Компании часто находятся в состоянии поиска, расширения или уточнения целевой аудитории, которой можно предложить свой продукт. Один из эффективных способов найти заинтересованных потребителей — использовать деперсонализированные данные третьих компаний о покупательской активности пользователей.

О том, как эти данные помогают находить аудиторию для показа рекламы и повышать отдачу от маркетинговых активностей, рассказывает Александр Старостин, CEO и сооснователь martech-компании First Data.

Какие преимущества есть у Third Party Data

При поиске целевой аудитории и её сегментировании для рассылки рекламных предложений используются различные виды данных, в том числе:

First Party Data — внутренние данные самой компании, собранные напрямую от своих текущих и потенциальных клиентов.

Second Party Data — такие же данные, но от партнёров со схожей аудиторией.

Third Party Data — обезличенные транзакционные данные о покупательском поведении пользователей, полученные от сторонних организаций. В этой статье речь пойдет, главным образом, об этих данных, хотя Third Party Data могут включать и другую информацию. Например, социально-демографические параметры, данные о местоположении и перемещениях, возможной смене работы или получении кредитов.

Как обезличенные данные о покупательской активности помогают повысить эффективность рекламной кампании

Деперсонализированные данные о покупательской активности помогают значительно повысить релевантность рекламного предложения. Дело в том, что такие характеристики, как возраст, пол и местоположение потенциальных клиентов, а также информация о поведении в социальных сетях или поисковых запросах, не всегда дают точную информацию о потребностях аудитории.

Рассмотрим, как можно улучшить таргетинг рекламной кампании, уточнив запросы и портреты потребителей с помощью обезличенных данных о покупательской активности.

1. Персонализация

Например, маркетологи собрали сегмент пользователей, которые с большой вероятностью интересуются спортом. При этом в процессе сбора данного сегмента решили не заниматься дополнительной детализацией, и запустили рекламную кампанию.

Пользователи из данного сегмента могут видеть рекламу с самыми разными спортивными товарами: от боксёрских перчаток до хоккейных клюшек и билетов на футбол. Однако какая-то часть аудитории может заниматься бегом, а другая — предпочитает смотреть матчи по телевизору. 

Обезличенная информация о покупательской активности позволит более чётко определить возможные интересы пользователей. Например, конкретный вид спорта или потенциальную потребность в спортивных БАДах. 

Кроме того, детальный анализ покупательской активности позволит более своевременно таргетировать рекламу, например, когда вероятная потребность в покупке наиболее высока.

2. Точность

В некоторых случаях онлайн-активность пользователей не отражает её реальных потребностей. Дополнительная фильтрация с учётом данных о покупательской активности позволяет исключить из сегмента аудиторию, которая с большой вероятностью интересуется элитной недвижимостью, но не может её себе позволить.  

Другая частая ситуация — когда выявленная потребность является разовой. Например, с помощью анализа обезличенных данных можно выявить аудиторию, которая может интересоваться детскими игрушками. Однако регулярно показывать этому сегменту рекламу детских товаров нецелесообразно, так как у некоторых пользователей нет детей, а интерес к игрушкам был связан с приближающимися праздниками. 

Если уточнить таргетинг с обезличенными данными на основе покупательской активности, можно выявить аудиторию, у которой скорее всего есть дети, а значит, потребность в детских игрушках возникает регулярно.

3. Социальные стереотипы

При разработке гипотез многие маркетологи опираются на стереотипы, основанные на упрощённом образе потребителя. Рекламу создают и таргетируют, исходя, например, из того, что у женщин 30+ есть дети, мужчины неравнодушны к футболу, а дети любят молочные коктейли. Но такое широкое сегментирование часто оказывается неэффективным.

С помощью обезличенных транзакционных данных есть возможность с большой вероятностью выявить женщин, у которых есть дети, а также мужчин, которые скорее всего часто покупают детские товары. 

Билеты на матчи стоит предлагать футбольным болельщикам и людям, которые уже посещали игры, или сами играют в футбол – об этом расскажут покупки тренировок, спортивной формы и сувениров с мерчем клубов. 

А что касается молочных коктейлей, то McDonald's в свое время обнаружили, что этот продукт пользуется большой популярностью у дальнобойщиков и пассажиров пригородных поездов. Адаптация рекламы на взрослых мужчин принесла компании дополнительные продажи.

4. Актуальность

Один из популярных видов таргетинга — на основании поисковых запросов или интересов пользователя. Каждому знакома реклама техники после изучения моделей пылесосов или смартфонов. Иногда мы видим её даже спустя недели после покупки нужной вещи. 

Анализ обезличенных транзакционных данных поможет выявить аудиторию, у которой уже скорее всего закрыта данная потребность. Для сегмента, собранного таким способом, скорее будет актуальна реклама сопутствующих товаров, например мешков или фильтров для пылесоса, наушников и карт памяти для смартфона.

Таким образом, мы видим, что собственные данные и цифровые следы не всегда дают полную картину потребностей и предпочтений аудитории, что снижает эффективность рекламных кампаний.

При этом Third Party Data позволяют получить более точный портрет потенциального клиента и дополнить информацию из CRM. Например, если производитель уходовой косметики планирует продвигать свою новую линейку, он может ориентировать рекламу не только на своих действующих покупателей, но и на пользователей косметики аналогичных товаров из того же ценового сегмента. Выявить их можно с помощью анализа покупательской активности.

Кейсы компании First Data

Рассмотрим на реальных кейсах от мартех-компании First Data, как таргетинг на основе обезличенных транзакционных данных помог найти целевых клиентов и повысить продажи.

Кейс 1. Рекламная кампания для бренда детской уходовой косметики

Бренд детской уходовой косметики поставил задачу — увеличить продажи отдельных позиций. На основе обезличенных данных о покупательской активности мы собрали два сегмента: активные пользователи бренда и мамы младенцев. 

Рекламную кампанию запустили в формате пуш-уведомлений. Сообщения приходили пользователям, у которых установлено мобильное приложение бренда, а также тем, кто оказался в торговой точке: заказал товары с самовывозом и приехал их забирать. Для того чтобы вычислить момент для рассылки рекламы, совместно с заказчиком мы рассчитали, сколько в среднем проходит времени от заказа до появления покупателя в магазине.

Поскольку эти люди уже находились в магазине, их надо было лишь немного «подтолкнуть» к ещё одной покупке. 

Рост продаж от первоначального уровня составил 20,32% для постоянных покупателей и 20,5% — для мам. То есть компания не только увеличила продажи, но и охватила новый значимый сегмент, сравнимый с сегментом лояльных клиентов.

Кейс 2. Продвижение марки безалкогольного пива в сети крупных гипермаркетов

В этом случае пуши с промо в приложении также рассылались покупателям, приехавшим за заказом, и тоже по двум сегментам: лояльные клиенты бренда и те, кто с большой вероятностью регулярно приобретает безалкогольное пиво других марок данной ценовой категории.

Результат: +38,21% у поклонников бренда и +40,86% во втором сегменте. То есть интерес к продукту у новой аудитории оказался даже больше, чем у постоянной. Общая конверсия в покупку у получивших уведомление составила 25%.

Кейс 3. Получения заявок на тест-драйвы

Перед автодилером стояла задача — увеличить число заявок на тест-драйвы автомобилей премиум-класса. С помощью таргетинга на основе обезличенных транзакционных данных были собраны следующие сегменты: 

• покупают дорогой бензин;
• интересуются дорогими аксессуарами для автомобиля соответствующего класса;
• клиенты центров автотюнинга;
• плательщики налогов на дорогие машины.

Кампания, направленная на эти сегменты клиентов, оказалась в 1,8 раза эффективнее, чем другие рекламные инструменты.

Кейс 4. Определение целевой аудитории для бренда премиальных пельменей

Команде First Data нужно было определить целевую аудиторию рекламы премиального сорта пельменей. Анализ деперсонализированных транзакционных данных показал, что качественные пельмени чаще покупают IT-специалисты, семьи с детьми, спортсмены (!), любители путешествий и автомобилисты.

Более узкое таргетирование пуш-рекламы с промо на эти сегменты показало ощутимо лучший эффект, чем первоначальное широкое на аудиторию 25–55 лет.

Сторонние данные для анализа и разработки рекламных кампаний можно получать от ОФД, торговых сетей, перевозчиков, сотовых операторов, банков, рекрутинговых агентств.

Рекламодатели либо сами покупают, хранят и обрабатывают Third Party Data (это требует больших вложений и наличия соответствующих специалистов), либо обращаются за помощью к мартех-компаниям. Последние специализируются на сборе информации из различных источников и её аналитике под конкретные задачи.

В любом варианте обезличенные транзакционные данные помогают точнее и подробнее изучить поведение потребителей, увидеть рыночные тренды и выделить те сегменты целевой аудитории, которые с большей вероятностью заинтересованы в приобретении продукта или услуги. Такой подход помогает компаниям экономить рекламный бюджет и при этом наращивать продажи за счёт таргетинга рекламы на максимально тёплую и готовую к покупке аудиторию.