Upload
rusbase
View
376
Download
2
Embed Size (px)
Citation preview
Опыт использования геоаналитики для объединения digital и наружной рекламы
или «вторая жизнь» наружной рекламы
Технологический партнер МегаФон в сервисах на основе Больших Данных
2Мы делаем рекомендательные сервисы для B2B клиентов
Holdings
Два R&D центра в России
МоскваНижний Новгород
Основан2015
R&D начат2011
Команда:
50+ математиков и разработчиков
Uber
Alibaba
Xiaomi
Airbnb
Spotify
2ой по величине оператор мобильной связи в России
MegaFon
глобальный игрок на рынке железной руды и стали
Metalloinvest
крупнейшие социальные сети в России
group
тв и другие популярные медиа
Media
Инвестиции
Как работает геоаналитика:охват всего населения за счет технологических решений и алгоритмов
3
2) алгоритмы над данными
Алгоритм геомаппинга
1) сетевые и технологические платформы
29%98%
Доля рынка
оператора
Охват всего населения страны
Тех. решения и алгоритмы
Георекомендательный сервис охватывает все население РФ
4
1. Основа данных о покупательском потоке – ручные замеры вблизи поверхностей на крайне малой выборке
2. Соц-дем профилирование потока для выделения ЦА на основе опросов
3. Моделирование трафика, сложно поддающегося ручного замеру
4. Отсутствие учета сезонности, обновление данных – раз в несколько лет
5. Невозможность измерить конверсионный эффект от размещения
Существующие инструменты медиаизмерений наружной рекламы устарели и не обладают достаточными данными для реальной оценки эффективности размещения
Недостатки существующих инструментов медиаизмеренийнаружной рекламы
5
Основа нового подхода к измерениям – реальный геотрекпокупательского потока + собственные алгоритмы улучшения качества данных
Погрешность:
>3,5 км за городом
>2,4 км в городе
Погрешность:
0,6 км за городом
0,3 км в городе
Сырые данные После применения алгоритма геомаппинга
6
1. Стандартное профилирование потока по полу, возрасту и доходу
2. Глубокое сегментирование целевых аудиторий: клиенты программы лояльности, любители бега, потенциальные покупатели Porsche, посетители определенных локаций и др.
3. Выделение типа движения (пешком, авто и др.) и учет направления движения
4. Таргетирование по факту контакта с медиаповерхностью
5. Omnichannel размещение с digital media
В итоге мы получили:Возможность выделения узкой целевой аудитории
Профилирование узких целевых аудиторий на основе поведенческих моделей машинного обучения
7
В итоге мы получили: Оптимизация размещения в режиме реального времени на цифровых поверхностях
Возможность анализировать данные о покупательском потоке вблизи медиаповерхности в режиме реального времени…
… Позволяет оптимизировать размещение рекламных сообщений на основе расчетов уровня концентрации целевой аудитории в покупательском потоке
8
Целевая аудитория ритейлера: >80% населения Москвы, при этом в анализе она профилируется по частоте посещений магазинов ритейлера
Задача: увеличить количество клиентов за счет оптимизации размещения
Методика анализа: 1. Найти связь между покупками в магазинах
ритейлера и контактами с рекламной поверхностью.
2. Произвести оптимизацию размещения наружной рекламы ритейлера на основании функции отклика, учитывающей факты контакта с рекламными поверхностями, для увеличения количества клиентов в апреле 2016
Кейс: оптимизация медиакампании для фуд-ритейла
Цель – максимизировать конверсионную составляющую
- магазины ритейлера- размещение OOH, апрель 2016 ** оптимизация проводится по определенному набору щитов в
Москве: биллборды и суперсайды (590 поверхностей). Не учитывались ситиборды и мелкие поверхности
Кейс: оптимизация медиакампании для фуд-ритейла
9
Для определения влияния факта контакта с рекламной поверхностью на среднее количество посещений магазинов был проведён A/B тест
Население Москвы было разделено на целевую и контрольную группы, идентичные по следующим характеристикам:• проживание и паттерны геоперемещений• соц-дем параметры (пол, возраст, доход)• кол-во посещений магазинов и контактов с
рекламной поверхностью в марте 2016 года
Исследование влияния количества контактов с рекламной поверхностью на количество посещений ритейлера в апреле 2016 позволило сформировать функцию отклика
• Для значимого увеличения частоты покупок необходимо увеличение кол-ва контактов с рекламной поверхностью на >= 5 – оно дает в среднем +0,5 посещений магазина в месяц
• Функция отклика выступает базой для оптимизации, показывая зависимость между увеличение количества контактов с рекламной поверхностью и прирост в средних помещениях магазинов
10
1. Увеличение количества посещений магазинов ритейлера с 2.3 в среднем в месяц до 2.5 в среднем за апрель 2016 = +6% покупок
2. Алгоритм отдаёт предпочтениедиверсификации щитов, распределяя их по всему городу более равномерно
большим дорогам по сравнению с размещениями в жилых районах
Оптимизированная адресная программа формировалась на базе построенной функции отклика с помощью собственного алгоритма отбора поверхностей с максимальной концентрацией целевой аудитории
Кейс: оптимизация медиакампании для фуд-ритейла
Результаты оптимизации
- старое размещение OOH, апрель 2016- оптмизированное размещение OOH
11
• планировать традиционные OOH рекламные кампании на любые целевые аудитории (социально-демографические, потребительские) во всех населенных пунктах России
• определять необходимое количество и географию расположения рекламных поверхностей оптимизируя охват на эффективную частоту
• учитывать сезонные изменения в трафиках потоков для уточнения адресных программ.
Что дальше? Инновационный подход к измерению и планированию в наружной рекламе
Методология основанная на использовании технологий геоаналитики позволяет
12
Внутренний тест:• возможность достижения того же охвата на 30-
40% дешевле• возможность при тех же значениях рейтингов
TRP увеличивать охват на 10-30%
Что дальше? Вторая жизнь рынка наружной рекламы:объединение с digital рекламой
Совместный запуск продукта –таргетированной цифровой наружной
рекламы