Кейс Humanteq.ai. Почему психологический Look-alike эффективнее, чем у Facebook?

В этой статье

Что такое Look-alike

Look-alike — это инструмент таргетинга, который позволяет привлечь более качественную аудиторию. Facebоok — один из крупнейших поставщиков таких услуг на мировом рынке.

Как это работает

Определяется аудитория бренда, которая уже совершила целевое действие.
Анализируются те данные о ней, которые есть внутри соцсети (пол, возраст, страна, интересы, социальный статус и прочее), а также поведенческие характеристики.
Facebook при помощи AI-алгоритмов ищет «похожих» пользователей на основе совокупности этих данных — так создается Lal-аудитория.
Именно Lal-аудитории будут показываться рекламные объявления бренда: ведь люди, её составляющие, во многом совпадают с теми, кто совершил целевое действие. А значит высока вероятность, что и они его совершат.

Возможности

Look-alike на Facebook — один из самых востребованных и популярных методов привлечения трафика на мобильном рынке. Он особенно актуален для двух типов продуктов.

Продвижение медцентров и клиник: три кейса о SEO, TikTok и Instagram*

Как получить измеримые результаты в фарммаркетинге.

Показываем на примерах →

Спецпроект

Приложения, которые работают в парадигме Performance marketing и оптимизируют трафик на окупаемость.
Приложения, где можно купить товары и услуги и где есть рекламная монетизация и подписки (к этому типу относится большинство игр и сервисов в App Store и Google Play Store).

Представители Facebook рекомендуют использовать в маркетинговом продвижении такую структуру:

Как видно из схемы, они предлагают использовать таргетинг не только по интересам, но и по Lal. В случае с приложениями, вся монетизация которых — это внутренние платежи, использование Lal вместе с оптимизацией не на установку, а именно на платёж, даёт наилучший результат с точки зрения окупаемости.

Проблемы

Facebook-Lal — это, увы, далеко не на 100% эффективное решение, и вот почему.

1. Быстрое устаревание информации

Аудитория приложения или другого сервиса, для которого планируется использование Facebook-Lal, обновляется медленно. Зато информация о потенциальной аудитории теряет актуальность быстро.

Допустим, в неком приложении, внутри которого есть возможность покупок, уже собрана история платежей от 10 тысяч пользователей. На основе данных о них можно сформировать Lal-аудиторию: Facebook нашёл, предположим, 30 миллионов людей в мире, похожих на эти 10 тысяч платящих пользователей из приложения.

Можно быстро показать им всем настроенную специально под них рекламу. А вот прирост новых пользователей, которые будут делать покупки в приложении, будет более медленным.

Если через некоторое время обновить выгрузку для LaL по новым покупателям в приложении, окажется, что они будут значительно пересекаться с той аудиторией, которую Facebook уже нашёл.

Получается, если долго ориентироваться на одну и ту же аудиторию, это неэффективно даже при большей частоте показов рекламы. Цена за установку приложения вырастет, но релевантность аудитории снизится: ведь все, кто мог заинтересоваться приложением, уже увидели рекламу и установили его. Охват обновленной Lal-аудитории окажется невелик.

2. Неприменимость для новых продуктов

Если у приложения или другого сервиса пока нет достаточной базы пользователей, которые совершили платежи или другое целевое действие, то данных для создания корректной LaL-аудитории просто не хватит.

Чтобы её построить, нужно данные по более чем тысяче человек. Причём, если аудитория международная, то в каждой стране — минимум 100 человек. Если пользователей меньше, то на стороне Facebook данные о них не будут обработаны корректным образом.

Чтобы решить эту проблему, нужно либо наращивать аудиторию, либо использовать другие методы для привлечения трафика.

3. Неполнота информации для рекламодателя

При помощи LaL Facebook пытается выделить аудиторию качественно, то есть определить такие признаки людей, которые сходятся с ключевыми признаками целевой аудитории приложения. У самого рекламодателя нет возможности получить такие данные на своей стороне, потому что бо́льшая часть подобной информации закрыта.

Можно ли использовать Lal более эффективно, чем это делает Facebook? Здесь могла бы помочь психология — и она уже это делает.

Lal и психология

Lal анализирует людей, совершивших целевое действие, и ищет тех, кто на них похож и тоже мог бы это действие совершить. Но можно ли не только узнать, кто совершает это действие, но и понять, почему они это делают?

Другими словами, реально ли определить факторы, которые могут быть предикторами целевого действия, то есть такие характеристики пользователя, которые будут связаны с платёжным поведением?

Решить такую задачу можно с помощью психологии, ведь психологические характеристики людей имеют две важные особенности.

Они не определяются их базовыми свойствами (полом, возрастом, расой и так далее).
Они напрямую связаны с поведением, то есть могут предсказывать вероятность действий пользователя.

И если мы решим эту задачу — определим предикторы целевого действия, которые зависят от психологических характеристик человека, то одновременно закроем ещё две задачи:

найдём альтернативные способы конструирования аудитории для Lal;
решим проблему необходимого минимума для Lal, охвата и выгорания аудитории.

Сегодня психопрофилированием, то есть выявлением таких характеристик, их анализом и составлением психологических портретов в мире занимается ограниченное число компаний.

Большинство этих сервисов работает с текстами человека (например, разработка IBM Watson Personality Insights, инструмент от Кембриджского университета Apply Magic Sauce, канадская платформа Receptiviti). Меньшая часть оперирует данными социальных сетей или онлайн-поведением (visualDNA, Apply Magic Sauce).

Сказать, что это панацея для маркетолога, нельзя: все названные компании работают в основном с пользователями из Северной Америки и Европы, и их сервисы стоят дорого. Другая проблема в том, что их решения часто неприменимы для мобильных приложений. Работая с такими сервисами, маркетолог должен знать, как применить полученные данные, чтобы улучшить показатели маркетинговых кампаний.

Но существует сервис, который можно применять и в отношении русскоязычных пользователей, и при этом именно в мобильном приложении, — Humanteq.ai.

Как работает психологический Lal на примере Humanteq.ai

SDK сервиса встраивается в приложение и сразу же начинает анализировать всю его аудиторию. Объективно и в динамике определяются социально-демографические (пол и возраст) и психологические характеристики (черты и мотивация), копится информация о поведении пользователя в приложении и совершенных целевых действиях.

Когда накапливается достаточное количество целевых действий (не менее ста), Humanteq.ai определяет ключевые психосегменты (от одного до пяти в базовой версии), которые склонны совершить платёж или другое целевое действие, и использует их как основу для Lal-моделирования в рекламном кабинете Facebook. Далее запускаются кампании на конкретно эти психологические LaL.

Александр Одайник

СMO Humanteq.ai

«Для достоверного сегментирования мы анализируем не только пользователей, которые совершают целевые действия, но и всех остальных. Это помогает определить, какими именно характеристиками отличается ЦА от всей аудитории приложения. Благодаря этому аудитория целевых психосегментов получается больше по объёму, чем аудитория совершивших целевое действие.

Например, мы анализируем приложение с аудиторией 10 тысяч человек. Предположим, что среди них есть 200 человек, которые совершают целевые действия. Далее мы определяем, какими психологическими характеристиками эти 200 целевых пользователей отличаются от всей аудитории.

Например, оказывается, что подавляющее число платящих — интроверты, хотя вся аудитория приложения скорее экстраверты. Но во всей аудитории приложения есть и другие интроверты. Поэтому когда мы будем создавать Lal на психосегмент, у нас получится не 200 человек (как в случае с Lal на целевое действие), а, например, 2000 человек.

За счёт этого мы решаем несколько проблем.

1. Объём аудитории в выгрузке для LaL увеличивается. Это повышает охват в самом LaL и, соответственно, снижает стоимость показа рекламы.

2. Совершения первого целевого действия пользователем в приложении можно не ждать: психосегментация происходит уже при первой сессии.

3. Если аудитория по целевому действию уже не актуальна, можно искать новые хорошие аудитории. Humanteq.ai анализирует более 40 психологических характеристик. Это особенно важно для достоверности и применимости полученных результатов: ведь зачастую целевая аудитория характеризуется не одной, а несколькими характеристиками одновременно.

Чтобы убедиться, что это работает и оценить финансовый эффект, мы провели несколько экспериментов. Проверяли пять ключевых гипотез.

1. Снижает ли использование сервиса цену за установку (CPI)?

2. Повышается ли охват для психологического Lal?

3. Снижается ли цена за целевое действие?

4. Улучшается ли качество аудитории: Retention (удержание клиентов), ARPU (средняя выручка на одного пользователя) и ROAS (возврат затрат на рекламу)?

5. Приводит ли Facebook действительно ту аудиторию, которая нужна? Например, если была сделана выгрузка данных по экстравертам и на её основе построена LaL-аудитория, придут ли с Facebook именно экстраверты и совершат ли они целевые действия?»

Кейс 1

Внутри нашего приложения Digital Freud мы выделили психосегмент пользователей, наиболее склонных совершить целевое действие. В нашем случае нужно было пройти психологические тесты.

Оказалось, что люди, которые ценят яркую и насыщенную жизнь, полную впечатлений, (ценность «стимуляции», согласно модели ценностей и мотиваций Шварца) наиболее склонны к прохождению тестов. Далее мы выгрузили две аудитории.

Все, кто прошёл достаточное количество тестов для получения профиля, то есть люди, совершившие целевое действие.
Все, у кого выражена ценность стимуляции.

Данные по этим аудиториям мы выгрузили в рекламный кабинет Facebook и на их основе создали два 1% LaL (Lal по целевому действию и психологический Lal), то есть определили, что хотим привлечь наиболее похожую аудиторию.

Затем мы запустили рекламную кампанию на каждую аудиторию, при этом все остальные настройки были идентичными.

Вот такие получились результаты:

Аудитория по целевому действию (LaL 1% на всех, кто прошёл тесты) — контрольная кампания Аудитория по психосегменту (LaL на людей с высокой стимуляцией) — тестовая кампания Delta

Потенциальный охват	55 000	150 000	173%
Охват в кампании	25 864	30 088	16%
Показы	35 708	38 769	9%
Затраты	6743,57	6820,5	1%
Установки	250	484	94%
Клики	465	883	90%
CPM	188,85	175,93	−7%
CTR	1,30%	2,28%	75%
CPI	26,97	14,09	−48%
CPC	14,50	7,72	−47%
CR	54%	55%	2%
Прошедших тесты	190	407	114%
Конверсия в тесты	0,76	0,84	11%
CPA	35,49	16,78	−53%
Сегмент с высокой стимуляцией	165	373	126%
Сегмент с низкой стимуляцией	85	111	31%
Доля с высокой стимуляцией	66%	77%	17%
Доля с низкой стимуляцией	34%	23%	−32%

Как видно из таблицы, сразу по нескольким показателям выделение психосегментов оказалось более эффективно, чем традиционный Lal.

Потенциальный охват в случае с психологическим Lal — практически в три раза (на 173%) выше, чем у LaL, на аудиторию по целевому действию.
CTR (показатель кликабельности) в психосегменте также значительно выше. Вероятно, это связано с тем, что люди с высокой стимуляцией в принципе склонны к тому, чтобы получить новые впечатления. Приложение необычно и обещает новый опыт, поэтому они лучше реагировали на рекламу.
CPI для психологического Lal почти в два раза ниже, чем в аудитории по целевому действию.
Конверсия в прохождение тестов в психосегменте выше — 11%.
В связи с большим CTR и низким CPI в психологическом Lal цена за конверсионное действие также оказалась в два раза ниже.
Facebook действительно привел тех, кого мы запросили. В аудитории по высокой стимуляции 77% пользователей — люди с высокой стимуляцией. И это больше, чем в контрольной кампании.

Кейс 2

Мы интегрировали наш SDK в продукт наших партнёров Beresnev Games — игру Flippy Knife.

Целевым действием для заказчика было определённое количество просмотров рекламы за одну игровую сессию. Алгоритмы HQ проанализировали аудиторию этой игры и определили психосегменты, склонные к совершению целевого действия.

Оказалось, что четыре психологические характеристики и их сочетания повышают вероятность целевого действия на 30–50%. Эти характеристики — ценности стимуляции и гедонизма, эмоциональная стабильность и интеллект. Были выбраны два психосегмента пользователей, которые чаще других смотрят рекламу в игре.

Люди, которые ценят получение удовольствий, стремятся баловать себя (ценность «гедонизм», согласно модели ценностей и мотивации Шварца).
Люди с низковыраженной ценностью яркой и насыщенной жизни, полной впечатлений (ценность «стимуляции», согласно той же модели).

Далее мы выгрузили эти два психосегмента и аудиторию людей, которые совершили целевое действие, в рекламный кабинет Facebook. Потенциальный охват у всех аудиторий получился одинаковым — по 170 тысяч пользователей. Для первого теста мы решили ограничиться только Россией. Соответственно, все кампании запускались только на российских пользователей.

Затем мы запустили рекламные кампании на все три аудитории, при этом сохраняя все остальные настройки идентичными.

Результаты:

Относительные различия кампании на людей с высоким гедонизмом относительно контрольной* кампании Относительные различия кампании на людей с низкой стимуляцией относительно контрольной* кампании

CPM	−3,50%	−9,98%
CTR	2,26%	12,31%
CPI	−5,68%	−18,00%
CPC	−5,64%	−19,85%
CR	2,31%	9,78%
ЦД конверсия	18,59%	29,36%
CPA	−23,11%	−36,95%

* В виде контрольной кампании выступала кампания на LaL-аудиторию по пользователям, совершившим целевое действие.

Как видно в таблице выше, и в этом случае удалось получить хорошие результаты.

CPM (цена за тысячу показов), CPC (цена за клик), CPI и CPA (цена за действие) снизились. Стоимость за совершённое целевое действие упала на 23% для психосегмента с высоким гедонизмом и на 37% для аудитории с низкой стимуляцией.
Выросла конверсия в совершение целевого действия по сравнению с контрольной группой (LaL на людей, которые совершили целевое действие).
Также мы проверили, как изменяются ARPU, CRR (коэффициент удержания) и ROAS. Оказалось, что ARPU в кампаниях по психологическому Lal был выше на 20%, CRR незначительно выше — 5%, ROAS на 25% выше.

Кейс 3

Мы решили проверить, как модели покажут себя в другой стране. Для этого мы снова проанализировали пользователей, наиболее склонных к совершению целевого действия, на аудитории США.

Психологические характеристики, связанные с совершением целевых действий, оказались похожими на те, что были свойственны пользователям из России. В этот раз целевые действия чаще всего совершали в двух психосегментах.

Люди, стремящиеся находить простые решение и мало мотивированные решать сложные задачи (средний и ниже среднего коэффициент невербального интеллекта по Равену).
Люди, очень ценящие яркую и насыщенную жизнь, полную впечатлений (ценность «стимуляции», согласно модели ценностей и мотивации Шварца), и это тот же психосегмент, что и в эксперименте с российской аудиторией.

По стандартному плану эксперимента мы выгрузили три аудитории: всех, кто совершил целевое действие, и два психосегмента. По охвату в этот раз были различия: потенциальный охват LaL на психосегменты был на 38% больше, чем охват на аудиторию по целевому действию.

Мы запустили четыре кампании с идентичными настройками — кроме аудиторий: две кампании на каждый психосегмент, одна кампания на LaL по целевому действию и одна кампания на широкую аудиторию (то есть без ограничений по аудиториям и без LaL).

Результаты в сравнении с LaL на целевое действие:

Относительные различия кампании на людей с низким коэффициентом невербального интеллекта относительно контрольной* кампании Относительные различия кампании на людей с низкой стимуляцией относительно контрольной* кампании

Потенциальный охват	38,33%	35,00%
CPM	11,04%	−9,11%
CTR	7,07%	−0,51%
CPI	3,61%	−0,06%
CPC	3,72%	−8,64%
CR	7,17%	−9,05%
ЦД-конверсия	15,50%	−14,12%
CPA	−10,29%	16,36%

* Контрольная кампания — LaL на целевое действие

Результаты в сравнении с широкой аудиторией:

Потенциальный охват	−83,40%	−83,80%
CPM	−9,44%	−25,88%
CTR	153,14%	135,23%
CPI	−8,40%	−11,65%
CPC	−64,23%	−68,49%
CR	−1,14%	−16,10%
ЦД-конверсия	25,23%	−6,89%
CPA	−26,85%	−5,12%

* Контрольная кампания — широкая аудитория (без LaL)

По этому кейсу мы пришли к следующим выводам.

На этот раз психосегменты проявили себя по-разному. Люди с низким интеллектом больше конвертировались в целевое действие, и стоимость за него была ниже, чем в кампании LaL на целевое действие. Хотя CPI был незначительно выше.
Психологический Lal на людей с низкой стимуляцией, наоборот, оказался по CPI дешевле, но конверсия в целевое действие оказалась ниже, поэтому и цена за него также оказалась выше.
В сравнении с широкой аудиторией все метрики изменились в лучшую сторону: CPI и CPA ниже, CTR вырос.
Также мы проверили, насколько изменился ARPU пользователей в кампаниях. Оказалось, что люди из кампаний по психосегментам приносят в среднем на 12,5% больше заработка. А также их Retention седьмого дня больше на 20%. ROAS кампаний по психосегментам также оказался выше на 15%, чем LaL на целевое действие.

Почему психологический Lal работает

Психологические характеристики человека определяют его поступки и реакции, вкусы и предпочтения. Если опираться на психосегментацию для определения и поиска целевой аудитории, это привлечёт пользователей, которые внутренне предрасположены больше интересоваться приложением, дольше им пользоваться или охотнее совершать покупку.

Формируя образец аудитории для LaL на основе психологии, мы привлекаем тех, кто ввиду своих психологических особенностей, вероятнее всего, будет вести себя нужным образом. И это важное преимущество: аудитория по целевому действию может включать и тех, кто менее склонен к платежному поведению в таком приложении.

Вторая причина улучшения показателей — повышение охвата рекламной кампании за счёт выгрузки большей аудитории для LаL в рекламный кабинет, чем это часто возможно по целевому действию.

Инновационные решения позволяют компаниям не только экономить маркетинговый бюджет — благодаря Humanteq.ai можно привлекать более качественную аудиторию.

Это те пользователи, которые имеют внутренние основания интересоваться контентом или функционалом мобильных сервисов. А качественная аудитория — это не только более эффективно работающий маркетинг, но и более высокие шансы на развитие всего бизнеса.