Как снизить ДРР и CPR в 2 раза при работе c In-App-трафиком. Кейс «Спортмастер» и Bidease
Высокая конкуренция на рынке e-commerce сейчас мало кого удивит. Именно поэтому так важно действовать сразу в двух направлениях: активно привлекать новых пользователей и поддерживать постоянную фоновую коммуникацию с текущей аудиторией.
В этом материале мы расскажем, как работать с In-App, чтобы стабильно растить маркетинговые результаты бренда, кратно снижая ДРР, и какую роль в этом играют алгоритмы ML и AI.
О клиенте
Торговая сеть «Спортмастер» была основана в 1992 году. «Спортмастер» предлагает широкий выбор спортивной одежды и обуви, товаров для фитнеса, летних и зимних видов спорта. А еще активно расширяет спортстильный ассортимент онлайн и в магазинах и добавляет новые категории, такие как рыбалка, спортивное питание и другие за счет привлечения внешних селлеров.
Релиз приложения состоялся в 2017 году, а в 2022 было запущено новое мобильное приложение, которое теперь включает и нетоварные сервисы: «Спортмастер Медиа», «Онлайн-тренировки», «Трекер активности», «Клуб путешествий» и многие другие.
О Bidease
Bidease — это мобильная перформанс DSP (Demand Side Platform), использующая алгоритмы искусственного интеллекта и машинного обучения для закупки премиального In-App инвентаря. Технологии машинного обучения оптимизируют рекламные кампании и позволяют достигать ключевых показателей эффективности, обеспечивая максимальную результативность и возврат инвестиций.
Задача
На данном проекте у Bidease две ключевые задачи:
привлечение пользователей с соблюдением KPIs клиента по стоимости новой регистрации в приложении (CPR) и ограничением по ДРР в рамках бизнес-эффективности;
ретаргетинг с соблюдением KPIs клиента по стоимости оформленного заказа (CPO) и ДРР в рамках бизнес-эффективности для обеих осей.
В обоих случаях трафик должен отвечать фильтрам качества по фроду:
выдерживать Hard и Soft KPIs клиента по фроду в разрезе привлечения и ретаргетинга, например, по доле первых сессий после установки с авторизацией или регистрацией; по среднему количеству кликов в день, CTIT и др.
Гео: Россия
Источники: Bidease
Платформа: iOS, Android
Трекер: AppsFlyer
Период РК: декабрь 2023 – октябрь 2024, 10 месяцев (сотрудничество продолжается)
Решение
Для решения текущей задачи мы применили нашу новую передовую технологию — автопилот.
Автопилот — это интегрированный комплекс алгоритмов, который обеспечивает автоматизацию процессов закупки рекламы. Он включает в себя:
Модели прогнозирования эффективности: система динамически оценивает каждый показ и назначает оптимальную ставку на основе прогнозируемого результата, постоянно обновляясь для сохранения точности.
- Балансировщики трафика: алгоритмы автоматически перенаправляют трафик на наиболее эффективные кампании, модели, типы рекламных креативов, SSP и плейсменты, обеспечивая максимальный перформанс.
- Инструменты управления бюджетом: позволяют рационально расходовать рекламный бюджет в пределах установленного периода, контролируя затраты и обеспечивая стабильные результаты.
Система автопилота работает полностью в автоматическом режиме, своевременно адаптируя ставки к изменяющимся условиям рынка и повышая рентабельность рекламных кампаний.
Объем статистически значимой информации, который мы получаем при продвижении и ретаргетинге такого крупного клиента как «Спортмастер», позволяет нам отойти от стандарта рынка в работе с моделями машинного обучения и реализовывать новый подход при их обучении, а именно — применение нейросетей.
Таким образом алгоритмы:
– Улавливают более тонкие зависимости и изменения;
– Обрабатывают объем данных в 10 раз больше.
Это позволяет клиенту получать релевантных пользователей, которые с максимальной вероятностью совершат необходимое целевое действие, а не просто установку приложения. То же относится и к взаимодействию с текущей базой — повторные касания осуществляются с потребителями, серьезно настроенными на покупку.
User Acquisition на iOS
Запуск кампаний проходил максимально широко с последующей оптимизацией по источникам трафика и паблишерам — были задействованы ironSource, Vungle, AppLovin, TaurusX, Unity, Fyber, BidMachine, Chartboost, BIGO Ads и другие крупные биржи.
На старте работали три типа моделей:
- Широкая модель.
- Широкая модель с использованием нейросетей.
- Lookalike-модель.
Они были запущены одновременно, трафик распределялся между ними автоматически, исходя из перформанса. После того, как было набрано необходимое количество статистически значимых данных, наш автопилот переобучился с использованием полученной информации и добавил к имеющимся моделям — четвертую. Эта модель также участвовала при балансировке трафика.
Например, на момент написания кейса (октябрь 2024) одна из топовых кампаний — с использованием модели, обученной на связку событий «Установка + Регистрация + Просмотр товара».
Если говорить про соблюдение KPIs, то графики динамики ниже наглядно демонстрируют, что за все время флайта мы:
- прекрасно укладывались в метрику по стоимости регистрации и даже в высокий сезон не подходили близко к ее максимально допустимому значению, а в весенний период снизили CPR более чем в 2 раза.
- стабильно соблюдали ДРР, а в некоторые месяцы снизили этот параметр в 2-5 раз.
И еще одним подтверждением эффективности UA-кампаний можем назвать удовлетворенность клиента качеством трафика и готовность далее развивать сотрудничество.
Retargeting на iOS
Для ретаргетинговых кампаний на iOS лучший перформанс показывает набор из таких моделей:
Широкая модель.
- Широкая модель с использованием нейросетей.
- Обученная на связку событий «Установка + Просмотр товара + Выбор размера».
- Обученная на связку событий «Добавить в корзину + Просмотр товара + Покупка».
Retargeting на Android
Для ретаргетинговых кампаний на Android стабильно хороший результат показывают следующие модели:
- Широкая.
- Широкая модель с использованием нейросетей.
- Модель, обученная на связку событий «Просмотр товара + Просмотр корзины + Выбор размера».
- Модель, обученная на целевое действие «Покупка».
В разрезе выполнения KPIs предлагаем посмотреть на следующие графики динамики, которые демонстрируют, что мы:
- полностью укладывались в показатель по стоимости оформленного заказа.
соблюдали ДРР, а в некоторые месяцы снизили его в 2 раза.
Креативная составляющая
В разрезе креативной составляющей мы ориентировались на 4 подхода, которые лучшим образом соответствовали потребностям и интересам аудитории:
- Собственные и эксклюзивные торговые марки.
- Наиболее популярные товары у клиентов разных сегментов.
- Лидеры мнений.
- Скидки/распродажи/промо.
В UA использовали видео, баннеры и нативки, а в ретаргетинге ориентировались на видео, но и баннеры не игнорировали. Ниже приводим примеры самых успешных креативов.
К примеру, на UA этот баннер показал самую высокую эффективность за период своей работы.
Для возвратных кампаний очень хорошо зарекомендовали себя динамичные видео с энергичной музыкой.
Например, эти ролики попали в топ по CTR и CR из ревовлечения/реустановки в оформление заказа.
Результаты
При работе с In-App-трафиком главным приоритетом для нас, разумеется, является его качество и чистота. Но не менее важно попадание в наши KPIs, и в случае с Bidease мы полностью удовлетворены результатами совместной работы.
На данный момент Bidease является для нас одним из ключевых партнеров в направлении ретаргетинга, но и результаты UA-кампаний мы также высоко оцениваем.
И хоть политика компании не позволяет разглашать данные нашей совместной работы в полном объеме, мы очень рады поделиться с рынком результатами сотрудничества.