Moscow.Digital: как таргетировать онлайн-рекламу по геоданным | SEO кейсы: социалки, реклама, инструкция

Каждой теме отводится три встречи: 1-ые две для погружения в тему, 3-я – для обсуждения и подведения итогов.

Представляем обзор 1-го из вводных митапов по практическому использованию офлайн-данных о юзерах для таргетинга онлайн-рекламы, который состоялся сначала апреля 2018.

Открыл встречу Виталий Щербаков, управляющий по машинному обучению и анализу данных в компании Мегафон, который представил доклад о монетизации великих данных.

Мегафон собирает 5 типов данных о абонентах:

• Демографические(пол, возраст).
• Нрав употребления(ключевые интересы).
• Геовременные данные(данные по базисным станциям, онлайн-геоданные).
• Круг общения(информация о звонках и смс).
• Платежеспособность(данные по ARPU, растраты на сервисы связи и остальные сервисы).

Но какой бы крутой метод не был, ежели на входе в него запихать сырые неочищенные данные, на выходе вы не можете получить что-то стоящее. Потому что главная тема данной серии митапов – внедрение геоданных, Виталий досконально поведал, как они употребляют их.

Работа с потоками абонентов:

• Извлекаемые инсайты. Информация о посещаемости и профилированию гостей в конкретных точках: сколько жителей нашей планеты проходят через точку, кто они, когда навещают эту точку.
• Образцы use кейсов: оптимизация расположения точек продаж и базисных станций.

Работа с секторами абонентов:

• Извлекаемые инсайты. Информация о паттернах перемещения и употребления для конкретных частей народонаселения: куда нередко прогуливаются эти люди, когда они туда прибывают, какие черты поведения отличительны для их.
• Образцы use кейсов: оптимизация предложения телеком-услуг, выявление домохозяйств.

Дальше Виталий перешел к описанию процесса разработки предсказательных и описательных моделей. Главные этапы творения:

• Самый трудозатратный шаг – подготовка данных(сбор и очистка, формализация задач),
• Построение модели(генерация гипотез и вероятных переменных),
• Применение результатов/тестирование по результатам которого модель может запуститься в реализацию.

Завершил выступление Виталий несколькими кейсами по применению предиктивных и описательных моделей:

Кейс 1. Next best action. Ситуация последующая: у отдела обработки данных в великом телекоме возникает очень много моделей. Все эти модели распространяются на всю базу, и временами на 1-го абонента приходится по несколько предложений. Ежели спамить абонентов офферами по всем каналам, навряд ли им это понравится, следовательно, необходимо выбрать, что непосредственно предложить, с какой скидкой, по какому каналу и в какое время.

Кейс 2. Разумная реакция. Все телекомы работают с оттоками. Когда у соперника выходит новейший тарифный план, модель указывает склонность абонента уйти на этот тариф.

Кейс 3. Фавориты воззрений. Руководителем воззрений будет тот человек, который в группе жителей нашей планеты, к примеру, домохозяйстве, при уходе к соперникам может увести за собой всех других. Модели подсобляют вести работу непосредственно с руководителем воззрений, уменьшая стоимость контакта.

Последующий доклад представил Алексей Князев, сооснователь компании Watcom, с рассказом о том, как можнож объединить данные о посещаемости офлайн-магазина и данные о посещаемости сайта.

Компания Watcom занимается подсчетом и анализом поведения юзеров в торгашеских точках, так именуемый, Shopping Index:

• Кто является гостем.
• Какие магазины навещает.
• Сколько средств расходует.
• Как много медли проводит.
• Что ему нравится.

Shopping Index дозволяет:

• Обосновать эффективность расходования и защитить рекламный бюджет перед инвесторами/клиентами.
• Оперативно оценить эффективность акций и мероприятий.
• Отследить переход офлайн-трафика в онлайн трафик и напротив.

Сходственные технологии могут быть полезны в ряде всевозможных случаев:

Кейс 1. Ежели вы желаете провести маркетинговую кампанию, которая обязана простимулировать посещение торгашеской точки, то необходимо знать, что происходит на базаре. На образце ниже можнож узреть, что дает сходственное познание:

В целом посещаемость не поменялась, но на фоне падения базара, фиксируется рост.

И обратная ситуация, есть рост посещаемости, но в то же время и весь рынок растет, и, вероятно, акция не при чем:

Кейс 2. Оценка потенциала локации. С Shopping Index можнож найти более многообещающие локации для размещения точек ретейла либо ТЦ. Данные дозволяют найти необыкновенности профилей посещаемости локаций в зависимости от их черт в будние и выходные дни.

Кейс 3. Профили городов по покупательской активности с учетом праздничков, выходных, погоды, местных событий и т.д.

Закрыл митап Андрей Корохов, менеджер по инновациям маркетинговой группы Publicis, который поделился опытом работы с нуждами клиентов(в данном случае больших FMCG-корпораций).

Актуальные потребности клиентов можнож поделить на два тренда:

• Поиск новейших данных. Базисных онлайн-сегментов теснее недостаточно, необходимо отыскивать офлайн-аудиторию для закупки в онлайн. Кооперация с ретейлом – клиенты отыскивают способности применять ритейл для более действенного таргетинга.
• Коммуникации тут и на данный момент. Главно минимизировать время меж маркетинговым контактом и моментом покупки.

Механики, которые отвечают нуждам клиентов:

• Геоданные(рядом с магазином(супергео), в магазине).
• Данные о покупках.

Для геоидентификации юзеров снутри магазина можнож применять несколько решений. Wi-Fi решение будет самым хорошим по охвату, стоимости и скорости воплощения.

Пример применения таковых данных на практике:

В торгашеской точке, где проводилось мероприятие, был установлен Wi-Fi роутер. Все гости, которые к нему подключились, были зафиксированы системой. Спустя недельку сиим юзерам, также настроенной на их базе Look-alike аудитории, был показан баннер компании.

Таковым образом ретейлеры могут демонстрировать юзерам конкретные скидки и предложения, созданные для определенного сектора, к примеру, соучастникам программы лояльности и т.д.

Результат:

• Великим FMCG-клиентам нужен размах, великие и охватные истории. Им не подходят нишевые офлайн-решения.
• Офлайн-данные могут быть применены в трудных категориях, которые не так просто охватить обыкновенными средствами коммуникации(ребяческое кормление, продукты для животных и т.д.).
• FMCG-игроки активно употребляют офлайн-решения с широким охватом от больших игроков вроде Google и Яндекса.

Заключительный митап серии состоится 27 апреля и будет проходить в формате дискуссии. Представители маркетинговых площадок, агентств, больших рекламодателей и ритейл-сетей поделятся воззрениями о геоданных в интернет-продвижении.

Роль безвозмездное, нужна регистрация.