Константин Круглов, CEO&Co-founder Data-Centric Alliance

1. Возможности Facetz.DCA
для Google DBM
Круглов Константин
CEO & Co-founder
Анна Кузьменко
Cookie Monster

2. Данные Facetz
от 1 сек
скорость
обновления
данных
2 мес.
«глубина»
данных
89%
пользователей
Рунет
500 млн
кук в месяц
2000+
сегментов
аудитории
30+
партнеров-
поставщиков
данных
50 000
новых фактов в
секунду
2 км
точность
геопозиции
Эксклюзив
от нескольких поставщиков
данных
eTRUST
сертификат надежного
и безопасного хранилища

3. Сегменты Facetz в DBM
Предпочтения Намерения
География
место проживания и работы,
командировок и путешествий
Демография
пол, возраст, семейное
положение, уровень дохода
лояльность к бренду, привычки
в шопинге и досуге, интересы
планирование покупки, выбор
автомобиля или страны поездки
Психотип
рациональные/
иррациональные,
экстраверты/интроверты и
тревожные
Ad Hoc
Look-alike, экстраполяция,
тюнинг кампаний
Проприетарные
Построены проприетарными
методами клиента
Data Lift
Брендированные сегменты
внешних поставщиков данных
STARTERS
• В “always-on” доступе стандартное меню:
демография, география, предпочтения, намерения
DESSERT
• Психотипы
SPECIALITIES
• Наши повора-аналитики по запросу приготовят
для вас специальные Ad Hoc сегменты, наилучшим
образом подходящие для конкретной рекламной
кампании
• Data Lift - блюда смежной кухни, доставлены
свежими специально для вас
EXCLUSIVE
• Проприетарный таргетинг - предложение для
избранных (см далее)
A la carte

4. Наблюдения клиентов
Недвижимость ФармаАвто
Пол + Возраст
CTR > 2,5%
CPV > 90%
Новые сеансы 99%
Показатель отказов на 20%
Время на сайте на 30%
Коэф конверсии цели на 4%
Итого: показатели лучше,
чем реклама на Yandex
Direct
Тест 4-х поставщиков данных
Результаты Facetz.DCA:
Лучший Pre-click – ↑CTR, ↓СPC
Лучший Post-click – ↑ Страниц/сеанс,
показатель отказов ↓
Интерес + Намерение
Bounce rate в 2 раза ниже
среднего
Глубина просмотра в 1,75 раз
выше среднего
Время на сайте в 3 раза выше
среднего

5. Более сложные сценарии
для продвинутых

6. DataLift.DCA
*Gartner
определяет
термин
«Темные
Данные»
(«Dark
Data»)
как
информационные
массивы,
которые
организация
собирает,
обрабатывает
и
хранит
в
течении
регулярных
бизнес
активностей,
но
обычно
не
использует
для
других
целей
(например
аналитики,
бизнес
отношений
или
просто
прямой
монетизации).
Хранение
и
обеспечение
сохранности
таких
данных
обычно
требует
больше
затрат
(и
иногда
большего
риска),
чем
приносит
ценности.
Получение
дополнительной
ценности
из
“Темных
Данных”
является
актуальной
задачей
для
многих
компаний.
ПОДНИМАЕМ «ТЁМНЫЕ ДАННЫЕ»
К СВЕТУ
ВЛАДЕЛЬЦЫ
ДАННЫХ
«DARK
DATA»
ДАННЫЕ
ПЛАТФОРМА
DataLift.DCA
$
Синхронизация
идентификаторов,
матчинг и
нормализация
Тюнинг
Сегментация и
форматирование
таксономии
Биллинг Статистика
Интеграция
с системами
потребителя
Рекламные
платформы,
включая
Google DBM
CPA-сети
CRM
Scoring
ПОТРЕБИТЕЛИ
ДАННЫХ

7. Проприетарный таргетинг как
конкурентное преимущество
Банк “Ракета”
Обычный
таргетинг
Онлайн
заявка
Традиционный
скоринг
Поведенческий
скоринг
Проприетарный
таргетинг
Онлайн
заявка
Традиционный
скоринг
Поведенческий
скоринг
Обычный банк
80 000
20 000
4 000
80 000
80 000 000
40 000
40 000
20 000
4 000
Потратил $X
на покупку 80 000 лидов (заявок),
которые привели к 4 000 клиентам
Потратил в два раза меньше
при привлечении такого же количества клиентов,
купив 40 000 лидов вместо 80 000
Проприетарное
моделирование

8. DataCloud Framework
DataCloud
Проприетарный таргетинг как конкурентное преимущество
Проприетарные данные
плохие
заёмщикихорошие
заёмщики
DMP Facetz.DCA
Рекламные кампании
банка “Ракета”
Targeting: raketa.score >= 600
raketa.score
Банк “Ракета” DataCloud.DCA
Analytical Engine
75 млн
жителей РФ…
raketa.model:
экстраполяция скорингового балла
raketa.model:
…
Проприетарные
модели банка
Исходный код
(source code)
Бинарный код
(bin)

9. Где еще доступны сегменты

10. Спасибо за внимание
Есть вопросы?
Свяжитесь с нами:
k.kruglov@datacentric.ru
a.kuzmenko@datacentric.ru
common@facetz.net
www.facetz.ru
common@datacentric.ru
www.datacentric.ru