ML-модель, которая предсказывает эффективность рекламных кампаний с первых действий пользователей
О компании
FORMEL Skin — это сервис подписки на консультации докторов и косметику по индивидуальным рецептам для людей с проблемной кожей.
Бизнес-модель FORMEL Skin
- Количественное исследование интерфейса сайта и аудит поведения пользователей.
- Интервью с бизнес-заказчиками и проектирование.
- Две дизайн-концепции и выбор дизайн-макета.
- Консультирование команды клиента на этапе верстки.
Ежемесячное лечение
Каждый месяц FORMEL Skin высылают наборы косметики по рецепту врача специально под клиента. Сервис стоит 49 € в месяц.
Особенности маркетинга FORMEL Skin
- Большие маркетинговые бюджеты (20-50К евро в месяц).
- Каждый месяц запускаются сотни кампаний.
- Очень длинный Lifetime-период у клиентов (до 2-х лет).
- Lifetime и LTV сильно отличаются в зависимости от клиента и канала привлечения (например, когорта людей 18-25 лет с сильными проблемами с кожей платит гораздо дольше).
- У многих кампаний есть отложенные покупки, так как используются промокоды, которые могут быть активированы после окончания кампании.
Проблема
Основная проблема для сервиса по подписке — на рекламу тратится много денег, и эти затраты окупаются долго.
Задача маркетолога
Оценить, эффективна ли запущенная кампания как можно быстрее, а не через несколько месяцев.
Решение
Создаем рабочий отчет для маркетолога
Шаг 1
Строим сквозную аналитику по рекламным кампаниям.
Собираем данные о затратах и кликах из всех рекламных кабинетов и связываем эти данные с покупками пользователя на сайте.
Шаг 2
Создаем основной маркетинговый отчет.
В этом отчете по каждой кампании видим:
- сколько денег потратили на эту кампанию;
- сколько платящих пользователей эта кампания привлекла;
- сколько стоил каждый привлечённый пользователь (Cost Per User);
- отклик на вакансию;
- просмотр телефона работодателя.
Оценка кампаний 2021−04 апреля прошлого года по состоянию на февраль 2022 года — видно, что есть кампании которые уже окупились (зеленые), а некоторые остались убыточными.
Шаг 3
Рассчитываем эффективность рекламных кампаний
Мы считаем рекламную кампанию эффективной, если пользователь нам заплатил больше денег, чем мы потратили на его привлечение.
Если пользователь заплатил в 2 раза больше денег, чем мы потратили, то это кампания прибыльная.
Если пользователь заплатил меньше, чем мы потратили, то кампания убыточная.
Проблема в том, что финальный LTV пользователя мы узнаем только через полтора-два года, потому что пользователи платят каждый месяц длительное время.
А маркетологу нужно понимать эффективность кампании существенно быстрее, в идеале с первой покупки пользователя.
В этом месте приходит на помощь ML.
А маркетологу нужно понимать эффективность кампании существенно быстрее, в идеале с первой покупки пользователя.
В этом месте приходит на помощь ML.
Шаг 4
Обучаем ML-модель предсказывать LTV
Для каждого пользователя мы знаем его фактический LTV и время жизни на проекте.
На основании этих данных обучаем ML-модель, которая предсказывает LTV, исходя из параметров нового пользователя, который совершил первую покупку.
Добавляем информацию о прогнозе LTV в основной маркетинговый отчет.
Как только первый пользователь, пришедший по рекламной кампании, совершил хотя бы одну покупку, мы предсказываем его LTV и, соответственно, узнаем, окупятся ли затраты на его привлечение.
Со 2-й и последующих покупок предсказание уточняется.
Результат
- Понимаем прибыльность конкретной рекламной кампании.
- Предсказываем LTV клиента.
- Оцениваем эффективность каждого канала рекламы с первого клика пользователя.