4117

Поиск «горячей» аудитории без контекста

Февраль, 2020 год.

Выделение целевой аудитории для таргетирования с помощью инструментов платформы Second Party Data Exchange (SPDE).

alt

Какую проблему решали

Перед приобретением матраса и товаров для сна покупатели изучают рынок, ищут отзывы, посещают магазины. Цикл покупки может быть долгим, а стоимость привлечения клиента достаточно высокой.
Найти потенциальных покупателей сложно: охватные инструменты не гарантируют попадание в целевой сегмент, а проходимость конверсионных ограничена.
Для более эффективных рекламных кампаний необходим инструмент, позволяющий проанализировать поведение покупателей и определить портрет клиентов, готовых к совершению покупки.
Решение проблемы
Для решения задачи технологический партнер «Аскона» — компания Flocktory применила инструменты своей платформы Second Party Data Exchange .

Используя алгоритмы машинного обучения, проанализировали потребительское поведение посетителей сайта и определили портреты людей, покупающих товары из категории «мебель для спальни».
Предиктивная модель ищет пользователей с похожим поведением и формирует сегменты аудитории, которым может быть интересна покупка мебели для спальни. На них направляется персонализированная коммуникационная кампания.
Применяемые технологии

Flocktory обрабатывает большое количество данных, применяя модель собственной разработки, и определяет уровень интереса пользователей на основе анализа множества .

Технология предполагает ранжирование всех посетителей по потенциальной заинтересованности в целевом действии. Задача модели — предсказать совершение целевого действия. Для «Аскона» — это «качественный просмотр» страницы товара.

Для этого использовалась логистическая регрессия с L1- и L2-регуляризацией и с положительной матрицей весов. Тщательная настройка гиперпараметров позволила обучать интерпретируемые коэффициенты. Признаки представляли из себя векторизированные события из покупательского и пользовательского опыта и поведения, а также других данных о пользователях.

Создана собственная классификация товаров, определены 3000 универсальных категорий, разработан и обучен классификатор для определения принадлежности товаров к одной из них. Ключевые слова в категориях подбираются с помощью машинного обучения — метода опорных векторов. Для сбора дата-сета для обучения классификатора использован краудсорсинговый сервис Яндекс.Толока.

Бизнес-процесс

До проекта:

  • Длительный цикл покупки.
  • Высокая стоимость привлечения заявки.
  • Ограниченная проходимость конверсионных каналов.
  • Доля рекламных расходов — от 45%.

После проекта:

  • Точный портрет клиента.
  • Обновляемые сегменты аудитории для таргетирования.
  • Инструменты для настройки эффективной рекламной коммуникации.
  • Доля рекламных расходов — от 8 до 28%.

Результаты

Команда «Аскона»

Сергей Жуков
Руководитель отдела конверсионного маркетинга

Команда Flocktory

Светлана Алавердян
Chief Commercial Officer
Илья Мартынов
Head of Business Development SPDE
Денис Осипов
Product Manager
Марина Спиркова
Project manager