История успеха

Кейс БК «Лига ставок»: Увеличение количества конверсий в 2 раза благодаря внедрению ML-атрибуции SegmentStream

В этом кейсе рассказываем, как с помощью внедрения ML-атрибуции SegmentStream маркетологи БК «Лига ставок» смогли понять реальную эффективность используемых ими рекламных каналов и увеличить их результативность.

Оставить заявку
Кейс БК «Лига ставок»: Увеличение количества конверсий в 2 раза благодаря внедрению ML-атрибуции  SegmentStream
Название компании: Лига ставок
Сфера: Букмекерская компания
Местоположение: Россия

О компании

«Лига Ставок» — одна из старейших и крупнейших российских букмекерских компаний: более 250 клубов в 80 городах РФ.

Основанная в 2008 году, сейчас БК «Лига Ставок» является лидером рынка, обладает большим количеством престижных премий в области букмекерского бизнеса и спортивной индустрии. В 2020-м году к стратегии компании добавилось существенное развитие digital-источников привлечения качественно новой аудитории, в связи с чем сильно вырос бюджет, а значит еще более критичной стала необходимость его правильного использования и оценки размещений. 

Проблемы

Чтобы привлекать новых клиентов на сайт и в мобильное приложение компании, маркетологи «Лиги Ставок» использовали различные медийные источники. Ежемесячно на рекламу тратилось довольно много средств, при этом общего понимания, насколько эти инвестиции окупаются – сколько они приносят конверсий и конкретно денег – у маркетинговой команды не было.

У нас были проблемы с атрибуцией медийных источников, на которые мы ежемесячно тратили немаленький бюджет. Поэтому было решено построить систему сквозной аналитики, которая дала бы нам возможность понять реальную ценность наших рекламных каналов и как следствие – увеличить их эффективность. 

Чтобы выбрать инструмент и подрядчика для этой задачи, мы провели тендер. В его результате было решено внедрить платформу SegmentStream – компания превосходила конкурентов благодаря беспрецедентной скорости внедрения, а также по соотношению цены и качества.

Галицкий Владимир, Head of Digital Marketing @ Liga Stavok

Мы сразу оценили уникальность данного проекта ввиду ряда особенностей:

  • Из-за специфики бизнеса у БК «Лига Ставок» нет возможности использовать стандартные рекламные каналы, такие как таргетированная реклама в соцсетях и контекст. Все маркетинговые активности сосредоточены на различных медиа-площадках, данные по которым собирать сложнее, чем автоматически выгружать из стандартных рекламных систем.
  • Помимо сайта, конверсии совершаются в мобильном приложении «Лига Ставок» и офлайн – когда люди вносят депозиты и делают ставки непосредственно в клубах.
  • Исходя из первых двух пунктов мы сразу столкнулись с разрозненностью информации, необходимой для аналитики: данные о поведении пользователей на сайте фиксировались в GA и выгружались в BigQuery. Данные о поведении пользователей в мобильном приложении – собирались на платформе AppsFlyer. Данные о рекламных расходах загружались в BigQuery вручную, также туда загружались данные о ставках и депозитах, сделанных оффлайн. 
  • Главным событием, по которому происходит оптимизация трафика в беттинговой вертикали, является первое пополнение депозита (first-time deposit, FTD). Отслеживать данное событие было сложнее, чем просто действия на сайте – регистрации или ставки, так как FTD происходит или на стороне единого регулятора – центра учета переводов интерактивных ставок, или даже оффлайн.
  • Внесение первого депозита могло произойти не сразу, а в течение 30 дней после перехода пользователя.
  • Так как люди могли несколько раз приходить на сайт перед тем, как совершить конверсию, модель атрибуции по последнему непрямому клику (Last Non-Direct Click) оказалась не работоспособной для оценки эффективности каналов. Даже если первый сеанс не приносил конверсию сразу, он мог повлиять на будущую конверсию, при этом модель last click присваивала ему нулевую ценность. Ввиду этого понять реальную ценность каждого рекламного канала и каждой рекламной кампании – было невозможно.

Цели проекта

1.Построить автоматический дашборд в BI системе, включающий в себя: 

  • информацию о рекламных расходах по всем источникам;
  • информацию обо всех совершённых конверсиях (first time депозиты), представленную в двух моделях атрибуции – стандартной last non direct click и на основе  предиктивной мультиканальной ML-атрибуции SegmentStream. 

Так, например, если стандартная модель атрибуции показывала, что тот или иной источник принес 10 конверсий, а модель атрибуции SegmentStream – 70, маркетологи могли понимать, что этот источник приносит качественный трафик, несмотря на данные по первой модели атрибуции.

2.С помощью модели мультиканальной маркетинговой ML-атрибуции начать использовать предиктивный подход в аналитике – на основе поведения и анализа исторических данных предсказывать конверсии и оценивать эффективность медийных источников сразу, а не через 30 дней. Отслеживать инкрементальную ценность каждого источника, кампании, канала, без необходимости ждать реального пополнения депозита. 

Решение

Шаг 1. Сбор и сопоставление всех данных между собой

Чтобы построить модель ML-атрибуции сначала было необходимо собрать все разрозненные данные в единое хранилище и связать их между собой. 

Что это за данные?

  • Информация о поведении людей на сайте;
  • Информация о поведении людей в мобильном приложении;
  • Данные по ставкам и депозитам.

Нашей задачей было сделать так, чтобы все эти данные собирались автоматически и без семплирования и прочих ограничений попадали в единое хранилище.

На этом шаге было проделано довольно много технической работы. Сразу склеить сеанс, на который были потрачены деньги, с FTD, который в итоге совершил этот пользователь – было просто невозможно. Потому что, во-первых, это происходило в разные временные периоды. И во-вторых, могло происходить на разных устройствах. В итоге у нас был целый ряд ID данных, напрямую не связанных друг с другом. Чтобы понять, какие рекламные кампании в итоге участвовали в получении первого депозита, нужно было собрать все эти идентификаторы и последовательно связать между собой. Что мы в итоге и сделали.

Олег Катрышев, CPO (Chief product officer) SegmentStream

Шаг 2: Построение модели мультиканальной маркетинговой ML-атрибуции 

Модель атрибуции SegmentStream работает на основе машинного обучения, которая предсказывает вероятность совершения конверсии.

my image description Оценка вклада каждого источника трафика в совершение конверсии

Машинное обучение позволяет рассчитать вероятность совершения конверсии на момент начала сеанса и окончания сеанса, и таким образом понять дельту – насколько человек благодаря этому сеансу приблизился к конверсии, которая может произойти в будущем. Исходя из предсказанной конверсии мы можем атрибутировать определенную ценность данному источнику.

Как работает наша прогностическая модель? Мы запускаем рекламную кампанию и сразу видим клики по ней. При этом у нас есть окно в 30 дней, в течение которого пользователь может сделать свой первый депозит. И если раньше нужно было ждать эти 30 дней, чтобы присвоить ценность каждому клику, теперь в этом нет необходимости. Мы сразу видим, какова  вероятность того, что человек совершит конверсию ближайшие 30 дней. Например, на момент начала сеанса она была 10 % , а в конце сеанса – 25%. Исходя из этого мы можем определить ценность этого сеанса – 0,15 предиктивной конверсии.

Олег Катрышев, CPO (Chief product officer) SegmentStream

На этом шаге мы смогли оценить каждую рекламную кампанию по двум моделям атрибуции: например, 300 кликов привели нам одну конверсию по стандартной модели атрибуции и 12 по нашей модели, когда мы считали и совершенные конверсии и те, которые произойдут в ближайшие 30 дней.

Результат

Как выглядит архитектура решения SegmentStream для БК «Лига ставок»:

Архитектура решения SegmentStream для БК «Лига ставок»

Что в итоге получил клиент?

1.Корректную оценку эффективности всех маркетинговых источников.

В результате проделанной работы клиент получил полную детализацию по всем UTM меткам, что позволило понять, как работает каждый медийный источник, рекламная кампания и даже каждый креатив. В результате это дало возможность начать принимать более верные управленческие решения – куда инвестировать больше денег, а где, напротив, лучше бюджет сократить.

my image descriptionДемонстрационный пример отчета/дашборда

2.Доступ ко всем структурированным и корректно связанным между собой данным. 

Теперь внутренняя команда аналитиков ​​БК «Лига ставок» могла работать с точной, структурированной информацией, чтобы выполнять свои внутренние задачи – создавать новые отчеты, дашборды, выдвигать и подтверждать гипотезы, строить прогнозные модели и т.д.

3.Возможность предсказывать конверсии и оптимизировать рекламный бюджет оперативно, не выдерживая окно атрибуции в 30 дней и не дожидаясь реального пополнения депозита. 

Теперь маркетинговая команда могла сразу оценить тот или иной источник трафика – увидеть, какой источник привлекает больше мотивированных людей, которые могут конвертироваться не обязательно здесь и сейчас, но позже. Возможно, в рамках другого браузера, другого девайса, другой куки, в другое время и т.д.  

Знание ценности каждого перехода позволяет нам принимать быстрые решения. Теперь при запуске новой рекламной кампании, мы сразу видим, насколько качественный (или нет) она приносит трафик. Вклад того или иного канала, кампании и даже баннера в привлечение пользователей становится видно уже через несколько дней. И мы можем принимать решение по оптимизации быстро, используя наш рекламный бюджет более эффективно.

Галицкий Владимир, Head of Digital Marketing @ Liga Stavok

_________________________________________________________

Есть проекты простые: например, когда мы строим аналитику для какого-то интернет-магазина – покупатели привлекаются через контекстную и таргетированную рекламу, а все конверсии совершаются на сайте. И есть проекты более сложные, но от этого не менее для нас интересные.

Таким был проект компании Kave Home, реализовав который мы в 6 раз увеличили число конверсий из Facebook Ads, при снижении ДРР в 2 раза. Таким стал и этот кейс – уникальным, со всеми его особенностями, и довольно успешным в результате. 

Наш кейс довольно нестандартен – есть определенные сложности и нюансы. Поэтому подрядчика для построения сквозной аналитики мы выбирали с особенной тщательностью. И не ошиблись – в результате работая с классной, отзывчивой командой профессионалов мы получили именно то решение, которое нам было необходимо. 

Экспертиза SegmentStream очень помогла нам в построении системы сквозной аналитики. Они не побоялись нестандартного запроса и провели огромную дополнительную работу для того, чтобы собрать все наши данные воедино.

Мы очень благодарны компании SegmentStream. Платформа помогла нам в какой-то степени “раскрыть глаза” на наши маркетинговые расходы по части медийной рекламы. В результате мы стали гораздо более осознанны в реализации нашей стратегии по привлечению пользователей онлайн.

Галицкий Владимир, Head of Digital Marketing @ Liga Stavok

Вас также может заинтересовать

Все истории успеха

Начните работу с SegmentStream

Оставьте заявку на персональную демонстрацию!