Кейс MGCom, «Росбанка» и Hybrid: как на 50% снизить стоимость заявки с помощью ML

О проекте

С начала 2023 года мы активно разрабатывали собственную технологию оптимизации с помощью ML на перформанс-показатели: CPI и различные CPA. Она позволяет работать не только на узнаваемость и поиск новой аудитории, но и сразу на продажи. Поэтому было решено протестировать эффективность ML на практике.

MGCom всегда ищет новые решения, которые позволяют эффективнее управлять рекламными кампаниями. Таким решением стала технология ML у Hybrid, которую мы предложили в качестве теста. ML-модель на базе искусственного интеллекта позволила увеличить CR в заявку и получить при этом результаты ниже или наравне с другими площадками. Мы продолжим внедрять ML-модель в другие продукты «Росбанка», обучая модель на новые целевые действия.

Что такое ML-модель и как она работает

ML (Machine Learning) — это класс методов искусственного интеллекта, который решает поставленное перед ним задание, обучаясь на представленной выборке данных. В Hybrid ML-модели используются для оптимизации кампаний по CPC, CPM, CTR, CPV, CPI и CPA. ML рассчитывает вероятность получения нужного результата и приводит кампанию к желаемому KPI. Таким образом можно выдерживать нужный СРС, улучшать показатель CTR, увеличивать процент досмотров и многое другое.

Для оптимизации по CPA ML-модель обучается на основе post-view и post-click событий из внутренних данных Hybrid Console. Для успешного обучения достаточно 500 событий за последние 30 дней с нашего источника. Также возможно обучение на MMP событиях.

Мы постоянно совершенствуем функционал своей технологической платформы. ML-модель позволяет без каких-либо дополнительных оптимизаций уменьшить стоимость конверсии благодаря тому, что автоматически регулирует (снижает и увеличивает) ставку в зависимости от шанса получения конверсии. Модель обучается на событиях, которые произошли после наших показов и кликов. Мы открыты к экспериментам и готовы расти вместе с клиентами и агентствами. Достижение общих амбициозных целей и развитие рынка программатик в России — наши основные приоритеты сейчас.

Илья Лысенко

менеджер продукта Hybrid

Как происходил запуск

Главной нашей задачей было попадание в заранее обозначенную стоимость конверсионных событий за определённый срок. Поставленные клиентом цели относятся к перфоманс результатам.

При правильной настройке ML-оптимизация помогает снизить стоимость конверсий, не снижая объёмы. Однако мы рекомендуем запускать одновременно две кампании с идентичными настройками: с ML и без. Кампания без оптимизации позволяет непрерывно собирать новые данные для обучения и качественной работы ML-модели. Кампания с ML работает на снижение стоимости конверсии.

На подготовительном этапе было запущено несколько рекламных кампаний с разным набором интересов. Из них мы выбрали наиболее успешные связи и уже на их основе создали кампании с подключением ML-оптимизации. Параллельно с этим собирались необходимые данные о пользователях.

Тестирование ML-модели проводилось на кампаниях с двумя наборами интересов. Мы назвали их: первая РК по интересам и вторая РК по интересам.

На первом этапе мы запустили два типа кампаний:

• без ML-оптимизации;

• копии кампаний с подключенной ML-оптимизацией на простые (посещение сайта, прокручивание страницы, переходы внутри сайта) и сложные (заполнение заявки) конверсии.

Этот этап необходим, чтобы набрать нужное количество сложных конверсий для обучения ML-модели, в случае «Росбанка» — заполнение заявки и сбор обезличенных данных о пользователях сайта.

После того как было получено более 500 конверсий за последние 30 дней, мы перешли к оптимизации исключительно на сложные конверсии. На этом этапе можно успешно переобучить ML-модель на основе полученных данных.

Важно отметить, что клиент самостоятельно определяет, какие конверсии учитывать, и оптимизация идёт уже на выбранные им события. При этом ML-модель продолжает непрерывно обучаться и улучшать перформанс-показатели на основе получаемых данных. А значит, и процесс снижения стоимости нужного нам действия тоже происходит непрерывно.

Результаты кампании

Всего кампания длилась 4 месяца: с июля по октябрь 2023 года.

Итоги по перформанс-показателям: у обеих РК по интересам перформанс-результаты с ML-оптимизацией получились лучше, чем без неё.

Первая РК по интересам

• Стоимость конверсии дешевле на 13,79%.

• CR выше на 13,46%.

Вторая РК по интересам

• Стоимость конверсии дешевле на 54,24%.

• CR выше на 130%.

Основная цель, которую ставил перед нами клиент — увеличение конверсий и снижение их стоимости была выполнена. Это значит, что результаты кампаний полностью попали в KPI клиента.

Как влияет ML-оптимизация на медийные показатели

CPM, CPC, CTR, VB как в стандартных кампаниях, так и в РК с ML оказались на одном уровне. Это значит, что подключение ML-модели не повышает стоимость размещения и не снижает медийные показатели. Главный вывод, который мы сделали по итогам кампаний — ML алгоритмы не повышают стоимость размещения и отлично работают на снижение стоимости конверсии.

Скажу честно — результаты, полученные с помощью ML-оптимизации, превзошли мои ожидания. Эта технология не только улучшила точность таргетирования, но и значительно повысила эффективность наших рекламных кампаний. С самого начала использования ML-оптимизации мы заметили улучшения в post-view конверсиях, а также в способности управлять и оптимизировать наши рекламные кампании. Одним из ключевых преимуществ новой технологии является её способность узнавать и анализировать предпочтения и поведение нашей целевой аудитории. Это позволило нам создать более персонализированные и релевантные рекламные кампании, что привело к увеличению конверсии и улучшению ROI. Я думаю, уже в ближайшем будущем применение ML-инструментов может изменить нашу стратегию диджитал-маркетинга. Поэтому «Росбанк» активно шёл и будет идти в сторону внедрения новых инструментов ML-оптимизации в свои рекламные кампании.

Андрей Чесноков

руководитель направления цифрового привлечения «Росбанка»