Высокие охваты ещё не означают, что рекламная кампания помогла продать больше товаров

Поэтому в кейсе “Село Зелёное” нужно было смотреть не только на медиаметрики, но и на то, что после контакта с рекламой происходило на полке.

Бренд довольно быстро вырос из локального игрока в федерального лидера. Сейчас в портфеле бренда 40 категорий, широкая региональная дистрибуция, отдельные креативы в десятках регионов.

При таких масштабах смотреть только на охваты может быть недостаточно. У каждой категории своя география, своя аудитория и свои задачи, а бизнесу важно понимать, привела ли реклама к покупке.

Этот проект прошёл два этапа

1 этап: оптимизация рекламы по продажам

Команды “Села Зелёного” и Mediaminded искали способ оценивать и корректировать digital-размещение на основе данных о реальных покупках. Mediaminded внедрила Agile Reporting, а мы предоставили ML-сегменты Targeting и покупательскую аналитику Dialog X5.

Результаты конверсии контакта с рекламой в офлайн-покупку команда получала после завершения каждой недели кампании. Ждать финального отчёта не приходилось и результаты можно было оценивать по ходу кампании, оперативно перераспределяя бюджет.

Что получилось:

✔️ ML-сегмент оказался в три раза эффективнее классического сегмента покупателей ✔️ ROAC вырос в 3,2 раза ✔️ после перераспределения бюджета в пользу ML-сегмента конверсия в покупку выросла в 2,8 раза

Для меня главный результат тут даже не рост показателей.

Важнее, что команда начала управлять рекламой через бизнес-метрику - конверсию в реальную покупку, а не только через охваты и клики.

Но после этого возник следующий вопрос 👇

Если ML помогает увеличивать продажи отдельных категорий, можно ли использовать его для роста всего портфеля бренда?

2 этап: рост всего портфеля

Раньше алгоритм искал покупателей, склонных к покупке конкретной категории, поэтому один человек мог увидеть несколько разных креативов одного бренда.

Подход пересобрали так, чтобы ML определял для каждого покупателя один креатив, который скорее приведёт к покупке не только рекламируемой категории, но и других продуктов бренда. Алгоритм учитывал различия в потреблении и относил покупателя к той категории, предложение которой было для него наиболее релевантным.

Результаты:

✔️ ROI вырос с 3,8 до 10,3 ✔️ продажи всего портфеля увеличились на 12,9 п.п. ✔️ доля покупателей, приобретающих товары бренда в нескольких категориях, выросла на 77% ✔️ покупатели стали выбирать больше разных продуктов бренда ✔️ среднее количество товаров бренда в одной покупке увеличилось вдвое

Первый этап показал, что digital-рекламу можно оптимизировать по данным о продажах в торговых сетях практически по ходу кампании.

Второй - что ML может работать не только на продвижение отдельной категории, но и на рост всего портфеля бренда. Он стал отдельным кейсом, который получил бронзу в номинации “Лучшее использование данных” премии $M Aw@rds.

Данные в этом кейсе вовсе не для того, чтобы показать красивый отчёт руководству. Они помогают быстрее принимать решения и видеть, как рекламные действия отражаются на реальных продажах.

А когда это ещё и превращается в рабочий инструмент для бренда, который продолжает масштабировать подход на сегменты и регионы… Значит, всё было не зря 🙂