заявка на сопровождение
задача
контакты
отправляя форму, вы соглашаетесь на обработку персональных данных
Александр Морозов,
операционный директор
- телеграм
закрыть
Сообщение об успешной отправке!
/
как мы внедрили искусственный интеллект в работу рекламы автодилеров
/

Как мы внедрили искусственный интеллект в работу рекламы автодилеров

поделиться
10 минут
на чтение
темы:
ии
искусственный интеллект
технологии
оптимизация рекламы
аналитика
При помощи анализа статистики возможно предсказать тенденцию «заинтересованности» пользователей, точнее будет тренд возрастать или падать. Для маркетолога это возможность вовремя среагировать и быть готовым внести корректировки и оптимизации для работы с изменениями на рынке.
На начало 2024 г. в отделе рекламы Мэйка мы ведем 77 рекламных кабинета автодилеров. У каждого клиента имеются потребности и ожидания от рекламы. У одних цель – показываться везде, другим нужны конверсии.

У каждого из дилеров на сайте установлен счетчик «Яндекс.Метрики» – это инструмент для аналитики, который считывает десятки метрик посетителей. Характеристики пользователей сочетаются друг с другом, и при изменении одной метрики другие будут меняться соответственно.

Для повышения эффективности рекламы, наши специалисты проводили анализ статистики и выявляли возможности для оптимизации. В 23 году мы увидели, что этот процесс можно автоматизировать. Для этого мы разработали внутренний сервис-бот, который сам анализирует данные и выдает готовые рекомендации по улучшению.
Цель разработки нашего бота:

  • Составлять прогнозы по конверсиям для каждого клиента.
  • Автоматически выгружать продвинутые отчеты по клиентам для определения корректировок и внесения изменений в РК на основе статистики.
Внешний вид интерфейса бота
Какие работы мы выполнили, при создании бота (список упрощенный):
  1. Придумали алгоритм выгрузки данных из «Яндекс.Директа» и «Яндекс.Метрики». Автоматизировали выгрузку.
  2. Провели исследование «Яндекс.Метрики»:
  • определили показатели, у которых взаимосвязь с количеством заявок была больше остальных;
  • придумали методику, которая позволяет правильно распределять пользователей в группы.
3. Провели исследование системы «Яндекс.Директ» для составления принципов итоговых рекомендаций: что изменять в настройках рекламы, чтобы повысить эффективность.
4. Разработали инструмент поиска «мусорных» площадок в РСЯ.
5. Разработали алгоритм деления поисковых запросов на группы, чтобы отбирались только те, которые приносят заявки.
6. Придумали новые варианты выгрузки графиков, которых нет в интерфейсе «Директа» и «Метрики». Например, цена конверсии по критерию пол/возраст пользователя.
7. Протестировали и оптимизировали функции и алгоритмы на данных, подобрали лучшие настройки для моделей.
На последнем этапе мы сконструировали телеграм-бота:
  1. Выгрузили проект на сервер.
  2. Связали и протестировали модули с ботом.
В итоге получился удобный интерфейс, который позволяет сделать быструю и качественную аналитику маркетологу, при этом не вникая в тонкости машинного обучения и правильного составления графиков и отчетов.
Что из себя представляет модуль «Прогноз конверсий»
В автомобильном бизнесе покупатели не оставляют сразу заявку на новый автомобиль. Период решения о покупке может растянуться до 6 месяцев.

Следовательно, вопрос:
Как отличить покупателя, который только начал путь, и покупателя, который переходит на сайт сделать конверсию?

Для поиска ответа на этот вопрос мы проанализировали, что влияет на конверсии, и построили матрицу корреляции (зависимостей одних показателей от других). Заметили, что имеется сильная связь по двум параметрам: общего времени просмотра сайта и количеству просмотренных страниц за визит.

Пример матрицы корреляции
Поэтому мы выдвинули гипотезу:
Чем меньше пользователь находится на сайте, тем больше вероятность, что этот пользователь относится к группе «неопределившиеся».

Для проверки гипотезы выгрузили и проанализировали сессии пользователей, которые оставили заявку.

Распределение конверсий по времени визита
По вертикали – суммарное количество конверсий у группы пользователей, по горизонтали – группировка пользователей, исходя из времени просмотра страницы: 1, 2, 3 или 4 минуты.

Гипотеза подтвердилась: пользователи, которые находятся на сайте больше, совершают больше конверсий.

Решение подобной сегментации оставили как удачный вариант определения аудитории. Осталось автоматизировать деление на группы. Для этого решили делить данные по медиане, аномальные визиты и отказы мы удалили, чтобы они не искажали выборку.

Так как мы кластеризовали пользователей и разобрались с корреляциями, решили взять график Retention Rate (RR) или метрику удержания пользователей для сравнение недельного «возвращения».

Проще говоря, логика в том, что если пользователи чаще начинают возвращаться на сайт, то такое поведение положительно скажется на конверсиях, если реже – отрицательно.
Пример графика удержания
После исследования мы узнали, как метрики зависят друг от друга, и определились с опережающими метриками. Далее дело за малым – научиться предсказывать конверсии.

После запуска ~100 тестов стало понятно: для всех дилеров обучать одну модель будет неправильно. Слишком непредсказуемо распределялись данные.

Обучать одну модель для одного набора данных (а у нас их 77) затратно по времени. Обучить модель на всех данных – модель переобучается и точность прогнозов падает.

Поэтому для создания более точно модели предсказания мы использовали готовые модели, которые уже обучили на данных других клиентов. Алгоритм предварительно сравнивает, какая модель подходит больше всего, и на ее основании составляет прогноз.

Как стали выглядеть прогнозы
Что из себя представляет модуль «Анализ аудитории»
После предсказаний мы проработали алгоритм, который выявляет характеристики пользователей: какие пользователи эффективнее, а на каких тратится бюджет без конверсий. Эти данные используются для оптимизации рекламных кампаний и составления маркетинговой стратегии.

Для всех графиков были подсчитаны средние значения, если позволяет интервал, то сравниваются значения за последние три месяца и полгода. Все выводы имеют интерактивный формат, при наведении на точки показывается дополнительная информация.

Список параметров, которые анализируются в отчете:

Общий отчет:
  • График конверсий и расхода по РК и Группам
  • Динамика цены клика
  • Отказы и CTR%
  • Позиции показов
  • График цены конверсии
  • Средний объем трафика по РК и группам

Отчет для поиска и РСЯ:
  • Цена конверсии по городам/регионам
  • CTR% и отказы по городам/регионам
  • Цена конверсии по критерию пол и возраст
  • CTR% и отказы по критерию пол и возраст
  • Цена конверсии по группам
  • Отдельный график для групп, по которым не было конверсий
  • Семантика, по которой не было конверсий, но был значимый расход
  • Семантика в разбивке по цене конверсии
  • Для поиска группы по позициям показов, для РСЯ – эффективность отдельных креативов
Пример графика «Общий отчет – цена клика»
Пример графика «Отчет поиск – цена конверсии по городам»
Перенос полученных разработок в телеграм-бот
Исследования, алгоритмы и функции нужно было перенести в место, где маркетологи агентства смогут взаимодействовать с ними. Для этой задачи мы развернули телеграм-бота.

На момент публикации статьи проводится тестирование функций и эффективности предсказаний. Постепенно осваиваем этот инструмент в работе и оптимизируем рекламу по новым технологиям.

Для нас важно предлагать корректировки и давать рекомендации, исходя из исследования трендов рынка и потребностей клиентов.
Александр Морозов,
операционный директор
пишите напрямую в Telegram, обсудим как мы решим ваши задачи