Кристина Устиноваредактор CyberBrain

ТВ атрибуция как перспективный инструмент O2O маркетинга 

Глобальная цифровизация изменила в том числе ТВ рынок. Относительно предыдущих лет показатели телесмотрения среди платежеспособной аудитории стремительно падают. Отказ от ТВ в пользу интернета наблюдается у активно покупающих людей в возрасте 18-34 лет - это 28% опрошенной группы, или увеличение на 15% по сравнению с 2018 годом.

Все меньше активных потребителей товаров и услуг находятся под воздействием ТВ рекламы. Для маркетинговой индустрии это означает уход в digital, даже несмотря на однозначные конкурентные преимущества телевидения. Как инструмент с относительно низкой ценой за показ и высокой степенью результативности роликов, он может вновь стать достойным конкурентом на рекламном рынке.

Немного о тенденциях на зарубежном ТВ-рынке:

  • К 2026 году ожидается сокращение глобальной выручки традиционного ТВ с 231 до 222,1 млрд долларов США в условиях конкуренции со стороны потоковых интернет-сервисов.
  • Доля домохозяйств в США, у которых есть подписка на видео, выросла до 85% за четвертый квартал 2021 года
  • Объем использованного рекламного инвентаря на ТВ упал на 33% во втором квартале 2022

Чтобы дать отпор растущим digital продуктам, ТВ вещателям придется либо сделать решительный шаг в цифровую сферу, либо наблюдать, как их планомерно вытесняют инновационные платформы. Сегодня телевещатели могут не только компенсировать снижение доходов от рекламы, но и увеличить их. Например, западноевропейские вещательные компании могут получить от 10% до 15% роста за счет развития рынка цифрового телевидения.

Это позволит ТВ применять новые инструменты digital аналитики, которые дают возможность измерять вовлеченность в рекламу и отслеживать конверсии по всей маркетинговой воронке: от охвата по ТВ смотрению до конверсии на сайте рекламодателя. Этим как раз и занимается ТВ-атрибуция, которая в измеримых результатах приносит ощутимую пользу для бизнеса.

Что такое ТВ-атрибуция?

ТВ атрибуция - это инструмент оценки влияния и замера эффективности ТВ рекламы совместно с digital кампаниями от показа ролика до факта совершения целевого действия или продажи.

Поставщиками данных по ТВ с детализацией до конкретного браузера могут быть сотовые операторы и провайдеры интернета. Также есть общая статистика по ТВ смотрению от аналитических центров (в случае с Россией, это Mediascope). Мы будем рассматривать ТВ атрибуцию с точки зрения влияния ТВ выходов на действия, которые пользователи совершают онлайн на сайте или в приложении.

Проблема O2O маркетинга

В условиях растущего числа цифровых платформ операторы телевещания создают собственные мультимедийные сервисы и позволяют потребителям просматривать контент на нескольких устройствах. Глобальная навигация и объединение онлайн и офлайн сред, в которых существует потребитель, создает дополнительные сложности для O2O маркетинга. 

По данным PwC, в 2026 году рекламный рынок развлечений и медиа (E&M) станет крупнейшим сектором, на долю которого будет приходиться почти 35,1% всех доходов отрасли. Конкуренция возрастает, и телевещанию стоит всерьез задуматься над внедрением новых инструментов для оптимизации рекламы. Возможности ТВ атрибуции как раз смогут помочь отрасли устоять под digital натиском.

В чем трудность этого метода?

Трудность аналитики цифры совместно с телевещанием заключалась в объединении в один путь всех касаний пользователя: начиная от показа (в нашем случае просмотр ТВ рекламы) и до конверсии (перехода в мобильное приложение или на сайт рекламодателя для совершения конверсионного действия).

Поскольку поставщиками информации являются разные структуры, мы имеем дело с разрозненной информацией по ТВ смотрению и данными от рекламодателя: perfomance от веб-счетчиков (Яндекс Метрика или Google Analytics) и медийных от трекеров (Adriver или Weborama).

Объединить ТВ, post-view и post-click данные помогут методы, лежащие в основе ТВ атрибуции. Инструмент позволит рекламодателю выстроить последовательный путь клиента с учетом всех его взаимодействий с рекламными кампаниями. В дальнейшем эти данные будут необходимо для принятия правильного решения по их оптимизации.

С чем работает ТВ атрибуция?

В телевизионной плоскости используется такое понятие, как домохозяйство. Под ним подразумевают всех людей, которые объединены общим местом телесмотрения. Так как телевизор - это вещь статичная, ее устанавливают в местах частного пребывания: дома, на даче или в офисе. Отсюда под одним домохозяйством подразумевают, как правило, семью или коллектив, состоящий из постоянных пользователей одно и того же устройства.

В свою очередь, приставки установлены во многих домохозяйствах по России. Например, Ростелеком обладает около 11 млн приставок, Билайн - 2 млн., МТС - 350 тыс., по данным на 2022 год.

Совместная оценка ТВ и digital рекламы

Рассмотрим на условном примере, как может работать ТВ атрибуция и какие преимущества она дает для бизнеса. Точкой пересечения разрозненных данных могут являться операторы связи. Они способны объединить поведение пользователя в сети с ТВ выходами за счет того объема знаний, которые аккумулирует на своей стороне.

Когда клиент видит рекламный ролик и принимает решение о покупке, сотовый оператор объединяет его действия в сети с ТВ смотрением. Не возникает трудностей, если устройство клиента подключено к мобильному интернету или Wi-Fi сети того же сотового оператора, что и ТВ-приставка. Но будет невозможно связать браузер и ТВ смотрение, если, к примеру, приставка от оператора МТС, а устройство подключено к сети Билайн.

На основе этих данных можно будет понять, как то, что размещается в сети, зависит от того, что пользователь видит на телеэкране. Такую атрибуцию можно сделать либо используя нейронные сети, либо с помощью анализа временных рядов, о которых говорим дальше.

Анализ временных рядов

Метод анализа временных рядов представляет собой обратный от классического метод прогнозирования. Почему? Обычно вычисляется, какой объем трафика, конверсий получит рекламодатель от запуска рекламной кампании. Здесь же сначала нужно предугадать, какой объем трафика мог бы быть, если не запускать ТВ рекламу.

Анализ временных рядов - это оценка ТВ-всплесков путем вычисления разницы между фактическим объемом трафика и расчетным, то есть теми значениями, которые можно было бы наблюдать на графике без ТВ-выхода. Этот прирост и есть ключевой показатель результативности рекламного размещения.

Для наглядности обратимся к картинке ниже. Чтобы вычислить прирост от запуска ТВ-ролика, необходимо знать разницу между значениями по двум графикам. Синий показывает фактическое значение того объема трафика, который рекламодатель получает на сайт, голубой график показывает прогнозируемый объем трафика без ТВ выхода. Всплеск наблюдаем в три блока (ТВ AD, или выход ТВ ролика), в двух случаях из трех виден серьезный прирост активности.

Как высчитывается окно атрибуции

Как вы видите, здесь не бесконечный промежуток времени, в течение которого оценивается прирост от рекламного размещения, он ограничен. По исследованиям Nielsen, Google и ряда других компаний, начиная с 2008 и вплоть до 2021, выявлено, что оптимальным временем для оценки вклада ТВ в трафик является промежуток от 1 до 10 минут. Хотя в последнее время все больше экспертов приходят к выводу, что оценивать стоит в промежутке между 5 и 10 мин, чтобы охватить больший объем остаточного трафика. Точное же значение вычисляется индивидуально под каждого клиента после анализа конкретных данных.

Но что точно, прирост ТВ-рекламы не оценивают за пределами 10 минут. На таких длинных временных диапазонах крайне затруднительно учитывать, что действительно влияет на пользователя. Мы можем ориентироваться на краткосрочные и долгосрочные цели кампании. В первом случае мы либо рассчитываем на импульсивные покупки, либо просим совершить промежуточное действие, во втором - мы либо знакомим зрителя с компанией, либо продвигаем уже существующую. Но и в том, и в том случаев реклама имеет свой срок годности. Именно поэтому нет смысла оценивать влияние ТВ-выходов с помощью временных рядов далее 10 минут.

При этом у медийных кампаний есть еще одна цель, помимо конверсионной - рост знания о продукте или компании. Накопленный рейтинг в том числе имеет ценность в принятии пользователем конверсионного решения. Даже через месяц после взаимодействия с ТВ рекламой пользователь может принять конверсионное решение, например заполнить заявку на просмотр недвижимости или тест-драйв автомобиля. Но это те решения, которые мы не можем отслеживать благодаря стандартным алгоритмам аналитики.

Если мы хотим понять, как пользователи взаимодействуют с диджитал за пределами его краткосрочного выбора, то должны обратиться к более глубокой аналитике. Отсюда возникает потребность оценивать вклад ТВ-рекламы на более длинных временных диапазонах.

LSTM

Новый метод - использование LSTM нейронных сетей, которые позволяют на уровне каждой конкретной cookie объединять данные того телесмотрения, который предоставляет либо оператор, либо провайдер. И дальше перевести единичные значения, которые есть у рекламодателя, в полный объем ТВ смотрения.

Предыдущий метод является агрегированным. Мы не спускаемся до конкретной cookie и пользователя, а оцениваем прирост всей аудитории в рамках определенного временного диапазона. Если у рекламодателя плотная сетка, где много выходов и они наложены друг на друга, то такая аналитика не будет показательна, потому что будет учитываться слишком объемный пласт аудитории.

А LSTM метод работает иначе. Смысл заключается в том, что для подачи данных в нейросеть готовятся конкретные цепочки. Основная задача - взять конкретный cookie-файл и приклеить касания с ТВ-пользованием к уже известному digital пути. В случае этого метода атрибуция будет происходить в рамках поведения конкретного браузера.

Как работает?

Пройдемся по алгоритму действий:

После договоренности с сотовым оператором о покупке ТВ-данных рекламодатель запрашивает пиксель сотового оператора и устанавливает его на сайт.

  1. Установка пикселя оператора.

  2. Cookies sync веб-счетчика и пикселя оператора. Это процесс, при котором рекламодатель объединяет ту cookie, которую присваивает пиксель оператора, с той cookie, которую присваивает пользователю веб-счетчик. Объединение необходимо для их дальнейшей склейки с фактическими данными по ТВ смотрению.

  3. Выгрузка и объединение данных из всех систем. Важно осознавать, что digital существует в рамках UTM меток, а ТВ-данные - в принципиально другой плоскости, в которой используются такие понятия, как рейтинг, доля приставок в регионе, соцдем доля и прочие. Именно для этого необходима предобработка данных.

  4. Расчет data-driven атрибуции по Маркову, Шепли или какой-либо иной модели.

  5. Применение LSTM.

  6. Аппроксимация полученного результата. Чтобы правильно вклеить пользователя по времени в цепочку, необходимо иметь доступ к 100% покрытию от сотового оператора. Но ни один оператор сможет обеспечить 100-процентного покрытия. Для этого используется апроксимация.

    Пример: у Билайн есть 2 млн. приставок. Показатели по охватам после ТВ смотрения - 25 млн. человек, по конверсиям - 100 тыс. Получается, что невозможно будет получить данные по оставшимся 23 млн. аудитории, не охваченным приставками Билайн. Для этого нужно увеличить результаты, которые есть у рекламодателя, в привязке к региону, соцдему и прочим метрикам. Это называется апроксимация. Логика следующая: надо 2 млн. телесмотрения превратить в 25 млн.

  7. Оптимизатор. Этот результат можно передавать в оптимизационные алгоритмы либо анализировать механически, какие выходы отработали у вас лучше. Типа роликов 30 сёк. или 15 сёк. В общем, дальше будет масса возможностей для оценки эффективности того, как работает ТВ-реклама и как она влияет на итоговый результат.

Перспективность метода

Поскольку ТВ-сегмент имеет крупную долю от всего рынка, рекламодатели заинтересованы в альтернативных методах оценки взаимодействия аудитории с размещениями. Как один из таких инструментов, ТВ атрибуция обеспечивает пересечение информации от рекламодателя с данными по ТВ смотрению.

Проблема метода заключается в том, что из-за малого количества поставщиков на рынке еще не успел сформироваться адекватный подход к ценообразованию. Сотовые операторы пока не готовы предложить относительно выгодные условия как с точки зрения закупки данных, так и с точки зрения пилотирования. Тем не менее, чем больше игроков активнее будет включаться в этот процесс, тем выгоднее будут условия сделки.

Со своей стороны, мы активно пилотируем несколько поставщиков и в следующих статьях будем готовы поделиться оценкой качества склейки.

поделиться:
Популярные статьи
статья 2 min read Модели атрибуции - что это и какая подойдет вашему бизнесу? Рассказываем, как с помощью атрибуции бизнес может избежать лишних расходов и кратко улучшить CPA.
Кристина Устиноваредактор CyberBrain
статья 4 min Узнай, как на самом деле работает атрибуция На этапе, когда сквозная аналитика уже собрана и упорядочена, данные нуждаются в оценке, а бюджет - в оптимизации. В чем смысл составлять отчеты по результатам кампании, если после ничего не менять и не перераспределять рекламный бюджет на основе полученных данных? Чтобы оптимизировать работу кампании, нужно проанализировать уникальный путь, который проходит пользователь до совершения конверсии.
Кристина Устиноваредактор CyberBrain
мифы 2 min read Мифы атрибуции. Причем здесь Post-View модель? Чтобы не быть голословными, обратимся к первоисточнику и определимся, что такое Post-View и с чем его едят.
Кристина Устиноваредактор CyberBrain
аналитическая статья 5 min read Data-driven атрибуция - как понять, кому нужна, а для кого это трата времени и сил Разберемся, кому для этих целей нужны сложные модели атрибуции, а кому достаточно классической модели Last Click.
Никита ЛисицынCEO CyberBrain
digital словарь 5 min Как эффективно работать с метрикой CPC? Рассказываем, на что влияет Cost-Per-Click, когда и где применяется и как можно улучшить результаты по рекламным кампаниям за счет комплексной аналитики.
Кристина Устиноваредактор CyberBrain
статья 3 min read Как метрики ROI, ROMI и ROAS связаны с прибылью Кратко и наглядно рассказываем об отличиях между метриками рентабельности как в маркетинге, так и бизнесе в целом.
Кристина Устиноваредактор CyberBrain
статья 5 min read ROPO-аналитика: какие проблемы решает и как эффективно пользоваться этими отчетами Узнайте, как реагировать на новые методы продаж и познакомиться с потребителем завтрашнего дня.
Кристина Устиноваредактор CyberBrain
digital словарь 1 min read CTR: на что влияет и как рассчитать? Насколько успешно выполнил свою задачу источник трафика? Узнаете, почему без Click-Through Rate трудно отследить результативность рекламы.
Кристина Устиноваредактор CyberBrain
статья 5 min read Stable ID как перспективный ответ на вызов cookieless эпохи Отказ мира от cookies заставил digital-рынок искать им не менее эффективную замену. Это перспективная технология, которая явно стоит вашего внимания, если вы заинтересованы в эффективной коммуникации с пользователями в разных точках продаж.
Кристина Устиноваредактор CyberBrain
просто о сложном 3 min read Объединение post-view и post-click. Для кого, зачем и как это работает На рынке digital-аналитики существует тезис, что значимость объединения перфоманс и медийки преувеличена. В статье разбираемся, стоит ли вникать в этот вопрос или для достижения бизнес-результата достаточно использовать исходные данные.
Кристина Устиноваредактор CyberBrain
статья 2 min read Что происходит с Web+App атрибуцией в 2023 году? В предыдущих статьях мы рассказывали об объединении данных по взаимодействиям пользователя с медийными и performance кампаниями в один путь. Более того, затронули вопрос online-to-offline маркетинга и ТВ-атрибуции. Но что, если конечное ценное действие пользователь совершает не на сайте, а в мобильном приложении? Тогда для правильного распределения вклада в итоговую конверсию потребуется обогатить уже имеющийся блок знаний app-данными.
Николайстарший веб-аналитик CyberBrain
digital словарь 1 min read CPA и ее разновидности CPL и CPO Как рассчитать, кому будут полезны и в чем отличия маркетинговых метрик
Кристина Устиноваредактор CyberBrain
Подписывайтесь на канал Мониторим рынок из первоисточников и делимся краеугольными событиями IT и digital-рынков