LAL-кампании в Директе: как запустить + какую точность подбора аудитории выбрать

Яндекс Аудитории — это сервис для рекламодателей, в котором можно создавать различные сегменты пользователей: на основе загружаемых показателей о клиентах из CRM, данных Яндекс Метрики и внешних источников. Также здесь можно создать сегменты пользователей, максимально похожих на аудиторию, уже ставшую покупателями компании. При подборе таких сегментов система учитывает много факторов: интересы пользователей, их поведение, пол, возраст, доход, город или район города.

В этой статье мы расскажем про загрузку данных из CRM и добавление Look-alike (LAL) пользователей. Вы узнаете, как грамотно создать новые сегменты LAL, запустить кампании для теста сегментов с разной точностью подбора новых пользователей и оценить их эффективность. Отметим, что это сработает, только если ваш сайт интегрирован с CRM и может собирать аудиторию по адресам электронной почты, номерам мобильных телефонов или ID мобильных устройств.

Как создать сегмент пользователей через Яндекс Аудитории

Шаг 1. Зайдите в свой рекламный аккаунт в Яндексе, перейдите в Яндекс Аудитории и нажмите «Создать сегмент».

Шаг 2. В выпадающем меню выберите «Данные из CRM».

Шаг 3. Укажите название сегмента, проверьте, захэшированы ли данные. Затем добавьте файл с базой клиентов, согласитесь с правилами и примите договор.

Требования к к файлу с выгрузкой из CRM:

формат файла — CSV;

максимальный размер — 1 Гб;

в первой строке указываются названия полей, отделенные запятой;

обязательные поля в записях — phone или email;

количество записей — от 100;

для сохранности данные могут быть захэшированы (md5).

Когда вы закончите создавать сегмент, он появится в кабинете Яндекс Аудиторий. Рядом с сегментом будет отображаться статус «Обрабатывается». Обычно обработка занимает около двух часов, но может понадобиться гораздо больше времени. С помощью алгоритмов для анализа и классификации пользователей Яндекс Аудитории будут искать сходства по характеристикам, интересам и поведению среди пользователей из загруженного сегмента. Также они учтут распределение по полу, возрасту, типам устройств и географии.

Адреса почт и номера телефонов позволят найти сведения о пользователях из России и СНГ, а ID мобильных устройств — о юзерах со всего мира. Например, для обработки адресов электронной почты Яндекс Аудитории используют информацию из различных баз данных, собранных социальными сетями, онлайн-магазинами, рекламными сетями и другими компаниями, которые могут собирать такие данные. Также Аудиториям доступны данные, предоставленные пользователями при регистрации в различных сервисах Яндекса. Так что с помощью почты, номера телефона или ID мобильного можно многое узнать о человеке.

Когда обработка сегмента завершится, статус поменяется на «Готов».

Где искать характеристики целевой аудитории — изучаем отчет

После обработки вам станет доступен подробный отчет по аудитории из сегмента. Чтобы его найти, достаточно в строке с нужной аудиторией нажать на иконку с диаграммой, как показано на изображении.

В этом отчете отображены следующие данные:

распределение пользователей по полу и возрасту;
распределение пользователей по городам и устройствам;
информация по интересам и категориям пользователей из сегмента.

Создаем сегмент похожих пользователей — пошаговая инструкция

После обработки выгрузки из CRM можно создать сегмент похожих пользователей (Look-alike) на основе загруженных данных о целевой аудитории. Новые юзеры подбираются с учетом показателей о поведении и интересах аудитории из базы CRM. При оценке схожести учитываются посещаемые сайты, категории поисковых запросов, социально-демографический профиль (пол, возраст, город проживания и др.). Чем более похожая аудитория входит в исходный сегмент, тем точнее будет подобрана новая аудитория пользователей LAL. На выходе получится совершенно новый список пользователей с одинаковыми интересами и поведением, он не будет включать юзеров из исходного сегмента.

Шаг 1. Создаем сегмент LAL. Для этого нужно кликнуть на три точки в строке с созданным сегментом и выбрать соответствующую функцию в выпадающем меню — «Сегмент похожих пользователей».

Шаг 2. В появившейся форме вводим название сегмента похожих пользователей и проверяем правильность выбора исходного сегмента.

Шаг 3. Указываем, насколько новая аудитория должна быть похожа на имеющихся пользователей: чем выше точность, тем меньше охват и наоборот. Точность можно выставить в диапазоне от 1 до 5.

Подробнее о точности

Look-alike (LAL) с высокой точностью использует более точные и детальные данные из CRM-базы для создания аудиторий, которые наиболее сходны с имеющимися клиентами. В результате получается более узкая и качественная аудитория, соответствующая определенным параметрам: интересам, демографическим характеристикам, поведению и так далее.

Look-alike (LAL) с низкой точностью использует более общие данные из CRM-базы для создания аудиторий, которые не так точно соответствуют имеющимся клиентам. В результате получается более широкая аудитория, которая может содержать пользователей, не совсем подходящих под требования.

В данной статье мы рассмотрим эффективность всех пяти сегментов с разной точностью подбора аудиторий, чтобы выяснить, действительно ли более высокая точность подобранной аудитории приводит более целевой трафик, а меньшая точность — наоборот?

Шаг 4. Выбираем, следует ли сохранить распределение по городам и типам устройств. Если вы включите эту опцию, распределение новых пользователей по городам и типам устройств будет приближенно к исходному. То есть если в исходном сегменте пользователи из Москвы и Санкт-Петербурга были распределены 50/50, то к новым юзерам будет применено то же правило. Если Аудиториям не удастся найти юзеров с исходным распределением, то будут подобраны наиболее похожие пользователи без учета городов проживания и типов устройств.

Можно отключить эти функции для поиска новых юзеров во всех городах и с любыми типами устройств.

Тестируем LAL-аудитории с разными настройками точности подбора новой аудитории

Мы хотим оценить эффективность по подобранным аудиториям Look-alike с разными параметрами точности и охвата, поэтому для одного нашего сегмента по базе создаем пять сегментов LAL-аудиторий с разной точностью.

Исходная база покупателей у нас поделена на две отдельные базы: мужскую и женскую.

Для теста возьмем обе аудитории. Мы создаем в общей сложности 10 новых сегментов LAL: пять по мужской базе и пять — по женской с отличием по параметрам точности и охвата. Создаем их по алгоритму, который мы описали выше.

Ждем, когда созданные нами сегменты пройдут обработку. После этого добавляем новые аудитории в Директ в раздел «Ретаргетинг и Аудитории».

Для этого переходим в раздел «Ретаргетинг и Аудитории», в самом низу страницы нажимаем «Новое условие» и вводим название условия ретаргетинга или подбора аудитории. В новом наборе правил выбираем «Сегмент Аудиторий» и новые сегменты Look-alike, созданные накануне. Одно условие = один сегмент LAL.

Поскольку мы создавали несколько LAL-аудиторий с разной точностью, то добавляем набор правил, исключающий сегмент LAL с большей точностью и меньшим охватом, чтобы полностью исключить пересечение LAL-сегментов в разных списках ретаргетинга. То есть из условия, в которое добавляем сегмент LAL с точностью подбора 2 из 5, исключаем сегмент LAL с точностью 1 из 5. Из сегмента LAL с точностью 3 из 5 исключаем сегмент LAL с точностью 2 из 5 и так далее.

Когда все десять сегментов Look-alike аудиторий будут готовы, сможем приступать к тесту.

На каждую группу внутри одной кампании добавляем по одному списку ретаргетинга. В каждую из десяти групп объявлений добавляем идентичные рекламные объявления. Выбираем стратегию кампании — оптимизация конверсий по цели «Ecommerce Покупка».

Результаты

Спустя два месяца оцениваем результаты теста. Основная цель, которая нас интересует — покупки. Ключевые показатели — CPO и CR.

В результатах теста по женской аудитории видим, что ключевые показатели хуже в группах с увеличением охвата и снижением точности аудиторий LAL (1 — выше точность, меньше охват; 5 — меньше точность, выше охват).

Результаты кампании по мужской базе покупателей не так очевидны. Здесь показатели эффективности лучше у группы с минимальной точностью и более широким охватом ЦА (CPO). CR самая высокая у аудитории LAL с точностью подбора 3 из 5.

Таким образом, по результатам теста нам не удалось доказать предположение, что чем больше новая аудитория схожа с имеющееся базой клиентов, тем выше эффективность аудитории. По женской базе клиентов результаты полностью соответствуют ожиданиям: чем выше точность подбора, тем выше CR и ниже стоимость конверсии. Но по мужской базе такой закономерности не наблюдается.

Изначально в выгрузке CRM было в 3,8 раза больше записей о покупателях женского пола, чем о покупателях мужчинах. Возможно, из-за меньшего объема данных, предложенных Яндекс Аудиториями, пострадало качество подбора новых аудиторий. Отсюда вывод — для более детального изучения особенностей ваших покупателей и качественного подбора новых аудиторий нужно как можно больше данных. Лучше использовать базу клиентов за год или даже больше.

В контекстной рекламе нет волшебных инструментов, которые гарантированно работают с одинаковой эффективностью для всех. И не всегда инструмент, который должен работать эффективно, действительно приносит недорогие лиды. И наоборот: аудитория, которая лишь отдаленно похожа на целевую, может приносить относительно недорогие транзакции.

Сервис Яндекс Аудитории обязательно пригодится рекламодателям, которые не желают останавливаться на достигнутом и хотят увеличить поток клиентов.