Презентация Татьяны Фирсовой, эксперта отдела исследований интернета Аналитического Центра Vi, на семинаре «Новая реальность: использование данных в медийных коммуникациях»
3. Типы данных по принципу сбора
информации
3
3rd party
2nd party
1st party
4. 1st party data = YOUR data
Поведение, действие, интересы, выявленные на
собственных площадках
Информация из CRM
Подписки и регистрации, social data
Бесплатна для владельца
Неотчуждаема
Самая контролируемая
4
5. 3rd party data
Данные, собираемые и агрегируемые сторонними
источниками
Дают дополнительную информацию
Могут применяться на большем объеме трафика
5
6. 2nd party data
Косвенные данные о
собственной аудитории
Данные, получаемые в
сотрудничестве с другим
источником
Контроль процесса сбора и
обработки данных
6
8. Данные: не только онлайн, но и
оффлайн
Дисконтные системы и
программы лояльности
Покупки в магазинах
Перемещения пользователя
Посещение мероприятий
Звонки из CRM
Кредитная история
8
9. Связка оффлайновых данных
9 Представленные бренды выбраны в качестве примеров и носят исключительно иллюстративный характер
База данных людей,
участвующих в программе
лояльности
Куки посетителей сайта
11. Machine learning в работе с
данными
11
Пользователям, которым в прошлом нравились одни и те же вещи, в будущем
тоже будут нравиться одни и те же вещи
Сбор данных о
прошлых
покупках
пользователя
Выявление
пользователей
со схожими
интересами
Выявление
продуктов,
понравившихся
пользователю
Составление
рекомендаций
12. Процесс работы с данными
12
Консолидация
данных (First-Party
Data
Выдача аудитории для
использования ее в
рекламных целях
Обогащение своих
данных Second-Party
Data и Third-Party Data
для увеличения охвата
Создание
собственной
уникальной
аудитории
Геймеры
Покупатели игр
(in-market)
Расширенный сегмент
геймеров+ =
14. 1. Соблюдение ФЗ 152
Сохранение только той информации, которая не позволяет
идентифицировать профиль с реальной персоной
15. 15
2. Неразглашение поставщиков
Первое правило Бойцовского клуба:
не упоминать, откуда печенье
Второе правило Бойцовского клуба:
НИГДЕ не упоминать, откуда печенье.
16. 3. Алгоритм подключения для
поставщиков
1. Подписание NDA и договора
2. Проработка технологического решения по организации
синхронизаций и передачи данных
3. Синхронизация пользователей через сопоставление кук
4. Получение тестовой выборки
5. Промерка тестовой выборки по эталону
6. Внедрение данных поставщика в формирование мастер-
профиля для потребителей
7. Регулярная сверка
8. Постоянная промерка поставляемых сегментов по эталону
16
17. 4. Могу ли я купить аудиторию
конкурента?
Риски продажи данных отдельного поставщика – покупка
конкурентом его аудитории
Риск принимает DMP – продажа композитного профиля
Риск принимает поставщик – продажа branded data
17
18. Актуализация данных
Постоянный поиск новых поставщиков
Контроль качества
Установление времени жизни (TTL) для данных в
зависимости от их типа
18
20. Важна ли верификация?
KPI при брендинге
Охват необходимой целевой
аудитории с заданной
частотой
Performance
Количество переходов на
сайт, заполнений заявок,
оформленных заказов
23. Полнота (Recall) - доля правильно
опознанных (подтвержденных) ко всей
целевой группе в промеряемом трафике
24
ACTUAL (эталон)
TRUE FALSE
PREDICTED
(поставщик)
TP
true positive
Correct result
VERIFIED
FP
(false positive)
Unexpected
result
FN
(false negative)
Missing result
TN
(true negative)
Correct absence
of result
Используемые метрики
𝑇𝑃
𝑇𝑃 + 𝐹𝑁
=
𝑉𝑒𝑟𝑖𝑓𝑖𝑒𝑑
𝐴𝑐𝑡𝑢𝑎𝑙
𝑇𝑃
𝑇𝑃 + 𝐹𝑃
=
𝑉𝑒𝑟𝑖𝑓𝑖𝑒𝑑
𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑
Точность (Precision) - доля правильно
опознанных (подтвержденных) ко всем
опознанным как целевым
24. Использование метрики Affinity
25
Индекс соответствия =
доля ЦГ в аудитории площадки
доля ЦГ в интернете/населении
× 100
Индекс обогащения =
Точность (𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛)
доля ЦГ на площадке
× 100
Индекс обогащения =
доля правильно опознанных
естественная доля ЦГ в трафике
× 100
25. Для роста аффинити есть предел, в
зависимости от естественной доли
26
«серая зона», аффинити таких
значений невозможно для
групп с таким охватом
Максимально
возможная
аффинитивностьВысокий
потенциал
для роста
27. 28
“In a perfect world, ads would reach their
intended audience all of the time”
Nielsen, “Reaching Consumers Online: The New "Norm"al For Digital Ads”, сентябрь 2013 (link). average on-target percentage from nearly
5,000 campaigns measured by Nielsen Online Campaign Ratings. Note: Age and gender norms are available for demo breaks that had sufficient
data to meet the minimum requirements for inclusion.
Age 12+ 18+ 18-24 21-34 18-34 25-44 35-54 25-49 25-54 35-64 18-49
Age Span
(Years)
7 14 17 20 20 25 30 30 32
persons 98% 92% * 62% 60% 48% 41% 52% 58% 52% 76%
females * 76% * * 46% 32% 28% 38% 42% 39% 56%
males * * 22% 38% 46% * * * 42% 39% 56%
Средняя точность попадания в возрастные и половозрастные интервалы
28. BrightRoll и Kellogg’s
29 BrightRoll, “Case Study: Kellogg Company. Platform Partnership Maximizes Digital Video Efficiency”, август 2013 (link)
29. Сегодня на DMP Vi:
Интересы
Более 250 000 000
профилей
В среднем 4 сегмента
интересов у профиля
Демография
Более 120 000 000 профилей
В среднем 75% охват
проинтегрированных сетей
(знаем и пол, и возраст)
Состав профиля:
Гендер: мужской, женский
Возраст: 12-17; 18-24; 25-34; 35-44; 45-
54; 55+
География: регионы России, с
точностью до города
30. Проведение РК с данными Vi
11,4%
15,4%
Видели хотя бы
2 страницы
Вернулись хотя
бы 1 раз
без таргетинга
31
1,07
1,191,12
1,31
Средняя глубина
просмотра
Среднее число
возвратов
с таргетингом «look-a-like»,
сформированного посредством
данных DMP Vi
1.7x
1.4x
31. Спасибо!
Татьяна Фирсова
(эксперт отдела исследований интернета Аналитического Центра Vi)
тел. (495) 231-48-52; (495) 737-87-44, доб. 2714
TFirsova@vi.ru
facebook.com/catadelic