинг, основанный на данных, формирует экосистему нового порядка – где на первом месте клиентский опыт. Качественные данные позволяют умело ориентироваться в таких капризных вопросах как предпочтение, поведение и даже настроение потребителя. 

А предикторные аналитические модели учитывают множество различных факторов: от темпа жизни человека, его любимых рекламных форматов, до контекста, в котором он лучше всего воспринимает объявления – все, что максимально персонализирует объявление – и предлагают клиенту то, что ему нужно в этот момент.