Site icon AppTractor

Как с помощью предиктивных моделей улучшить показатели РК в 3 раза: кейс Bidease и inDriver

Если вы хотите или уже решили диверсифицировать свой трафик, но пока еще сомневаетесь насчет in-app, то этот кейс наглядно демонстрирует, что реклама в приложениях является хорошим и дальновидным решением.

В этом материале мы расскажем о том, с какими трудностями и скепсисами скорее всего придется столкнуться каждому рекламодателю, ну и, конечно же, поделимся результатами.

Введение

Релиз приложения inDriver состоялся в 2013 году. За ним последовали несколько лет кропотливой работы очень амбициозной команды – был пройден колоссальный путь: из супер-локального сервиса для заказа пассажирских перевозок inDriver вырос в глобальный продукт.

В апреле 2018 года сервис начал свою, весьма успешную, международную экспансию. И вот к чему на сегодняшний день она привела – приложением inDriver пользуются более 80 миллионов человек из 33-х стран мира.

Как вы уже знаете из нашего первого кейса про классические источники трафика, стратегия выхода на новые рынки у inDriver не совсем стандартная. Сервис начинает свою экспансию с небольших городов и постепенно переходит к крупным и мегаполисам.

Вот тут и появляется Миф #1 – DSP, прежде всего, про широкий охват. Мелкие ГЕО – в своем роде ахиллесова пята программатик платформ.

Отсюда вытекает следующий Миф #2 – обучение предиктивных моделей, а еще точнее, необходимая для обучения алгоритмов дата на маленьких объемах будет собираться бесконечно долго и дорого.

Ну что же, давайте развеем эти мифы?

Задача

Ключевая задача Bidease – эффективное привлечение пользователей по модели CPA (регистрация) с соблюдением показателя daily cap (определенное количество регистраций в определенных локациях).

Почему in-app трафик?

С одной стороны, мобильные маркетологи уже давно прекрасно освоились в старых добрых и, главное, проверенных временем источниках трафика – социальных сетях. Но, как известно, все классические источники имеют свойство рано или поздно выгорать.

С другой стороны, надо продолжать растить свой продукт – эта миссия в целом не теряет своей актуальности, а в условиях стремительной экспансии и подавно.

Так где же приложениям искать новых пользователей? И желательно таких, чтобы и аппой пользовались, и не расходились с юнит-экономикой?

Вот тут в сфере интересов inDriver появились in-app трафик и программатик закупка. И вот почему:

Хорошая возможность расширить свою зону рекламных активностей, не так ли?

До партнерства с Bidease мы не имели дел с in-app инвентарем, поэтому у нас были некоторые опасения насчет его качества и эффективности в целом. Также мы неоднократно слышали, что in-app – это зачастую фрод. Но на практике все оказалось совсем наоборот, и результаты даже превзошли наши ожидания, — inDriver, Айсен Сыромятников, заместитель директора департамента интернет-маркетинга inDriver.

Реализация

Шаг #1 – Целевая аудитория и источники трафика

Изначально мы решили не ограничивать нашу потенциальную ЦА, таргетируясь на максимально широкую аудиторию, ведь сервисом для заказа поездок могут пользоваться абсолютно все – ограничений тут нет.

Для запуска рекламных кампаний в качестве основных источников мы выбрали две крупнейшие биржи in-app инвентаря, которые очень хорошо зарекомендовали себя в продвижении сервисных приложений – Google AdX и MoPub.

Мы можем таргетироваться и на маленький город, и на крошечную деревню. Нюанс заключается в следующем – чтобы обучить предиктивные модели, требуется достаточно большое количество показов, и эту задачу лучше (и дешевле) решать на больших населенных пунктах, либо объединять несколько похожих ГЕО в одно.

Второй способ минимизировать временные и финансовые затраты на обучение предиктора – создать look-alike модель, основанную на информации от клиента о своей аудитории.

Шаг #2 – Комплексный подход к креативной составляющей

И тут начинается самое интересное.

Связка “in-app трафик + программатик закупка означает более комплексное продвижение мобильного приложения, возможность показывать объявления максимально релевантным пользователям и предоставляет гибкость и кастомность при выборе рекламных форматов.

Тестировать источники мы начали с видеокреативов – они, как правило, лучше вовлекают аудиторию и позволяют более ёмко рассказать о продукте.

Затем по результатам мы оставляли наиболее ходовые видеокреативы, визуально апгрейдили их и детальнее раскрывали суть сервиса при помощи дополнительных формулировок. А в качестве поддержки использовали статичные нативные баннеры, которые закрепляли посыл видеообъявлений комплементарными положительными тезисами.

Пример видеокреатива:

Пример статичного баннера:

Такой микс из видео и нативки появился неспроста – он в полной мере учитывает специфику сервиса, ведь в подавляющем большинстве потенциальным клиентам не надо срочно куда-то ехать здесь и сейчас.

Да, люди видели нашу видеорекламу и взаимодействовали с ней, но при этом не всегда сразу устанавливали новое и незнакомое для себя приложение. Поэтому мы запускали ретаргетинг кампании и использовали нативные баннеры, которые работали как напоминалки, и еще раз ставили акцент на уникальном предложении сервиса – “Ты сам назначаешь стоимость поездки”.

Пример видеокреатива:

Пример статичного баннера:

Давайте посмотрим на цифры.

Во время тестовых кампаний, когда мы работали только с видео, показатель i2c (impression to conversion/установка) в среднем был 0,06%, что означает 1 инсталл на 1600 показов, а i2c в регистрацию (следующий шаг по воронке приложения) в среднем составил 0,05%, т. е. 1 регистрация на 2000 показов.

А вот связка видеорекламы и нативных баннеров определенно улучшила эти метрики: i2c в установку стал в среднем 0,08%, то есть – 1 инсталл на 1250 показов, а i2c в регистрацию в среднем стал 0,07%, то есть – 1 регистрация на 1400 показов.

С определенной периодичностью мы разбавляем ассортимент форматов статичными Interstitial и Playable Ads, чтобы аудитории не наскучила наша реклама.

Шаг #3 – Подключение предиктивных моделей, обученных на событие “регистрация”

Следующим шагом мы подключили предиктивные модели. К этому моменту мы уже собрали необходимый объем информации, на котором и смогли обучиться предиктивные алгоритмы. Это позволило нам оптимизировать стоимость закупки высокорелевантного трафика и кратно повысить вероятность конверсии соответственно.

Что у нас вышло по цифрам:

Результаты

За период сотрудничества, с января по июнь, клиент получил 200 000 установок. Из них – 120 000 в период с мая по июнь 2021. По самым средним подсчетам, количество установок и регистраций в месяц выросло в 3 раза.

Почему же рекламные кампании так заперформили?

Ничего необычного – ИИ обучился на полученной информации, построил максимально точные предиктивные алгоритмы и начал работать в полном объеме (в то же время постоянно обучаясь, улучшая показатели).

Выводы

Еще до старта рекламной кампании коллеги понимали, что едва ли это будет простой проект и мы быстро получим результат. Мы знали, что столкнемся с определенными сложностями, но тем интереснее задача.

За сравнительно небольшое время мы набрали необходимые данные для обучения предиктивной модели и уже с первых итераций смогли вплотную приблизиться к бизнес-целям клиента. Дальнейшая работа с моделями только улучшала наши результаты день ото дня.

Данный кейс – это яркий пример программатик рекламы, которая при правильном подходе показывает отличный результат, — Алексей Башутский, Head of UA, Bidease.

И напоследок несколько слов для тех кто всё еще не решается попробовать продвижение в приложениях:

Exit mobile version