Scoring-модель — один из крутых способов оптимизировать рекламную кампанию.
1 октября в Санкт-Петербурге прошла офлайн-конференция Globalize! по международному маркетингу, где обсуждали тему — выбор конверсий для верной оптимизации рекламных кампаний.
Из спикеров выступали команды от
Google, OWOX, AppsFlyer, Aitarget, TikTok, HTTPOOL, SportQuake
В течение дня они делились своими знаниями в области трафика и аналитики..
Организатором конференции Globalize! стал
FBS — международный брокер и финтех-компания.
Подробно о scoring-модели рассказал data-аналитик продуктовой кампании Александр Кузнецов.
Вместе с командой они тестировали скоринговую модель в течение четырех недель: качество пользователей при регистрации выросло в 2 раза, где конверсия покупки увеличилась в 1.6 раз
Как достичь подобного результата? — Мы рассказали в этой статье для Completo.
Больше интересных инсайтов с конференции: https://clck.ru/YEWvQ
Итоги конференции: https://clck.ru/YRypW
Цена клика и движение трафика напрямую зависит от оптимизации рекламной кампании.
Первое, на что нужно обратить внимание — ту ли конверсию я беру.
Часто компания выстраивает конверсии из:
На инсталлы и регистрации направлено много усилий, но они подвержены фроду (мошенничеству) и не всегда отражают качество пользователей.
CPS на сайте стоит дороже, поэтому часть работы выполняют микро-конверсии — некие ключевые точки, которые проходит пользователь — хорошо коррелируют с покупками, но оценивать пользователя приходится на ограничениях
Конверсий не должно быть:
Их лучше не передавать своевременно.
Синтетическая конверсия — ключ от всех проблем.
Он включает синтез нескольких систем: инсталлы + покупки на сайте, регистрации + микро-конверсии.
Если применять синтетические конверсии для анализа пользователей, можно разделить их на две подходящие группы — пассивных и активных.
Узнать своего пользователя поможет машинное обучение.
Алгоритм сам находит закономерности и учится предсказывать ответ того, кто проявил внимание к вашей компании.
Например, активные пользователи имеют общие паттерны поведения.
И нужно, чтобы алгоритм делил пользователей по склонности к совершению покупки, т.е. классифицировал.
С точки зрения машины — стандартная задача.
Для классификации нужны размеченные данные с признаками и классами, которые алгоритм учится определять
В случае с данными — чем больше, тем лучше.
При этом их должно отличать качество:
На основании информации строятся признаки для модели обучения.
Из признаков добавляем:
После сбора выбираем алгоритм для использования. С точностью сказать, какой подходит в конкретном случае — невозможно.
Пробуйте разные алгоритмы, включайте новые признаки и наблюдайте, что даст лучший результат.
Представьте, что перед вами 10 групп пользователей.
В 1 группе конверсии — 26.85%, а в 10 группе он равен нулю.
То есть, в 10 группе покупок не делают.
1 и 2 группа за это время собрали самую крупную часть всех платных пользователей. Что остается делать?
Теоретически сосредоточиться на двух группах и подключать продажи только для них. Но остальные 8 (в том числе 10 группа) тогда выпадают.
Для этого подключаем оптимизацию — тонкая настройка интернет-рекламы на привлечение целевых групп пользователей.
Оптимизация снижает затраты на клики и увеличивает трафик на сайт.
Есть два варианта, как ввести оптимизацию:
Разберем второй вариант.
В примере выше оценку получили все пользователи, и когда событие подменится, для алгоритма сценарий будет прежним: придут те же конверсии.
Не бойтесь отключать группы под № 10 и 9. Они не покупают и продолжают быть в списке вашей ЦА.
Выводите подписчиков постепенно.
По идее вместо них придут качественные пользователи — та активная прожилка, которая даст весомые конверсии.
При этом обращайте внимание на проблемы, которые могут возникнуть:
В последнем случае есть два варианта:
Понравилась статья? Расскажите о ней в соцсетях