YaC/m 2013: Big Data в рекламе

9

16 мая 2013 года в Форум Холле в Москве прошла новая конференция Яндекса Yet another Conference on Marketing, которая является дополнением к ставшей уже традиционной конференции YaC, проводимой Яндексом каждую осень, начиная с 2010 года. На YaC/m 2013 рассматриваются общие вопросы интернет-математики, современных технологий интернета, информационной безопасности и универсальные походы к разработке и эксплуатации онлайновых сервисов и приложений.

Секцию "Big Data в рекламе" начал Игорь Ларин (IBM). Он рассказал о результатах глобального исследования IBM среди директоров по маркетингу в докладе "От нарастания сложности — к новым возможностям".

Исследование проведено на базе данных личных интервью с 1734 директорами по маркетингу из 19 отраслей и 64 стран и ответов на вопросы о том, какие они испытывают сложности, и чем они обеспокоены в отношении будущего маркетинга.

80% опрошенных считают, что в ближайшие пять лет сложности профессии директора по маркетингу будут нарастать. Это связано, с прежде всего, с цифровой революцией, развитием интернета, соцсетей, увеличением количества данных. Заказчики становятся все менее лояльными, клиенты — все более информированными. Заказчик стал более властным и требовательным. При этом, готовы к усложнениям ближайших пяти лет и имеют соответствующие знания и инструменты меньше половины опрошенных.

Наиболее важными рыночными факторами, к которым маркетологи меньше всего готовы, названы взрывной рост объема данных, развитие социальных сетей, появление новых каналов и устройств связи.

По оси X расположены факторы, влияющие на маркетинг: чем дальше, тем больше влияние фактора. По оси Y — насколько директора готовы к этому фактору: чем выше, тем менее готовы.

Фактор номер один — взрывной рост объема данных. Данных много, и никто не знает, что с этим делать. На втором месте — социальные сети. Директора по маркетингу не готовы к такому росту социальных сетей. И это во многом связано с открытостью соцсетей. Открытость сотрудников и потребителей, отзывов. Третье — развитие новых каналов и устройств связи.

Нужно эти сложности трансформировать в новые возможности. Сейчас можно измерять что угодно — температуру, местоположение, и так далее. Например, о держателях банковских карт банки знают все — куда они ходят, что едят, что и где покупают, где путешествуют, огромное количество данных. Но маркетологи не знают, как все эти данные максимально эффективно использовать.

Мало просто собрать данные. Нужно проанализировать, понять тренды. Надо предсказать на будущее, к чему это все ведет. И нужно оперативно принять решение на основе этих данных. Это и есть бизнес-аналитика, и маркетологи считают, что это очень важная тема, и это приоритет развития маркетинга — внедрение бизнес-аналитических систем. Решением проблем и будет введение новых информационных технологий для сбора, хранения и, главное — анализа данных.

Маркетологи готовы инвестировать в социальные медиа, в аналитические инструменты и в CRM.

Внедрение бизнес-аналитики можно разбить на три этапа продвинутости: анализ того, что было в прошлом; анализ прошлого и предсказание по результатам анализа будущего; анализ прошлого, предсказание будущего и принятие на основании этого оперативного бизнес-решения. Третьего этапа достигли только 23% опрошенных.

Среди серьезных препятствий при внедрении информационных технологий у директоров на первом месте стоит стоимость этих технологий.

Эффективность маркетинга измеряется по возврату вложенных в маркетинг инвестиций. Бизнес не интересует ни количество кликов, ни количество пресс-релизов, ни количество статей и посетителей на сайте — только возвращение вложенных инвестиций. Возврат инвестиций можно получить только тогда, когда директор по маркетингу имеет значительное влияние на 4Р — на промоушн, разработку продукта, каналы сбыта и ценовые характеристики. Российские маркетологи гораздо больше влияют и на ценообразование и гораздо больше занимаются каналами сбыта, чем их зарубежные колеги.

Профессия директора по маркетингу будет становиться все сложнее. Но этого не стоит бояться, новые вызовы нужно преобразовывать в новые возможности — внедряя информационные технологии, внедряя бизнес-аналитику. Директор должен быть не просто классным креативщиком, но и обладать кучей знаний, от финансов до информационных технологий.

Михаил Левин (Яндекс) выступл с докладом "Click prediction".

Большую часть доходов Яндекс получает от рекламы, и большая часть — именно от рекламы на поиске (строкой под результатами поиска, правый блок и под результатами поиска после десятой позиции). Объявления создают рекламодатели, указывают, что рекламировать, ключевые фразы к этим объявлениям, таким образом, контролируя тематику, по которой они хотели бы рекламироваться. И за эти ключевые фразы они выставляют денежные ставки. Платят за клики. Соответственно, задача Яндекса — показать, с одной стороны, объявления, которые будут интересны пользователям и по которым они будут кликать, с другой стороны — показать самые дорогие из этих объявлений, чтобы оптимизировать свои доходы.

Как вообще выбирается, какие объявления показать. В каждом блоке по отдельности происходит аукцион, в котором соревнуются рекламодатели, попавшие в тематику запроса, аукцион по CPM. Так как в контекстной рекламе рекламодатели платят за клики, то высчитывается вероятность кликов умноженная на ставку, выставленную рекламодателем (CPM = P(click) * bid). Смысл формулы — средние деньги, которые можно получить за один показ объявления. То есть, оценивается вероятность клика, оценивается, сколько за этот клик будет списано. В среднем, если показать объявление с вероятностью клика то получися за один показ CPM денег, не за тысячу, а за один. Соответственно, очень важная задача — правильно прогнозировать эту вероятность кликов.

От правильного прогноза вероятности, от того, чтобы улучшить его на пару процентов, напрямую зависят доходы Яндекса — на те же несколько процентов, поэтому в эту задачу вкладывается много сил и используются все имеющиеся данные о показах рекламы, о запросах пользователей.

Простой подход для решения такой задачи — хранить данные показов и кликов объявления и определять вероятность за определенный длительный период времени (P(click) = Clicks(Ad) / Shows(Ad)). Это примитивный подход, который не учитывает никакой контекст. Есть объявление, у него есть какая-то внутренняя характеристика. Вероятность клика сильно зависит от того, что это за объявление. И следующий этап — учесть поисковый запрос по предсказаниям.

Хранить статистику по каждому запросу невозможно, слишком большой объем данных. Есть хорошая альтернатива — ключевые слова. Они указаны таким образом, что объявление является кандидатом на показ, только если ключевая фраза является подмножеством слов запроса, и по сути ключевые фразы хорошо описывают тематику объявления (P(click) = Clicks(Ad, Query) / Shows(Ad, Keyword)). Это гарантируется рекламодателями, поскольку они хотят делать хорошие объявления, чтобы зря не платить деньги за случайные клики.

Ключевых слов в системе тоже много, но не настолько, как запросов, и на каждую пару "запрос-ключевая фраза" можно сохранить статистику. Это все еще пока простая модель. Как ее можно улучшить.

Например, объявление о продаже iPhone. Фраза, по которой оно рекламируется — "iрhone". Вероятность клика на объявление о продаже сильно разные снизится, если искали инструкцию. Одно слово или двже цифра в запросе может очень сильно влиять на вероятность клика. И надо использовать информацию в хвосте запроса.

Можно сделать некоторый хитрый трюк. Во первых, определить хвост запроса как множество всех слов, которое в ключевую фразу не вошло. А дальше какое-то время, не очень длительно, можно хранить статистику по всем таким хвостам. И после этого оставить из них только те, которые наиболее сильно отклоняют вероятность клика от средней по фразе. Таким образом, можно большую часть информации об отклонениях засчет разного смысла запроса сохранить, но оставить объем данных, которые можно обработать.

Есть проблема новых ключевых фраз, по которым еще нет статистики, и новых объявлений. Тут можно подняться выше в иерархии и посмотреть на статистику самого домена. Домен рекламировали многими объявлениями, и уже накопилась какая-то статистика. Если и домен новый — нужно использовать не только статистические факторы. Например, релевантностные.

Одна из самых важных вещей, которая определяет, кликнет ли пользователь на объявление, найдет ли, что хотел, и с какой-то большой вероятностью совершит конверсию (купит товар, закажет услугу) зависит от того, насколько действительно объявление соответствует по смыслу запросу пользователя. Тут, в первую очередь, работают общие факторы поиска Яндекса, пытаются найти пресечения по словам, важность общих слов, то, насколько они определяют смысл, и, исходя из этого, сделать вывод, насколько объявление релевантно запросу. Кроме того, что есть разные факторы, мы уже назвали разные виды статистики — статистика по паре "объявление-фраза", просто по объявлению, по домену. Часть этой информации может сильно улучшить качество прогнозов. Этот способ смешивания не оптимальный.

Нужно добавить, что в разных регионах кликают по-разному, не говоря уже о разных странах, в разное время дня и в разные дни недели, на работе человек или дома, запросы это об отдыхе и развлечениях, и насколько он настроен прямо сейчас делать заказ. И от всего этого зависит вероятность клика.

Можно попробовать копить статистику, но, какой бы не взять точный срез, по нему статистики будет мало. Поэтому от простых статистических методов нужно переходить к машинному обучению. Основной алгоритм — MatrixNet, плюс другие алгоритмы машинного обучения.

Кроме математических метрик, которые показывают, насколько хорошо работает прогноз, нужно учитывать, что есть три игрока — Яндекс, пользователь и рекламодетель, и у каждого игрока свои цели. У Яндекса их три — удовлетворение своих пользователей, своих рекламодателей и заработок. Доля поиска показывает удовлетворение пользователей. Доля рекламных бюджетов показывает, насколько довольны рекламодатели.

Второй игрок — пользователи. У каждого приходящего в Яндекс пользователя есть своя задача. Можно измерить, насколько релевантные объявления Яндекс показывает. Меряется прямой фид-бэк от пользователей — это CTR. И еще нужно мерять долю конверсии после показов.

Третий игрок — рекламодатели. Для них мерять среднюю цену клика, среднюю цену достижения цели, общее количество кликов и конверсии за период. Сам ROI тяжело измерить. Факт того, что совершен заказ, зафиксировать нечем. Конверсии бывают в офлайне, их сложно отследить.

Самый простой способ определить, стало ли лучше от нового алгоритма — запустить новый алгоритм вместо старого и посмотреть, что произошло — с кликами, с деньгами, с общим количеством показов, со средней ценой кликов, конверсии, с CTR. Если нас устраивают цифры, клики и деньги увеличились даже при том же количестве показов — хорошо. Но есть подвох. Пока мы меряли на прошлом периоде старый алгоритм, а на новом — новый, могло измениться поведение пользователей. Например, погода перестала быть дождливой, стала солнечной. Люби разъехались отдыхать. Если в это время оценивать внедрение нового отличного алгоритма, который на 5% лучше, можно признать его негодным. Поэтому нужно тщательнее контролировать, что вокруг происходит.

Поэтому берется новый алгоритм и запускается на 2% случайных пользователей. И параллельно есть контроль, работающий на такой же выборке случайных пользователей в тот же период времени. И с помощью АВ-тестинга можно честно замерить показатели. И определить, статистически значимо отличаются ли эксперимент и контроль. И дальше остается принять решение. Строится сложная функция качества всех этих изменений в которой нужно учитывать цели всех трех игроков — Яндекса, рекламодателей и пользователей.

Станислав Видяев (Google) рассказал об аналитике нового поколения — Universal Analytics.

Universal Analytics — новое слово в аналитике. Система уже доступна в бета-тестировании. Наиболее насущная проблема на сегодняшний день для веб-аналитики во всем мире — отслеживание пользователей с различных устройств. К тому же, с одного и того же устройства пользователь может пользоваться заходить в сеть разными браузерами, между браузерами куки, по которым отслеживаются посещения, не передаются. То есть, в рамках даже одного устройства технически будем иметь дело с разными уникальными посетителями. И связать историю посещаемости и покупок и вообще взаимодействий с сайтом технически невозможно.

Еще проблема — в том, что, помимо передвижения пользователя по сайту и посещения сайта с различных устройств, еще нужно отследить действия пользователя в офлайне. Как пользователь оплачивает товар, как прошла доставка, был ли возврат. Системы веб-аналитики делают определенные шаги по решению этих вопросов. Например, Яндекс.Мертика дает аналитику по звонкам. Но это не дает картину в целом. Есть платные методы, требующие инженерных ресурсов. Но до сих пор системы, которая позволяла бы связать все воедино, не было.

Сейчас в рамках стандартной Google Analytics есть серия отчетов о многоканальных последовательностях переходов к цели. В них — последовательность переходов с разных сайтов перед конверсией к цели. То есть, отправная точка, от которой назад откручивается сценарий взаимодействия с пользователем. Для отсчета конверсионных действий в рамках этого отчета можно посмотреть взаимодействие с разными каналами. Переходы с органического поиска, прямые переходы, реферальные переходы — вся последовательность выстраивается в рамках одной куки. То есть, можно связать несколько сценариев кук одного пользователя. Далее можно получить атрибуцию по ценности конверсии, распределить между этими источниками. И посмотреть, сколько ценности эти источники принесли в зависимости от того, на какой позиции работали в процессе конвертации. Но, опять таки — это одна кука, и только онлайн-действия. Это проблемы веб-аналитики, их можно озарактеризовать так: мы имеем возможность провести атрибуцию целевых действий к онлайн-источникам для онлайн-действий пользователей в рамках одного браузера.

Есть возможность провести атрибуцию онлайн-действий к онлайн-источнику в рамках одного браузера. Вот такие существенные ограничения. И уже есть попытки эту проблему решить.

Куки отслеживают источник перехода, запоминают последовательность перехода из разных источников пользователя до конверсии. Также в куках можно записать любую дополнительную информацию, собранную для пользователя на сайте — посещение той или иной страницы, покупка, регистрация, социально-демографические факторы, данные, если пользователь регистрируется на сайте. Из всего этого можно записать, например, портрет: мужчина, 32 года, купивший определенный товар. И по этой информации можно делать определенные выводы. Недостаток — что куки сложные, с ними сложно работать, их сложно получить и что-то с ними произвести.

В Universal Analytics будет User ID, реферальные источники будут храниться на серверах Google Analytics. Засчет этого будет увеличиваться скорость обработки кук и работы системы. И проще, когда все реферальные данные хранятся не у людей, а на страницах Google Analytics. Преимущество — что куку проще забирать. Сейчас будет открыт шлюз на экспорт этих кук на сервер владельца сайта. Также будут дополнительные параметры, которые прописываются непосредственно в коде Google Analytics. Если хотите изменить например, тайм-аут сессии, которая в Google по умолчанию 30 минут, то все это можно сделать в интерфейсе. Такой упрощенный алгоритм работы с куками.

Теперь о том, как будут обрабатываться взаимодействия пользователей с разных устройств. Пользователь совершил на сайт четыре визита. Во время первого визита со смартфона зашел, посмотрел сайт ушел; во время второго зарегистрировался, во время третьего с купил — с ноутбука. И четвертый визит — повторная покупка, с планшета. В рамках отслеживания стандартного набора кук это будет три отдельные истории. И склеить эти истории не получится.

В рамках Universal Analytics тот же самый сценарий покажет вместо трех пользователей двух. С планшета — пользователь номер один, с ноутбука и с мобильного это будет кука номер два. В Universal Analytics предусмотрена возможность переписывания кук в при идентификации пользователя, если он себя обозначает на сайте, в момент регистрации, в момент логина. Таким образом, мы увидим регистрацию, логин и покупку как пользователя номер один, и повторную покупку с планшета — как пользователя номер два. Кука номер один так и останется в смартфоне потому, что смартфон себя никак не идентифицировал.

Склеивание сценария в историю взаимодействия с одним пользователем будет зависеть от идентификации пользователя. Таким образом получается такую историю взаимодействия с пользователем, которая будет строиться как раз вот на таких точках соприкосновения. Нам очень важна регистрация или подписка на электронную почту либо какой-то другой способ идентификации пользователем себя, когда он приходит, например, в магазин и покупает что-то со скидочной карты — это тоже момент идентификации. Все эти взаимодействия можно склеивать в одну историю взаимодействия с посетителем, потом уже — с клиентом. Если в рамках этой истории пользователь совершает посещение сайта и никак себя не идентифицирует, то это посещение выпадает из анализационной видимости Universal Analytics. Помимо этого, для всех показателей и метрик в Universal Analytics можно будет записывать дополнительные параметры дополнительные метрики, которые релевантны для бизнеса — получение посылки, оплата, посещение магазина и оплата по скидочной карте, подписка на каталог, телефонный звонок и так далее. Все эти метрики также можно будет засылать в Universal Analytics.

Первый шаг для получения информации о посетителе — загрузка кук. В Universal Analytics будет предусмотрена программная возможность импортировать их через IP в систему. Выгружаются на сервер все User ID и идентифицируются с клиентскими ID. Потом для имеющихся кук обратно в Google Analytics загружаются офлайновые конверсии, любые другие действия, которые интересны провайдеру услуги или продавцу товара. И в Google Analytics эти параметры будут отображаться в отчетах, которые можно будет дополнительно составлять.

Для этих дополнительных параметров предусмотрены рад метрик, которые можно будет создавать самостоятельно помимо тех параметров, которые уже есть. Здесь будут квоты. Есть до 20 пользовательских параметров и до 20 пользовательских показателей. Параметры — это любые буквенные значения — название города, название источника, тип и название мобильного устройства. Показатель — это цифровое значение, количество визитов, сумма покупки. Эти метрики надо будет создать в интерфейсе Google Analytics и потом из офлайна импортировать в формате .csv раз в сутки или с другой периодичностью, и данные будут отражаться в интерфейсе. Таким образом разные устройства, разные точки соприкосновения, не только сайт, мобильный сайт, но и такие устройства, как игровые приставки, цифровое телевидение, такие события, как посещения магазина и покупка в нем, можно будет свести в одном интерфейсе и посмотреть единую картину работы с пользователем. Сейчас доступна версия для обычного сайта, для мобильного сайта для смартфона, а также доступны пакеты разработчиков для мобильных приложений. Для десктопных приложений еще нет версий.

Сегодня уже можно зарегистрироваться, добавить код и сохранять параметры и показатели непосредственно в интерфейс. Но пока нет функции контроля User ID, то есть, сцепки разных устройств, исходя из данных о пользователе с различных устройств. Google обещает ввести это к концу июня.

Алексей Раевский (Lamoda) рассказал об особенностях работы с креативными данными для интернет-магазина в режиме реального времени.

Реклама является основным инструментом для привлечения покупателей интернет-магазинов. Какие материалы на каких страницах пользователю показывать — от этого полностью зависит результат кампании. Для клиентов, нацеленных на direct response, на конкретное целевое действие, таких, как интернет-магазины, на первое место выходит таргетирование. Для таргетинга необходимы данные. В результате уточнения таргетинга пользователи видят более релевантные предложения и избавляются от неуместных несвоевременных баннеров. Рекламодатели, в свою очередь, получают возможность показывать свои предложения аудитории, которая в них заинтересована, и получают возможность для выстраивания долгосрочных отношений со своей аудиторей и получения от них эффективной обратной связи.

Медиаплощадка переводит продажи части своего рекламного инвентаря в режим аукциона реального времени. Через RTB-хост идет трансляция доступных показов подключенным партнерам. Программная часть на стороне площадок или их агентов — SSP. Программная часть со стороны работодателей — DSP. Авторизованные DSP видят все показы в зависимости от имеющихся данных и стратегии, игнорируют или отвечают определенной ставкой на каждый отдельно взятый показ. SSP собирает ставки и разыгрывает показ, применяя собственные стратегии и ограничения. Показывается объявление с лучшей ставкой. Цена показа определяется порогом торгов и наилучшей из проигравших ставок. Также в процессе торгов могут принимать участие третьи стороны, внешние участники. На их плечи может ложиться также хранение медиа-контентат.

Таким образом получается упрощенная схема RTB-аукциона. Следует отметить, что для площадок RTB также предоставляет и возможности организации продаж премиального инвентаря и предоставляет возможности для защиты бренда площадки. Для DSP доступен инвентарь подключенных партнеров, которые образуют единое информационное пространство. RTB-клиент видит данные обо всех возможных показах, а менеджер ставок отвечает в специальном формате, когда стратегия предусматривает торг за этот конкретный показ.

Первое, что нужно для организации показов — это стратегия. Данные обо всех возможных показах система передает в службу аналитики и данных, которые оценивают все имеющиеся параметры и применяет стратегию. И второй необходимый элемент — это медиа-материалы. Медиа-хранилище может находиться на стороне DSP, SSP или на стороне стороннего участника. Кроме традиционных дисплейных размещений, через RTB становятся доступными и другие типы рекламы, видео-баннеры, смешанный формат. Следует отметить, что стратегии не являются статическими, они оптимизируются в режиме реального времени с учетом накапливающихся данных.

Данные накапливаются в том числе и за счет анализа действий пользователей в рекламном пространстве, имеется обратная связь.

Традиционно площадки рекламной системы предоставляют набор таргетингов, который очень сильно зависит от конкретной платформы. Традиционные данные — сегменты данных о показе. Сюда входит таргетинг по географии — страна, регион, город; таргетинг по сайтам и их разделам или тематике страниц; разделение на мобильный или планшетный трафик.

Другой вид таргетинга, предоставляемый иногда рекламными системами — это аудиторные сегменты. Сюда можно отнести социально-демографический таргетинг и круг интересов пользователей. И доступны другие данные, важные для рекламодателя, такие, как сезонность, данные о погоде, расписание показов.

Теперь открывают новые возможности. Первая — возможность применения результатов аналитики интернет-магазина и их сопоставление с параметрами каждого показа в торгах. Среди аналитических данных можно выделить следующие:

  • оценка близости товаров, т.н. система рекомендации 
  • данные о связанных продажах 
  • популярность товаров в тех или иных товарных группах 
  • кластеры регионов по тем или иным параметрам 
  • паттерны сезонного спроса 
  • и множество других данных

Кроме того, становится возможным применение сегментов данных сайта, так называемых first party data. Среди них можно отметить данные о просмотренных товарах и категориях, варианты использования поиска на сайтах, ценовой диапазон продолжений, заинтересовавших пользователя, данные о выбираемом цвете и размере, данные о завершенной транзакции для исключение пользователей из дальнейшей аудитории компании, и другие.

Традиционные данные в RTB расширяются дополняются и становятся более точными и прозрачными. Становится доступной страница показа, ее описание, страница, предшествовавшая показу, точные данные об устройстве, с которого пользователь просматривает страницу, и точное время, произошедшее с того или иного события, например, с момента выхода сайта рекламодателя либо с момента просмотра предыдущего объявления. Такое уточнение — это принципиально новые возможности по анализу интентов, по распознаванию намерений аудитории. Например, данные о том, что пользователь находится на сайте в сегменте Блоги, что его трафик является мобильным и что он из Хабаровска не сопоставимы по точности со знанием о том, что в данный момент пользователь читает страницу с мета-описанием новинок на рынке мобильных устройств, что делает он это с планшета определенной модели, а попал на эту страницу с поисковой системы по запросу "смартфон с поддержкой двух сим-карт". Это не полный список новых возможностей, есть и другие данные, другие доступные таргетинги. Среди них можно отметить возможность таргетинга по внешним данным, становятся доступными данные внешних участников. А в ряде случаев имеется обратная связь с SSP.

Становится доступным постороение эффективных кросс-канальных кампаний, а также учет наблюдений из social-media окружения и результаты анализа big data.

Работа с данными является важным слагаемым успешного онлайн-бизнеса, и ее результаты должны учитывать не только в маркетинге. Эффективное планирование закупок и логистика, построение качественного клиентского сервиса — на эти и многие другие процессы результаты анализа базы данных оказывают самое непосредственное влияние. Для рекламных же компаний работа с данными и RTB в целом делают возможность полную прозрачность процесса показа рекламы на уровне любого таргетинга, единые настройки для работы с системами, имеющими различную архитектуру, общие глобальные ограничения, такие, как частота показов, посещаемость страницы аудиторией, в целом, лучшее понимание аудитории и трансляция в другие каналы.

Теперь от данных перейдем к другому не менее важному аспекту медийных кампаний и RTB, в частности — к рекламным материалам. Тут стоит напомнить, что RTB основано на CPM ставки для каждого отдельно взятого аукциона. То есть, в конечном итоге покупаются показы. А это значит, что дальнейшее развитие событий, клик или целевое действие, зависит только от рекламодателя.

Статические креативы доступны в любых рекламных сетях. Они создаются полностью вручную, что дает свободу творчеству, но, с другой стороны, накладывает ряд ограничений. Дело в том, что креативы необходимо, во-первых, сегментировать, чтоб не показывать одинаковые баннеры всей аудитории во всех случаях, и, во-вторых — необходимо их тестировать, чтобы быть уверенным в оптимальности показываемого баннера. Таким образом, объем заданий для ручной перерисовки зависит прямо пропорционально от качества сегментов и тестов. Чтобы создать и опробовать все гипотезы крупного магазина, потребовалась бы огромная работа. На помощь приходят динамические шаблоны.

Для наполнения баннера используются готовые изображение товаров. Баннер подготовлен заранее, но материал в нем динамический, и соответствует, например, определенной товарной категории. Такие баннеры могут использоваться не только в RTB, но рекламная система должна поддерживать флеш-баннеры либо в html 5, и уметь модерировать такие подборки. При таком подходе достаточно легко тестировать различные сочетания товаров, но у баннера по-прежнему одна ссылка, и есть другие ограничения по содержанию, обусловленные техническими особенностями.

RTB предоставляет возможность определять баннер, участвующий в торгах, непосредственно в момент самого аукциона. Таким образом, появляется возможность генерировать уникальный, наиболее соответствующий контекст баннера на лету. Мы избавляемся от предварительно настраиваемых креативов, управление медиа-материалами становится программным. Через специальный интерфейс конструктора настраивается внешний вид и алгоритмы сборки креатива. При таком подходе возможности по тестированию различных элементов практически безграничны. И полностью находятся в руках менеджера. Помощь дизайнера требуется только для добавления внутрь креатива чего-то принципиально нового.

Такие баннеры часто ассоциируются с динамическими или товарными таргетингами. Но это не единственное их применение. Для пользователей, не посещавших сайт рекламодателя, это возможность также генерировать уникальный баннер на лету, учитывая имеющиеся параметры. В одном баннере динамического креатива — много URL. Новые виды таргетингов и креативов не вытесняют традиционные полностью, но расширяют их и делают более богатыми и расширяют набор способов коммуникации с пользователем. Формула эффективности и так называемое "золотое правило" в рекламе существует многие десятки лет, и сегодня в медийной рекламе она может быть реализована полностью.

Таргетинг по местам размещения остается важной возможностью, так или иначе пользователь демонстрирует свои интересы и намерения в сети. Модель потребления контента на различных типах онлайн ресурсов, таких, как новостные порталы, почтовые сервисы, социальные сети, существенно отличается, и это необходимо учитывать. Знания о том, сколько времени прошло с момента того или иного взаимодействия пользователя с сайтом, позволяет оптимизировать стратегию и избежать ошибочного таргетинга. Комплекс данных о пользователе сопоставляется с полученными в результате аналитики паттернами, вырабатывается стратегия торгов и показов. По результатам анализа делаются выводы о том, какие именно матераилы или товары из огромной базы показать на каких аспектах товарного предложения. Реальные данные крайне динамичны. Вчерашние интенты и стратегии не обязательно будут работать сегодня. Все сегменты и метрики регулярно пересчитываются в соответствии с постоянно добавляющимися данными. Система таргетинга обучаются в режиме реального времени с учетом результатов череды непрекращающихся тестов.

RTB открывает новые возможности, но и становится новым вызовом для всех участников рынка. Аналитические знания, математический подход, анализ данных — все это становится более востребованным теперь и в медийной рекламе.

В онлайн-рекламе всегда можно было выделить три основных аспекта — это креатив, аналитика и технологии. И технологии все глубже проникают в другие процессы. С переходом все большей части рекламного инвентаря на RTB медийная реклама становится в один ряд с поисковой, как эффективный масштабируемый инструмент привлечения новой аудитории.

Нельзя игнорировать доступные данные. Даже если не понятно, как их использовать сейчас, то нужно, по возможности, хранить их, и в один прекрасный момент они смогут стать фундаментом для новых эффективных компаний.

Обзор подготовила Александра Кирьянова