Снизили CPA на 37% с помощью сквозной аналитики и ML-оптимизации. Кейс HAVAL

Продажи в сегменте автострахования и автомобильного ритейла имеют длинный цикл сделки. Пользователь может взаимодействовать с рекламой несколько раз, прежде чем оставить заявку. Но как при этом отслеживать эффективность каналов, чтобы не тратить деньги впустую? Не получать в отчётах запредельную стоимость лида?

В 2024 году мы совместно с HAVAL и агентством Media Wise реализовали проект, который позволил сократить стоимость привлечения клиента на 37% за счёт грамотного подхода к аналитике и машинному обучению.

Проблематика

• Длительный цикл накопления данных — для оптимизации кампаний требовалось ждать 2-3 недели, пока наберётся достаточная статистика, а это замедляло корректировки.
• Разные окна атрибуции — медийные, performance-кампании, баннеры и видео анализировались по разным моделям, что затрудняло их единую оптимизацию.
• Сложность обработки данных — маркетологи тратили до трёх дней в неделю на сбор информации из десятков площадок. Это усложняло принятие решений.

Реализация

Чтобы преодолеть эти вызовы, мы помогли команде HAVAL внедрить несколько ключевых инструментов:

Сквозная аналитика от показа до заявки

Для комплексного анализа эффективности кампаний была развёрнута сквозная аналитика, которая объединила данные из рекламных кабинетов, Google Analytics, Google BigQuery и AdRiver. Это позволило ежедневно отслеживать эффективность каналов, креативов и таргета.

Data-driven атрибуция Шепли

При множественных касаниях пользователя с рекламой важно корректно определить вклад каждого источника в конверсии. Модель Шепли — это уникальный инструмент, который позволяет избежать дублирования и правильно распределить ценность каналов.

Прокси-конверсии для ускоренной оптимизации

HAVAL работает с длинным циклом сделки. Чтобы ускорить оптимизацию, была внедрена система прокси-конверсий — промежуточных метрик, предсказывающих вероятность финального целевого действия.

Как это работает

• Вместо редких заявок на тест-драйв анализировались более частые действия: скачивание брошюр, просмотр страниц авто, глубина взаимодействия с сайтом.
• Выбор прокси-конверсий подтвердили статистическими методами (T-критерий Стьюдента, индекс Жаккара).
• Эти метрики накапливались всего за 6 дней, что позволило запускать оптимизацию в 3 раза быстрее.

Оптимизация кампаний с помощью машинного обучения

После внедрения сквозной аналитики, атрибуции и прокси-конверсий возникла новая задача — автоматизировать перераспределение бюджетов между десятками площадок и сотнями рекламных кампаний.

Как работает «Оптимизатор»

• Получает данные о прокси- и финальных конверсиях.
• Выявляет закономерности между площадками, креативами и поведением пользователей.
• Автоматически корректирует ставки и бюджеты на основе ML-алгоритмов.
• Обновляет расчёты на основе новых данных без необходимости завершать кампанию.

Искусственно смоделированные данные, которые служат исключительно для демонстрации интерфейса «Оптимизатора»

Гипотезы и улучшения

За 7 месяцев команды HAVAL, Media Wise и CyberBrain протестировали и внедрили несколько стратегий:

• Разделение оптимизации медийных и performance-кампаний из-за разницы в KPI.
• Корректировка частоты оптимизаций в зависимости от атрибуционных окон.
• Исключение площадок с невозможностью оперативной оптимизации.

Результаты

• CPA снизился на 37% благодаря ML-оптимизации и прокси-конверсиям.
• Время накопления статистики сократилось вдвое — с 61 до 29 дней.
• Кампании начали приносить лиды с первого дня запуска.
• Автоматизация позволила эффективнее управлять бюджетами.

История нашего клиента показывает, что продвинутая аналитика и машинное обучение — не просто тренд, а необходимый инструмент для маркетинга в отраслях с длинным циклом сделки.

Хотите узнать, как data-driven аналитика позволила BMW почти вдвое сократить время на сбор и обработку данных? Читайте кейс BMW Group Russia.