Чем руководствуется рекламодатель, рассчитывая ставку на рекламу? Целевая стоимость привлечения, определяется тем, сколько прибыли мы ожидаем получить в результате рекламной кампании. Однако, не все пользователи, зашедшие на сайт, ведут себя одинаково — они совершают разное количество покупок и конвертируются с разной частотой. Должен ли в этом случае рекламодатель платить одинаково за их привлечение? Ответ: нет. CRM компании позволяют отслеживать поведенческие сигналы тех клиентов, которые уже побывали на сайте, и в дальнейшем использовать эти данные для настройки более эффективных и выгодных рекламных стратегий.

Каким рекламодателям выгодно использовать интеграцию с данными CRM?

Использовать внутреннюю информацию о поведении пользователя в своих рекламных кампаниях могут все рекламодатели, собирающие данные о клиентах в CRM. В зависимости от количества и качества накопленных данных, они могут использовать более простые или продвинутые варианты их анализа.

Минимальные требования для встраивания CRM данных в рекламные кампании:

  • наличие базы данных пользователей (CRM);
  • интеграция данных по ID пользователя с Google Analytics;
  • ресурсы для создания лог-файлов.

Максимальную выгоду от интеграции CRM данных для оптимизации рекламы получат рекламодатели, которые:

  • собрали базу историй покупок за достаточно продолжительный период времени (за последние полтора года и более);
  • работают в сфере бизнеса, где среднее количество транзакций за год на одного клиента превышает 1 (такие как розница, сайты поиска билетов / отелей и т.д.).

Как поведенческие сигналы из CRM помогают повысить эффективность рекламы?

Сегодня существуют системы автоматического выставления ставок (Google Auto-bidding, aka Conversion Optimizers), которые оптимизируют рекламные затраты (ставки за клик) по заданным показателям, таким как целевая стоимость привлечения (CPA) или желаемый ROI. Эти алгоритмы используют информацию известную о пользователе, чтобы сформировать ожидание по нему (сколько такие пользователи как он приносят в среднем). Авто-бидинг алгоритмы Google используют общие обезличенные данные о пользователях — историю поиска в интернете и набора ключевых слов, частично историю онлайн-покупок и демографическую информацию.

На самом деле, гораздо больше ценной информации о поведении пользователей хранится в CRM самого рекламодателя. И так как это данные поведения людей по отношению к конкретной компании, они являются лучшим предсказателем их дальнейших отношений с ней. Это данные о непосредственных действиях, совершенных клиентами на сайте компании: информация о маржинальности разных продуктов, данные о кросс-платформенных аккаунтах, история покупок не только онлайн, но и оффлайн, контактная информация и пр. По этим поведенческим сигналам, которые рассказывают, что человек делал до настоящего момента времени, можно с большой вероятностью судить, что он будет делать в будущем. И чем больше данных копится о пользователях в CRM, тем выше их предсказательная возможность, и тем эффективнее их можно использовать для увеличения дохода от рекламы.

Внимание: пользовательское соглашение Google Analytics запрещает загрузку персональных данных (т.к. имена, телефоны, не-хэшированные адреса эл. почты, т.д.). Допускаются только обезличенные user_id.

Анализ максимального количества сигналов, в том числе из CRM, позволяет определить ценность пользователей для рекламодателя и затем ранжировать их по ожидаемой прибыли, к примеру, хотя бы на три категории — выгодные, средне выгодные и невыгодные. Это разделение помогает скорректировать затраты на рекламное привлечения отдельных клиентов, рассчитав оптимальную величину ставок по каждой из трех категорий, и нарастить эффект от рекламной кампании в целом.

Как извлекать предсказательные сигналы из данных CRM и настраивать рекламу?

Существуют различные способы извлечения предсказательного сигнала из CRM данных. К примеру, через так называемый “RFM” — анализ, который позволяет ранжировать людей, совершавших действия на сайте, на основе трех показателей: как давно (Recency) и с какой частотой (Frequency) они совершали некое действие, например, делали покупки, а также по величине чека (Monetary Value). RFM позволяет не только наглядно увидеть, какие пользователи тратили больше денег в прошлом, но и рассчитать вероятность и ожидаемые суммы их будущих покупок. Оценив таким образом разницу доходов для рекламодателя от топового и самого слабого сегмента клиентов, становится понятно, что если рекламные расходы компании распределены равномерно по всей аудитории, то бизнес переплачивает за пользователей с низкой ожидаемой доходностью и недоплачивает за топовых клиентов.

Простейший способ “предсказания” ожидаемого дохода с клиента по RFM — это разбить всех клиентов на равные группы по каждому измерению и за последующий период времени замерить разницу среднего дохода по каждой комбинации против среднего по всей базе клиентов.

Завершив сегментацию по ожидаемому доходу, надо передать полученный предсказательный сигнал из CRM на рекламную площадку. Самый простой способ — сгруппировать пользователей с одинаковой доходностью в пользовательские списки в Google AdWords и уже по ним настраивать ремаркетинг, ранжируя значения рекламных ставок (за показ, клик и/или другой способ) исходя из разницы в ожидаемой прибыльности этих списков.

Самая доходная группа пользователей конвертируется не только с большей вероятностью, но и с более высоким средним чеком. Таким образом, подход RFM позволяет ранжировать ставки, принимая во внимание не только коэффициент конверсии, а общий денежный доход от рекламной кампании.

Выводы

Сегодня для рекламодателей, занимающихся ремаркетингом, важно накапливать данные покупателей в CRM не только для анализа, но и для их прямого использования в интернет-рекламе. Компании могут пользоваться помощью внешних интернет-агентств и/или системами автоматического выставления рекламных ставок (Google Conversion Optimizer) для оптимизации своих рекламных затрат, но следует помнить, что без интеграции с CRM компании они способны анализировать только часть данных о пользователях. Большая и более важная часть поведенческих данных пользователей, касающаяся частоты покупок, процента отказов, размера среднего чека и других показателей, доступна только через CRM компании. Используя эту информацию, рекламодатель может качественно предсказывать, как будут вести себя его покупатели в будущем, и на основе этого ранжировать будущие рекламные затраты на них соответственно.

Выгоду от интеграции данных CRM для повышения эффективности онлайн-рекламы может получить любой рекламодатель при условии, что он собирает информацию о клиентах и грамотно ее обрабатывает. Методы извлечения предсказательных сигналов могут самыми разнообразными — от простого ранжирования до продвинутых алгоритмов, обрабатывающих большой пласт данных. Чем больше действий совершает человек на сайте, тем проще предсказать его будущее поведение. А чем больше людей в базе данных CRM, тем больше выгоды это принесет бизнесу.

Бонус для гиков:

  • Продвинутый способ интеграции CRM с рекламной в Google — через Google Analytics Remarketing.
  • Готовы к более “взрослым” подходам к расчету ожидаемого дохода (expected LTV) чем “простой” RFM? Одни из самых популярных статистических моделей для этой цели — Pareto/NBD и BG/NBD.