компании тратят на телерекламу бюджеты от десятков миллионов до миллиардов рублей в год. суммарный объем рекламы на тв в 2019 году составил 175 млрд. рублей, что на 6% меньше, чем в прошлом году. в то же время объем рынка интернет-рекламы за прошлый год вырос на 20% и достиг суммы 244 миллиарда рублей.

бюджеты на телерекламу перестали расти, потому что специалистам не понятно, как ее измерить, как выяснить, что срабатывает и приносит доход, а что нет. в интернет-рекламе мы всегда можем сделать детализацию до конкретных креативов, рекламируемых товаров, времени выходов площадок и прочего. с телевидением все не так просто.

расскажу, как мы решали вопрос с замерами телерекламы и поделюсь нашими методами анализа влияния разных онлайн- и офлайн-каналов друг на друга.

телереклама измеряется не полностью по всем показам, а только частично. как правило, это выборка примерно из десяти тысяч людей (порядка 0.01% всех зрителей). компании учитывают только общие показатели: замеряют, сколько человек посмотрели ролик. таким способом можно лишь примерно посчитать эффект от телерекламы в целом — сравнить годовые показатели по продажам и проанализировать, как они менялись с рекламой и без.

при этом онлайн-рекламу можно проанализировать очень быстро. запустить ее на один день, посмотреть на эффект, а уже на следующий день внести какие-то изменения: сократить сегмент, который работает плохо, перераспределить бюджет на более успешный канал и так далее.

как измерить эффект от телерекламы на тех же показателях, как и в интернет-рекламе? именно с таким запросом к нам пришел клиент. эффект рекламы мы замеряли на онлайн-продажах компании.

• весь поток данных о поведении на сайте;
• данные из рекламных систем (онлайн-реклама);
• отчет из Mediascope (исследовательская компания (ранее «TNS Gallup Media»), занимается медиаисследованиями, мониторингом сми (тв, наружной рекламы, плазменных панелей, прессы, радио, интернета), мониторингом креативов и пресс-клипингом).

нужно было так обработать исходные данные, чтобы на выходе получить тот же кликстрим (записанная последовательность ссылок, которые посещал пользователь: какую страницу он посещал, куда нажимал и т.д.), в котором у нас будут выделены отдельные сессии именно с телевидения. после этого можно уже выводить данные на дашборд и делать отчет, либо использовать данные в онлайн-рекламе (например, каким-то образом менять сайт на то время, когда идет показ телерекламы).

как связать кликстрим с показами рекламы? первоначально кажется, что единственный вариант — связка по времени. рекламный ролик вышел в эфир, и сразу после показа люди начинают заходить на сайт. это и будет время начала сессии.

сначала мы планировали запустить телерекламу и посмотреть, насколько вырастут клики. запустили, посмотрели и не увидели ничего интересного — заметных всплесков не было. в тот момент активно работала онлайн-реклама, плюс пользователи заходили на сайт через органический поиск и напрямую.

первым делом мы построили временные интервалы по 30 секунд от момента показа ролика, и в этих интервалах анализировали, насколько поднялись посещения.

потом мы взяли несколько таких временных интервалов и посмотрели, насколько по ним в среднем поднимается трафик по сравнению с обычным режимом вне этих интервалов. таким образом, мы подобрали нужное временное окно в 5 минут, где определялся подъём посещений по сравнению со временем вне интервала.

возникает вопрос, как описать связь времени захода на сайт с тем, что человек зашёл с телерекламы?

первый подход самый примитивный: мы полагаем, что в это временное окно все сессии пришли с телерекламы. довольно очевидно, что этот подход плохой, потому что за этот интервал пользователи могут прийти откуда угодно. причем, вероятность того, что человек пришел именно с тв ниже, чем из других каналов.

второй вариант — посчитать вероятность. например, за 7 минут у нас пришло Х сессий, и вероятность того, что они пришли благодаря телерекламе ≤10%. не самая хорошая модель, но уже хоть что-то.

нужно было придумать, как улучшить эту модель. для начала мы решили отталкиваться от регионального фильтра. Не вся реклама федеральная, есть и региональные показы. с такой фильтрацией уже гораздо лучше видна разница. когда реклама транслируется, например, в Екатеринбурге, и мы смотрим статистику только по одному этому городу, пик посещений становится заметнее. таким образом, мы уже получаем вероятность посещений с телерекламы не 10%, а условно 50%.

на следующем этапе мы используем машинное обучение. теперь можно попытаться кластеризовать посетителей, которые заходили на сайт во время нашего временного интервала,— определить характерное поведение пользователей, пришедших именно с телерекламы. такой подход позволял нам увеличивать вероятность еще в два раза.

на выходе у нас появляется кликстрим, в котором записано, какие сессии пришли из телерекламы. на основе этих данных уже можно посчитать конверсию и продажи — мы знаем, сколько денег заработал каждый выход рекламы.

но все же в этой модели еще остается вопрос с отложенным заходом, когда человек посмотрел телерекламу и перешел на сайт не сразу. эту часть трудно предсказывать, поэтому мы решили проверить ее на том самом идеальном примере, когда у нас был спецпроект, по которому запускали только телерекламу.

мы обнаружили, что внутри рассчитанного интервала заходит около 80% людей. в итоге мы не можем утверждать, что конкретный пользователь с конкретной сессии перешел и совершил конверсию, но для задачи сравнения каналов и креативов этой погрешности хватает.

еще одной проблемой в процессе анализа оставалась скорость. все происходило слишком медленно, было много ручной работы. хотелось автоматизировать процесс и получать информацию в режиме реального времени, чтобы оперативно менять сайт или корректировать ставки в рекламных кабинетах Яндекс Директа и Google Ads.

мы выбрали принцип Shazam — поиск соответствия образцам по аудиодорожке. для этого перед началом поиска мы загрузили все креативы, участвующие в тв-кампании. по соответствию с ними мы идентифицировали в эфире все выходы нашей рекламы. уже через 20 секунд после того, как начинал проигрываться ролик, эта информация поступала к нам. далее в автоматическом режиме корректировались ставки в рекламных кабинетах. к сожалению, работающую версию удалось сделать только в Google Ads, поскольку Яндекс Директ корректировал ставки дольше чем расчётный интервал заходов на сайт.

в итоге у нас получилась такая система: телезритель посмотрел рекламу, в это время мы отследили, что рекламный ролик был в эфире, и отправили информацию в наш аналитический сервис. из полученных данных собрали дашборд и отправили информацию в рекомендательный сервис на сайте и в рекламную систему в онлайн-рекламе.

на основе финального отчета уже вполне можно было сделать выводы о текущей рекламной кампании и в процессе вносить изменения.

так и получилось в нашем кейсе: рекламодатель увидел, что реклама отыгрывает плохо и решил поменять выходы роликов и убрать неудачные креативы. эффективность выросла, и реклама стала окупаться.

наш кейс показывает, что бюджеты на телерекламу можно формировать, основываясь на детальном изучении эффективности прошлых кампаний: если раньше рекламодатель понимал общее увеличение продаж без детализации причин, то теперь он оценивает, что сработало более эффективно и использует эти данные при планировании следующих кампаний. это произошло благодаря переходу от измерения охвата и брендовых показателей к определению эффективности конкретных параметров показа рекламы.

важно понимать, что мой подход не поможет, при планировании вашей самой первой кампании. но если вы проведете с тв-тренингом одну и оцените результаты, то следующие кампании можно планировать, опираясь на эффективность предыдущей.

описанный выше метод хорошо подходит для промежуточных замеров в процессе проведения рекламной кампании: запускаете рекламу на неделю, останавливаете и замеряете, где эффект лучше, где хуже, далее — корректируете телеканалы, время показа, креативы и пр. этот подход начали применять в Европе, у нас же пока не знаю примеров, когда меняли план в процессе кампании из-за низкой эффективности. думаю, нынешняя тенденция к сокращению бюджетов на тв станет стимулом сделать тв-рекламу более гибкой.