Как снизить расходы на рекламу в 2 раза при работе c In-App-трафиком

Высокая конкуренция на рынке e-commerce сейчас мало кого удивит. Именно поэтому нужно действовать сразу в двух направлениях: привлекать новых пользователей и поддерживать постоянную фоновую коммуникацию с текущей аудиторией. В этом материале Bidease рассказали Sostav, как работать с In-App, чтобы стабильно растить маркетинговые результаты бренда, снижая ДРР, и какую роль в этом играют алгоритмы ML и AI.

Торговая сеть «Спортмастер» была основана в 1992 году. Она активно расширяет ассортимент онлайн и в магазинах и добавляет новые категории, такие как рыбалка, спортивное питание и другие за счет привлечения внешних селлеров.

Релиз приложения состоялся в 2017 году, а в 2022 было запущено новое мобильное приложение, которое теперь включает и нетоварные сервисы: «Спортмастер Медиа», «Онлайн-тренировки», «Трекер активности», «Клуб путешествий» и многие другие.

Bidease — это мобильная перформанс DSP (Demand Side Platform), использующая алгоритмы искусственного интеллекта и машинного обучения для закупки премиального In-App инвентаря. Технологии машинного обучения оптимизируют рекламные кампании и позволяют достигать показателей эффективности, обеспечивая результативность и возврат инвестиций.

На данном проекте, у Bidease две ключевые задачи:

В обоих случаях трафик должен отвечать фильтрам качества по фроду:

В кейсе показаны результаты работы команды в период с декабря 2023 по октябрь 2024, сотрудничество продолжается.

Для решения текущей задачи наши специалисты применили технологию — автопилот.

Автопилот — это интегрированный комплекс алгоритмов, который обеспечивает автоматизацию процессов закупки рекламы и включает в себя: модели прогнозирования эффективности, балансировщики трафика, инструменты управления бюджетом. Система автопилота работает полностью в автоматическом режиме, своевременно адаптируя ставки к изменяющимся условиям рынка и повышая рентабельность рекламных кампаний.

Запуск кампаний проходил широко с последующей оптимизацией по источникам трафика и паблишерам — были задействованы ironSource, Vungle, AppLovin, TaurusX, Unity, Fyber, BidMachine, Chartboost, BIGO Ads и другие крупные биржи.

На старте работали три типа моделей:

Они были запущены одновременно, трафик распределялся между ними автоматически, исходя из перформанса. После того, как было набрано необходимое количество статистических данных, наш автопилот переобучился с использованием полученной информации и добавил к имеющимся моделям — четвертую. Эта модель также участвовала при балансировке трафика.

Например, на момент написания кейса (октябрь 2024) одна из топовых кампаний — с использованием модели, обученной на связку событий «Установка + Регистрация + Просмотр товара».

Если говорить про соблюдение KPI, то графики динамики ниже демонстрируют, что за все время флайта мы:

Для ретаргетинговых кампаний на iOS лучший перформанс показывает набор из таких моделей:

Для ретаргетинговых кампаний на Android стабильно хороший результат показывают следующие модели:

В разрезе выполнения KPI предлагаем посмотреть на следующие графики динамики, которые демонстрируют, что мы:

В разрезе креативной составляющей мы ориентировались на 4 подхода, которые лучшим образом соответствовали потребностям и интересам аудитории:

В UA использовали видео, баннеры и нативки, а в ретаргетинге ориентировались на видео, но и баннеры не игнорировали. Ниже приводим примеры креативов.К примеру, на UA этот баннер показал свою эффективность за период работы.

Для возвратных кампаний зарекомендовали себя динамичные видео с энергичной музыкой. А, например, этот ролик (акция проводилась с 15.06.2021 по 31.08.2024) показал хорошие результаты по CTR и CR из ревовлечения/реустановки в оформление заказа.