Big Data в рекламном агентстве: как это делаем мы

Каждую минуту на миллионах серверов по всему миру накапливаются терабайты данных. Информация о клиентах, проведенных сделках, прайсах, оплаченных счетах, уволенных сотрудниках, количестве потраченного времени на одну задачу, о проданных единицах техники за один квартал. О чём угодно. По прогнозам аналитиков, к 2020 году человечество накопит 40–44 зеттабайтов (в одном зеттабайте содержится 10²¹ байтов) информации.

Большие данные могут сделать бизнес эффективнее, сильнее, прибыльнее, однако часть владельцев компании до сих пор не видят в них никакой перспективы.

Успейте купить корпоративный пакет COSSA-2025 со скидкой!

Cossa анонсирует главный рекламный формат на весь 2025 год: сразу 8 различных опций.

Пакет идеально подходит для онлайн-сервисов, стартапов, интернет-компаний и digital-агентств.

Успейте приобрести пакет до повышения цены!

О больших данных говорят, думают, хранят, но и не используют.

В России тема с большими данными развивается очень слабо: наш рынок технологий Big Data несравним с мировыми практиками ни по масштабу, ни по деньгам. На российском рынке Big Data активно используют лишь в энергетике, банковской сфере, промышленности, телекоме: крупные корпорации, как ВТБ24, Сбербанк, Супргутнефтегаз, Билайн смогли увидеть в супермассивах данных их истинную ценность. Например, Сбербанк использует Big Data для борьбы с мошенничеством, управления рисками, оценки кредитоспособности клиентов, расчёта бонусов для сотрудников и других задач.

Как мы применяем большие данные в рекламном бизнесе: в общих чертах

На рекламном рынке о Big Data чаще всего говорят в рамках предиктивного маркетинга. Big Data позволяет обработать данные о тысячах потенциальных потребителей, выявить закономерности, скоординировать систему действий по отношению к целевой аудитории. Мы в Deltaplan начали использовать массивы больших данных с другой стороны — анализировать не целевую аудиторию рекламных кампаний, а подрядчиков компании. 

Одно из основных и самых прибыльных направлений работы Deltaplan — закупка инвентаря для проведения рекламных кампаний. Мы сотрудничаем с более чем 600 операторами наружной рекламы в 300 городах России и проводим с ними несколько десятков сделок в день. В определенный момент это стало поводом систематизировать работу баингового подразделения компании с помощью анализа больших данных.

За годы работы мы накопили огромную базу данных по outdoor- и indoor-операторам. Мы знали, по каким ценам мы покупали каждый рекламный носитель в течение последних 8 лет. У нас была полная информация, в какой месяц инвентарь был занят, когда свободен, какие носители мы закупали чаще, какие реже, какие рекламные площади были более востребованы у наших клиентов, а какие никогда не пользовались спросом. 

Обработать такие объемы неоднородной и постоянно обновляющейся информации традиционными инструментами было невозможно. Мы поставили перед собой задачу — оптимизировать процесс по закупу инвентаря и подчинить отношения с операторами упорядоченной четкой системе. И, в конечном итоге, повысить прибыльность бизнеса.

История первая

Мы начали работать с Deductor — одной из платформ для автоматической аналитики данных — и систематизировать гигабайты накопленной информации. Анализ данных выявил интересные закономерности: от каких параметров зависит размер скидки на инвентарь. Операторы далеко не всегда анонсируют скидочные предложения, а если и анонсируют — операторов и сделок с ними слишком много. Байер не может своими силами определить условия, которые будут самыми выгодными для компании.

Анализ накопленных данных определил гипотезу: какие скидки мы можем получить от outdoor-операторов и на каких условиях. У нас появилось понимание, где мы можем сэкономить деньги при закупе инвентаря.

Более того, мы увидели, что цена на конструкцию у одного и того же оператора во многом зависит от байера. Оказалось, что один байер работает эффективнее другого и закупает конструкции по более выгодной для компании цене. Что делать с байером, который покупает дороже ­— решать его руководству. Здесь начинается управленческая работа, которая не может быть (наверное, только пока) выполнена «машинным умом».

Сейчас эта система на этапе запуска в опытную эксплуатацию. Делать выводы по итоговой выгоде пока рано — нужно провести аналитику хотя бы после года использования.

История вторая

Технология Big Data привела нас к мысли разработать сервис автоматического ценообразования — «Сервис для расчёта рекомендованной цены». Чтобы система, основываясь на больших объёмах данных, рассчитывала оптимальные цены на закуп рекламного инвентаря. Программа будет анализировать минимальные цены, средние цены за прошлые года, сезонные изменения.

У байера появится универсальное и всегда актуальное руководство к действию: по какой цене следует закупить инвентарь, нужно ли ждать скидку или же обратиться к другому оператору за более выгодной ценой.

Этот инструмент должен стать частью большой системы, которая значительно повысит эффективность работы баингового подразделения. Время на покупку каждой рекламной площади сократится в несколько раз.

Главные шаги

В целом весь наш процесс работы с большими данными укладывается в семь универсальных шагов.

1. Структурируем: переводим все данные в табличный вид, подводим их к единым параметрам и знаменателям.
2. Нормализуем: определяем, какие значения могут принимать параметры (например, название одного и того же объекта в разном написании) и приводим их к одному виду.
3. Обогащаем: добавляем в базу недостающие, но критично важные данные.
4. Выводим гипотезу: сначала гипотеза ничем не подкреплена, это лишь наше предположение.
5. Проверяем гипотезу: анализируем данные, они могут как подтвердить, так и опровергнуть гипотезу.
6. Делаем выводы.
7. Составляем план действий.

Для нас Big Data — ключ к понимаю, как оптимизировать работу компании и сократить издержки.

При этом машина и её умение анализировать большие массивы данных приводит к этому пониманию за несколько секунд, а не за неделю работы человека. Ведь все мы помним, что время — деньги.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.