Оптимизировали медийную рекламу с помощью предиктивной аналитики
Задача
- повысить эффективность медийной рекламы за счет внедрения поведенческих сегментов, сформированных с помощью машинного обучения;
- выявить наиболее конверсионные группы пользователей на основе их поведенческих паттернов при взаимодействии с сайтом.
Классические диджитал-инструменты перестали быть такими же эффективными, как прежде. Медиаинфляция требует все больше средств от маркетинговых бюджетов. А пользователи банально устали от рекламы. О том, как предиктивная аналитика помогает достучаться до своей аудитории и реально сэкономить деньги расскажет команда StreamMyData (входит в MediaNation ).
Клиент
CDEK — один из крупнейших логистических операторов в России, предоставляющий услуги доставки для бизнеса и частных лиц.
Используемый инструмент
Для реализации задачи применялась технология «быстрых предиктов» — система, основанная на алгоритмах машинного и глубокого обучения. Она анализирует поведение пользователей на сайте и выявляет закономерности, позволяющие предсказать вероятность совершения целевого действия в заданный период времени.
Настройка проекта «быстрых предиктов» производится в личном кабинете платформы StreamMyData (входит в MediaNation).
- Настройка подключения к аккаунту «Яндекс.Метрика».
- Выбор нужного счетчика «Яндекс.Метрика» и выбор цели для обучения системы.
- Выбор горизонта предсказания.
*Дополнительно имеется возможность задать желаемое количество аудиторий с пользователями после обучения системы. А также имеется возможность включить доступ к API и получать значения прогноза по конкретному пользователю через API интеграцию.
После настройки необходимо нажать «Запустить предикт» и в течение нескольких часов аудитории пользователей будут готовы. Стоить отметить, что сформированные сегменты обновляются на ежедневной основе, что позволяет поддерживать постоянную актуальность данных.
Реализация
Для компании CDEK был запущен проект на платформе StreamMyData с применением технологии «быстрых предиктов». В качестве ключевого действия, на основе которого обучалась модель, была выбрана отправка онлайн-накладной — важный шаг в процессе оформления доставки. Горизонт прогнозирования составил 30 дней, а для обучения использовались поведенческие данные пользователей за последние три месяца.
Модель прошла обучение за несколько часов и на выходе сформировала четыре сегмента пользователей, различающихся по вероятности совершения конверсии в заданный период. Далее аудитории автоматически выгружались в «Яндекс». Аудитории и были переданы в рекламные кабинеты команды CDEK для дальнейшего использования в кампаниях.
После формирования поведенческих сегментов на основе модели машинного обучения, клиент принял решение провести A/B‑тест в рамках медийного флайта. Целью теста было сравнение эффективности двух подходов к таргетингу:
- Группа A (контрольная): стандартный таргетинг по интересам, предлагаемый рекламной платформой.
- Группа B (тестовая): предиктивные сегменты пользователей с высокой и умеренно высокой вероятностью совершения целевого действия (категории high и slightly_high).
Кампания проходила с февраля по май 2025 года и охватывала два формата размещения — баннерную и видеорекламу. В каждом формате использовались оба подхода — таргетинг по интересам и таргетинг по ML-сегментам — что позволило обеспечить чистое сравнение результатов в равных условиях.
Результаты
Результаты A/B‑теста продемонстрировали значительное преимущество тестовой группы (ML-сегментов) по ключевым показателям эффективности. По сравнению с группой по интересам, удалось добиться следующих результатов:
- CPL (стоимость привлечения заявки на накладную): снижение на 87,3% в баннерах и на 81,3% в видеоформате;
- CPA по онлайн-расчетам: снижение на 81% (баннеры) и 64,2% (видео);
- Совокупный CPA (оффлайн + онлайн): снижение на 68,2% (баннеры) и 52,9% (видео).
A/B‑тест подтвердил, что использование поведенческих сегментов, сформированных на основе машинного обучения, позволяет существенно повысить рентабельность медийных размещений. При том же охвате и форматах, рекламные бюджеты распределялись значительно эффективнее, что делает данный подход перспективной альтернативой или дополнением к традиционному таргетингу по интересам.
Сегменты предиктивной аналитики на платформе StreamMyData показали себя более эффективно относительно стандартных интересов в рекламном кабинете. В кампаниях, настроенных на поведенческие сегменты, сформированные с помощью машинного обучения, CPA оказался на 80% ниже. A/B‑тест показал уверенное преимущество нового подхода над традиционным таргетингом по интересам. Отдельно отметим высокую скорость запуска и актуальность данных за счет ежедневного обновления сегментов. Решение зарекомендовало себя как перспективный инструмент в нашей диджитал-стратегии.
Результаты с CDEK говорят сами за себя: машинное обучение и поведенческие сегменты — это не будущее, а настоящее эффективной рекламы. Снижение CPA на 50−80% — это не теория, а наша реальность.
Не пропустите новые полезные статьи о digital-маркетинге. Подписывайтесь на наш Телеграм-канал.
.png)
.png)
.png)
.png)
.png)
.png)
