Как увеличить продажи и повысить рентабельность инвестиций с помощью данных и машинного обучения

Алгоритмы интернет-рекламы работают на большом количестве сигналов. Такие отрасли, как электронная коммерция и мобильные игры, предоставляют достаточно данных для обучения этих алгоритмов. Таким образом, подходы, широко используемые рекламными платформами, такими как Google и Facebook, позволяют эффективно нацеливать и привлекать желаемую аудиторию.

Однако во многих других отраслях, где количество сигналов меньше, целевой коэффициент конверсии намного ниже контрольных показателей каналов. Если вы окажетесь в такой ситуации, жизненно важно переключиться и использовать свои данные с помощью машинного обучения.

Мы объединились с Константином Баяндиным, основателем рекламного стартапа Tomi.ai, чтобы обсудить возможности онлайн-маркетинга, которые можно раскрыть с помощью машинного обучения.

В качестве директора по маркетингу и руководителя отдела обработки данных и аналитики OZON.ru (российский аналог Amazon) я руковожу развитием маркетинга, основанного на данных, в компании. В электронной коммерции существует множество ценных конверсий (покупок) и множество данных, которые можно нарезать и обрезать. Переехав в США, чтобы работать в компании Compass, высокотехнологичной брокерской компании по недвижимости, я обнаружил проблему. Переключившись на недвижимость с онлайн-рекламы и электронной коммерции, я был потрясен тем, насколько сложным был онлайн-маркетинг для этой отрасли. Главной проблемой было чрезвычайно низкое количество конечных конверсий, поскольку люди редко покупают дома или квартиры. Для сравнения: в США ежегодно совершается всего 5 миллионов сделок с недвижимостью.

Из-за этого конверсии происходят крайне редко. Грубо говоря, вам повезло даже получить одну транзакцию на 10 000 посетителей сайта. Коэффициент конверсии в транзакции составляет 0,01% или меньше. Таким образом, маркетологи не могут использовать интеллектуальные ставки: стратегии автоматического назначения ставок, предлагаемые рекламными платформами Google и Facebook. Они должны либо максимизировать количество кликов, либо оптимизировать события веб-сайта в середине воронки (например, сбор контактов). Ценность этих конверсий не всегда ясна, поскольку люди часто отправляют свои контактные данные по причинам, не связанным с покупкой.

Возникает вопрос, почему некоторым отраслям труднее с онлайн-маркетингом? Почему у них низкие коэффициенты конверсии и низкая рентабельность инвестиций? Я считаю, что для этого есть пять основных причин:

1. Очень специфическая аудитория: независимо от того, сколько усилий приложит маркетолог, только 5% целевых людей купят или продадут недвижимость в следующие 12 месяцев.
2. Наличие автономных компонентов: например, необходимость подписывать договор о недвижимости на бумаге и лично.
3. Длинные циклы продаж: по данным Zillow, покупка дома занимает в среднем 4,5+ месяца. Между тем, в автомобильной отрасли люди обычно тратят недели или месяцы на выбор автомобиля и еще пару недель на завершение сделки.
4. Крупные транзакции: Как вы можете себе представить, все вышеперечисленное может быть довольно дорогостоящим. И, естественно, чем выше сумма, о которой идет речь, тем дольше может длиться процесс принятия решения.
5. Регулирование: хотя это не обязательно является важным фактором во всех отраслях, оно, безусловно, касается недвижимости и финансов. Эти отрасли жестко регулируются, чтобы обеспечить равный доступ к жилью и кредитам. Например, Закон о справедливой жилищной защите запрещает использование большинства таргетингов, связанных с маркетингом недвижимости, таких как пол, возраст, раса и геолокация.

Если в вашем бизнесе есть хотя бы три из пяти компонентов, упомянутых выше, у вас, вероятно, низкий коэффициент конверсии. В этом случае вам нужно быть очень осторожным с управлением вашими данными. Подумайте о том, чтобы внедрить машинное обучение в своих интересах: оно может помочь замкнуть цикл обратной связи для ваших будущих транзакций, связав их со спросом, существующим в верхней части воронки.

Вдохновленный этой задачей, я создал решение, которое прогнозирует вероятность будущих покупок, используя машинное обучение и данные о поведении посетителей веб-сайта. Tomi.ai — это платформа, помогающая онлайн-маркетологам более чем удвоить окупаемость инвестиций в рекламу с помощью машинного обучения, поведенческих данных сторонних производителей и интеграции API. Это открывает возможности для отраслей, где онлайн-маркетинг является проблемой, таких как недвижимость, банковское дело, страхование, EdTech и SaaS.

Для наших клиентов из сложных отраслей мы активируем прогностические оценки в их рекламных аккаунтах в качестве пользовательских конверсий с ожидаемой суммой ценности. То есть мы рассчитываем ожидаемый доход, который может получить посетитель веб-сайта, исходя из уровня его взаимодействия с веб-сайтом. Мы рассматриваем это как завершенную покупку, а затем максимизируем этот показатель. В результате наши клиенты могут показывать свою рекламу активно заинтересованным пользователям с высокой ожидаемой ценностью жизненного цикла.

Машинное обучение — двигатель современного онлайн-маркетинга. На мой взгляд, маркетологам нужно развиваться в аналитиков или специалистов по данным, потому что маркетинговые проблемы часто имеют математические решения. Операции онлайн-маркетинга, по сути, напоминают задачу оптимизации в математике, где необходимо увеличить определенный параметр (например, доход) в ситуации бюджетных, канальных и других ограничений.

Вся цель использования машинного обучения в онлайн-маркетинге состоит в том, чтобы закрыть петлю обратной связи от покупок и событий верхней части воронки.

Можно построить прогностические модели на всех этапах воронки. Мы делаем это, прогнозируя вероятность конверсии на основе раннего поведения пользователей. Затем мы выражаем это через вероятность покупки и прогнозируемую стоимость покупки.

Задача, стоящая перед профессионалами в области маркетинговых технологий, состоит в том, чтобы придумать способ замкнуть эту петлю обратной связи и создать основанную на ценности двойную аудиторию на основе LTV, созданного такими моделями. Им также необходимо найти эффективный способ информирования своих решений о ставках на рекламной платформе, используя ранние сигналы и микроконверсии, которые происходят на ранних этапах процесса. Затем смешайте их с алгоритмами машинного обучения, чтобы создать единую метрику прогнозируемых конверсий и продаж, вместо использования конечных конверсий (которые случаются редко).

Если у Google и Facebook уже есть машинное обучение, зачем маркетологам внедрять машинное обучение самостоятельно?

1. Машинное обучение расширяет сигнал

Как правило, сайт с низкой конверсией будет иметь много пользовательских сеансов. Например, средний проект электронной коммерции будет иметь коэффициент конверсии 2%, а это означает, что только 2 из 100 сеансов будут иметь ненулевое значение. Уровень их сигнала равен 100%.

Машинное обучение помогает нам понять вероятность конверсии из ранних событий в каждом сеансе и присвоить ей ненулевое значение. Мы можем определить 25% посетителей веб-сайта, уровень сигнала которых варьируется от 2% до 10%. Такой подход дает нам более широкую аудиторию с более слабым сигналом, который можно использовать для создания сегментов.

2. Машинное обучение способно рассчитать ожидаемый дополнительный LTV

Это поможет вам понять, насколько эффективна кампания и достигнет ли она целевого значения в будущем , даже до того, как произойдут фактические конверсии.

3. dLTV можно использовать для оптимизации рекламных ставок.

Вы можете оптимизировать свои ставки, используя прогнозную атрибуцию на основе машинного обучения, чтобы понять ожидаемую эффективность вашей кампании.

Предположим, вы запускаете рекламу в Google с большим количеством ключевых слов. Вы потратили определенную сумму на каждое ключевое слово, достигли определенного показателя продаж и разделили свои продажи на рентабельность инвестиций. Вы отсортировали эти ключевые слова, расположив их в порядке убывания их ROI, затем отложили 100 % затрат (совокупно) по оси X и отложили все бизнес-результаты в виде продаж или прибыли по оси Y. Сделав это, вы получите свою «кривую производительности»:

Цель использования маркетинговых технологий — убрать ненужный контроль. В этом случае нам нужно удалить плохие ключевые слова, которые негативно влияют на рентабельность инвестиций. Вы не можете позволить себе инвестировать в эти ключевые слова, поэтому их соответствующие бюджеты могут быть сокращены.

Используя новые и более эффективные методы, вы можете изменить саму кривую производительности. Вы можете добиться более высокой эффективности с тем же бюджетом и ключевыми словами. Чтобы проиллюстрировать это, еще в OZON.ru в 2016 году мы использовали модификаторы ставок на основе машинного обучения для поисковой рекламы и, таким образом, помогли Google и Яндексу привлечь более качественную повторную аудиторию.

В результате ваш доход растет, вы получаете более высокую рентабельность инвестиций, чем ваша целевая цифра, и это помогает вам открывать новые возможности. Например, инвестируя в новые ключевые слова и увеличивая расходы, вы можете добиться более высоких результатов по целевому показателю рентабельности инвестиций.

Возможно, мы являемся пионерами машинного обучения для предиктивного маркетинга в таких отраслях, как недвижимость, банковское дело и SaaS. Сама идея оценки пользователей и использования этой оценки в целях оптимизации пришла из игровой индустрии. Мобильные игры часто бесплатны, но есть возможность купить их в игре. «Киты», как их называют в игровой индустрии, — это группа игроков, которые составляют всего 1% от общего числа игроков, но при этом способны оплачивать стоимость всех игроков посредством своих внутриигровых покупок.

Все игры такого рода предназначены для увеличения доли тех, кто много тратит, и, что наиболее важно, для выявления потенциальных транжир. В течение долгого времени в отрасли было известно, что менеджеры по продуктам используют данные для прогнозирования LTV, чтобы информировать свои решения.

Мобильные игровые приложения уже имеют интеграцию с Google, а позже и с Facebook для передачи данных онлайн-событий. Чтобы оценить вероятность того, что игрок станет «китом», маркетологи используют данные о первых днях игры игрока. Затем они производят синтетическую конверсию «качественной установки», отправляют это событие в Google UAC, а затем оптимизируют для качественной установки, а не для обычной установки.

Мы реализуем следующие стандартные интеграции для наших клиентов:

1. Пиксель Tomi.ai: вам необходимо установить пиксель Tomi.ai на свой веб-сайт для сбора поведенческих данных: таких как страницы, посещенные пользователями, продолжительность пребывания на определенных страницах и клики. Алгоритм машинного обучения будет сортировать все эти сигналы, чтобы найти те, которые обеспечивают наиболее точные прогнозы будущих конверсий. Например, люди, которые действительно собираются купить дом, воспользуются ипотечным калькулятором и найдут ближайшие школы. Эти факторы дадут переменные, которые будут использоваться машинным обучением для прогнозирования вероятности конверсии в покупку.
2. Интеграция с CRM: мы просим клиентов предоставить свои завершенные каналы транзакций (исторические данные). Используя хешированные адреса электронной почты и номера телефонов, представленные на веб-сайте в качестве анонимных идентификаторов, мы можем связать офлайн-транзакции с онлайн-активностью людей. Мы используем выборку исторических данных за один месяц (или больше) для обучения наших моделей поведению людей и вероятности последующих покупок.
3. Интеграция API: наконец, мы передаем эти данные обратно в рекламные аккаунты. Мы запрашиваем доступ к маркетинговым API для подключения и загрузки синтетических конверсий и прогнозируемых данных об аудитории в Google и Facebook.

Наиболее важным фактором для машинного обучения является количество достигнутых положительных результатов — сколько конверсий мы смогли зафиксировать. Теоретически достаточно 20 покупок, но на практике мы пытаемся выделить как минимум 100 покупок, которые мы можем связать с онлайн-поведением. Как правило, мы стремимся обучить модель, используя несколько сотен или тысяч покупок. Важно, чтобы мы достигли хотя бы первых 100 положительных результатов в течение периода сбора данных, что обычно происходит в первый месяц работы (или дольше, если конверсий мало).

По нашему опыту, основным критерием качества данных является доля офлайн-заказов, которую мы можем связать с онлайн-активностью клиентов. Основная идея заключается не только в интеграции сайта и CRM-системы, но и в сборе анонимных идентификаторов файлов cookie. Обычно для этого используется Google Analytics ID. Вам необходимо собрать идентификаторы Google Analytics пользователей, а затем подключить этот идентификатор в CRM на всех последующих этапах: квалификация лидов, поддержка продаж, оформление контракта и т. д.

Ценность машинного обучения заключается не в данных, содержащихся в одной таблице. Он заключается в качестве связи между несколькими таблицами.

Ценность данных не в данных, а между данными.

Это означает, что ценность заключается не просто в наличии таблиц, а в соединении нескольких таблиц вместе, чтобы разблокировать дополнительную ценность. Возможность связать эти таблицы онлайн-поведения с таблицами заказов чрезвычайно важна для маркетологов.

Если рекламные кампании никогда не выходят за рамки этапа обучения (а это может быть в случае чрезвычайно редких конверсий), вы можете что-то сделать с помощью машинного обучения.

Если вы все еще максимизируете количество кликов на веб-сайте, вы уже отстали от времени. Если вы оптимизируете свою рекламу для сбора контактов, а эти контакты плохого качества (лишь 5-10% контактов конвертируются в продажи), машинное обучение, скорее всего, улучшит ситуацию.

Я хочу подчеркнуть, что вам не нужно быть специалистом по данным, чтобы начать. Погрузитесь в воду и узнайте, что машинное обучение может сделать для ваших маркетинговых кампаний. Поскольку отрасли продолжают становиться все более взаимосвязанными, сейчас самое время добавить новые технические инновации в свой набор инструментов.