Эконометрика — наука, помогающая исследовать данные и находить в них закономерности. Мы можем использовать эту науку при анализе и оптимизации рекламных размещений: с помощью статистических и математических методов находить зависимости и прогнозировать результаты.
В этой статье мы не будем рассказывать теорию, а сразу перейдем к практической пользе. Разберем пять ситуаций, с которыми мы столкнулись на своих проектах, и покажем, как математические и статистические методы помогли нам более корректно оценить прошедшие кампании, а также спланировать будущие.
Определение «потолка» бюджета
Больший бюджет не всегда приводит к лучшему результату. Когда объем бюджета достигает «потолка», рекламная кампания перестает приносить результаты с нужной эффективностью.
То есть мы запускаем рекламную кампанию, определяем оптимальные настройки и таргетинги — получаем результат. Увеличиваем бюджет — получаем больше. Увеличиваем еще — получаем еще больше. Увеличиваем снова, но эффективность рекламной кампании начинает падать.
Так однажды случилось, когда мы запускали рекламу видеоформата в социальной сети «ВКонтакте». Тогда мы поставили перед собой задачу определить объем месячного рекламного бюджета, при котором эффективность рекламной кампании начинает падать. Эффективность оценивали количеством и стоимостью качественных визитов.
Мы построили зависимость количества качественных визитов от бюджета и обнаружили ту сумму, при которой стоимость качественного визита начинает расти слишком быстро. На графике эти места мы обвели красным.
Исследование показало: когда мы увеличиваем бюджет до 1 000 000 рублей, получаем меньшее число качественных визитов, чем при бюджете 300 000 — 350 000 рублей.
В итоге мы нашли «точку равновесия» в бюджете по данному размещению и смогли оптимизировать рекламные размещения таким образом, чтобы получать максимально возможное число качественных визитов при оптимальной стоимости.
Оценка цикличности отложенного спроса
Отложенный спрос — это платежеспособный спрос на рекламируемый товар, который некоторое время остается нереализованным. Сезонность, слишком высокая цена, отсутствие сиюминутной потребности могут стать причиной отложенного спроса.
В тематике недвижимости, например, покупатели не совершают покупки мгновенно. Было бы ошибкой ожидать рост продаж в тот же месяц, когда увеличили рекламный бюджет. Проходит три, шесть или даже 12 месяцев, прежде чем человек решится на покупку квартиры.
Мы сотрудничаем с компанией-застройщиком. Чтобы понять, когда и в каком объеме запускать контекстную рекламу, мы должны были рассчитать, сколько времени проходит от поискового запроса до покупки. В этом нам помогло эконометрическое моделирование.
Чтобы определить, сколько времени покупатели разных классов жилья тратят на решение, мы изучили ретроспективные данные Wordstat и количество продаж нашего клиента. В исследовании мы рассмотрели два класса: бизнес-класс и комфорт-класс.
В сегменте бизнес-класса пик продаж отстает от пика запросов на один-два месяца, в сегменте комфорт-класса — на полгода. То есть у покупателей жилья бизнес-класса на решение уходит пару месяцев, комфорт-класса — полгода.
Красная штриховая линия — статистика поисковых запросов из Wordstat, голубая сплошная — количество продаж нашего клиента
Красная штриховая линия — статистика поисковых запросов из Wordstat, голубая сплошная — количество продаж нашего клиента
На основе этих знаний мы можем оптимизировать рекламные размещения. Например, в сегменте квартир бизнес-класса пик продаж происходит в июле — сентябре. Мы знаем, что покупатели начинают искать варианты за 1-2 месяца до покупки. Поэтому в июне — августе можем повышать рекламную активность.
Расчет репрезентативных объемов показателей вовлеченности
При оценке прошедших кампаний важно отслеживать аномальные показатели. «Слишком хорошие» или «слишком плохие» показатели могут говорить о скачкообразных изменения рынка, ошибках в системах и других непредсказуемых событиях.
Один из наших клиентов в автотематике столкнулся с проблемой очень низкого количества звонков в период весна-лето, CPA становился неоправданно высоким. Мы решили определить, какое количество лидов является репрезентативным в рамках заданного бюджета.
После анализа ретроспективных данных мы смогли:
а) определить количество звонков в месяц при нулевых затратах на рекламу;
б) построить прогноз числа звонков в зависимости от рекламного бюджета;
в) определить верхнюю и нижнюю границы репрезентативного объема звонков. Если количество лидов выходило за эти границы, такой объем звонков считался аномальным.
Результат мы оформили в виде калькулятора в excel-таблице. В одну из ячеек пользователь вводит месячный бюджет, а в других ячейках рассчитывается значения границ и прогноза в разрезе площадок. Клиент мог получать результаты без обращения в наш отдел аналитики.
Впоследствии мы расширили функционал калькулятора и добавили показатели вовлеченности: просмотры, лайки, репосты и т.д. Дополнительно разделили результаты по форматам рекламы: отдельно баннеры, отдельно видео.
Разработка коэффициентов для оценки успеха в SMM
В SMM используют бесплатные и платные посты. Бесплатные посты создают контентную зависимость у подписчика и «прогревают» его, а платные продают продукт.
Успешность постов оценивают по ERR — коэффициенту вовлеченности. Он рассчитывается так: число всех реакций делится на количество людей, посмотревших пост. Чем ближе результат к единице, тем лучше.
В бесплатных постах важна вовлеченность, потому что количество реакций увеличивает охват: пост появляется в предложке, на страницах друзей, в сториз. Так работают алгоритмы в социальных сетях. Пост считается успешным, если читатели комментируют его, ставят лайки, отправляют друзьям, добавляют в закладки.
В платных постах может быть низкая вовлеченность, если цель поста — охват. То есть, если платный пост не получил много лайков и комментариев, но набрал большой охват, он достиг цели. Такой пост тоже может считаться успешным.
К тому же одна и та же публикация дает разный результат в зависимости от площадки. Например, по нашим наблюдениям, в Instagram пользователи чаще ставят лайки, чем в «Одноклассниках». Из-за этого ERR публикации в «Одноклассниках» будет ниже, чем у публикации в Instagram.
Поэтому для оценки публикаций нам нужно было разработать такую формулу, которая позволяла бы сравнивать результаты SMM-продуктов в зависимости от площадок и бюджета.
Мы разработали 3 формулы коэффициентов: ER1, ER2 и ER3.
ER1
В этой формуле мы в равной степени учитываем реакции на пост и охват. То есть если реакций будет мало, но охват при этом будет велик, то ER1 тоже будет большой. Если ситуация обратная, много реакций, но малый охват, то ER1 тоже будет большой. Эта величина будет мала только в случае, если и реакций и просмотров было мало.
ER2
Эта формула обладает теми же свойствами, что и ER1, но также помогает учитывать стоимость 1 публикации. Если пост получил большое количество реакций и охват, но при этом стоимость поста была высока, то ER2 получится маленьким. Если, например, пост получил не очень много реакций и охвата, но при этом был очень дешевый, то ER2 получится выше, чем ER1. Для бесплатных постов ER2 не рассчитываем.
ER3
Та же формула, что для ER2, но может быть рассчитана с учетом того, что пост был бесплатным.
Такие эконометрические расчеты помогают вывести ряд метрик, которые помогают подобрать относительные величины для корректной оценки результатов по рекламным активностям.
Прогнозирование динамики любых метрик
В зависимости от этапа воронки продаж мы можем прогнозировать запросы в поисковой выдаче, трафик на сайте, метрики вовлеченности, микро- и макроконверсии, продажи в рублях и в упаковках. Но у метода есть ограничения.
Для точного прогноза необходимо учитывать большее количество факторов, если прогнозируемая переменная находится ближе к покупке в цепочке поведения пользователя.
То есть, если мы прогнозируем количество кликов по баннеру, нам достаточно данных по бюджетам медийной рекламы. Но если мы хотим прогнозировать объем продаж, желательно учитывать медиаинвестиции клиента и его конкурентов, данные по дистрибуции.
Если мы знаем динамику продаж за 3-5 лет, то можем построить прогноз на будущий год.
Если мы знаем, сколько потратили на привлечение продаж, то можем рассчитать бюджет, который необходим для выполнения плана продаж. Например, при бюджете 10 млн рублей в 2021 году сможем продать 177 000 упаковок.
Если мы знаем данные о рекламных бюджетах, показателях и входящих звонках от пользователей, то можем спрогнозировать число звонков в зависимости от внешних факторов.
С помощью регрессионной модели можно прогнозировать продажи, звонки, визиты в офис, качественные визиты, трафик сайта, запросы Wordstat на основе медиаактивностей.
С помощью моделирования мы можем каждой площадке присваивать границы эффективности и вес, взяв за основу ретроспективные данные рекламных кампаний. Вес зависит от стоимости лида на площадке, а также разброса этой величины.
При построении сплита мы получаем возможность опираться на данные предыдущих кампаний. То есть смотрим на те распределения между площадками, которые были более или менее успешными.
В итоге мы строим несколько вариантов разбиения в зависимости от оптимизируемых величин и вариантов рекламных кампаний. Например, только контекстная реклама. Или контекст и медийная реклама.
Что стоит запомнить
С помощью эконометрического моделирования мы можем оценивать, анализировать и прогнозировать различные срезы данных в зависимости от набора данных и поставленных задач.
Для корректной работы с моделированием мы рекомендуем стараться учитывать все факторы, которые напрямую или косвенно могут повлиять на рекламные размещения.
Рекомендуем собирать и корректно хранить данные за прошедшие периоды. Для этого подойдут готовые хранилища типа Google Big Query или облачные решения Yandex.Cloud.