Переходите к интересующей части:
О клиенте
Raketa — первый сервис доставки в Украине, работающий в формате Foodtech 2.0. Он начал работу в марте 2018 года, еще до прихода в Украину Glovo, Uber Eats и Bolt Food, но долгое время был доступен только в Днепре. С выходом на всеукраинский уровень, компания столкнулась с сильной конкуренцией. Но повышенный интерес к доставке в условиях карантина помог Raketa привлечь новых клиентов, выполнять больше заказов и стать одними из лидеров рынка. Опыт Raketa показывает, почему правильные стратегии и оптимизация рекламной кампании дают больший результат, чем огромный бюджет.
Задача
Работая с Raketa, команда newage. создала и реализовала диджитал-стратегии по медийным кампаниям, которые увеличили релевантную аудиторию, количественные и качественные показатели мобильного приложения Raketa. Нашей задачей было оптимизировать и оценить эффективность инструментов, чтобы лучше понять интересы и сценарии поведения пользователей.
Наше решение
Наша команда выполнила эту задачу за три флайта в мае, июне и сентябре-октябре 2020 года. Мы добились максимального охвата в самых крупных городах страны: Киеве, Днепре, Львове, Харькове, Виннице и Одессе. Для реализации стратегии использовали модель See-Think-Do(Care). По ней уровень конверсионной воронки зависит от нашей оценки того, насколько пользователь готов совершить покупку.
Используя эту модель, мы:
- закрывали наиболее горячий спрос;
- подогревали сегменты выше по воронке, с меньшими намерениями к покупке;
- закрепляли образ бренда в сознании пользователей:
- анализировали медийные кампании конкурентов.
Чтобы познакомить пользователя с брендом и повысить его узнаваемость, мы сосредоточились на видеорекламе для YouTube в форматах TrueView, Bumper, Discovery. А также использовали баннеры для увеличения охвата и контакта на пользователя.
Мы разделили аудиторию на горячую, теплую и холодную. В каждой из них был свой подход, инструменты и KPI. На горячем уровне мы использовали более конверсионные форматы и модели закупки, чем выше мы поднимаемся по воронке, тем больше наша цель менялась от конверсионных KPI «здесь и сейчас» на медийные показатели того, что человек увидел нашу рекламу, заинтересовался и скачал/зашел на сайт спустя некоторое время.
Инфографика для используемой стратегии:
Согласно этой стратегии, мы разделили нашу целевую аудиторию на такие сегменты:
- пользователи с интересом к ecommerce;
- пользователи с интересом к еде и ресторанам;
- пользователи приложений такси;
- look-a-like аудитория пользователей Raketa;
- люди, работающие на фрилансе/удаленке.
Шаг 1. Аналитика рекламной кампании
Помимо стратегий, мы применили метод Целостного Анализа, чтобы отслеживать отсроченные (post-view и cross-device) взаимодействия пользователей с приложением, которые генерируются медийной рекламой.
Мы имели дело механикой привлечения пользователей, в которой данные по клику были просто неприменимы — посетитель без приложения Raketa на телефоне сначала направлялся в AppStore или Google Play и только после установки приложения начинал взаимодействовать с рекламой. Поэтому мы отслеживали post-view конверсии, ведь проходит некоторое время между установкой приложения и решением человека воспользоваться им, то есть сделать заказ.
Мы определили окно в 7 дней как оптимальный период для отслеживания отложенных конверсий. Именно post-view и cross-device данные составили подавляющую часть отслеженных нами конверсий и использовались для оптимизации площадок, креативов и аудиторий.
Из графиков видно, что доля post-view и cross-device данных составила более 98% от анализируемых данных по конверсии пользователей с рекламного показа для взаимодействия с приложением рекламодателя. Рекомендуем отслеживать эти показатели, иные данные дадут точно не правильную картину.
Шаг 2. Определение эффективной частоты
Анализ дополнительных данных (post-view+cross-device) позволил определять наиболее выгодные частоты для рекламного контакта с пользователем, принимая во внимание стоимость отложенных конверсий. Так, например, для размещений на YouTube в формате trueview, важно было отслеживать частоту как на уровне форматов, так и всей кампании:
*CPA — коэффициент.
При анализе данных, мы видим четко выраженный коридор частот приносящих максимум полезных действий при оптимальных затратах. Такой анализ позволил оптимизировать частоту для каждого рекламного формата, аудитории и устройства.
Шаг 3. Настройки аудиторий
Post-view и cross-device данные позволили определить самые эффективные сегменты аудитории, базируясь не просто на количестве генерируемых переходов, но и на активных действиях, генерируемых пользователями непосредственно в приложении. Так для iOS наиболее эффективным сегментом оказался «пользователи имеющие интерес к e-commerce». Среди IOS он единственный дал полезный трафик.
Исследование активности и глубины конверсии среди аудитории определило
сегмент пользователей, которые были заинтересованы в темах, связанных с ресторанным бизнесом. Среди них пользователи IOS делали больше заказов и чаще устанавливали приложение, чем пользователи Android. Выделенный сегмент людей, которые предпочитают заказ такси общественному транспорту в равной доле поделили между собой долю переходов и полных конверсий.Также отметим, что среди пользователей IOS, люди с интересом к ecommerce показывают высокий уровень глубоких конверсий.
Шаг 4. Форматы
Когда мы начали продвигать услуги, то расширяли охват за счет использования разнообразных форматов:
- видео на YouTube;
- брендинг страниц;
- видео в онлайн-кинотеатрах и т. д.
Дополнительно эти форматы разделили на мобильные и десктопные. Во время проведения анализ кампании от флайта к флайту, мы отошли от деления форматов в зависимости от устройства и сконцентрировались на мобильных девайсах за счет повышения ставок.
Мы поняли что десктоп работает хуже — даже с учетом, что мы глубоко все трекаем, мобильная реклама показывала лучшие результаты. Хотя это очевидно, но мы склонны проверять — часто очевидные вещи не подтверждаются, поэтому проверяли.
В мобайле мы осознанно тестировали и повышали ставки, хоть это и удорожало контакт, но делало его более качественным. И это нормально — оптимизация не означает выбор исключительно в пользу дешевых решений. Задача оптимизации — дать лучший результат и сэкономить только на том, что не ведет к потере эффективности. Здесь важно уметь отследить и выбрать эти оптимальные решения, что подтверждается на приведенном примере.
В ходе дальнейших тестов, для нас стала очевидна эффективность deep-линков. Изначально мы отправляли пользователей на при-лэнд, откуда уже пользователи могли выбирать перейти им в App Store или Google Play. Устранив этот дополнительный шаг на пути пользователя к установке, мы улучшили показатели.
Результаты и выводы
Применение целостного анализа дало следующие результаты:
- в 75 раз оптимизировали кампании по количеству установок от тех, кто контактировал с рекламой (от первой недели к последней), на это потребовалось 3 флайта, более 15 этапов оптимизации и анализа результатов (чаще, чем раз в неделю)
- Снизили стоимость привлеченного пользователя в 15 раз.
Эффективность нашего подхода превзошла ожидания клиента, поэтому в какой-то момент мы приостановили рекламу, чтобы клиент мог перестроить логистику под возросший объем заказов. Уже существующий маркетинговый бюджет, заказчик перенаправил на привлечение курьеров. Так что в результате нашей рекламной кампании выросло не только количество активных покупателей и пользователей приложения, но и штат курьеров 🙂
