Как мы автоматизировали несколько сотен рекламных кампаний в Директе с помощью нейросети, и к чему это привело

Сегодня расскажем о том, как увеличили число конверсий в два раза, снизив стоимость лида и не потратив денег сверх бюджета, занимаясь контекстной рекламой онлайн-кинотеатра. Фантастика? Нет, ML, собственная платформа, много работы и немного смекалки.
На графике идеальная работа оптимайзера рекламных кампаний, какой мы ее представляем: после старта применения CPL заметно ползет вниз, а количество конверсий — вверх.
*На шкале Расходы реальные суммы расходов заменены на значения от 0 до 10, на шкале Конверсии количественные значения заменены на % для соблюдения NDA

Андата — сервис оптимизации контекстной рекламы и сквозной аналитики. Мы помогаем делать так, чтобы кампании привлекали требуемый объем трафика, при этом оставаясь в рамках бюджета, а стоимость привлечения лида не ломала юнит-экономику клиента.
Про контекстную рекламу
С контекстной рекламой, кажется, все давно понятно и просто: есть некоторый набор ключевых слов, на них поступает объем трафика, который проваливается дальше по воронке. Какие-то фразы приводят к конверсиям, какие-то генерируют только переходы или вообще остаются без внимания.

Трафик стоит денег, самый важный показатель для нас - цена конверсии; основная задача сервиса управлять бюджетом так, чтобы мы выполнили план по конверсиям, не потратив слишком много (иначе экономика не сойдется - пользователей мы покупаем, но денег на это тратим больше, чем они успевают принести клиенту).

Казалось бы, лей бюджет в дешевые конверсии, а кампании с дорогими – выключай, но есть нюанс (и не один).
Особенность клиента
Онлайн-кинотеатр Амедиатека через маркетинговое агентство использовал платформу Андата, чтобы автоматизировать работу с кампаниями, поскольку потенциальный объем корректировок по рекламным кампаниям превышал все возможные человеческие ресурсы, требовалось подключить умную автоматизацию для управления рекламными кампаниями.

Представим, что у нас не один-два продукта, которые мы продвигаем по ключевикам типа «самый лучший сервис контекстной рекламы» — а каталог из нескольких сотен продуктов, колебания спроса на каждый из которых сложно спрогнозировать.

В случае стандартного маркетплейса в арсенале маркетологов есть огромные массивы данных, категории с понятным спросом и сезонностью, акции, распродажи, праздники, тематические подборки и, конечно же, ML-алгоритмы персонализации предложений.

У онлайн-кинотеатра своя специфика. Да, логистика товаров сильно проще :) При этом, главный фактор формирования спроса — это календарь выхода новинок.

Одна из ключевых точек входа для платформы: момент, когда фильм/сериал только вышел, и посмотреть его можно только в кинотеатре или по подписке в онлайне. Желание посмотреть новинку стимулирует решение о приобретении подписки – в этот момент крайне важно привести человека за ней именно на нашу платформу.
Бизнес-цель
Выполнить план по привлеченным лидам, не раздувая бюджет кампании и, главное, не задирая стоимость одной конверсии. Конверсия в данном случае — оплата подписки.
Как обойти конкурентов
Безусловно, существует набор эвристик, которые мы можем отразить в бизнес-правилах при настройке кампаний: от характерных запросов к конкретным тайтлам, до дат выхода новинок (приближающийся релиз второго сезона самое время напомнить о том, чтобы пересмотреть первый), есть ряд серьезных но:
  • во-первых, это не даст нам качественного улучшения относительно конкурента,
  • во-вторых, не позволит реагировать на изменения «в моменте»
  • в-третьих, вынуждает конкурировать высокой ставкой по перегретым запросам (если все будут бомбить по запросу «Ведьмак третий сезон» цена лида взлетит до небес, и никто не выиграет)

Плюс есть органические изменения, вспышки интереса, инфоповоды и промо. Кампания, которая хорошо работала несколько недель назад, может сегодня оказаться самой низкоэффективной. Интерес аудитории сместился, вышел сериал с похожим названием / темой, или, наоборот, актер засветился главной ролью в успешном блокбастере, и новые фанаты пошли пересматривать всю его фильмографию.

Итак, получается, что нам важно выстроить цепочку ответов:
  1. Какие тайтлы актуальны и интересны аудитории прямо сейчас?
  2. Какие комбинации ключевых слов лучше всего отражают этот интерес в запросах?
  3. Какие из этих комбинаций и для каких сегментов аудитории дают самые выгодные конверсии?
Эксперт в индустрии продажи медиа-контента может начинать с этого раздела, пролистав предыдущие
«Понятно, значит вы используете ML, чтобы парсить контекст со множества источников, анализировать семантику и выдавать предпочтения аудитории?» – а вот и нет!

«Значит все скучно – вы смотрите Wordstat, а обещали ML и космические корабли!» — и снова нет! Статистика Wordstat идет с отставанием в несколько недель, к этому моменту «вспышка» интереса в сети уже будет пропущена.
Нетривиальная идея номер один: самый лучший исследовательский инструмент, который у нас есть – это сами кампании. Вместо того, чтобы «дернуть разом изо всех сил», мы делаем отдельную кампанию для каждого тайтла из каталога (это несколько сотен кампаний), нацеленную на:
а) проверку колебаний спроса на разные тайтлы
б) подбор комбинаций ключевиков
в) поиск оптимальной цены конверсии.

Алгоритм при этом не только оптимизирует каждую кампанию, управляя в том числе целевыми сегментами аудитории и их комбинациями, но и оркестрирует совокупную работу по всему множеству, помогая достигать поставленных KPI по подпискам и суммарным расходам.
Что именно делает алгоритм
Алгоритм берет в ротацию ключевые слова или фразы, собирая информацию о кликах, переходах, конверсиях, базовые мета-данные (локация, пол, возраст), чем еще интересовался на платформе пользователь, – так как мы используем свою систему трекинга, то можем полностью кастомизировать цели, метрики, события и теги, которые будут выстреливать в зависимости от активности на сайте.

По итогам такого анализа алгоритм сам принимает решение, какие ключевые слова и под какой сегмент аудитории работают лучше, оптимизируя настройки каждой кампании и работу всего ансамбля.

Человек такой объем информации не вывезет (даже целый штат маркетологов не справится), а вот алгоритм — вполне, имея при этом только данные по кампаниям (т.е. мы не используем и не зависим от внешних источников) и не сжигая лишних вычислительных ресурсов.

Автоматизация и ML позволяют нам мгновенно реагировать на возросший интерес к тайтлу (при этом нам совершенно не важно знать в моменте, чем именно этот интерес вызван – это как раз может сделать человек при анализе, когда на него будет время и больше информации о контексте) и перераспределять бюджеты соответствующим образом.

Например, у кампании есть потенциал тратить по 200 000 ₽ в день, но у нас есть лимит в 85 000 ₽. Чтобы распределить бюджет эффективно, нужно отдать наибольший бюджет кампаниям с низкой стоимостью и высоким объемом закупки трафика. Неэффективные кампании получают минимальный бюджет, а новые компании имеют зону риска, после которой они встают на паузу, если не привлекают ценную конверсию.

То есть, если спрос на условного «Ведьмака» после премьеры пошел на убыль, алгоритм не станет отключать кампанию, а только снизит её бюджет и «выставит стопы», после которых кампания будет приостановлена, некоторое время все-таки поддерживая ее и, тем самым, проверяя спрос.
Получается, за небольшую цену такой кампании мы покупаем оперативную информацию, которая в перспективе поможет нам заработать гораздо больше.
Что получилось
Сразу пример: масштабирование для продвижения популярного женского сериала.
*На шкале Конверсии количественные значения заменены на % для соблюдения NDA

Мы начали работу в конце апреля 2023. Увидев пик стоимости привлечения на майских, можно запаниковать, но здесь важно доверие между партнерами – мы знали, что пока алгоритм обучается и экспериментирует, расходы вырастут. Однако достаточно быстро стало видно, как модель нашла оптимальные параметры: стоимость лида упала, а количество конверсий при этом сильно выросло (примечательны пики к концу месяца, конверсии растут, а цена остается в окрестности оптимального значения).

Еще одна нетривиальная задача: балансирование бюджетов между таким множеством кампаний. Мы не зря в начале писали о выполнении плана по конверсиям: просто налить дешевых подписок, опять же, не получится, нам важно выдать определенный объем не превысив при этом лимиты на допустимую стоимость одного подписчика.

Для примера возьмем 1000 новых подписчиков в месяц.
У нас может быть кампания с очень хорошей ценой, но сериал достаточно нишевый или просто не очень популярный, и приносит всего 10 человек в месяц качественных лидов. Даже если таких нишевых сериалов еще 10, мы закрываем всего 10% своего плана (при этом человек уже столкнулся бы со сложностями управления даже таким объемом кампаний).

Пример: кампания для продвижения популярного российского детективного сериала
*На шкале Конверсии количественные значения заменены на % для соблюдения NDA

На первый взгляд, результаты не такие впечатляющие, но мы видим, как система избегает пиковой стоимости, продолжая давать конверсии, закрывающие план.

В этом случае, мы действуем как Бред Питт в фильме «Человек, который изменил все» – собираем команду из кампаний, которые «закрывают базы», иными словами, делаем микс из кампаний с разной ценой конверсий, чтобы суммарно они выполняли план по новым подпискам в пределах доступного нам бюджета.

В очередной раз, человек в одиночку такой объем возможных комбинаций перебрать не в силах, не говоря уже о том, чтобы вовремя подбирать «замены» игрокам на поле – все это делает алгоритм.
Автоматизацию – машинам, инсайты – людям
Как итог – за два месяца эксперимента нам удалось в два раза увеличить количество конверсий в триальную подписку, снизив среднюю стоимость конверсии на 22%.

Рост эффективности позволил запустить больше кампаний, лучше ими управлять, и все это не раздувая бюджеты (суммарный рост расходов на контекстную рекламу составил всего 35%), но самое интересное впереди.
Чем дольше мы работаем, тем больше данных собираем, а также можем уже руками маркетологов и аналитиков достраивать контекст: тренды, триггеры спроса, сезонность, пользовательские запросы (в том числе, из «дотекающих» в Wordstat данных). Все это используется для калибровки алгоритма, проверки наших гипотез, где система была права, а где могла перепутать сигнал с шумом.

Безусловно, алгоритм (пока еще) не заменит человека в принятии стратегических решений. Или в ситуации неопределенности и дефицита информации. По нашему опыту лучшие результаты получаются там, где человек и автоматика работают совместно – модели недоступен контекст, и здесь специалист как раз выступает экспертом, способным осуществить тонкую донастройку.

Обычно после того, как человек оформил подписку, наша работа сделана, но такие продолжительные проекты позволяют проверить еще и качество привлекаемого трафика. В планах провести анализ Retention по когортам, и использовать эти данные для оптимизации сегментов и каналов привлечения.

Следите за обновлениями!

По традиции — ссылка на мой телеграм канал о жизни стартапа.
Другие кейсы