Большинство пользователей не совершают целевое действие с первого визита на сайт. Но «возвращать» стоит лишь тех, кто заинтересован в продукте.

Специалисты физически не могут анализировать сотни параметров и комбинаций для точного таргетинга. Поэтому мы взялись за разработку решения на базе ИИ.

Суть метода

В основе разработки — библиотека машинного обучения от Яндекса.

Для анализа используются поведенческие характеристики пользователя. Алгоритмы находят закономерности в больших объемах данных и определяют вероятность, с которой пользователи совершат конверсию.

Вероятность совершения конверсии измеряем в показателях от 0% до 100%. Чем выше вероятность, тем больше пользователи похожи на тех, кто ранее уже совершал целевые действия. Это значит, что мы готовы потратить больше денег, чтобы вернуть такую аудиторию на сайт.

Основное отличие такого ремаркетинга — мы не используем данные о соцдеме или интересах пользователей. Весь анализ проводится только на основе информации о поведении пользователей на сайте.

Алгоритм позволяет оптимизировать ремаркетинг для любых рекламных систем и транслировать аудитории в рекламные кабинеты социальных сетей.

На практике

Для клиента из автотематики мы настроили умный ремаркетинг в контекстной и таргетированной рекламе исходя из характеристик пользователей, которые оставили заявку на тест-драйв. Сформировалась аудитория look-alike, которая по поведению похожа на тех, кто оставил заявку. После чего мы передали ее в рекламные кабинеты систем.

Аудиторию разделили на две группы:

1. классического ремаркетинга, которая уже зарекомендовала себя и показывала хорошие результаты
2. умного ремаркетинга для нескольких моделей авто

Общая микроконверсия для всех систем — CPQV (Cost per quality visit), стоимость одного качественного визита без отказов. Чем ниже стоимость качественного визита, тем лучше.

На протяжении нескольких месяцев мы следили за откруткой и показателями. По итогу набрали достаточный объем данных для принятия решения.