1 марта 2016 года в Москве прошла конференция ConversionConf 2016: трафик, конверсии, продажи. В этом году организаторы разделили программу мероприятия на тематические секции, посвященные ключевым этапам онлайн продаж: стратегии, трафик, конверсия, допродажи.
Важным выступлением, прозвучавшим в рамках ConversionConf, стал доклад Ладо Лебанидзе, старшего аналитика по работе с ключевыми клиентами Google Россия, на тему: «Максимизация общей прибыли от онлайн-рекламы».
Свою презентацию спикер начал с констатации простого, но не всегда очевидного факта: чтобы понимать, сколько платить за рекламу, нужно чётко представлять себе, какой доход от неё получает рекламодатель.
Для бизнеса важно, хотя бы, приблизительно представлять сколько денег приносит каждая конверсия. Кроме того, полезно подсчитать, сколько, в среднем, может принести компании приобретение каждого нового пользователя. С этой целью вводят такое понятие, как средний доход с пользователя.
Зная, сколько зарабатывает рекламодатель, можно спланировать расходы на рекламу.
На графике, приведённом ниже, показано соотношение дохода с каждого пользователя к стоимости привлечения по каждому из каналов:
Из микроэкономики известно, что точка максимальной чистой прибыли там, где стоимость привлечения еще одного следующего пользователя равняется gross доходу с этого пользователя.
Таким образом, если рекламная кампания работает в баннерной сети, где мало позиций и стоимость подъёма на нужную позицию - ниже; то фактически максимальный СРА, грубо говоря, и будет стоимостью привлечения пользователя. Такой подход дает возможность рекламодателю понять, в каком диапазоне должна варьироваться ставка CPC или СРА, чтобы получить максимальный доход от рекламы.
Здесь важно понимать, что эффективность не будет равна максимальной чистой прибыли. Возникает еще один важный показатель – ROAS или окупаемость затрат на рекламу. Он указывает, сколько рублей прибыли рекламодатель получает на каждый рубль, затраченный на рекламу.
Зная, какой примерно доход рекламодатель будет получать с каждого потребителя, владелец бизнеса сможет определить, каким должен быть размер ставки, исходя из актуальной стратегии. И всё же, в реальности разные люди будут приносить разные деньги: разным будет средний чек, периодичность покупок и т.д. Если есть возможность распределить таких пользователей по сегментам на основе ожидаемой прибыли и рассчитать величину ставки по каждому сегменту, то суммарный доход от рекламы окажется еще выше.
Представляя примерную историю доходов от каждого пользователя, можно спрогнозировать доход, который принесет компании каждый человек. Сделать это можно на основе имеющихся в системе данных о пользователях. Всех людей можно классифицировать на основе так называемой воронки информации. В качестве сигналов могут выступать демографические данные; информация о том, что пользователи искали в интернете, какие ключевые слова вводили; поведенческие сигналы на сайте и др.
Важно буквально на каждой ступени использовать максимальное количество сигналов, которые бы позволили прогнозировать примерный доход от каждого пользователя для компании.
Сегодня многие автоматические биллинговые системы позволяют алгоритмически анализировать данные о пользователях и строить предположения о том, что они приобретут с максимальной вероятностью. Однако это лишь вершина айсберга: гораздо более количество ценной информации хранится в CRM – системах самих сайтов. К примеру, та же история покупок.
На основе этих данных важно делать грамотные выводы. При этом их вовсе не обязательно передавать на сторону рекламной системы. Информация о маржинальности разных продуктов, данные о кросс-платформенных аккаунтах, контактные данные пользователей, - всё это позволит разрабатывать более эффективные рекламные стратегии.
Автоматические системы используют информацию о поведении человека, однако они слишком сильно приоритизируют более свежую информацию. В то же время, данные из CRM можно существенно расширить, если производить собственный внутренний анализ.
Существует несколько способов использования этих данных. Первый сводится к анализу истории покупок (анализ дат совершения транзакций, ID пользователей, регионов и т.п.) На основе этой информации алгоритм RFM ранжирует пользователей по сегментам на основе таких показателей, как: давность покупки, частота покупок и средний чек.
Этот простой метод позволяет предсказывать наибольшую вероятность покупки на основе поведения пользователей.
На следующем этапе настраивается ремаркетинг. Здесь также пользователи группируются на основе показателя эффективности и маржинальности:
Результат будет выглядеть примерно таким образом (доход, полученный за счёт разных пользователей, может разнится более, чем в 20 раз):
Применение подхода позволяет заметно увеличить прибыльность рекламной кампании, а также повысить коэффициент конверсии.
Завершая свой доклад Ладо Лебанидзе отметил, что сегодня важно совмещать данные CRM сайта со статистикой рекламных кампаний. Так Google предлагает загружать в систему Google Analytics ID тех людей, которых удалось каким-то образом опознать и классифицировать владельцу сайта. С этой целью на сайте можно установить специальный код отслеживания. Данные будут мгновенно переданы системе. Это позволит связывать конкретный ID с конкретной cookie.
Если же владелец сайта не считает возможным делать это, то можно извлекать эту информацию на своей стороне из Google Analytics. Подход имеет смысл, если на сайте есть User ID и ресурсы, чтобы впоследствии ранжировать посетителей на основании показателя доходности. К примеру, можно использовать различные программы, построенные на основе алгоритмов машинного обучения. Чем больше людей в базе данных, тем больше выгоды это принесет бизнесу.
Минимальные требования для использования CRM данных в рекламных площадках Google сводятся к следующему:
- Интеграция ресурса с Google Analytics.
- У владельца сайта должна быть база данных пользователей или их ID.
- Ресурсы для анализа лог-файлов и фиксации данных.
Наибольшего эффекта от CRM данных добьются рекламодатели, на сайтах которых:
- Накоплено большое количество пользовательских ID.
- Хранится подробная история заказов каждого пользователя за продолжительный период времени.
- Имеется большое количество данных о транзакциях.
