Рубрика: Работа с данными

Модель CPS (cost per sale) — частный случай CPA (cost per action), когда оплачивается не число просмотров интернет-рекламы или кликов по баннеру, но берётся оплата за продажу после знакомства пользователя с рекламным объявлением. В основе этой модели атрибуции лежит through-view (или post-view) аналитика, широко используемая для систем RTB (Real-time Bidding, интернет-реклама с ценообразованием в режиме реального времени).

Что такое post-view аналитика

Основная маркетинговая задача бренда сегодня — выстроить эффективную кампанию с наибольшей конверсией в рамках бюджета при разумной экономии средств. Причём тренд — «умная» экономия на основе современных моделей атрибуции интернет-рекламы (CPA — cost per action), когда учитывается даже не клик, а цена продажи, последовавшей сколь угодно позже контакта с рекламой.

На схеме представлена view-through конверсия, когда 20 дней спустя контакта с баннером (!) пользователь вспомнил о нём, нашёл в поисковике сайт бренда и совершил покупку. При этом правильнее будет оценивать продажу не как SEO-конверсию (результат поискового продвижения, post-click модель), а именно результат рекламной кампании. То есть это интернет-реклама, заинтересовавшая пользователя настолько, что как только у него возникла потребность или появилось время — он нашёл рекламируемый товар / услугу и совершил покупку. И для её оценки для RTB разумнее всего применять модель CPA — cost per action, причём считается оплата за продажу. Это и есть view-through или post-view аналитика, отслеживание реальной движущей силы продаж.

Как работает post-view аналитика

Итак, для систем RTB цена продажи определяется по модели CPA (cost per action). Система post-view аналитики основана на технологии pixel tag, когда каждый участник рекламной цепочки размещает свой пиксель на баннере, landing-page (посадочной странице) и сайте компании-продавца (странице заказа и в конверсионном окне благодарности за совершение заказа) для точного отслеживания эффективности интернет-рекламы.

Затем каждому видевшему интернет-рекламу пользователю присваивается уникальный идентификатор. Когда он, наконец, появляется на сайте, в базу данных заносятся все его действия: переходы, поиск, заполнение анкеты, оформление заказа и др. Сбором этой статистики и занимается post-view аналитика для выставления оплаты за продажу рекламных объявлений.

Механизм view-through в рамках модели CPA (cost per action) показывает, сколько объявлений пользователь просматривает перед целевым действием, что помогает определить маркетинговую ценность интернет-рекламы, купленной через аукцион в реальном времени (RTB). Параллельно post-view аналитика собирает данные о глубине просмотра сайтов рекламной цепочки, вовлечённости и интересе пользователей, соотношении просмотров, переходов и конверсии для разных аудиторий и рекламных сообщений. Тем самым post-view аналитика позволяет объективно сравнивать площадки в рамках одной RTB кампании, чтобы выделить по-настоящему эффективные для заданного набора параметров.

Читайте также: Data-Driven Marketing, Dynamic Creative, Programmatic Buying

Real-Time Bidding. Новая технология медиабаинга.

Идентификация пользователей — многообразие методов получения данных о человеке на основе его активности онлайн, в том числе в мобильных сетях. Современные гаджеты «следят» за пользователями, сохраняя о них куда больше информации, чем те того ожидают.

Cookies

Самый распространённый способ собрать информацию о пользователе — файлы cookies или куки. Cookie (кука) — небольшой фрагмент данных, отправленный сервером для хранения браузером пользователя.

Файлы cookies используются для аутентификации: cookie отслеживают состояние сеанса (посещения сайта, просмотренные страницы, время присутствия), фиксируют предпочтения пользователя, хранят персональные настройки и ведут статистику о посещениях, передавая эти данные на сервер.

Различают 3 способа создания cookie:

1. HTTP-запрос к серверу в формате set cookie (определение cookies): если куки поддерживаются браузером клиента, он их запоминает и отправляет серверу на каждый запрос.

2. >Мета-тег с cookie в заголовке html-страницы: <META HTTP-EQUIV=»Set-Cookie» CONTENT=» определение cookies»>. Его действие эквивалентно полю set cookie в HTTP-запросе к серверу.

3. При помощи JavaScript. JS для доступа к cookies рассматривает свойство document cookies. В скрипт вводится строка document.write(«Cookie text = ‘» + document.cookie+»‘»), после чего прописывается имя cookie и её характеристики.

Кроме того, кука может содержать срок действия, путь и доменное имя. Если срок действия не указан, cookie удаляется по окончании сеанса, когда закрывают браузер. В противном случае cookie сохраняется до конкретной даты, участвуя в сборе информации о пользователе.

Помимо текущего домена, файлы cookies могут поставить сторонние ресурсы. Например, «социальные» кнопки при загрузке страницы устанавливают куки соцсетей, что позволяет последним отслеживать действия пользователей и предугадывать их интересы в рекламных целях. Такие cookies называют сторонними. В настройках браузера можно блокировать файлы cookie сторонних сайтов.

Pixel tag

Pixel tag (web bug, web beacon, tracking bug, tracking pixel, 1×1 pixel gif) — программа-пиксель, внедряемая в страницу или e-mail рекламным сервером для отслеживания действий пользователя: открытия и прочтения письма, его перенаправления, просмотра страницы, дальнейших переходов и т.п. Программа пиксель чаще всего невидима, т.к. прозрачна и имеет размер пикселя (1х1 pixel) — её также называют пиксель онлайн, однопиксельным изображением, прозрачным gif или gif-индикатором.

Tracking pixel или пиксель онлайн подгружается при открытии страницы с рекламой — зачастую одновременно в браузер подгружается cookie. Как и сторонние cookies, пиксель онлайн собирает статистику о просмотренных страницах, чтобы потом демонстрировать пользователю рекламу по его интересам. В результате вероятность перехода выше, как и эффективность рекламной кампании.

Узнать, сколько пикселей подгружено и с каких серверов, практически невозможно: как таковая проверка пикселей не существует. Впрочем, проверка пикселей встроена во многие антивирусные программы, при условии подключения модуля защиты от рекламных файлов и ежедневного обновления базы. Также проверка пикселей есть среди дополнений в браузерах, нередко помогает блокировать в них cookies и рекламные файлы. А для защиты почты — воздерживаться от открытия рекламных писем, поскольку они тоже содержат пиксели онлайн. Тем более что во многие программы электронной почты встроен pixel tag, настроенный на опции формата html. Которые, впрочем, тоже можно отключить.

Читайте также: Data-driven marketing, programmatic buying, биржа данных, Что такое RTB (Realtime Bidding), Соверменные технологии таргетинга в экосистеме RTB

Real-Time Bidding. Новая технология медиабаинга.

Look-Alike (англ. «поиск похожих») — социально-демографический и поведенческий таргетинг, благодаря которому товар и/или услугу предлагают пользователям, по многим показателям похожим на существующих клиентов рекламодателя. В ходе кампании анализируется поведение посетителей сайта, на основе которого при помощи математического моделирования ищутся пользователи с похожими поведенческими характеристиками.

Гипотеза Look-Alike таргетинга такова: похожие между собой люди отличаются от всех остальных своим поведением в интернете, формируя общность со схожими интересами и потребностями — т.е. вашу идеальную целевую аудиторию с высоким потенциалом конверсии.

Механизм работы Look-Alike таргетинга

Look-Alike таргетинг обучаем — это происходит в процессе сбора данных о ранее посещавших сайт пользователях, совершавших целевые действия, либо по каким-либо причинам ушедших на этапе заказа. На основе всех этих действий (в том числе незавершённых) определяются уникальные паттерны поведения целевой аудитории. В дальнейшем это используется для технологий ретаргетинга, аукционных предложений и, конечно, показа рекламы тем пользователям, что ещё не знакомы с товаром или услугой, но вполне могли бы стать клиентами рекламодателя.

В российском сегменте сети Look-Alike таргетинг базируется на технологии «Крипта» от Яндекса, основанной на методе машинного обучения Матрикснет, технологии Look-Alike Audience Фейсбука и Google. Крипта была запущена ещё осенью 2011 года; она изучает поведение в интернете типичных представителей интернет-аудитории с теми или иными интересами. Look-Alike Audience Фейсбука запущена в 2012 году. Все данные собираются в обезличенном виде, касаются социально-демографических, поведенческих характеристик и формируются из открытых профилей в социальных сетях и на основе данных маркетинговых агентств. К примеру, собираются данные какие формулировки используют в запросах типичные представители групп пользователей, сколько запросов делают в течение сессии, в какое время суток выходят в интернет, какие сайты посещают и т.д.

О запуске таргетинга Look-Alike на Россию Яндекс объявил в сентябре 2013 года. По сути, это ещё более глубокий анализ поведенческих и социально-демографических факторов (числом более трёх сотен), значимость которых рассчитывается для конкретной аудитории. Всё это формирует формулу, по которой определяется соответствие пользователя какой-либо из имеющихся групп. Причём как формирование групп, так и сама формула постоянно проверяются и по необходимости корректируются.

Более того, для каждого пользователя возможность принадлежности к той или иной группе ежедневно пересчитывается, что позволяет учитывать малейшие изменения в интересах, потребностях и успевать реагировать на них. Для Look-Alike таргетинга порог соответствия группе достаточно высок — не менее 80%, и гибко настраивается в зависимости от особенностей аудитории, её размера, потребностей рекламодателя.

Помимо Яндекса подобный вид таргетинга пытаются внедрить и другие крупные игроки рынка. Главное ограничение — наличие действительно большой аудитории для адекватной оценки и выделения групп. За рубежом технология работает чуть дольше и оттого считается более профессионально настраиваемой. К примеру, в Google аналогичный инструмент носит название «Similar Users», и успешно работает на протяжении трёх лет. Также таргетинг Look-Alike использует Facebook.

В чём отличие Look-Alike от поведенческого и других видов таргетинга?

В теории все виды таргетинга так или иначе похожи: цель у них одна. Гораздо нагляднее показать отличия на конкретном примере: пользователь увлекается сноубордингом, при этом на одном из сайтов в разделе горнолыжной экипировки он находит нужный ему костюм. По законам классического ретаргетинга его будут «догонять» баннеры с горнолыжным оборудованием и экипировкой. Тогда как Look-Alike таргетинг на основе его поведенческих факторов и аналогичного поведения аудитории со сходным интересами обозначит пользователя как сноубордиста и определит в соответствующую группу для более точного рекламного контакта.

Наглядно изменение воронки продаж с помощью look-alike можно изобразить следующим образом:

Применение и настройка Look-Alike таргетинга

Сегодня look-alike таргетинг применяется Яндексом для демонстрации медийной рекламы (баннеров и видеороликов) на площадках Новости, Почта, Диск, Афиша, Карты и Пробки, Маркет, Погода, Работа, Фотки, Словари, Авто, Телепрограмма, Расписания, Музыка и др., а также на сайтах партнёров Рекламной сети Яндекса.

Настройка рекламной кампании производится на странице интерфейса Яндекс.Метрики (разумеется, для этого на сайте должен быть установлен счётчик Яндекс.Метрики). Для этого в целях кампании рекламодатель задаёт ряд параметров для отслеживания аудитории. Например, отбор пользователей, положивших товар в корзину или открывших прайс-лист.

На основе заданных паттернов технология Крипта запускает поиск целевой аудитории и запоминает её характеристики, а механизм Look-alike вычисляет «похожую» аудиторию из тех, чьи модели поведения значительно походят на образцовые. По заявлениям компании, Яндекс планирует развивать look-alike таргетинг так, чтобы он автоматически проводил оптимизацию по конверсии уже запущенных рекламных кампаний, достигая наибольшей эффективности.

Расчет эффективности Look-Alike таргетинга

Уже сегодня о look-alike таргетинге говорится, что он помогает достичь рекордных показателей конверсии, заметно превышающих все прочие подходы к формированию целевых аудиторий. Теоретические выкладки применения look-alike таргетинга достигают прогноза увеличения с его помощью CTR в пять раз, конверсии — как минимум вдвое.

Впрочем, есть и открытые практические данные. В качестве примеров приводятся тестовые рекламные кампании KIA и Quelle. К примеру, у KIA в рамках одной из кампаний получилось увеличить количество отложенных конверсий почти в 2,5 раза.

А у Quelle уже на четвёртой неделе размещения кликабельность баннеров увеличилась вдвое, а на седьмой неделе — практически в три раза!

Впрочем, справедливости ради стоит отметить, что определенная заслуга в этом случае есть и у грамотного применения ручных настроек оптимизации кампании. В данном случае отчётливо видно, что на четвёртой неделе размещения первоначальный результат улучшается практически вдвое.

Перспективы

Эффективность рекламных кампаний растёт в том числе из-за изменения подхода к проведению кампаний у большинства рекламодателей. Если ранее модель проведения рекламной кампании в России подразумевала закупку «площадок» и «пакетов размещений», то сегодня приходит понимание в необходимости транслировать сообщение конкретной тонко очерченной целевой аудитории. Это и есть те самые «аудиторные закупки», базирующиеся на разного рода таргетингах. Самым современным и совершенным из которых сегодня можно назвать Look-Alike. Перелом в понимании рекламодателей произошёл именно с распространением RTB технологии, т.е. аукционной модели продажи рекламных мест.

Читайте также: Виды данных, Маркетинг на данных, Programmatic buying, Что такое RTB (Realtime Bidding)

Real-Time Bidding. Новая технология медиабаинга.

Dynamic Creative и Smart Data — приёмы сбора и обработки информации, лежащие в основе таргетинговой рекламной технологии.

Основная цель таргетинга — глубоко проанализировать и собрать как можно больше информации о потенциальных потребителях, чтобы впоследствии определить, какой именно аудитории будет интересно то или иное предложение. Самой актуальной и многообещающей разновидностью на сегодня считается подход, полагающийся на поведение потенциального клиента (поведенческий таргетинг).

Dynamic Сreative, или динамический креатив, является визуальным способом воздействия на потенциального покупателя. В результате этого воздействия происходит полная оптимизация вашей рекламы в Рунете. Проще говоря, вместо того, чтобы использовать единственный баннер с предоставляемыми услугами или товарами на разных площадках, новое маркетинговое поколение предлагает ориентироваться на аудиторию и подбирать разные рекламные предложения, которые нужны данной категории людей.

Алгоритм работы с Dynamic Сreative:

1. Сбор данных от рекламодателя по его предложению;

2. Создание единого шаблона, в который будет генерироваться различные услуги и товары;

3. Поиск подходящей аудитории и предоставление сгенерированного баннера пользователю.

Сам поиск потенциальных клиентов происходит через использование технологии Smart Data (умные данные). Эта методика позволяет собирать показательные данные аудитории и сегментировать их по основным параметрам, которые важны для рекламодателя. Это могут быть пол, возраст, месторасположение, интересы и многое другое.

Основная информация поставляется с запросов, вводимых пользователем в поисковые системы, и с аккаунтов всевозможных социальных сетей. Все параметры собираются в cookie-файлы, хранящиеся у клиента на компьютере, и отправляются в специальный «отсек-профиль», с которым и работает Smart Data.

Если взаимодействия рекламодателя, пользователя и технологии Dynamic Creative and Smart Data выстроить в хронологическом порядке, то получится такой алгоритм:

1. Пользователь, сам того не подозревая, ищёт нужную информацию в Рунете;

2. Результаты сёрфинга откладываются и передаются на обработку Smart Data;

3. Smart Data взаимодействует с площадкой оптимизации Dynamic Creative;

4. Наиболее релевантный сгенерированный баннер предоставляется потенциальному покупателю.

Одним из главных преимуществ Dynamic Сreative и Smart Data считается работа с клиентом в реальном времени.

Нужно заметить, что чем точнее рекламодатель выставляет требования к аудитории, тем тщательней будут отбираться потенциальные клиенты.

Потребители не игнорируют рекламные объявления, они игнорируют лишь ненужную рекламу. Именно поэтому система Dynamic Сreative, в совокупности с Smart Data способна увеличить отклик на 100 и больше процентов.

Читайте также: Виды данных, Маркетинг на данных, Programmatic buying, Что такое RTB (Realtime Bidding)

Real-Time Bidding. Новая технология медиабаинга.

Data exchange (биржа данных) – специализированная биржа данных, предоставляющая покупателю рекламы сведения о пользователе (пол, география, возраст, хобби, профессиональная деятельность и т.д.). Рекламодатели имеют возможность в ходе торгов на биржах реального времени (RTB exchange) получить информацию о рекламном блоке (расположение, размер, возможные форматы рекламы), а также об интернет-пользователе. Покупатель рекламы (data exchange client) может ознакомиться с данными о пользователе (data), имеющимися у рекламодателя, или воспользоваться специальными биржами данных Data exchange, Data Management Platform.

Биржи данных Data exchange собирают сведения о поведении посетителей на сайте, что отражает их интересы и увлечения. При этом личные данные недоступны, а сбор необходимой информации осуществляется анонимно. Рекламодатели используют полученную специальным программным обеспечением (data exchange software) характеристику пользователя в процессе таргетирования.

Private auction (частный аукцион)

Private auction (частный аукцион, аукцион с ограниченным количеством участников) – это частные (закрытые) RTB-биржи, которые поставляют инвентарь конкретным покупателям. Издатели сами выбирают допущенных к торгам рекламодателей. При этом покупатели получают доступ к премиум-инвентарю, не представленному на открытых площадках, или имеют возможность приобрести интересующие инструменты до начала общедоступного аукциона. Private auction позволяют издателям организовать сбыт наименее продаваемого инвентаря в более контролируемых условиях. Таким образом, инициаторы Private auction максимизируют прибыль от продажи рекламного пространства, а привилегированные покупатели имеют преимущество при участии в аукционе.

Чтобы инициировать Private auction, продавцы сами приглашают покупателей поучаствовать в аукционе. Сделка по продаже рекламного инвентаря осуществляется по следующему принципу. Издатели делают доступными для конкретных покупателей часть своего инвентаря и выставляют на него минимальную цену. При этом продавец имеет право сделать разную минимальную стоимость для каждого покупателя Private auction. Инвентарь получает тот, чья ставка будет выше среди избранных участников. Если товар остался непроданным, то после Private auction он размещается на открытых RTB-биржах.

Preferred deal (прямая сделка)

Preferred deal (прямая, приоритетная сделка) — это инструмент, с помощью которого продавцы рекламного инвентаря предлагают свои ресурсы избранным покупателям по установленной стоимости до того, как товар будет выставлен на открытом аукционе. Кроме того, некоторые рекламные ресурсы создаются специально для продажи методом прямых сделок. Преимущество покупателя заключается в возможности первым разместить рекламный контент на предложенном ресурсе. Для того чтобы совершить сделку, требуется предложить ставку не ниже фиксированной цены.

Читайте также: Data-Driven marketing, Большие данные, Что такое RTB (Realtime Bidding)

Real-Time Bidding. Новая технология медиабаинга.

Data server — сервер базы данных, сокращение от английского database server. Data server представляет собой программное обеспечение и соответствующие аппаратные средства, предназначенные для работы с базами данных. Как видно из названия, data server — это сервер, на котором хранятся данные.

Серверный центр Google площадью более 10 000 квадратных метров. Источник: WSJ

Задачи сервера базы данных

Помимо хранения, data server выполняет задачи по архивации. Также посредством клиент-серверной архитектуры дата сервер решает задачи по обработке и анализу данных. Data server не зависит от архитектуры базы данных: реляционные и нереляционные базы данных, а также базы данных на плоских файлах могут быть размещены на любом дата-сервере.

Составляющие сервера базы данных

В вычислительной клиент-серверной модели data server предполагает специально отведенный для него базовый компьютер, на котором запускается соответствующее программное обеспечение. К такому компьютеру, который называют «сервером», подключаются «клиенты» — программное обеспечение, которое использует вычислительные мощности и доступные данные «сервера».

Термин «база данных» в модели клиент-сервер может подразумевать как программное обеспечение, так и соответствующую аппаратную часть. Иногда под базами данных подразумевают и то, и другое.

Малый или стандартные сервера базы данных

Малый или стандартный сервер базы данных обычно включает серверное оборудование и соответствующую программную часть приложения, использующего базу данных. Например, в случае с банком, программное обеспечение серверной и клиентской сторон и непосредственно банковские базы данных хранятся в аппаратной части database server. На компьютерах сотрудников банка установлена клиентская часть программного обеспечения сервера, с помощью которой сотрудники выполняют банковские операции.

Большой data server

Большие серверы баз данных используют при высоких вычислительных нагрузках. Клиент-серверная архитектура в таком случае подразумевает два и более серверов. Большой data server использует часть аппаратного обеспечения для операций с базами данных, но хранит сами базы на других серверах.

Примеры популярных решений

Коммерческие решения серверов баз данных предоставляют компании Oracle, DB2, Informix и Microsoft. Открытое ПО представляют Ingres и MySQL. Каждый сервер использует собственные алгоритмы и архитектуру. Во всех реляционных базах данных язык запросов SQL используется приблизительно одинаково.

Читайте также: Виды данных, Большие данные, Data Mining, Что такое RTB (Realtime Bidding)

Real-Time Bidding. Новая технология медиабаинга.

Data mining: нужная информация рядом

Последние годы компании активно внедряют в свою деятельность различные средства по цифровой обработке баз данных, стремясь повысить таким образом уровень прибыльности и эффективности бизнеса. В результате, в качестве побочного продукта образовались внушительные объемы сырых данных. И есть все основания полагать, что в них заключен огромный потенциал в виде полезной информации для принятия решений.

Илья Иосифович Пятецкий-Шапиро, автор термина

Data mining (интеллектуальный анализ данных, добыча данных, «просев» информации) — процесс выявления скрытых закономерностей, обнаружения в сырых данных (RAW data) ранее неизвестных, нетривиальных знаний, простых для интерпретации и практически полезных в принятии решений во всех областях человеческой жизни.

Технология Data Mining позволяет выявить среди больших объемов данных закономерности, которые не могут быть обнаружены стандартными способами обработки сведений, но являются объективными и практически полезными. Методы Data Mining основываются на базе различных научных дисциплин: статистки, теории баз данных, искусственного интеллекта, алгоритмизации, визуализации и других наук. Применяется в различных сферах, например, софт Data Mining Ongame.

Обработка данных: отличия Data Mining

Традиционные статистические методы анализа баз данных или системы оперативной аналитической обработки (OLAP) направлены на проверку заранее поставленных задач и гипотез.

По определению Data Mining предназначен для выявления нетривиальных закономерностей.Принципиальное отличие описанной технологии заключено в возможности самостоятельно обнаруживать такие закономерности и выстраивать гипотезы. Таким образом, методы интеллектуальной обработки информации справляются с более сложной задачей: формулировкой самой гипотезы.

Задачи Data Mining

1. Классификация – обнаружение определенных признаков у объектов (событий), позволяющих отнести их к тому или иному ранее известному классу.

2. Кластеризация – это более сложная задача, решаемая инструментами интеллектуального анализа, логически продолжает идеи классификации. Позволяет группировать объекты при изначальном отсутствии самих классов.

3. Ассоциация – поиск закономерностей между связанными событиями. Например, ассоциативное правило, определяющее, что за событием X следует событие Y. В отличие от вышеописанных задач – это ассоциативное выявление закономерностей основывается не на анализе характеристик объекта, а на рассмотрении нескольких событий, происходящих в один момент времени.

4. Последовательность – это установление закономерностей между связанными по времени событиями. Также называется нахождением последовательных шаблонов. Правило последовательности говорит, что через определенное время после события X наступит событие Y.

5. Регрессия и прогнозирование. Обнаружение зависимости выходных данных от переменных входных сведений.

6. Визуализация – графическое представление анализируемой информации.Аналитик данных (data analyst) использует сырые данные для поиска осмысленных, практически важных сведений методами «просева» информации. Задачи, решаемые data scientist, обширны и затрагивают различные научные отрасли, но в то же время дают превосходные результаты.

Внедрение Data Mining, OLAP позволяет обнаружить закономерности в базах данных и использовать полученные сведения для принятия различного рода решений.

Читайте также: Виды данных, Биржа данных, Большие данные по McKinsey, Что такое RTB (Realtime Bidding)

Real-Time Bidding. Новая технология медиабаинга.

Для построения успешных рекламных кампаний в интернете требуется данные об аудитории — не только демографические показатели, но и поведенческие факторы, интересы разных сегментов пользователей. Для этого используются first party data, second party data & third party data — маркетинговые данные, отличающиеся принципом сбора информации.

• First party data — собственные данные рекламодателя. Это информация о посетителях и/или покупателях, собранная в процессе их взаимодействия с сайтом.
• Second party data — данные рекламных активностей: результаты рекламных кампаний, клики, социальная активность (нажатие кнопки Share, лайки), прочие поведенческие факторы.
• Third party data — данные третьих сторон. Их источник — сервисы email-рассылок, платёжные системы, сторонние сайты, сервисы обработки и хранения данных DMP.

First party data — собственные данные рекламодателя

Собственные данные рекламодателя (first party data) — информация, которую оставляют пользователи в ходе взаимодействия с сайтом, в т.ч. при заполнении всевозможных форм и совершении покупок. First party data могут включать имена, адреса, номера телефонов, сведения о транзакциях и приобретённой продукции. Собственные данные рекламодателя хранятся в корпоративной CRM и БД программ лояльности. Сложно переоценить собственные данные рекламодателя: first party data — это возможность напрямую общаться со своей аудиторией, минуя посредников и с наилучшим охватом.

Second party data — данные рекламных активностей компании

Second party data — данные рекламных активностей компании. По сути, данные рекламных активностей очень похожи на first party data. С той лишь разницей, что данные рекламных активностей second party data не всегда можно собрать собственными силами, но и в ходе взаимодействия с рекламными сервисами. Данные рекламных активностей second party data — это прочтение писем электронной рассылки, клики, просмотры посадочных страниц, совершение целевых действий, социальная активность аудитории (нажатие кнопок like, share и их аналогов).

Third party data — данные третьих сторон

Базы данных третьих сторон (third party data) создаются на внешних платформах и агрегируются с других сайтов. Есть немало компаний, продающих эти данные, и множество других вариантов получить их. Это и сторонние cookies, и pixel tags, и прочие способы сбора пользовательских данных третьих сторон в сети.

Однако будущее данных третьих сторон third party data под вопросом, вследствие непрекращающихся дебатов о конфиденциальности и правомерности сбора и использования данных третьих сторон. Тогда как собственные сведения рекламодателя first party data в полной безопасности, поскольку всегда остаются собственностью самой компании.

Использование рекламодателем first, second & third party data

Очевидно, что не все данные равноценны. В использовании first party data, second party data или third party data главное понимать разницу между доступной информацией и тем, насколько она уникальна. По сути, выбор стоит между подтверждёнными данными (собственные данные рекламодателя first party data), косвенными (данные рекламных активностей second party data) и предполагаемыми (данные третьих сторон third party data) — он зависит от предпочтений маркетологов, бюджета и других факторов. Плюс источники можно сочетать — а значит грамотно масштабировать целевые аудитории, усиливать взаимодействие с потребителями, повышать показатели ROI через маркетинговые усилия.

Читайте также: Big Data по McKinsey, Data-Driven Marketing, Data-Mining, Что такое RTB (Realtime Bidding)

Real-Time Bidding. Новая технология медиабаинга.

Смысловое отличие русской статьи в Википедии от более полной английской значимо: в России «большими данными» принято отграничивать набор технологий по обработке данных, а в англоязычной среде — сами наборы данных, недоступных для обработки привычными инструментами.

В серию подходов и методов обработки больших данных входят средства массово-параллельной обработки сырых данных (raw data) решениями NoSQL, MapReduce. Наиболее популярное решением по работе с big data — Hadoop, проект фонда Apache, представляет собой набор утилит, программных каркасов и библиотек, распространяется бесплатно.

Дополним представленную там информацию кратким переводом обзора исследования McKinsey «Большие данные: новое поле инноваций, конкуренции и производительности».

Что эксперты McKinsey имеют в виду под Big Data?

Выражение «Big Data» — большие данные — относится к наборам данных, размер которых превышает возможности типичного программного обеспечения по управлению базами данных. Оценка «большие» субъективна и требует определить насколько большим должен быть набор данных, чтобы считаться big data. Логично предположить, что по мере развития технологий размеры баз данных тоже будут расти, и все больше данных будут называться большими.

Новые горизонты Big Data

Закон Мура об удвоении производительности компьютеров имеет следствие в отношении оцифрованных данных: хранение больших объемов данных становится всё проще и эффективнее. Уже сейчас за $600 можно приобрести жесткий диск, которого хватит, чтобы сохранить всю музыку мира. Технологические барьеры в big data снижаются в целом: обработка больших объемов данных тоже становится всё доступнее. Данные все проще собирать, хранить и передавать, однако нехватка специалистов, способных на эффективный анализ больших объемов данных — big data analytics, — ощущается уже сейчас и будет только усиливаться.

В 2010 году более 4 млрд. человек (60% всего населения) использовали мобильные телефоны. 12% из них использовали смартфоны. Тогда же был зафиксирован рост числа владельцев смартфонов на 20% в год.

Работа с большими объемами данных будет направлена не только на получение дополнительной выгоды, придется также решать проблемы, которые сами же большие данные и создают. McKinsey обозначают новые горизонты в семи пунктах:

Big data нашли применение в каждой отрасли и стали важным фактором производства.

• Big data создают ценность несколькими способами
• Использование big data станет ключевым показателем конкуренции частных фирм
• Использование больших данных будет лежать в основе новой волны роста производительности и прибыли
• Большие данные имеют применение в каждом секторе экономики, однако в некоторых из них использование big data окажется более прибыльным
• Нехватка специалистов, которым по силам разобраться с big data.

Чтобы полноценно воспользоваться возможностями big data потребуется преодолеть несколько трудностей.

Big data имеют потенциал, более чем достаточный чтобы полностью изменить ситуацию в сегодняшней экономике. Поскольку компетенции компаний в использовании больших данных станут ключевым фактором конкуренции, появятся новые конкуренты, которые достаточно креативны и проактивны по части данных — они знают какие данные необходимо собрать, как получить к ним доступ и проанализировать, не нарушив закона.

Одной из задач в сфере безопасности личных данных и политики конфиденциальности станет помощь потребителям в понимании ценности и рисков использования больших данных. И ценность, и риски big data в явном виде проявляются в цифровой рекламе.

Big Data в RTB

Стоит отметить, что большие объемы данных накапливают, продают и активно используют в цифровой рекламе в целом, не только в экосистеме RTB. Однако успех применения технологии Real-Time Bidding зависит от использования big data больше других: при малом количестве данных или их некорректной обработке КПД кампаний, проведенных посредством RTB, может оказаться ниже контекста или прямого размещения баннеров. Но даже если данные начать собирать прямо сейчас, уже через 1-2 месяца данные о вашей аудитории можно будет назвать большими, и их будет достаточно, чтобы увидеть чудеса математически точного таргетинга, ретаргетинга, технологии Look-Alike и другие возможности обработки данных.

Читайте также: Data Mining, Виды данных

Real-Time Bidding. Новая технология медиабаинга.

Programmatic buying — автоматизация и оптимизация закупок рекламы. В общем виде, programmatic-система выполняет следующее: (1) в режиме реального времени закупает (2) индивидуальные показы цифровой рекламы (3) на рекламной бирже (4) посредством автоматизированных компьютерных систем, (5) что улучшает таргетинг на порядок.

А теперь подробнее по каждому пункту.

1. Аукционы проходят быстрее, чем можно заметить

В первую очередь модель Programmatic Buying отличается от традиционных, прямых закупок тем, что в ней нет предоплат. Вместо этого они делают ставки, определяя стоимость показов по ходу рекламной кампании. Таким образом, оптимизация закупок рекламы становится возможной на основе данных текущей ситуации, а не по итогам кампании.

Каждый раз, когда пользователь загружает страничку сайта с местом для показа рекламы, происходит аукцион между рекламодателями, которые заинтересованы во взаимодействии именно с этим пользователем. Победитель аукциона демонстрирует свою рекламу по цене, как правило, ниже, чем размер сделанной ставки.

В зависимости от технических условий, весь процесс подбора рекламного материала для конкретного пользователя проходит за время от 50 до 250 миллисекунд — когнитивно неощутимая задержка.

2. Каждый показ продается отдельно

В этом пункте заключена суть революции Real-Time Bidding и Programmatic Buying. Теперь показы не группируются пакетами по нескольку тысяч или миллионов, каждый показ система programmatic buying выкупает автоматически по заранее заданным требованиям рекламодателя. Отчет о показах также поступает в режиме реального времени, так что требования можно менять в любой момент от старта до финиша кампании.

3. Аукционам нужна биржа

Real-Time Bidding подразумевает реалтайм-аукционы, а аукционы проводит биржа — ad exhange. Рекламная биржа — автоматизированная платформа (Google ADX, AppNexus), где рекламные сети выставляют на продажу рекламный инвентарь издателей.

4. Programmatic buying подразумевает тотальную автоматизацию

Максимально полная автоматизация закупок рекламы методом programmatic buying является не просто одним из преимуществ, а необходимым требованием, ведь процесс продажи каждого показа проходит слишком быстро и проходит их слишком много (миллионы) для того, чтобы человек успел среагировать.

Все компании, работающие с programmatic buying, имеют автоматизированные системы. Но степень этой автоматизации и уровень «кастомизации» — способности подстроиться под нужды конкретного заказчика — у каждой системы разный.

5. Сверхточный таргетинг: высокая конверсия без назойливости

Так как каждый показ продается отдельно (см. пункт 2), аудиторию можно ловить «на лету»: подобрать формат и содержимое в соответствии с ситуацией, в которой находится пользователь прямо сейчас.

Например, если ваша аудитория — молодые мамы от 25 до 34, то система programmatic buying будет делать ставки только на те показы, где баннер увидит молодая мама, вне зависимости от того, на каком сайте она находится — на сайте для родителей или на Яндекс.маркете.

Читайте также: Data-Driven Marketing — маркетинг, основанный на данных

Real-Time Bidding. Новая технология медиабаинга.