Кейс MediaNation и Finn Flare: как увеличить ROI в 2 раза при помощи предиктивной аналитики

Заказчик

Finn Flare — международный бренд одежды, который входит в топ-15 крупнейших компаний фешен-ретейла России.

Задача

Повысить эффективность рекламных кампаний и привлечь больше покупателей на сайт без увеличения затрат на рекламу.

Решение

Использовали платформу предиктивной аналитики StreamMyData (входит в MediaNation), которая позволяет прогнозировать совершение целевого действия пользователем на сайте в течение выбранного горизонта предсказания в днях. 

В качестве источника данных система подключается к «Яндекс Метрике», собирая информацию о поведении пользователей и формируя комплексный профиль в каждом из сегментов. После обучения создается таблица, в которой указана вероятность выполнения целевого действия для каждого пользователя, а также его уникальный идентификатор.

Данные использовали для формирования сегментов покупателей в зависимости от вероятности выполнения целевого действия. Затем полученные сегменты загрузили в «Яндекс Аудитории». 

Рассмотрим создание проекта в StreamMyData Для настройки «быстрых предиктов» необходимо выполнить несколько действий:

• Настроить подключение к аккаунту «Яндекс Метрика».

• Выбрать нужный счетчик «Яндекс Метрики» и цели для обучения системы.

• Выбрать горизонт предсказания.

*Дополнительно можно задать желаемое количество аудиторий с пользователями после обучения системы, включить доступ к API (Application Programming Interface — набор правил, по которым приложения или части программы общаются друг с другом) и получать значения прогноза по конкретному пользователю через API-интеграцию.

После настройки необходимо нажать «Запустить предикт», и спустя несколько часов аудитории пользователей будут готовы. Отметим, что сформированные сегменты обновляются ежедневно, что позволяет поддерживать постоянную актуальность данных.

Для Finn Flare настроили проект, где в качестве цели выбрали «Ecommerce: покупка», а горизонт прогнозирования составил 7 дней. 

Пользователей разделили на пять аудиторий. В целях обучения системы выгрузили данные о сессионной активности за 3 месяца — этого объема оказалось достаточно для настройки моделей машинного обучения.

Результат

Для точной оценки работы и эффективности рекламной кампании проанализировали некоторые показатели до и после внедрения наших сегментов.

После сравнения получили следующие показатели:

Процент конверсий увеличился в среднем до 2,5%, что в 4 раза больше, чем до внедрения.

Например:

• Сегмент high: CR (Conversion Rate — коэффициент конверсии) ~4,7%. До внедрения — 0,57%.
• Сегмент slightly_high: CR ~ 2,5%. До внедрения — 0,57%.

CPA уменьшился в среднем на 67%, а CTR (Click-Through Rate — показатель кликабельности), наоборот, увеличился в среднем на 41%.

Например:

• Сегмент low: CTR — 0,87%; CPA (Cost per Action — цена за действие) — 1151,3 руб. CPA уменьшился на 68%, а CTR увеличился на 55% в сравнении со значениями до внедрения.

ROI (Return On Investment — возврат инвестиций) стал выше в 2 раза.

Например:

• Сегмент slightly_high. ROI ~ 3,0. До внедрения — 1,4.
• Сегмент slightly_low. ROI ~ 3,3. До внедрения — 1,4.

Все пять сегментов превосходят стандартные стратегии «Яндекса» почти по всем ключевым показателям. Их CTR выше, чем у аудитории до корректировок (базовых стратегий «Яндекса»). Конверсия в 2–8 раза выше, а CPA в 2–4 раза ниже. 

ROI у сегментов также выросло: в феврале — 2,7 против 1,4 у аудитории до изменений, а в январе — 6,5 против 3,7. Это означает, что на каждый рубль расходов в сегментах приходится больше целевых действий и прибыли.

Сегменты, охватывающие всего около 15% рекламных расходов, уже генерируют около четверти всей прибыли канала.

Например:

• Сегмент slightly_high: ~4,2% бюджета, но составляет ~8,5% прибыли.
• Сегмент slightly_low: ~4,1% бюджета, но составляет ~8% прибыли.
• Сегмент low: ~2% бюджета, но ~3,2% прибыли.

Сравнивали показатели сегментов в течение нескольких месяцев после корректировки. На основе данного сравнения сделали несколько основных выводов:

• Даже при расширении охвата сегменты StreamMyData показывают лучшую эффективность — они приносят больше прибыли с каждого рубля, чем обычная аудитория.
• Базовая стратегия «Яндекса» без корректировок деградирует: при одинаковых бюджетах рост трафика не приводит к соразмерному росту конверсий, снижается ROI.
• Сегменты стабилизируют кампанию: хотя общий рынок в феврале просел, точечное таргетирование удержало рентабельность на приемлемом уровне и сдержало рост CPA.

Вывод

Подключение предиктивной платформы StreamMyData позволило точнее отбирать аудиторию, склонную к покупке, и перенаправить показ объявлений именно на этих пользователей. В результате рекламные кампании стали заметно эффективнее: клиенты чаще переходят по объявлениям, охотнее совершают целевые действия, а стоимость привлечения одного покупателя ощутимо снизилась. 

При этом общий бюджет остался на прежнем уровне, что привело к существенному росту отдачи от рекламы и увеличению прибыли канала.

Таким образом, использование поведенческих сегментов на основе моделей машинного обучения доказало свою ценность как устойчивый способ повышения результативности кампаний без дополнительных вложений.

Сотрудничество с командой MediaNation дало нам ценные инструменты для более точной работы с аудиторией. Использование поведенческих сегментов позволило переосмыслить подход к управлению рекламными кампаниями и сосредоточиться на наиболее перспективных группах пользователей. Мы видим потенциал в таком подходе и уверены, что он поможет нам и дальше повышать отдачу от рекламных вложений.

 

Татьяна Фиманова, руководитель отдела рекламы Finn Flare