Site icon AppTractor

DSP: инструкция по применению. Использование неатрибуцированных данных для улучшения предиктивных алгоритмов. Часть #1

In-app как источник трафика существует уже не первый год, становясь всё более востребованным среди различных брендов. А это означает, что время от времени у рекламодателей возникает ряд вопросов касательно продвижения в приложениях и работы с мобильной DSP. Например, с чего и как начать продвижение, что сделать, чтобы побыстрее запустить рекламные кампании, как проходит обучение платформы и нужно ли оно?

Команда Rocket10 подготовила экспертный материал, в котором подробно и аргументированно рассказывает о том, как начать продвижение через DSP, а также объясняет что и зачем требуется со стороны рекламодателя для оперативного старта и эффективного продвижения. В первой части вы с головой окунётесь в мир неатрибуцированных данных, а вторая будет посвящена lookalike и предиктивным моделям.

Давайте приступим!

Что такое неатрибуцированные данные и зачем они нужны DSP?

Для начала давайте поймём, что такое неатрибуцированные данные? В данном контексте неатрибуцированные данные – это информация об установках и событиях по воронке продаж приложения (оформление заказа, покупка, оформление подписки и другое) рекламодателя, которые не атрибуцированы непосредственно конкретной платформе. Неатрибуцированные данные нужны мобильной платформе (и как следствие рекламодателю) в целях оптимизации рекламных кампаний и анализа поведения пользователей.

А теперь немного конкретики. Мобильной платформе неатрибуцированные данные необходимы для обучения lookalike моделей, чтобы уже со старта рекламные кампании работали более прицельно, эффективно и рационально с точки зрения маркетингового бюджета. Качественные (обученные на максимально полных и качественных данных) lookalike модели способны разделять весь приходящий трафик по вероятностям получения желаемого целевого действия, то есть такие модели помогают начать рекламные кампании сразу с использованием предиктивных алгоритмов платформы. Это в свою очередь помогает более грамотно расходовать маркетинговый бюджет, пока обучаются стабильные и полноценные предиктивные модели.

Начать автоматическую передачу неатрибуцированных данных платформе весьма просто – для этого рекламодателю нужно активировать соответствующую настройку в своём мобильном трекере.

Какие именно неатрибуцированные данные следует передавать платформе и для чего?

Итак, чуть выше мы уже выяснили, что неатрибуцированные данные необходимы платформе для обучения lookalike моделей. Теперь давайте более детально разберёмся, какие именно неатрибуцированные данные нужны и для чего конкретно они используются? Только сперва немного освежим в памяти информацию о том, что такое lookalike модели и по какому принципу они работают – это определённо поможет нам лучше разобраться в сути вопроса.

Lookalike модель – это инструмент, который весьма часто используется для поиска новой аудитории, которая при этом должна быть максимально схожа с уже существующими юзерами приложения. Другими словами, это инструмент, который фильтрует и сортирует весь доступный для DSP трафик по уровням “похожести” на необходимую (эталонную) для рекламодателя целевую аудиторию. Соответственно, чтобы этот метод работал эффективно, необходимы данные, которые определяют и характеризуют эту идеальную аудиторию. Больше качественных данных – точнее инструмент.

Давайте рассмотрим подробнее:

Как вы уже сами видите, тут прямая зависимость – чем больше качественных и значимых данных о конкретном целевом действии и о сопутствующих действиях пользователя передает платформе рекламодатель, тем больше опций построить максимально точные и правильные lookalike модели. А точные lookalike модели могут поспособствовать оптимизации стоимости обучения полноценных предиктивных моделей. Отдельно хотим обратить внимание на “чистоту” данных – если среди неатрибуцированных данных вдруг затесались события от фродового или мотивированного трафика, то все эти фальшивки будут непосредственно влиять на точность lookalike моделей в худшую сторону.

Все события, которые предаются платформе из мобильного трекера рекламодателя, привязаны к рекламному идентификатору пользователя. Если идентификатор открыт в настройках устройства, то все участники рынка in-app рекламы имеют к нему доступ.

Почему следует передавать suppression-лист и что такое advanced privacy в настройках мобильного трекера?

Suppression-лист – это список устройств, на которых уже установлено или было установлено конкретное приложение. Его всегда следует передавать платформе, так как это позволяет исключить текущих пользователей приложения из UA или же сделать ретаргетинг на текущих пользователей. Чтобы его передать, рекламодателю нужно активировать соответствующую функцию в своем мобильном трекере.

Другой довольно-таки частый вопрос – что будет, если включить advanced privacy? Advanced privacy – это настройка приватности в мобильном трекере. Если ее включить, то платформе вообще не передаются какие-либо технические данные, кроме факта события. А это означает, что предиктивную модель построить нельзя, так как нет каких-либо данных для анализа.

Заключение

Мы надеемся, что ознакомившись с первой частью нашего экспертного материала у вас появилось более глубокое понимание о том, как и с какими данными работает DSP. Давайте закрепим следующим инсайты:

А более детально о том, что такое lookalike и предиктивные модели, чем они различаются и каким образом происходит обучение платформы, вы узнаете во второй части материала. Stay tuned!

Exit mobile version