После подготовки хорошей платформы для продаж и закупки рекламы возникает первая проблема — товар плохо продается. И вдруг самые пессимистичные прогнозы начинают казаться неплохой целью.
Методом проб и ошибок мы уяснили, что имеем дело с продуктом, который продается не сразу: со времени первого контакта и до момента покупки пользователь живет своей жизнью, а после чего и почему он решается на контакт — мы не знаем. Поэтому первым делом нужно понять цикл принятия им решения. Для этого нужно смоделировать AARRR (Acquisition-Activation-Retention-Refferal-Revenue) Funnel, ответив на вопросы из инфографики:
Прием первый: создаем и развиваем кружок по интересам
Допустим, у вас уже есть определенная история продаж и вам нужно увеличивать количество новых заказов. Те каналы, которыми вы пользовались, исчерпали себя (стали дорогими или выработался инвентарь). Вам нужны пользователи — такие же, как старые, только новые и много.
Традиционно начинаем с исследования, в рамках которого выясняем признаки потребителя. В условиях ограниченного бюджета, мы советуем открыть вкладку отчета Audience в Google Analytics и сравнить пользователей, которые конвертируются в клиентов с теми, которые не конвертируются. Вам нужно уловить отличия покупателей от пользователей, которые остаются лишь посетителями.
Понимая особенности своего покупателя, вы сможете пользоваться широкоохватными инструментами для привлечения новых пользователей на свой проект. Таргетинг по интересам и социально-демографическим признакам можно:
в больших рекламных сетях с помощью DSP или напрямую из каждой сети (GDN, OpenX),
через DSP или напрямую из социальных сетей Facebook,Twitter, Tumblr и других,
у операторов email-маркетинга (например, E-Miles),
у больших издателей, работающих с биржами данных (DMP) и располагающих своими данными (First Party Data).
Преимущества:
не нужно платить за исследование,
сужение аудиторного таргетинга может повысить СРМ кампании, но существенно снизит еСРМ.
Недостатки:
операторы сбора данных по-разному собирают аудиторию (целевая группа «бизнес-леди интересующиеся приложениями на App Store» по версии Google Analytics могут отличатся от такой же целевой группы по версии Facebook из-за разной методики сбора данных),
Google Analytics может не выявить явных отличий потенциальных клиентов от неконвертирующейся аудитории.
Прием второй: расставляем контент-манки
Многие компании на Западе используют прием посева контента на сторонних площадках с последующим преследованием читателей. Особенно хорошо работает на высококонкурентных рынках и для покупок отложенного спроса.
Этапы подхода:
Подготовка контента, интересного целевой аудитории. Мы должны быть уверены, что такой контент интересен нашим покупателям. Например, обзор нового приложения на iPhone для бизнес-леди — можно предложить такому посетителю пробную инсталляцию приложения или отзывы тех, кто его уже опробовал.
Размещение контента на отраслевых (или высокопосещаемых) сайтах с тегом ретаргетинга рекламных сетей, который будет метить читателей вашего обзора.
Трансляция баннеров с предложением аудитории, собранной при помощи этого тега.
Обратите внимание, насколько гармонично этот подход вписывается в жизненный цикл клиента. Сначала человек заинтересовался заголовком, затем почитал/посмотрел статью/видео. И вот вы предлагаете ему ознакомиться с опытом других пользователей или попробовать продукт в тот момент, когда он еще помнит о том, что прочел или увидел. Кроме того, вы не тратите усилий на тех, кому нету дела до вашего продукта.
Надстройкой к такой тактике может быть закупка информационного трафика на контент. В таком случае, вместо множества отраслевых посещаемых сайтов можно разместить контент в собственном блоге или «ручном» издании и закупить на него информационный трафик с оплатой за клик.
Преимущества подхода: вы получите гарантированное количество прочтений статьи по низкой цене, сможете сегментировать аудиторию по поведению (дочитали/не дочитали) и работать только с заинтересованными пользователями. Единственным недостатком может быть проблема масштабирования — прием ограничен интересом аудитории к контенту по вашей теме.
Прием третий: look-a-like programmatic buying
Как это работает? Рекламная система подключается к агрегаторам данных о пользователях в сети и к вашему сайту. Далее то, что в первом приеме мы делали вручную (анализировали отличия покупателей от пользователей), система делает автоматически — проверяет, похож ли пользователь в сети на того, кто конвертируется в клиента, и если похож — показывает ему вашу рекламу.
На самом деле, это закрытый алгоритм операторов look-a-like (AdWords, Xenark, Oracle), и стоит это достаточно недешево. Хорошая новость в том, что операторы таких технологичных решений могут продавать по модели с оплатой за клик. А это снижает риск рекламной инвестиции в сравнении с оплатой за 1000 показов.
К чему нужно быть готовым:
операторы Look-a-like не работают с сайтами менее 50 000 уникальных пользователей в месяц;
операторы Look-a-like неохотно работают с сайтами менее 100 000 уникальных пользователей в месяц;
порог входа — примерно $5000;
оптимизация по СРО есть, но не гарантируется;
нужно внимательно читать IO подрядчиков — они часто понимают нас так, как им выгоднее
В США 73% агентств и 63% рекламодателей используют look-a-like. Из всех них 64% используют технологию с помощью DSP-систем.
Вывод
Операторы рекламы осваивают и применяют все больше данных о потребителе. Растет точность нацеливания рекламного сообщения, скорость его доставки и глубина персонализации. Маркетологам в «гонке вооружений» рекламных платформ нужно понимать, какие инновации где и как использовать, а главное — как измерять результат. Работая с Западом нужно держать ухо востро — быть в курсе нововведений в сфере Big Data и ее использования на рекламном рынке.
источник:аин.юа
