Как с помощью ML-модели предсказывать эффективность рекламных кампаний. Татаринова Ольга, сооснователь Agima.
0 likes6 views
Документ описывает использование ML-модели для предсказания эффективности рекламных кампаний компании formelskin.de, предоставляющей услуги медицинских консультаций и косметики по подписке. Основной проблемой является долгий срок окупаемости рекламных затрат, и предлагается решение с помощью сквозной аналитики и кластеризации пользователей для предсказания LTV. Это позволяет оценивать эффективность рекламных кампаний на ранних этапах, без необходимости ждать нескольких месяцев.
Как с помощью ML-модели предсказывать эффективность рекламных кампаний. Татаринова Ольга, сооснователь Agima.
- 1. Как с помощью ML- модели предсказывать эффективность рекламных кампаний AGIMA.AI
- 2. Ольга Татаринова Сооснователь компании Agima.ai руководитель направления анализа данных
- 4. Наш клиент, FORMEL Skin – это сервис подписки на консультации докторов и косметику по индивидуальным рецептам для людей с проблемной кожей
- 5. Доктор общается с клиентом по видео — разговаривает и проводит осмотр, задает вопросы, назначает анализы и выписывает лечение. Клиенты записываются на удаленную консультацию с доктором. БИЗНЕС-МОДЕЛЬ FORMEL Skin Клиенты обращаются за консультацией к докторам через сайт 1 2 3 Лечение ежемесячное. Каждый месяц FORMEL Skin высылают наборы косметики по рецепту врача специально под клиента. Стоимость подписки: 49€ / мес
- 6. Особенности маркетинга Большие маркетинговые бюджеты 20-50К евро в месяц, сотни рекламных кампаний Очень длинный lifetime-период у клиентов Lifetime клиента на сервисе – до 2х лет, при этом сильно отличается между разными группами пользователей (например, клиенты 18-22 с проблемной кожей платят дольше) Отложенные покупки Используются промо-коды, которые могут быть активированы спустя несколько месяцев после окончания кампании
- 7. ЗАТРАТЫ НА РЕКЛАМНУЮ КАМПАНИЮ ОКУПАЮТСЯ ДОЛГО, А ЭФФЕКТИВНОСТЬ НОВЫХ РЕКЛАМНЫХ КАМПАНИЙ НУЖНО ОЦЕНИВАТЬ СРАЗУ ОСНОВНАЯ ПРОБЛЕМА
- 8. 1. Кампании и дата их запуска 2. Маркетинговые расходы и количество привлеченных пользователей 3. Стоимость привлечения пользователя и его LTV 4. Текущее отношение LTV пользователя к стоимости его привлечения Решение, ч1: собираем отчёт сквозной аналитики
- 9. Решение, ч2: собираем информацию о пользователях Собираем все атрибуты пользователя, которые удалось найти, в одну таблицу
- 10. Решение, ч3: с помощью ML-модели предсказываем LTV для новых пользователей 1. Рассчитываем значение LTV для существующих пользователей 2. Кластерируем пользователей по значению их атрибутов и вычисляем средний LTV для группы 3. Когда приходит новый пользователь, ML-модель определяет его сходство с одной из существующих групп и делает предсказание о значении LTV
- 11. Текущее и прогнозное отношение LTV пользователя к стоимости его привлечения Решение, ч4: дополняем отчет прогнозом LTV
- 12. РЕЗУЛЬТАТ 1. Как только первый пользователь, пришедший по рекламной кампании, совершил хотя бы одну покупку, мы предсказываем его LTV и, соответственно, узнаем окупятся ли затраты на его привлечение. 2. Со 2-й и последующих покупок предсказание уточняется. 3. Таким образом, эффективность рекламной кампании ясна с первых кликов пользователей без необходимости ждать несколько месяцев, пока привлечённые пользователи сделают несколько платежей. Решение подходит для любого бизнеса с повторными покупками, для которого невозможно сделать вывод об эффективности рекламной кампании с первой покупки пользователя.