Выжимка по полезным фичам с Performance Pro

Детальный таргетинг, декомпозиция целевых групп, тестирование гипотез и почему с этого стоит начинать?

Это необходимо для того, чтобы:

Выстроить коммуникацию под каждую из гипотез
Отсеять более эффективные от менее эффективных
Набрать необходимое количество данных для формирования оптимизационного ядра
Грамотно масштабироваться

Здесь существует 2 понятия: Acquisition и Retargeting.

Acquisition - это та стратегия, цель в которой выйти на новые рынки и привлечь новых пользователей к продукту.

Custom - это та стратегия, в которой на уже существующей аудитории нужно увеличить доходность в 2 раза с помощью сегментации этой аудитории и других фишек. Проблема в том, что в рамках данной стратегии существует порог и она не создана для масштабирования.

Этапы построения стратегии

Знакомство с продуктом:

1. Кто ЦА[OVERVEIW] - распределение долей

2. В случае с B2B - запрашиваем ЛПР

3. Фишки продукта (в чем его конкурентное преимущество для создания оффера)

4. Базы клиентов

5. Цикл принятия решений

6. Диверсификация (разделение) по рынкам

7. Конкурент

Аудит рекламного аккаунта в разрезе:

1. Структуры кампании

2. Ретаргетинг

3. Разбивки по возрасту / гендеру

4. Разбивки по девайсам

5. Разбивки по географии

6. Когортный анализ

7. Facebook Analytics

После сбора необходимых данных о картине ЦА создаются персоны.

Персона - ПОЛНОЕ описание стандартного пользователя определенного товара/продукта. Пример персон на скриншоте ниже.

Чтобы описание персоны было составлено качественно, оно должно базироваться исключительно на данных о реальных пользователях. В итоге после данного этапа создаются разные персоны с различными подходами к коммуникации и соответственно разработка специальных креативов и их тестирование.
Этап тестирования:

В рамках установленного бюджета выстроить перечень гипотез под ЦА.
Подтвердить рабочие гипотезы и перераспределить бюджет с менее эффективных на более, определить структура которая будет более соответствовать KPI.

Далее мы переходим к диверсификации аудитории - это ее разделение в различных видах. Наиболее часто встречаются разбивка по гендеру, возраст, интересам и поведению.

Что такое каждый вариант из разбивки говорить не будем, но важно понимать, что про каждый из вариантов создается своя коммуникация (Месседжи), которое вы планируете донести до аудитории.

Месседжи формируются следующим образом:

Стоит понимать, что для одной и той же аудитории может быть несколько месседжей в соответствии с инсайтами.

Проектирование компании:

После написания плана тестирования, создается структура рекламных компаний, чтобы запланированная коммуникация не расходилась с реализацией.

СТЕП 1:

Пометка: на уровень РК можно выносить гео, ~~возраст~~, варианты продуктов (их несколько в одной нише), ~~плейсменты~~ , этапы воронки.

На этап адсета можно выносить все остальное: возраст, пол, плейсмент.

СТЕП 2

Создание LAL

Пометка: LAL 1-2% наиболее точные данные к источнику. Данные свыше являются менее точными. Больше % - меньше точность.

!!!По поводу конкуренции:

Крео на уровне РК и крео на уровне объявлений конкурируют всегда! Только в первом случае это объективное тестирование, а во втором взаимоисключающее. Тоже самое касается и адсетов, благо механизм фб грамотно оптимизирует показы самостоятельно, что не приводит к проблемам ставки на аукционе между адсетами.

Чтобы избежать конкуренции поможет сегментация аудитории - детальный таргетинг, а также гео, возраст, пол.

Важное правило, объединять можно гео с одинаковыми CPM. Канада и США, например. Вы могли заменить, что при включении России и Украины, 80% уходит на УК из-за дешевизны ее аудитории. Поэтому если вам надо в равной степени получать заявки с 2 аудиторий, их стоит вынести раздельно.

Масштабирование:

Порядок действий:

Тест
Подтверждение гипотез и стабильные показатели
Масштаб штаб РК в рамках ГЕО

Оптимизацией занимается сам фейсбук - это его внутренний алгоритм, который работает в рамках обозначенной выборки и который мы все так любим.

Глубокий анализ на основе сотен характеристик пользователей позволяет минимизировать % неэффективной работы.

Итогом хорошо обученной системы будет попадание в ЦА и стабильный результат.

Какое кол-во данных нужно для оптимизации? Ответ 50 является средним, но неправильным. Для разных выборок разные показатели и все это слишком относительно и усредненно. Где-то не хватит и 100, поэтому результаты оптимизации стоит отслеживать лично для формирования безошибочных результатов. Но даже если ваш алгоритм обучился и вы решите увеличить бюджет в 10 раз, стабильная доставка в 99% нарушится. Ядро под оптимизацию не сформировано и просто не сможет справиться с оптимизацией. Все истории про увеличение бюджета на 10-20% - это все неподтвержденные мифы. Некоторые специалисты используют различные модели оптимизации, чтобы набрать быстрее необходимое количество данных. Вот модели ставок:

В модели CPM - алгоритм оптимизации участие не принимает.
Чем ниже уровень доставки, тем легче и менее точен процесс доставки.

Основные подходы для масштабирования:

Расширение выборки (необходимы данные и достаточное количество выборки)

Сигналом к расширению выборки служит падение реакций пользователей на ваше объявление. Понять это может с помощью фб чартов:

Каждая выборка имеет свое критическое значение, после которого эффективность показов на нее падает. Фб чарты помогают следить и отслеживать этот показатель.

2. Расширение выборки по интересам. Можно в ручную, можно поставить галочку

3. Расширение в пределах гео, полу, возрасту:

4. Расширение по ГЕО

На всякий случай самые распространенные сплиты, но нам они пока что не надо:

Бюджет повышать нужно поэтапно. Потому что увеличению бюджета влечет увеличение нагрузки на алгоритм. Который может не справиться:

Пример:

Здесь видно, но на всякий случай поясню. Компания конверсионная, вначале видно как алгоритм учиться и цена за результат очень сильно скачет. Ядро под оптимизированную выборку формируется очень быстро из-за большого количества получения данных. После его формирования и получения стабильных результатов, идет увеличение бюджета в 2 раза. При этом увеличение цены за результат не последовало.

КАК ДЕЛАТЬ НЕ НУЖНО:

Здесь ядро для оптимизации выборки не сформировалось. Получение результатов не стабильно. И после увеличения бюджета в 10 раз, алгоритм оптимизации не справился и просто улетел в небо.

Вывод: для грамотного масштабирования должно быть достаточно данных для сформирования оптимизационного ядра, а также выборка должна расшириться по интересам, гео, возрасту/полу и тд. Бюджет нужно повышать в соответствии с показателями и оценкой оптимизационного механизма.