Использование данных в рекламе

Организация работы

DMP с поставщиками

данных: игра по-белому

Татьяна Фирсова Аналитический центр Vi

Семинар IAB, 9 октября 2014

Типы данных

Типы данных по принципу сбора

информации

3

3rd party

2nd party

1st party

1st party data = YOUR data

Поведение, действие, интересы, выявленные на

собственных площадках

Информация из CRM

Подписки и регистрации, social data

Бесплатна для владельца

Неотчуждаема

Самая контролируемая

4

3rd party data

Данные, собираемые и агрегируемые сторонними

источниками

Дают дополнительную информацию

Могут применяться на большем объеме трафика

5

2nd party data

Косвенные данные о

собственной аудитории

Данные, получаемые в

сотрудничестве с другим

источником

Контроль процесса сбора и

обработки данных

6

1st party

Типы данных по владельцу

7 Контроль

Сто

им

ость

3rd party

2nd party

Данные: не только онлайн, но и

оффлайн

Дисконтные системы и

программы лояльности

Покупки в магазинах

Перемещения пользователя

Посещение мероприятий

Звонки из CRM

Кредитная история

8

Связка оффлайновых данных

9 Представленные бренды выбраны в качестве примеров и носят исключительно иллюстративный характер

База данных людей,

участвующих в программе

лояльности

Куки посетителей сайта

Типы интересов

Долгосрочные

Ин-маркет Краткосрочные

0

Прошлые покупки

10

Machine learning в работе с

данными

11

Пользователям, которым в прошлом нравились одни и те же вещи, в будущем

тоже будут нравиться одни и те же вещи

Сбор данных о прошлых покупках

пользователя

Выявление пользователей

со схожими интересами

Выявление продуктов,

понравившихся пользователю

Составление рекомендаций

Процесс работы с данными

12

Консолидация

данных (First-Party

Data

Выдача аудитории для

использования ее в

рекламных целях

Обогащение своих

данных Second-Party

Data и Third-Party Data

для увеличения охвата

Создание

собственной

уникальной

аудитории

Геймеры Покупатели игр

(in-market) Расширенный сегмент

геймеров + =

Обеспечение

сохранности

партнерских

данных

1. Соблюдение ФЗ 152

Сохранение только той информации, которая не позволяет

идентифицировать профиль с реальной персоной

15

2. Неразглашение поставщиков

Первое правило Бойцовского клуба:

не упоминать, откуда печенье

Второе правило Бойцовского клуба:

НИГДЕ не упоминать, откуда печенье.

3. Алгоритм подключения для

поставщиков

1. Подписание NDA и договора

2. Проработка технологического решения по организации

синхронизаций и передачи данных

3. Синхронизация пользователей через сопоставление кук

4. Получение тестовой выборки

5. Промерка тестовой выборки по эталону

6. Внедрение данных поставщика в формирование мастер-

профиля для потребителей

7. Регулярная сверка

8. Постоянная промерка поставляемых сегментов по эталону

16

4. Могу ли я купить аудиторию

конкурента?

Риски продажи данных отдельного поставщика – покупка

конкурентом его аудитории

Риск принимает DMP – продажа композитного профиля

Риск принимает поставщик – продажа branded data

17

Актуализация данных

Постоянный поиск новых поставщиков

Контроль качества

Установление времени жизни (TTL) для данных в

зависимости от их типа

18

19

Проблема

верификации

данных

Важна ли верификация?

KPI при брендинге

Охват необходимой целевой

аудитории с заданной

частотой

Performance

Количество переходов на

сайт, заполнений заявок,

оформленных заказов

Как обеспечить доверие к данным

21

Branded data

Как обеспечить доверие к данным

22

Проверка по эталону

Полнота (Recall) - доля правильно

опознанных (подтвержденных) ко всей

целевой группе в промеряемом трафике

24

ACTUAL (эталон)

TRUE FALSE

PREDICTED

(поставщик)

TP

true positive

Correct result

VERIFIED

FP

(false positive)

Unexpected

result

FN

(false negative)

Missing result

TN

(true negative)

Correct absence

of result

Используемые метрики

𝑇𝑃

𝑇𝑃 + 𝐹𝑁=

𝑉𝑒𝑟𝑖𝑓𝑖𝑒𝑑

𝐴𝑐𝑡𝑢𝑎𝑙

𝑇𝑃

𝑇𝑃 + 𝐹𝑃=

𝑉𝑒𝑟𝑖𝑓𝑖𝑒𝑑

𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑

Точность (Precision) - доля правильно

опознанных (подтвержденных) ко всем

опознанным как целевым

Использование метрики Affinity

25

Индекс соответствия =доля ЦГ в аудитории площадки

доля ЦГ в интернете/населении× 100

Индекс обогащения =Точность (𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛)

доля ЦГ на площадке× 100

Индекс обогащения =доля правильно опознанных

естественная доля ЦГ в трафике× 100

Для роста аффинити есть предел, в

зависимости от естественной доли

26

«серая зона», аффинити таких

значений невозможно для

групп с таким охватом

Максимально

возможная

аффинитивность Высокий

потенциал

для роста

Точность (Precision) и Affinity Index:

прямая связь

27

Доля

Точность Precision)

5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100%

5% 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000

10% 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000

15% 33 67 100 133 167 200 233 267 300 333 367 400 433 467 500 533 567 600 633 667

20% 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500

25% 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400

30% 17 33 50 67 83 100 117 133 150 167 183 200 217 233 250 267 283 300 317 333

35% 14 29 43 57 71 86 100 114 129 143 157 171 186 200 214 229 243 257 271 286

40% 13 25 38 50 63 75 88 100 113 125 138 150 163 175 188 200 213 225 238 250

45% 11 22 33 44 56 67 78 89 100 111 122 133 144 156 167 178 189 200 211 222

50% 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200

55% 9 18 27 36 45 55 64 73 82 91 100 109 118 127 136 145 155 164 173 182

60% 8 17 25 33 42 50 58 67 75 83 92 100 108 117 125 133 142 150 158 167

65% 8 15 23 31 38 46 54 62 69 77 85 92 100 108 115 123 131 138 146 154

70% 7 14 21 29 36 43 50 57 64 71 79 86 93 100 107 114 121 129 136 143

75% 7 13 20 27 33 40 47 53 60 67 73 80 87 93 100 107 113 120 127 133

80% 6 13 19 25 31 38 44 50 56 63 69 75 81 88 94 100 106 113 119 125

85% 6 12 18 24 29 35 41 47 53 59 65 71 76 82 88 94 100 106 112 118

90% 6 11 17 22 28 33 39 44 50 56 61 67 72 78 83 89 94 100 106 111

95% 5 11 16 21 26 32 37 42 47 53 58 63 68 74 79 84 89 95 100 105

100% 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

28

“In a perfect world, ads would reach their

intended audience all of the time”

Nielsen, “Reaching Consumers Online: The New "Norm"al For Digital Ads”, сентябрь 2013 (link). average on-target percentage from nearly

5,000 campaigns measured by Nielsen Online Campaign Ratings. Note: Age and gender norms are available for demo breaks that had sufficient

data to meet the minimum requirements for inclusion.

Age 12+ 18+ 18-24 21-34 18-34 25-44 35-54 25-49 25-54 35-64 18-49

Age Span

(Years) 7 14 17 20 20 25 30 30 32

persons 98% 92% * 62% 60% 48% 41% 52% 58% 52% 76%

females * 76% * * 46% 32% 28% 38% 42% 39% 56%

males * * 22% 38% 46% * * * 42% 39% 56%

Средняя точность попадания в возрастные и половозрастные интервалы

BrightRoll и Kellogg’s

29 BrightRoll, “Case Study: Kellogg Company. Platform Partnership Maximizes Digital Video Efficiency”, август 2013 (link)

Сегодня на DMP Vi:

Интересы

Более 250 000 000

профилей

В среднем 4 сегмента

интересов у профиля

Демография

Более 120 000 000 профилей

В среднем 75% охват

проинтегрированных сетей (знаем и пол, и возраст) Состав профиля:

Гендер: мужской, женский

Возраст: 12-17; 18-24; 25-34; 35-44; 45-

54; 55+

География: регионы России, с

точностью до города

Проведение РК с данными Vi

11,4%

15,4%

Видели хотя бы 2 страницы

Вернулись хотя бы 1 раз

без таргетинга

31

1,07 1,19 1,12

1,31

Средняя глубина просмотра

Среднее число возвратов

с таргетингом «look-a-like», сформированного посредством данных DMP Vi

1.7x

1.4x

Спасибо! Татьяна Фирсова (эксперт отдела исследований интернета Аналитического Центра Vi)

тел. (495) 231-48-52; (495) 737-87-44, доб. 2714

TFirsova@vi.ru

facebook.com/catadelic