View
1.046
Download
0
Category
Tags:
Preview:
DESCRIPTION
Презентация Татьяны Фирсовой, эксперта отдела исследований интернета Аналитического Центра Vi, на семинаре «Новая реальность: использование данных в медийных коммуникациях»
Citation preview
Организация работы
DMP с поставщиками
данных: игра по-белому
Татьяна Фирсова Аналитический центр Vi
Семинар IAB, 9 октября 2014
Типы данных
Типы данных по принципу сбора
информации
3
3rd party
2nd party
1st party
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
3rd party data
Данные, собираемые и агрегируемые сторонними
источниками
Дают дополнительную информацию
Могут применяться на большем объеме трафика
5
2nd party data
Косвенные данные о
собственной аудитории
Данные, получаемые в
сотрудничестве с другим
источником
Контроль процесса сбора и
обработки данных
6
1st party
Типы данных по владельцу
7 Контроль
Сто
им
ость
3rd party
2nd party
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
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
Типы интересов
Долгосрочные
Ин-маркет Краткосрочные
0
Прошлые покупки
10
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
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 + =
Обеспечение
сохранности
партнерских
данных
1. Соблюдение ФЗ 152
Сохранение только той информации, которая не позволяет
идентифицировать профиль с реальной персоной
15
2. Неразглашение поставщиков
Первое правило Бойцовского клуба:
не упоминать, откуда печенье
Второе правило Бойцовского клуба:
НИГДЕ не упоминать, откуда печенье.
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
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
Актуализация данных
Постоянный поиск новых поставщиков
Контроль качества
Установление времени жизни (TTL) для данных в
зависимости от их типа
18
19
Проблема
верификации
данных
Важна ли верификация?
KPI при брендинге
Охват необходимой целевой
аудитории с заданной
частотой
Performance
Количество переходов на
сайт, заполнений заявок,
оформленных заказов
Как обеспечить доверие к данным
21
Branded data
Как обеспечить доверие к данным
22
Проверка по эталону
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
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
Для роста аффинити есть предел, в
зависимости от естественной доли
26
«серая зона», аффинити таких
значений невозможно для
групп с таким охватом
Максимально
возможная
аффинитивность Высокий
потенциал
для роста
Точность (Precision) и Affinity Index:
прямая связь
27
Доля
Точность Precision)
5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100%
5% 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000
10% 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000
15% 33 67 100 133 167 200 233 267 300 333 367 400 433 467 500 533 567 600 633 667
20% 25 50 75 100 125 150 175 200 225 250 275 300 325 350 375 400 425 450 475 500
25% 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400
30% 17 33 50 67 83 100 117 133 150 167 183 200 217 233 250 267 283 300 317 333
35% 14 29 43 57 71 86 100 114 129 143 157 171 186 200 214 229 243 257 271 286
40% 13 25 38 50 63 75 88 100 113 125 138 150 163 175 188 200 213 225 238 250
45% 11 22 33 44 56 67 78 89 100 111 122 133 144 156 167 178 189 200 211 222
50% 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
55% 9 18 27 36 45 55 64 73 82 91 100 109 118 127 136 145 155 164 173 182
60% 8 17 25 33 42 50 58 67 75 83 92 100 108 117 125 133 142 150 158 167
65% 8 15 23 31 38 46 54 62 69 77 85 92 100 108 115 123 131 138 146 154
70% 7 14 21 29 36 43 50 57 64 71 79 86 93 100 107 114 121 129 136 143
75% 7 13 20 27 33 40 47 53 60 67 73 80 87 93 100 107 113 120 127 133
80% 6 13 19 25 31 38 44 50 56 63 69 75 81 88 94 100 106 113 119 125
85% 6 12 18 24 29 35 41 47 53 59 65 71 76 82 88 94 100 106 112 118
90% 6 11 17 22 28 33 39 44 50 56 61 67 72 78 83 89 94 100 106 111
95% 5 11 16 21 26 32 37 42 47 53 58 63 68 74 79 84 89 95 100 105
100% 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
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
BrightRoll и Kellogg’s
29 BrightRoll, “Case Study: Kellogg Company. Platform Partnership Maximizes Digital Video Efficiency”, август 2013 (link)
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
Проведение РК с данными Vi
11,4%
15,4%
Видели хотя бы 2 страницы
Вернулись хотя бы 1 раз
без таргетинга
31
1,07 1,19 1,12
1,31
Средняя глубина просмотра
Среднее число возвратов
с таргетингом «look-a-like», сформированного посредством данных DMP Vi
1.7x
1.4x
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
Recommended