Предиктивный ремаркетинг: как изменить привычки пользователей

Покупатели — заложники своих привычек. Примерно 60% людей начинают путь к покупке в знакомых интернет-магазинах, а остальные 40% — в поисковиках. Но это, конечно, не значит, что они совершат покупку там же, где начали путь. Примерно от 22 до 43 процентов покупателей посещают в ходе поиска больше двух интернет-магазинов.

Они заходят в другие магазины за более широким ассортиментом, более подробной информацией о продукте или чтобы сравнить опции доставки. Ремаркетинг использует эти моменты, чтобы мотивировать клиентов изменить своим привычкам и рассмотреть предложения вашего магазина.

В кампаниях ремаркетинга вы показываете рекламу людям, уже заходившим к вам на сайт. Для этого нужно пометить гостей сайта файлом куки, в котором содержится информация о визите на ваш сайт и просмотренных товарах. Эти файлы станут триггером для показа вашей рекламы на других сайтах.

Зачем предсказывать вероятность покупки?

Исследования показывают, что ремаркетинг приносит больше конверсий, чем рассылки и поисковая реклама. Но какой ценой? Не все гости, которые посмотрят вашу рекламу и кликнут на нее, действительно заинтересованы в покупке, но при ремаркетинге вам придется платить за все просмотры и клики всех гостей. Это ухудшит отношение между стоимостью привлечения клиента (CAC) и пожизненной ценностью клиента (LTV).

Но постарайтесь предсказать поведение клиента и персонализировать баннеры, и вы сможете оптимизировать ремаркетинговую кампанию — простым сегментированием поведения клиентов такого не добьешься. Exponea умеет делать такие прогнозы благодаря машинному обучению. Это разновидность искусственного интеллекта, которая сама ищет в данных статистические паттерны и не требует предварительного программирования (то есть как будто «учится» на данных). Алгоритм машинного обучения анализирует клиентов, купивших товар в течение последних 30 дней после кампании ремаркетинга, и ищет закономерности. Чтобы понять, какие паттерны найдет алгоритм, вспомним последние исследования о поведении покупателей.

Привычки потенциальных покупателей

Аналитическая маркетинговая компания Criteo опросила 2 023 взрослых жителей Великобритании о том, как они смотрят товары и совершают покупки онлайн. Вот что показал опрос:

• Две трети покупателей сказали, что знают, какой конкретно товар им нужен, и ищут именно его.
• Готовность совершать импульсивные покупки напрямую связана с субъективной ценностью категории. В категории продовольственных товаров импульсивных покупок происходит больше всего, а в категории электроники — меньше всего.
• В категории продовольственных товаров 20% покупателей добавляют вещи в корзину, а потом, раз в неделю или в две недели, совершают покупку. А в категориях с максимальной лояльностью клиентов — например, косметике или одежде и аксессуарах — клиенты обычно сохраняют верность одному сайту.
• В каждой категории люди принимают решение по-разному. Больше всего времени уходит на принятие решения при покупке электроники: люди думают по 10 дней и оценивают в среднем 19 товаров. А в категориях с высокой лояльностью и низким обдумыванием — например, в косметике — люди просматривают в среднем 8 товаров за 6,6 дней.

Как разработать эффективную стратегию ремаркетинга для вашей категории

Это важные данные: они показывают, как и насколько покупатели открыты к стороннему влиянию. Для эффективного ремаркетинга нужно признать, что у каждой категории есть свой набор качеств — длина обдумывания, готовность к импульсивным покупкам, лояльность и субъективная ценность. Например, продукты питания — это категория с коротким обдумыванием и низкой субъективной ценностью, поэтому покупатели охотнее совершают импульсивные покупки. Для таких категорий отлично подходит ремаркетинг с напоминаниями о товарах, брошенных в корзине. Покажите клиенту несколько продуктов из его корзины и несколько рекомендаций похожих и дополнительных товаров.

А электроника — категория с долгим обдумыванием и высокой ценностью, поэтому в ней лучше использовать другую стратегию и мотивировать покупателей провести максимальную часть процесса выбора на вашем сайте. Здесь нужна реклама, которая показывает понимание намерений пользователя и предлагает рекомендации на основе его интересов.

Как определить вероятность покупки при ремаркетинге

Алгоритм машинного обучения ищет связь разных факторов с вероятностью покупки. На приведенном ниже графике показан примерный результат работы этого алгоритма. Между вероятностью покупки и активностью на сайте есть прямая корреляция. Но этот график не объясняет, как именно конкретное количество активности на сайте связано с вероятностью покупки.

Чтобы лучше это понять, нужно погрузиться глубже и подробно изучить поведенческие принципы. Эта таблица иллюстрирует поведенческое значение диапазона вероятности покупки.

Внедрение и результаты

Один из наших клиентов — это среднего размера интернет-магазин fast-fashion-одежды для мужчин, женщин, подростков и детей. Он проводит свои ремаркетинговые кампании через Facebook, поэтому может персонализировать рекламу. Для этого он загружает на Facebook списки покупателей, отсортированные по тому, что показалось им интересным в процессе просмотра сайта. Эта система приносила нашему клиенту возврат рекламных трат в размере 16,15% при уровне конверсии 3,26%. Мы предположили, что эти цифры можно существенно улучшить, если не показывать рекламу гостям с низкой вероятностью покупки, и загрузили в алгоритм данные за два прошлых месяца. Обнаружив закономерности, мы применили эти паттерны к потоку новых клиентов, составили списки покупателей с вероятностью покупки более 20%, и выгрузили их на Facebook. В результате нам удалось увеличить окупаемость рекламных трат до 19,01%, а уровень конверсий — до 5,38%.

Еще несколько советов о стратегии ремаркетинга

Нам удалось увеличить прибыль на 15%, не увеличивая бюджет — а значит, предиктивный ремаркетинг улучшает эффективность рекламных расходов. А если совместить его с Facebook, то можно использовать и другие способы оптимизации рекламы и ремаркетинга. Например, Facebook предлагает функцию создать похожую аудиторию (Look-a-Like): найти пользователей, похожих на ваших клиентов по локации, возрасту, полу и интересам. Доказано, что реклама для этой аудитории — полезный способ привлекать новых потенциальных клиентов.

Клиентов с историей низкой вероятности покупок можно исключить из похожей аудитории, чтобы улучшить конверсию маркетинговых кампаний. Проогнозирование вероятности покупки — еще один способ избавиться от лишней рекламы. А клиенты с высокой вероятностью покупки уже и так оценили ваш бренд и ассортимент. Показывать им рекламу и дальше — это не просто бесполезно, а даже вредно: это может оттолкнуть их от вашего бизнеса, раздражить и насторожить их. Исключите их из кампании по ремаркетингу, чтобы еще больше снизить рекламные расходы, в то же время увеличивая прибыльность.

Ключевые выводы

Ремаркетинг может быть отличным инструментом для конкуренции с другими интернет-магазинами, если ваша стратегия учитывает намерения и процесс принятия решения ваших покупателей. В каждой категории продуктов цикл покупок и процесс принятия решения устроены по-своему. Наш единый пользовательский профиль покажет вам, какой путь совершил каждый клиент, что он хочет купить и как использует корзину. Если в вашей стратегии ремаркетинга сохранится баланс между этим процессом, готовностью к импульсивным покупкам, верностью бренду и субъективной ценностью, вы сможете показывать клиентам баннеры с нужным сочетанием товаров. А алгоритм прогнозирования поможет выбрать, кому именно их нужно показывать. Как мы уже увидели на примере нашего клиента-магазина одежды, внедрение прогнозирования может существенно улучшить отношение между стоимостью привлечения клиента (CAC) и пожизненной ценностью клиента (LTV).