Поиск корреляций в оптимизации рекламных кампаний

Зачем в рекламе математика?

Самый большой сдвиг, который произошел в контекстной рекламе в последнее время — это необходимость скармливать кампаниям большое количество данных. Интересно, что если структура РК непрозрачная для человека, то и для алгоритма будет непросто найти аудиторию. Это задача №1 для аналитика — найти структуру в данных.

Часто после создания кампании мы видим, что рекламная кампания показывает нестабильный результат. Что это значит? Это значит, что в ее основе лежит множество факторов, которые раскачивают ее в разные стороны. Как же быть? Это задача №2 для аналитика — найти причины скачков (спрос, сезон, разная конверсия продуктов и т.п.).

Размышляя над аудиторией, факторами, движущими конверсией покупателей, иногда кажется, что факторов сотни. Мы хотим найти самые главные факторы. Мы — люди, нам хочется упростить себе решение задач, сделать его прозрачным. Хорошая новость в том, что так сделать зачастую можно. Даже если факторов много, случается, что главных среди них 1-2. Это задача №3 для аналитика — найти ту веревочку, потянув за которую можно вытащить весь клубок.

При создании рекламной кампании следует учесть все эти факторы. В желании построить “формулу кампании”, мы крутим цифры как кубик Рубика, строим десятки срезов.

Мы любим работать с данными. Перед стартом кампании создаем много независимых целей чтобы получать много сигналов, чтобы как можно быстрее услышать обратную связь от потребителей и внести коррекции. В частности, мы используем методы корреляционного анализа.

Корреляция

Пара слов о том, что такое корреляция. Мы говорим, что две переменные коррелируют, если они ведут себя одинаково. Например, коррелируют продажи мороженого и температура воздуха летом (Но! Только летом!).

Корреляция между случайными данными равна 0. Корреляция между данными с жесткой функциональной связью близка к 1 или -1. То есть связь либо отрицательная, либо положительная.

Корреляция между данными не означает, что присутствует причинно-следственная связь. Чтобы говорить именно о связи, нужны дополнительные методы.

Корреляции — только о линейных связях (монотонного характера). Отсутствие корреляции говорит о том, что нет линейной связи, или связи вовсе нет.

Корреляция — это из серии:

Слишком много нюансов и ограничений. Часто приходится наблюдать, как заказчик считает корреляцию в табличном Excel или аналоге, используя встроенные формулы. Мы рекомендуем сначала разбить данные на однородные сегменты. На языке науки это означает “гомоскедатичные” данные. Также мы рекомендуем применять разные методы корреляции по ситуации, а не только корреляцию Пирсона.

Опыт применения

В одной из РК мы обнаружили сильные скачки показателей при пилотном запуске. И где же у этой кампании кнопка — спросили мы себя?

В этой РК была низкая корреляция между микроконверсиями и макро. Но мы решили проверить, нельзя ли выжать что-то полезное из очевидного?

В одном из срезов мы увидели высокую корреляцию (около 90%) между микро и макроконверсиями в срезе по географии.

Предположили, что такая корреляция связана с зависимостью 2х переменных от третьей — от географии. Предположение звучало разумно с точки зрения здравого смысла.

Если поставить себя на место покупателя, то хотелось бы чтобы участок был поближе к дому. Это конечно не единственная, но довольно популярная логика выбора участка.

Иначе говоря, покупка участка зависит от расстояния между покупателем и участком. Люди тем охотнее покупают участки, чем ближе они к ним живут. Отсюда решение о разбиении РК на группы с разным гео, разными текстами и таргетингами.

ГЕО — не единственное, что мы учли в рекламе. Например, мы выяснили, что у людей, покупающих участки кроме цели покупки для себя, может быть цель инвестиций и поняли, для какой из аудиторий работает наш клиент.

Посмотрим на данные с другой стороны.

Дисперсионный анализ

Для решения вопроса о причинно-следственной связи применим методы дисперсионного анализа. Вкратце, этот метод делит аудиторию на группы и сравнивает показатели генеральной совокупности в целом и отдельных групп.

Дано:

• 8970 посетителей (срез по посетителям, фактические данные),
• заявки — макроконверсии,
• просмотры — микроконверсии.

	Нет заявки	Есть заявка	Итого
Нет просмотров	86857	511	87368
Есть просмотры	2027	305	2332
Итого	88884	816	89700

С другой стороны, ЕСЛИ БЫ зависимости не было (однородные данные с единой конверсий 0.9):

	Нет заявки	Есть заявка	Итого
Нет просмотров	86573	794	87368
Есть просмотры	2310	21	2332
Итого	88884	816	89700

Выводы

Идея корреляционного анализа и других видов обработки данных, непроста. Чтобы разобраться в этом, нужно обращаться к профессионалам.

Мы сочетаем как математический, так и другие подходы, смотрим на проблему с разных сторон, разными глазами (над проектом работает не 1 специалист), не зацикливаемся ни на одном из подходов, понимая их ограниченность.

Мы — люди, мы ошибаемся в силу страстного отношения к своим идеям и своему делу и понимаем это. Поэтому мы так любим цифры. Они бесстрастны. Они уберегают нас от ошибок.