Кастомный таргетинг: как найти аудиторию с высоким доходом с помощью ИИ. Кейс

Кирилл Костыренко

Руководитель группы по направлению машинного обучения Realweb

Когда девелопер GloraX столкнулся со спадом лидов, аналитики digital-агентства Realweb не растерялись и разработали собственный таргетинг – поиск по профессиям.

Как создавали новую стратегию и тестировали ее в рекламных кампаниях, рассказали в кейсе.

Задача

Для продвижения жилого комплекса бизнес-класса «GloraX Василеостровский» во ВКонтакте использовали стандартные аудитории – ключевые запросы по гео и конкурентам, look-alike, таргетинг на подписчиков бизнес-сообществ и по интересам.

Но с августа начали наблюдать стабильный спад целевых обращений (ЦО) – ключевого KPI застройщика. Так, в сентябре количество ЦО уменьшилось на 40% по сравнению с августом.

Нам нужно было найти новые способы поиска платежеспособной аудитории, заинтересованной в покупке жилья бизнес-класса.

Решение

Чтобы показывать рекламу только тем, кто может позволить себе приобрести квартиру у наших клиентов, попробовали оценить потенциальный доход пользователя по его профилю во ВКонтакте.

Разработка стратегии поиска аудитории

Чтобы реализовать идею, нам нужно было ответить на вопрос: как определить доход человека, если информация на личной странице в соцсети не дает четкого понимания о его финансовом положении.

Кирилл Костыренко, руководитель группы по направлению машинного обучения:

Сначала у нас была мысль искать пользователей по организациям, в которых они работают, но их сложно идентифицировать – очень мало пользователей заполняют место работы в своем профиле.

Куда чаще они добавляют информацию про место обучения и специальность. Поэтому решили попробовать разработать таргетинг на основе этих данных.

Шаг 1. Собрали резюме с высокими зарплатными ожиданиями

Для этого взяли их на портале «Работа России» – резюме там лежат в открытом доступе. Сделали сортировку по ожидаемому уровню дохода и отобрали те, где он был 200 тыс. рублей и выше.

Шаг 2. Провели корреляционный анализ

Мы хотели узнать, действительно ли большинство соискателей ищут работу по полученному образованию. Для этого соотнесли данные из отобранных ранее резюме и получили подтверждение своей гипотезы.

Шаг 3. Сформировали группы занятости

Объединили должности в профессии и получили семь больших групп высокооплачиваемых специалистов.

Шаг 4. Обучили искусственный интеллект

Цель – ИИ должен определить группу занятости пользователя по его высшему образованию, указанному в профиле. Для этого мы с помощью ручной разметки выделили, какие факультеты и учебные специальности включает в себя каждая группа. Например, экономисты могут обучаться на кафедрах мировой экономики, бухгалтерского учета, финансов и банковского дела.

А затем на полученных данных обучили модель. Чтобы проверить, все ли работает, протестировали ее на отложенной выборке.

Шаг 5. Использовали ИИ для поиска аудитории

Через API VK спарсили пользователей по параметрам ID, факультет и специальность. И разделили их на группы занятости с помощью обученной модели.

Шаг 6. Создали аудитории в рекламном кабинете

Загрузили файл с базой пользователей в кабинет VK Рекламы. Далее сервис автоматически соотнес ID и сформировал аудитории.

Тестирование на практике

Проверяли эффективность нового таргетинга на жилом комплексе бизнес-класса «GloraX Василеостровский».

Создали новые рекламные кампании, где для каждой профессии сделали свою группу объявлений.

Анна Быкова, старший специалист отдела таргетированной рекламы:

Рекомендуем тестировать новые аудитории в отдельных рекламных кампаниях, выставляя бюджет на каждую группу объявлений. Это поможет в равных условиях протестировать каждую профессию и определить наиболее эффективные.

Собирали контакты прямо внутри соцсети с помощью лид-формы – этот же формат использовали и при работе с классическими таргетингами.

Лид-форма лучше всего подходит для сбора первичных контактов. Пользователь кликает на «Подать заявку» в рекламном объявлении и сразу же попадает на заполнение формы для обратного звонка. Это существенно сокращает путь и увеличивает конверсионность.

Объем аудитории по профессиям получился небольшим из-за закрытых профилей. Около 70% пользователей скрывают свои данные.

Поэтому, чтобы расширить выборку, воспользовались расширением внутри кабинета VK Рекламы, а также создали look-alike аудиторию через myTarget – искали людей из закрытых профилей, похожих на уже отобранных нами из открытых. На выходе получили 150–200 тыс. целевых пользователей.

Тестировали минимальную и предельную стратегии ставок, но остановились на второй, потому что именно с нее начали получать лиды.

Результаты

Из групп занятости эффективнее всего показали себя врачи и IT-специалисты, поэтому в планах продолжать их тест.

Константин Осадчук, старший специалист отдела таргетированной рекламы:

Нестандартный подход к поиску аудитории оправдал себя. Нам не только удалось восстановить количество первичных и целевых заявок, но и снизить их стоимость. Однозначно берем таргет по профессиям дальше в работу.