Как оптимизировать контекстную рекламу мобильных приложений

Даже при наличии большого количества инструментов для оптимизации рекламных кампаний некоторые задачи могут поставить в тупик. Особенно, если речь идет о мобильных приложениях. Универсальные кампании Google научились самостоятельной оптимизации. Но что делать, если нужна автоматическая оптимизация в рекламных кампаниях на установку приложений в Яндекс.Директе? Мы столкнулись с этой проблемой при продвижении приложений ЛитРеса через контекст, и вот, как искали пути ее решения.

При рекламе мобильных приложений основные трудности возникают на этапе получения аналитических данных. Мобильное приложение – это специфический продукт. Для отслеживания количества его установок и количества выполненных целевых действий используются специализированные аналитические системы (AppsFlyer, Adjust, AppMetrica, Firebase и др.), но они имеют значительные отличия от аналитики сайтов.

Сложность еще и в том, что из-за разделения рекламной и аналитической систем данные могут отличаться. Для мобильных приложений специализированные аналитические системы показывают наибольшую точность. Когда возникает необходимость в автоматической оптимизации рекламных кампаний, то логичнее использовать именно их. Однако возможности интеграции и передачи данных между рекламной системой и системой аналитики не всегда позволяют сделать это качественно и передать информацию в полном объеме. Кроме того, в рекламных системах не всегда понятно, по какому принципу работают встроенные оптимизаторы. Если же речь идет о применении внешних оптимизаторов, то их интеграция с аналитическими системами в принципе не предусмотрена, так как разработанные для этого инструменты в основном заточены под оптимизацию рекламы лендингов и сайтов, а не мобильных приложений.

У нас в работе было два приложения:

«Литрес. Читай» – приложение для чтения электронных книг, которые можно скачать прямо из магазина;

«Литрес. Слушай» – приложение-плеер для аудио книг, также с возможностью прямого скачивания из магазина Литрес.

Основная задача – найти способ применить автоматическую оптимизацию ставок для ключевых слов в рекламных кампаниях на установку приложений в Яндекс.Директ.

Когда есть только одно решение…

• трекинговых ссылок из рекламных кампаний Яндекс.Директ, по объявлениям которых были совершены переходы в Google Play и Apple App Store и произведены установки приложений;
• сырых данных по количеству установок из аналитической системы для приложений AppsFlyer.

Сырые данные, содержащиеся в Raw Data Reports данной системы, хорошо поддаются манипуляции и преобразованию. Их можно использовать в других рекламных системах в качестве дополнительной статистики или основы для автоматической оптимизации. После этого полученную информацию нужно было загрузить в Оптимизатор: К50, чтобы автоматически управлять ставками в рекламных кампаниях, а также влиять на стоимость установки приложений и на объем получаемых установок.

По сути своей этот процесс напоминает эмуляцию того, что на данный момент добились Google со своими Универсальными кампаниями для рекламы мобильных приложений (Universal App Campaigns): они работают на основе самообучающейся нейросети, целью которой является автономная оптимизация и получение пользователей приложений по самым выгодным для рекламодателя CPI и KPI.

То же самое и здесь. Мы задаем KPI в Оптимизаторе: K50 и в качестве основы даем большой объем информации об установках приложений, чтобы тот смог оптимизироваться на базе этих данных. Это легко представить, но достаточно сложно воплотить.

…и две большие проблемы

Нам нужно было понять, как сопоставлять данные из двух разных систем аналитики, которые, на первый взгляд, технически не могут быть связаны друг с другом. Второй проблемой в осуществлении данной идеи было создание связующего звена между аналитикой приложений и сервисом К50. Необходимо, чтобы эти две системы «понимали» друг друга и работали слаженно при оптимизации ставок для ключевых слов, которые приносят наибольшее количество установок.

Сначала мы подумали, что самый надежный способ – использовать рекламные идентификаторы, поскольку это уникальный параметр, который точно позволяет отследить пользователя. Но в этом случае отслеживание идентификатора оказалось неприменимо для использования в K50. Тогда было решено пойти единственным возможным путем и проводить сопоставление по UTM-меткам, которые регистрировались в Raw Data отчетах на стороне системы аналитики приложений (в данном случае – AppsFlyer).

Фильтровались такие установки по источнику трафика, где значением было yandexdirect_int, которое присутствует в трекинговой ссылке AppsFlyer и вместе с этим используется в рекламных кампаниях в Яндекс.Директ на установку приложений. Благодаря тому, что в трекинговую ссылку для приложения можно добавить параметры UTM, мы смогли использовать их для сопоставления с читаемым форматом для K50.

Код в мешке

Для быстрой передачи и преобразования данных из одной системы в другую мы разработали программный код, который стал коннектором между этими двумя системами. Коннектор делает выгрузку данных из AppsFlayer и совмещает их по общим параметрам (UTM-меткам) с информацией в К50. Благодаря этой новой надстройке мы можем оптимизировать рекламные кампании для мобильных приложений: изменять ставки по ключевым словам в контекстной рекламе (ЯД, GA). При этом наш коннектор достаточно подключить всего один раз, а дальше системы будут взаимодействовать автономно по API.

Сейчас коннектор начал работу, и мы ожидает существенного увеличения количества установок приложения. Учитывая, что вручную управлять кампаниями с таким количеством ключей невозможно, можно сказать, что созданный код — самый долгожданный функционал для продвижения приложений.