Dołącz do czytelników
Brak wyników

Programmatic

21 lutego 2020

NR 50 (Luty 2020)

Jak wykorzystać potencjał programmatic?

211

W kanale programmatic można zrealizować cele performance’owe. Osiągnięcie ich nie jest proste, ale warto spróbować, jeśli chcesz wykorzystać duży potencjał drzemiący w reklamie display. Możliwości działania mamy sporo, dlatego konieczne jest, abyś wybrał najważniejsze elementy, nad którymi chcesz pracować w danej kampanii. Artykuł ten opisuje trzy rozwiązania, na których oparta była kampania prowadzona dla innogy go! Rozwiązania te pozwoliły osiągnąć w programmatic efektywność kosztową porównywalną do najsilniejszych kanałów. Wyniki kampanii przedstawię na konkretnych liczbach.

Do wspomnianych powyżej rozwiązań należą wykorzystanie danych, kreacje data-driven oraz autooptymalizacja. Stanowią one potężną kombinację wznoszącą całą kampanię na wyższy poziom i otwierającą wiele ciekawych możliwości. Przyjrzyjmy się im.

POLECAMY

Połącz dane

Rozwój technologii i coraz większa ilość dostępnych danych w dużej mierze odpowiadają za rosnącą złożoność całej branży marketingowej, ale są też rozwiązaniem wielu wyzwań. Jedne dane są natychmiastowo dostępne i łatwe w aktywacji, pozostałe wymagają więcej pracy, aby stały się użyteczne, jednak odpowiednio zorganizowane stanowią największą wartość w arsenale internetowego marketera.
Jednym z pierwszych Twoich kroków powinna być integracja platform oraz automatyzacja przepływu danych między nimi. Kolejnym etapem jest łączenie danych. Możliwości jest dużo, ale zawsze zacznij od tych naprawdę potrzebnych. Łączenie informacji w każdym możliwym narzędziu mija się z celem. W kampanii innogy go! za pomocą jednego rozwiązania zebraliśmy dane:

  • o użytkownikach aplikacji oraz ich aktywnościach (w tym konwersjach),
  • o autach – ich pozycji i liczbie;
  • o pogodzie – najświeższe informacje o pogodzie w danym rejonie.
     

Kampania miała na celu wprowadzenie na rynek usługi carsharingowej innogy go!, oferującej wynajem na minuty w 100% elektrycznych samochodów BMW i3. Mieliśmy trzy powiązane ze sobą cele, do których należały:

  1. Instalacja aplikacji; 
  2. Rejestracja aplikacji;
  3. Wypożyczenie auta. 

Na różnych etapach rozwoju kampanii skupialiśmy się na innym celu.


Mając je wszystkie w jednym miejscu, mogliśmy je szybko aktywować. Customer Data Platform (CDP) dało nam także duże możliwości ich łączenia, wzbogacania i segmentacji. Finalnie stworzyliśmy kilkanaście segmentów według charakterystycznych cech użytkowników – nie tylko userów premium, ale także tych wypożyczających samochody o specyficznych godzinach, np. tylko w tygodniu, tylko w weekendy rano lub wieczorem, tylko w godzinach dojazdu czy powrotu z pracy. Na bazie tych segmentów konstruowaliśmy bardziej spersonalizowaną komunikację z wykorzystaniem rozwiązań data-driven – kreacji dynamicznych wykorzystujących informacje o użytkowniku do personalizacji przekazu reklamowego (rys. 1).
 

Rys. 1. Podstawa kreacji dynamicznych opartych o dane


Skutecznie wykorzystaj kreacje

W przypadku opisywanej kampanii kreacje powstały w Google Studio, za hosting odpowiedzialny był Campaign Manager, a Display & Video 360 aktywował całość. Proces tworzenia kreacji data-driven jest bardziej angażujący niż kreacji standardowych. W ich tworzenie aktywnie zaangażowanych było pięć różnych działów agencji.

Im więcej danych związanych z Twoimi obecnymi i potencjalnymi klientami posiadasz, tym lepiej możesz wykorzystać potencjał kreacji data-driven. Dla wspomnianych wcześniej segmentów użytkowników zintegrowanych w ramach CDP stworzyliśmy dedykowaną komunikację (treść i grafika). Segmenty te posłużyły jako sygnały, na bazie których dobierano odpowiednią wersję kreacji dynamicznej (rys. 2).
 

Rys. 2. Przykłady kreacji data-driven wykorzystanych w kampanii innogy go! do realizacji celu numer trzy (wypożyczenie samochodu)
(projekt – Cube Group)


Cały proces został w pełni zautomatyzowany i nie wymagał żadnych prac po uruchomieniu emisji. Mechanizm dopasowujący kreację do segmentu oparty był o feed opracowany w Google Studio. Poza informacjami o sposobie użytkowania aut wykorzystaliśmy również dane dotyczące m.in. aktualnej pogody, liczby samochodów w danej dzielnicy czy lokalizacji użytkowników oraz pojazdów (rys. 3).
 

Rys. 3. Przykłady kreacji data-driven wykorzystanych w kampanii innogy go! do realizacji celu numer trzy oraz dopasowanych do pogody i do lokalizacji (projekt – Cube Group)


Mechanizm działania najlepiej pokazuje kreacja z dwoma elementami dynamicznymi. Bazując na informacji o lokalizacji użytkownika, wyświetlaliśmy kreację z nazwą dzielnicy, w której się aktualnie znajdował. Jednocześnie sprawdzaliśmy, ile gotowych do wypożyczenia aut znajduje się we wskazanej okolicy i tę informację również umieszczaliśmy na grafice. Złożoność kreacji nie musi jednak iść w parze z wynikami. Najlepszą linią kreatywną z kilkunastu testowanych była ta wyświetlająca nazwę dzielnicy, w jakiej przebywał użytkownik, czyli oparta o prosty sygnał geo. Zanim skupimy się na wynikach całej kampanii, sprawdźmy ostatni element naszej układanki, jakim jest autooptymalizacja.

Machine learning i autooptymalizacja to Twoi sojusznicy 

Dane napędzają nie tylko kreacje. Równie ważną funkcję spełniają zasilając algorytmy optymalizujące emisję reklam. Poprzez autooptymalizację rozumiem tryb działania kampanii, gdzie dużą część zadań powierzamy algorytmom uczenia maszynowego (machine learning). 

Przeciwstawnym trybem działania jest manualna optymalizacja kampanii, czyli własnoręczne ustalenie wszystkich opcji kupowania powierzchni reklamowych. 
Jakie są korzyści, dla których warto stosować autooptymalizację i machine learning?

  1. Maksymalizacja skali dotarcia do wartościowych użytkowników w dynamicznie zmieniającym się ekosystemie. W pełni rozwinięta kampania działa na całej populacji internetu lub w możliwie dużej skali. Algorytm dodatkowo wykrywa i dopasowuje się do zmian ekosystemu programmatic czy zmian w zachowaniu użytkowników.
  2. Optymalizacja kosztów. Algorytmy odpowiadają m.in. za alokację budżetów między elementami kampanii, dobieranie stawki zakupowej osobno dla każdego bid requestu (zapytania o możliwość zamieszczenia reklamy na stronie) oraz za wybór tych powierzchni czy użytkowników wykazujących największe prawdopodobieństwo realizacji celu kampanii.
  3. Optymalizacja pod trudne cele. Pozwala wyjść poza cele typu odsłona czy kliknięcia i optymalizować kampanię pod wysokiej jakości konwersje czy sprzedaż. 

Pamiętaj, że oparcie kampanii o algorytmy uczenia maszynowego nie zwalnia z potrzeby optymalizacji. Oba tryby działania kampanii (auto i manual) wymagają różnych zestawów kompetencji. Autooptymalizacja przynosi lepsze efekty, a równocześnie zwalnia dużo czasu na pracę taktyczną i strategiczną, która jest niezbędna, aby rozwijać potencjał machine...

Pozostałe 70% treści dostępne jest tylko dla Prenumeratorów

Co zyskasz, kupując prenumeratę?
  • 6 drukowanych wydań magazynu Online Marketing
  • Dodatkowe artykuły niepublikowane w formie papierowej
  • Dostęp do czasopisma w wersji online
  • Dostęp do wszystkich archiwalnych wydań magazynu oraz dodatków specjalnych
  • ... i wiele więcej!
Sprawdź szczegóły

Przypisy