Возможности Facetz.DCA для Google DBM
Круглов Константин CEO & Co-founder
Анна Кузьменко Cookie Monster
Данные Facetz
от 1 секскорость обновления данных
2 мес.«глубина» данных
89%пользователей Рунет
500 млнкук в месяц
2000+сегментоваудитории
30+партнеров-поставщиков данных
50 000новых фактов в секунду
2 кмточность геопозиции
Эксклюзивот нескольких поставщиковданных
eTRUSTсертификат надежногои безопасного хранилища
Сегменты Facetz в DBM
Предпочтения Намерения
Географияместо проживания и работы, командировок и путешествий
Демографияпол, возраст, семейное положение, уровень дохода
лояльность к бренду, привычки в шопинге и досуге, интересы
планирование покупки, выбор автомобиля или страны поездки
Психотипрациональные/иррациональные, экстраверты/интроверты и тревожные
Ad HocLook-alike, экстраполяция, тюнинг кампаний
ПроприетарныеПостроены проприетарными методами клиента
Data LiftБрендированные сегменты внешних поставщиков данных
STARTERS• В “always-on” доступе стандартное меню: демография, география, предпочтения, намерения
DESSERT• Психотипы
SPECIALITIES• Наши повора-аналитики по запросу приготовят для вас специальные Ad Hoc сегменты, наилучшим образом подходящие для конкретной рекламной кампании
• Data Lift - блюда смежной кухни, доставлены свежими специально для вас
EXCLUSIVE• Проприетарный таргетинг - предложение для избранных (см далее)
A la carte
Наблюдения клиентов
Недвижимость ФармаАвто
Пол + Возраст
CTR > 2,5%CPV > 90%
Новые сеансы 99%Показатель отказов на 20%Время на сайте на 30%Коэф конверсии цели на 4%
Итого: показатели лучше, чем реклама на Yandex Direct
Тест 4-х поставщиков данных
Результаты Facetz.DCA:
Лучший Pre-click – ↑CTR, ↓СPC
Лучший Post-click – ↑ Страниц/сеанс, показатель отказов ↓
Интерес + Намерение
Bounce rate в 2 раза ниже среднего
Глубина просмотра в 1,75 раз выше среднего
Время на сайте в 3 раза выше среднего
Более сложные сценариидля продвинутых
DataLift.DCA
*Gartner определяет термин «Темные Данные» («Dark Data») как информационные массивы, которые организация собирает, обрабатывает и хранит в течении регулярных бизнес активностей, но обычно не использует для других целей (например аналитики, бизнес отношений или просто прямой монетизации). Хранение и обеспечение сохранности таких данных обычно требует больше затрат (и иногда большего риска), чем приносит ценности. Получение дополнительной ценности из “Темных Данных” является актуальной задачей для многих компаний.
ПОДНИМАЕМ «ТЁМНЫЕ ДАННЫЕ» К СВЕТУ
ВЛАДЕЛЬЦЫ ДАННЫХ
«DARK DATA»
ДАННЫЕ
ПЛАТФОРМА DataLift.DCA
$
Синхронизация идентификаторов,
матчинг и нормализация
Тюнинг
Сегментация и форматирование таксономии
Биллинг Статистика
Интеграция с системами потребителя
Рекламные платформы, включая
Google DBM
CPA-сети
CRM
Scoring
ПОТРЕБИТЕЛИ ДАННЫХ
Проприетарный таргетинг как конкурентное преимущество
Банк “Ракета”
Обычный таргетинг
Онлайн заявка
Традиционный скоринг
Поведенческий скоринг
Проприетарный таргетинг
Онлайн заявка
Традиционный скоринг
Поведенческий скоринг
Обычный банк
80 000
20 000
4 000
80 000
80 000 000
40 000
40 000
20 000
4 000
Потратил $X на покупку 80 000 лидов (заявок), которые привели к 4 000 клиентам
Потратил в два раза меньше при привлечении такого же количества клиентов,
купив 40 000 лидов вместо 80 000
Проприетарное моделирование
DataCloud Framework
DataCloudПроприетарный таргетинг как конкурентное преимущество
Проприетарные данные
плохие заёмщикихорошие
заёмщики
DMP Facetz.DCA
Рекламные кампаниибанка “Ракета”
Targeting: raketa.score >= 600
raketa.score
Банк “Ракета” DataCloud.DCA
Analytical Engine
75 млнжителей РФ…
raketa.model: экстраполяция скорингового балла
raketa.model: …
Проприетарные модели банка
Исходный код (source code)
Бинарный код (bin)
Где еще доступны сегменты