Генераторы рекламных кампаний следующего поколения |
||
16:42 16 ноября 2015 — eLama.ru |
Когда в каталоге интернет-магазина несколько тысяч товаров, подбирать семантику и писать объявления вручную — занятие долгое и неблагодарное. Гораздо эффективнее воспользоваться средствами автоматизации — генераторами рекламных кампаний. На рынке их хватает на любой вкус и кошелек: от дорогих enterprise-решений до бесплатных сервисов.
Давайте разбираться, как сейчас работает типовой генератор:
1. Берет базу товаров (категории, товары, их описание).
2. Пропускает через каскад правил. Условно, правила могут выглядеть так: ключевая фраза — Название товара, в заголовке — Бренд + Название товара, в тексте объявления — Бренд + Название + Цена + Доставка бесплатно, в качестве ссылки — страница карточки товара в интернет-магазине.
3. В итоге: сколько было категорий и товаров, столько получаем объявлений.
В теории звучит несложно, но на практике возникает сразу несколько проблем.
Во-первых, такой подход не работает в случае длинного неструктурированного названия товара, которое содержит все его характеристики. А это нередкая ситуация. Возьмите, например, тематику детских товаров, строительных и отделочных материалов или категорию «хобби и подарки». В каждой из них название товара может оказаться в100-200 символов и его придется сокращать. Зачастую даже человеку сложно разобраться, как для него сформировать объявление. Генератор же не понимает, что в названии является важным, а что нет, он режет, как получится. В результате получаются объявления, непохожие на те, что мог бы написать человек. Подобрать ключевые фразы в такой ситуации кажется и вовсе невозможным.
Во-вторых, даже если мы имеем хорошо структурированную базу товаров, где все характеристики выделены в отдельные сущности, семантика все равно будет составлена из названий товаров, а не из запросов пользователей. При ручной работе любой специалист сначала смотрит в Wordstat, что ищут люди, и потом под поисковые запросы подбирает соответствующие товары в каталоге. Современные генераторы работают иначе: они не пытаются понять спрос, а составляют ключи из того, что есть в фиде.
Таким образом, общее направление движения на рынке контекстной рекламы верное: автоматизация — наше все. Но результат в области генерации рекламных кампаний пока оставляет желать лучшего.
Наша исследовательская лаборатория в последнее время работала над созданием генератора нового поколения. Эти разработки уже были протестированы на крупнейших ecommerce-проектах и отлично себя показали. Пока это индивидуальные решения, но мы уверены, что рано или поздно такие они должны войти в число общедоступных генераторов.
Мы считаем, что генераторы следующего поколения должны иметь две ключевые особенности:
1. Инструмент должен уметь собирать семантику из Wordstat и сопоставлять с ней товары в каталоге, а не использовать в качестве ключей названия и характеристики товара.
2. Фид с товарами должен проходить автоматическую обработку, позволяющую из неструктурированных названий товаров выделять отдельные составляющие и определять их важность для каждого товара.
Давайте рассмотрим реальную методологию на примере индивидуального кейса для одного из крупнейших в Рунете интернет-магазинов Ozon.ru.
Затем начинается работа генератора. По корневым запросам система собирает всю доступную семантику из Wordstat. После этого под каждый поисковый запрос генератор сам находит в базе наиболее соответствующий товар. При помощи матлингвистических алгоритмов поиск осуществляется не только по названиям и характеристикам товаров, но и по описанию на странице товара, а также в словарях синонимов. Если для какого-то запроса товар не удалось найти автоматически, мы можем отправить такой запрос на модерацию и обработать его вручную: добавить в качестве минус-слова, определить синонимы, расширить описание товара, в конце концов, просто сопоставить с подходящим товаром.
Для примера возьмем товар «Санки надувные „Иглу“, двойные, 2×65 см». Ему был сопоставлен запрос «санки ватрушки», так как слово «ватрушка» есть в описании товара на странице, хотя и отсутствует в названии и характеристиках.
рис.1 Карточка товара «Санки надувные „Иглу“, двойные, 2×65 см» на сайте Ozon.ru
На входе преобразователь получил название товара: <name>Набор для раскрашивания Amav "Мифические лошади 3D«</name>
Дальше он автоматически разбирает название товара на составляющие.
Бренд:
<brand_section>
<value>Amav</value>
<value>Мифические лошади 3D</value>
</brand_section>
Товар:
<model_section>
<value>Набор</value>
</model_section>
Характеристики:
<feature_section>
<value>для раскрашивания</value>
</feature_section>
Другой пример:
<name>Прорезыватель для зубов «Happy Baby», силиконовый, с водой, цвет: в ассортименте. 20004</name>
Бренд:
<brand_section>
<value>Happy Baby</value>
</brand_section>
Товар:
<model_section>
<value>Прорезыватель</value>
</model_section>
Характеристики:
<feature_section>
<value>для зубов</value>
<value>силиконовый</value>
<value>с водой</value>
<value>цвет</value>
</feature_section>
1. покрыли всю доступную семантику и автоматически сопоставили с поисковыми запросами соответствующие товары, а не просто использовали в качестве ключевых слов названия товаров в форме, в которой они записаны в каталоге.
2. автоматически разложили длинные неструктурированные названия товаров на несколько составляющих, чтобы потом создавать качественные объявления под каждый отдельно взятый поисковый запрос.
Теперь мы можем генерировать для разных запросов пользователей соответствующие именно им объявления:
Ключевое слово: прорезыватель +для зубов
Объявление:
Прорезыватель для зубов
Прорезыватель для зубов Happy Baby за 199 рублей.
Ключевое слово: прорезыватель +с водой
Объявление:
Прорезыватель с водой
Прорезыватель с водой Happy Baby с водой за 199 рублей.
Ключевое слово: прорезыватель happy baby
Объявление:
Прорезыватель Happy Baby
Прорезыватель для зубов Happy Baby за 199 рублей.
Ключевое слово: прорезыватель силиконовый
Объявление:
Прорезыватель силиконовый
Прорезыватель для зубов силиконовый Happy Baby за 199 рублей.
Таким образом, для одного товара мы можем получать несколько разных объявлений, отвечающих реальному спросу потребителей. Важно, чтобы система умела согласовывать слова и составляла правильные с точки зрения грамматики объявления из отдельных слов.
Подобный подход позволяет создавать не только объявления для одного товара, но и «групповые» объявления для выборки из нескольких товаров. Предположим, что система нашла запрос «Санки с чехлом» и определила, что ему подходят сразу 15 товаров. В результате мы можем получить объявление:
Санки с чехлом
15 вариантов санок с чехлом. Цена от 1 600 рублей.
Сложность в работе с такими объявлениями заключается в том, что зачастую интернет-магазин не обладает посадочными страницами для подобных групп товаров.
В рамках проекта с Ozon.ru мы решили этот вопрос следующим образом: во время обработки базы товаров и запросов наш генератор создает вспомогательную базу данных — простую таблицу соответствий с двумя полями «Запрос» и «ID соответствующих ему товаров». Раз в день Ozon.ru загружает эту таблицу себе.
Сотрудники интернет-гипермаркета сделали специальный лендинг (похожий на страницу поиска на сайте), на который мы ведем трафик с «групповых» объявлений с указанием запроса в параметре к адресу страницы. При открытии страницы выводятся товары, соответствующие данному запросу из таблицы соответствий.
Пример страницы для приземления по запросу «медведь с бантом»:
www.ozon.ru/?context=search&text=медведь с бантом&partnersearch=1
рис. 2 Лендинг для «групповых» объявлений по запросу «медведь с бантом»
В рамках генерации рекламных кампаний с таким подходом мы обнаружили, что во многих случаях наш генератор знает о товарах больше, чем сам магазин. Инструмент понимает, какие характеристики есть у товара, какие из них более востребованы пользователями и пр. Такие данные можно использовать, например, для автоматического построения фильтрации и каталогизации товаров на сайте.
Уже на второй итерации теста наш генератор позволил за три недели собрать около 52 500 переходов в тематике «детские товары» по цене 1,6 руб. (с настройкой Регион: Россия). CPM (стоимость просмотра 1 000 страниц сайта) оказался на уровне 1 600 руб. К сравнению, 1000 показов медийно-контекстного баннера в результатах поиска Яндекса стоят 520 руб. Но в нашем случае мы получали показы не баннера, а самого сайта реальной целевой аудитории по цене всего в три раза больше. Таким образом, подобный подход может использоваться не только для осуществления прямых продаж, но и в качестве имиджевого инструмента или инструментария для арбитража трафика.
При работе с Ozon.ru мы получили прекрасные показатели по CPO и ROI, но не имеем права о них рассказывать.
Важно подчеркнуть, что, как правило, конверсия в случае сгенерированных рекламных кампаний хуже, чем у кампаний, проработанных вручную. Однако за счет большого объема трафика и его низкой стоимости конечные CPO и ROI иногда могут быть даже лучше, чем у вручную проработанных РК.
Давайте разбираться, как сейчас работает типовой генератор:
1. Берет базу товаров (категории, товары, их описание).
2. Пропускает через каскад правил. Условно, правила могут выглядеть так: ключевая фраза — Название товара, в заголовке — Бренд + Название товара, в тексте объявления — Бренд + Название + Цена + Доставка бесплатно, в качестве ссылки — страница карточки товара в интернет-магазине.
3. В итоге: сколько было категорий и товаров, столько получаем объявлений.
В теории звучит несложно, но на практике возникает сразу несколько проблем.
Во-первых, такой подход не работает в случае длинного неструктурированного названия товара, которое содержит все его характеристики. А это нередкая ситуация. Возьмите, например, тематику детских товаров, строительных и отделочных материалов или категорию «хобби и подарки». В каждой из них название товара может оказаться в
Во-вторых, даже если мы имеем хорошо структурированную базу товаров, где все характеристики выделены в отдельные сущности, семантика все равно будет составлена из названий товаров, а не из запросов пользователей. При ручной работе любой специалист сначала смотрит в Wordstat, что ищут люди, и потом под поисковые запросы подбирает соответствующие товары в каталоге. Современные генераторы работают иначе: они не пытаются понять спрос, а составляют ключи из того, что есть в фиде.
Таким образом, общее направление движения на рынке контекстной рекламы верное: автоматизация — наше все. Но результат в области генерации рекламных кампаний пока оставляет желать лучшего.
Наша исследовательская лаборатория в последнее время работала над созданием генератора нового поколения. Эти разработки уже были протестированы на крупнейших ecommerce-проектах и отлично себя показали. Пока это индивидуальные решения, но мы уверены, что рано или поздно такие они должны войти в число общедоступных генераторов.
Мы считаем, что генераторы следующего поколения должны иметь две ключевые особенности:
1. Инструмент должен уметь собирать семантику из Wordstat и сопоставлять с ней товары в каталоге, а не использовать в качестве ключей названия и характеристики товара.
2. Фид с товарами должен проходить автоматическую обработку, позволяющую из неструктурированных названий товаров выделять отдельные составляющие и определять их важность для каждого товара.
Давайте рассмотрим реальную методологию на примере индивидуального кейса для одного из крупнейших в Рунете интернет-магазинов Ozon.ru.
Сбор семантики
Формирование семантического ядра начинается с того, что человек-оператор для каждой из тематик вручную задает корневые запросы. Например, возьмем раздел каталога «Санки». Оператор подобрал для него следующие корневые запросы: санки, ледянки, тюбинги.Затем начинается работа генератора. По корневым запросам система собирает всю доступную семантику из Wordstat. После этого под каждый поисковый запрос генератор сам находит в базе наиболее соответствующий товар. При помощи матлингвистических алгоритмов поиск осуществляется не только по названиям и характеристикам товаров, но и по описанию на странице товара, а также в словарях синонимов. Если для какого-то запроса товар не удалось найти автоматически, мы можем отправить такой запрос на модерацию и обработать его вручную: добавить в качестве минус-слова, определить синонимы, расширить описание товара, в конце концов, просто сопоставить с подходящим товаром.
Для примера возьмем товар «Санки надувные „Иглу“, двойные, 2×65 см». Ему был сопоставлен запрос «санки ватрушки», так как слово «ватрушка» есть в описании товара на странице, хотя и отсутствует в названии и характеристиках.
рис.1 Карточка товара «Санки надувные „Иглу“, двойные, 2×65 см» на сайте Ozon.ru
Преобразователь фида
Дальше в работу включается преобразователь фида — набор матлингвистичеких алгоритмов, который из неструктурированных названий товаров выделяет три отдельных составляющих: бренд, товар и его специфические характеристики. Давайте рассмотрим, как это происходит.На входе преобразователь получил название товара: <name>Набор для раскрашивания Amav "Мифические лошади 3D«</name>
Дальше он автоматически разбирает название товара на составляющие.
Бренд:
<brand_section>
<value>Amav</value>
<value>Мифические лошади 3D</value>
</brand_section>
Товар:
<model_section>
<value>Набор</value>
</model_section>
Характеристики:
<feature_section>
<value>для раскрашивания</value>
</feature_section>
Другой пример:
<name>Прорезыватель для зубов «Happy Baby», силиконовый, с водой, цвет: в ассортименте. 20004</name>
Бренд:
<brand_section>
<value>Happy Baby</value>
</brand_section>
Товар:
<model_section>
<value>Прорезыватель</value>
</model_section>
Характеристики:
<feature_section>
<value>для зубов</value>
<value>силиконовый</value>
<value>с водой</value>
<value>цвет</value>
</feature_section>
Создание объявлений
К этому моменту мы:1. покрыли всю доступную семантику и автоматически сопоставили с поисковыми запросами соответствующие товары, а не просто использовали в качестве ключевых слов названия товаров в форме, в которой они записаны в каталоге.
2. автоматически разложили длинные неструктурированные названия товаров на несколько составляющих, чтобы потом создавать качественные объявления под каждый отдельно взятый поисковый запрос.
Теперь мы можем генерировать для разных запросов пользователей соответствующие именно им объявления:
Ключевое слово: прорезыватель +для зубов
Объявление:
Прорезыватель для зубов
Прорезыватель для зубов Happy Baby за 199 рублей.
Ключевое слово: прорезыватель +с водой
Объявление:
Прорезыватель с водой
Прорезыватель с водой Happy Baby с водой за 199 рублей.
Ключевое слово: прорезыватель happy baby
Объявление:
Прорезыватель Happy Baby
Прорезыватель для зубов Happy Baby за 199 рублей.
Ключевое слово: прорезыватель силиконовый
Объявление:
Прорезыватель силиконовый
Прорезыватель для зубов силиконовый Happy Baby за 199 рублей.
Таким образом, для одного товара мы можем получать несколько разных объявлений, отвечающих реальному спросу потребителей. Важно, чтобы система умела согласовывать слова и составляла правильные с точки зрения грамматики объявления из отдельных слов.
Подобный подход позволяет создавать не только объявления для одного товара, но и «групповые» объявления для выборки из нескольких товаров. Предположим, что система нашла запрос «Санки с чехлом» и определила, что ему подходят сразу 15 товаров. В результате мы можем получить объявление:
Санки с чехлом
15 вариантов санок с чехлом. Цена от 1 600 рублей.
Сложность в работе с такими объявлениями заключается в том, что зачастую интернет-магазин не обладает посадочными страницами для подобных групп товаров.
В рамках проекта с Ozon.ru мы решили этот вопрос следующим образом: во время обработки базы товаров и запросов наш генератор создает вспомогательную базу данных — простую таблицу соответствий с двумя полями «Запрос» и «ID соответствующих ему товаров». Раз в день Ozon.ru загружает эту таблицу себе.
Сотрудники интернет-гипермаркета сделали специальный лендинг (похожий на страницу поиска на сайте), на который мы ведем трафик с «групповых» объявлений с указанием запроса в параметре к адресу страницы. При открытии страницы выводятся товары, соответствующие данному запросу из таблицы соответствий.
Пример страницы для приземления по запросу «медведь с бантом»:
www.ozon.ru/?context=search&text=медведь с бантом&partnersearch=1
рис. 2 Лендинг для «групповых» объявлений по запросу «медведь с бантом»
В рамках генерации рекламных кампаний с таким подходом мы обнаружили, что во многих случаях наш генератор знает о товарах больше, чем сам магазин. Инструмент понимает, какие характеристики есть у товара, какие из них более востребованы пользователями и пр. Такие данные можно использовать, например, для автоматического построения фильтрации и каталогизации товаров на сайте.
Результаты
К сожалению, мы не вправе раскрывать все полученные KPI, но можем поделиться несколькими интересными показателями.Уже на второй итерации теста наш генератор позволил за три недели собрать около 52 500 переходов в тематике «детские товары» по цене 1,6 руб. (с настройкой Регион: Россия). CPM (стоимость просмотра 1 000 страниц сайта) оказался на уровне 1 600 руб. К сравнению, 1000 показов медийно-контекстного баннера в результатах поиска Яндекса стоят 520 руб. Но в нашем случае мы получали показы не баннера, а самого сайта реальной целевой аудитории по цене всего в три раза больше. Таким образом, подобный подход может использоваться не только для осуществления прямых продаж, но и в качестве имиджевого инструмента или инструментария для арбитража трафика.
При работе с Ozon.ru мы получили прекрасные показатели по CPO и ROI, но не имеем права о них рассказывать.
Важно подчеркнуть, что, как правило, конверсия в случае сгенерированных рекламных кампаний хуже, чем у кампаний, проработанных вручную. Однако за счет большого объема трафика и его низкой стоимости конечные CPO и ROI иногда могут быть даже лучше, чем у вручную проработанных РК.
Резюме
Мы искренне считаем, что в будущем на рынке стоит ожидать новых «умных» генераторов, способных самостоятельно анализировать и прорабатывать семантику, автоматически разбираться в характеристиках товаров и составлять объявления для магазина практически так же, как это делает специалист.
Понравился пост?Да НетПонравилось 0, не понравилось 0 |
Расскажите о нас... |
0 комментариев
+ Добавить комментарий