Моделирование по-новому: как посчитать ROI в условиях омниканальности

Антон Платонов, Никита Малыхин / Май 2020 г.

Старший специалист подразделения анализа данных Никита Малыхин и директор по работе с данными Антон Платонов из Publicis Groupe Russia рассказывают про построение клиентских моделей омниканальной атрибуции в банковском сегменте.

Как правило, владелец любого бизнеса хочет знать, как медийная реклама влияет на бизнес-показатели и KPI. Это помогает понять, через какой медиаканал пришли продажи, трафик, загрузки приложений — а потом можно рассчитать ROI.

Чтобы проанализировать этот показатель, на рынке собирают как можно больше данных: статистику по медиаканалам, рекламным кампаниям, макрофакторы и многое другое. Затем строят эконометрическую модель и рассчитывают параметры, которые помогают оценить отдачу от инвестиций. Главная проблема такого подхода — он одноразовый. Стандартное моделирование (Marketing Mix Modelling), которое дают клиентам многие медийные агентства, описывает конкретный момент. Но владелец бизнеса хочет знать точный вклад в KPI от каждого медиа, их стоимость, получать эти данные в режиме реального времени и составлять оптимальные медиапланы. Учесть заранее всё невозможно, но мы предлагаем начать с омниканальной атрибуции.

Мы запускаем схожее моделирование, но с использованием машинного обучения, добавлением к эконометрике multi-touch атрибуции и ее синхронизации с системой компании для получения информации практически в реальном времени, загружая новые блоки данных от агентства, самой компании или CRM-системы. Полученные результаты агрегируются для каждого бренда отдельно, и по каждому из них можно построить modern portfolio — модель, которая позволяет оптимизировать инвестиции между медиаканалами, сегментами аудиторий или брендами. Подход помогает разбить инвестиции между брендами и проанализировать их ROI.

visualisation_google (2).png

Такой дашборд позволяет оптимально планировать медиазатраты в будущем. Статистику можно отслеживать по продуктам, брендам, а информацию по потребителю сегментировать по медиаканалам потребления. После сбора всех данных становится понятна ситуация на рынке. В дальнейшем мы используем информацию, чтобы создавать устойчивые модели планирования. К примеру, мы сможем посмотреть, как ведут себя потребители бренда, и рассчитать любой другой KPI, который интересует рекламодателя.

Впервые мы предложили протестировать нашу модель омниканальной атрибуции клиенту из банковского сектора — Райффайзенбанку.

«Райффайзенбанк как data-driven организация стремится к принятию решений на основании ретроспективных данных и прогнозов по моделям. Использование омниканальной атрибуции помогло вывести процесс поиска оптимального медиа-сплита на новый уровень», — рассказывает Иван Бабаев, руководитель отдела цифрового маркетинга Райффайзенбанка.

Почему банку интересно использовать data-driven подход в планировании медиаинвестиций:

  • на российском рынке большая конкуренция — условия по продукту актуальны здесь и сейчас;
  • клиентов привлекают по сложной схеме: бренд активно использует как охватные каналы, так и performance-инструменты.

Основная задача — разработать эффективную систему, которая поможет планировать медиаинвестиции в разрезе продуктов и каналов коммуникации с учетом кросс-влияния между продуктами банка.

Механика

Чтобы собрать внутренние банковские данные, агентство интегрировало свою команду аналитиков данных в контур банка. Они получили доступ к необходимым для моделирования данным. Речь идет о временных метках моментов, когда клиент пришел в банк, информации о заявках и многом другом. Стояла задача восстановить цепочку событий, которые привели клиента в банк.

Дополнительно в Publicis использовали макроэкономическую статистику, а также изучили предложения других банков. Чтобы оценить вклад digital, компания применила атрибуционные модели — они позволили оценить значение кастомных гранулярных диджитал-каналов в цепочке. При работе с CRM-данными возникли новые препятствия, и часть полей оказалась незаполненной. Их восстанавливали с помощью отдельных моделей, чтобы не терять общий объем данных.

Для каждого продукта мы построили модель, чтобы оставаться на высоком уровне гранулярности, отслеживать особенности продукта и улучшать качество прогнозов. Все модели мы интегрировали в портфолио, чтобы оптимизировать необходимые инвестиции в каждый продуктовый сегмент и медиаканал.

Результаты модели представлены в виде дашборда. Они отражают:

  • распределение новых клиентов по каналам коммуникации;
  • рекомендации по оптимальному медиамиксу;
  • прогнозы эффектов от инвестиций в каждый медиаканал.

Выводы

Количество клиентов растет, если:

  • перераспределить инвестиции между медиаканалами в соответствии с моделью;
  • перераспределить медиаинвестиции между продуктами банка.

Сейчас мы заканчиваем работу над автономностью системы, оптимизируем процессы автоматической подгрузки данных из даталейка банка, внешних источников и баз с медиастатистикой.

Задумайтесь, если вы пользуетесь всего одним инструментом измерения