Документ обсуждает применение больших данных для оптимизации рекламных кампаний и улучшения инвентаря. Представлены примеры успешного таргетирования и прогноза в различных платформах, включая повышение точности и эффективности на примере различных компаний. Основное внимание уделяется наращиванию показателей KPI и взаимодействия с рекламой.

1. BIG DATA. СКРЫТЫЕ
ВОЗМОЖНОСТИ ДЛЯ ПЛОЩАДОК
Ольга Носова, Директор отдела аналитики и оптимизации
РИФ+КИБ 2016

2. Модель инвентаря
2

3. Разберем прогнозирование по кубикам – где тут
кроются выгоды?
3

4. Усложним задачу – добавляется N-мерное пространство
4

5. А теперь еще и в динамике
5

6. Так где же выгоды?
 Мы избегаем перепродаж отдельных участков
и всех негативных последствий;
 Мы видим, что плохо продано и направляем туда
очи и силы наших продажников;
 Можем маневрировать продажи между
разными участками инвентаря;
 Можем пересмотреть стоимости инвентаря.
6

7. Теперь разберем оптимизацию по кубикам – где тут
кроются выгоды?
7

8. Повысим отдачу
8

9. И еще раз про оптимизацию
9

10. Что мы получаем от оптимизации?
 Выше KPI рекламных кампаний – довольные рекламодатели;
 Больше вовремя открученных рекламных кампаний, больше использовано инвентаря;
 Суммарно растет монетизация инвентаря уже на этапе пост-продажи,
растет Sell-out (STR).
10

11. Monster.com, US
Специфика:
 Ресурс представлен во всем мире локализованными сайтами;
 Таргетирование рекламных кампаний осуществляется исключительно
с помощью данных keywords: все пользователи сайта получают их
согласно тем поисковым запросам, которые вводят на сайте, затем
соответственно отображаются креативы рекламных кампаний;
 Настройки таргентинга сложные – поэтому присутствуют
синтаксические, орфографические и семантические ошибки,
создаваемые вручную оператором (трафикером);
 Рекламный сервер: OpenAdStream (сейчас – Xaxis for Publishers) ;
 Объем сети: 4 млрд. рекламных показов в месяц.
11
Пример запроса по ключевым словам
Результаты:
 +70% - повышение точности соответствия таргетинга по ключевым словам и аудиторным сегментам
и пропорциональный рост CTR;
 + 180% - повышение точности прогноза доступности инвентаря и объемов продаж;
 Полученная система прогнозирования учитывала не только все сегменты, заданные с помощью ad-сервера,
но и дополнительные параметры, заданные посредством keywords.

12. The Guardian: оптимизация по engagement metrics
12
Специфика:
 Оптимизация по engagement metrics – необходимо максимально повысить
интерактивность взаимодействия;
 Существенное расхождение в отчетах различных источников;
 Рекламный сервер и 3rd party tools: - AppNexus, MediaMind;
 Объем сети: >800 млн. показов;
 Объем обрабатываемых данных - 1,5 Тб ежедневно.
Результаты:
 27% - прирост по engagement metrics;
 на 64% дольше интерактивное взаимодействие с рекламой на сайте
Guardian, чем с аналогичным баннером на конкурирующих сайтах

13. AMEBA – японская социальная сеть
13
Специфика:
 Недельный цикл рекламных кампаний – каждую
неделю запускается от 300 до 1000 РК;
 Рекламодатели в любое время могут менять креативы
и цель кампании (количество показов), что также
осложняет прогнозирование и оптимизацию;
 Рекламный сервер и 3rd party tools: внутреннее
решение + данные из OpenX, RightMedia, DFP,
Blade.
Результаты:
 27-30% - прирост CTR сверх оптимизации
рекламного сервера;
 на 13% возросло значение метрики retention rate
(повторные обращения рекламодателей
и увеличение сумм контрактов)

14. Спасибо!
Вопросы?
Contact:
olga.nosova@inventale.com