Избыток рекламного контента в интернете, низкая лояльность пользователей к рекламе, сложность с отнесением потребителя к конкретной целевой аудитории — вот факторы, очерчивающие сложную для рекламодателя ситуацию на современном интернет-рынке.
Владельцы сайтов вынуждены отказываться от наиболее выгодных рекламных моделей CPC (плата за клик) и CPA (плата за покупку), не имея решений, позволяющих эффективно их использовать. Таргетирование по полу, возрасту, географическому положению и времени посещения сайта не дает нам представления о реальном потреблении пользователем товаров и услуг.
Проблему пытаются решить за счет персональных рекомендаций. Это может быть, как предложение пользователю непосредственно рекламного контента, так и персональная рекомендация информационного контента (статей, новостей). Второй подход актуален для сайтовладельцев, использующих рекламную модель CPM (фиксированная плата за 1000 показов рекламного контента). Правильная рекомендация увеличивает глубину просмотра сайта и количество его посещений за счет перехода от случайных заходов к постоянному посещению сайта и подписке, соответственно, растет и число показов рекламных баннеров.
В числе наиболее популярных и широко используемых сейчас подходов к персональным рекомендациям — контекстный метод.
Компания InFortis провела исследование по оценке результативности нескольких методов рекомендаций, в том числе и контекстного подхода.
В ходе исследования сравнивалось количество кликов пользователей на контент, предложенный на основании контекстного подбора, с количеством кликов на контент, который предлагался пользователям случайным образом, без обработки какими-либо алгоритмами.
Были получены следующие результаты:
*Проценты в колонке «число реакций» показывают долю предъявленных единиц контента, которые получили реакцию (клик) пользователя.
Согласно этим данным, эффективность использования контекстного метода для рекомендации рекламных баннеров составляет 17% по сравнению со случайным предложением.
Для информационного контента эта цифра составляет всего 1,9%. При указанной допустимой погрешности работы системы InFortis — 2,4% от общего объема обработанных данных — такой результат не может считаться показательным.
Эти цифры отражают тенденцию в целом. Аналогичное исследование на других ресурсах, вероятно, покажет некоторое смещение показателей. Это будет связано, во-первых, с качеством реализации контекстных алгоритмов, во-вторых — со спецификой конкретного ресурса и его целевой аудитории.
Также исследование не учитывает ряд факторов, которые могут оказывать влияние на результативность рекламного предложения, таких как вид товара или услуги, форма предъявления рекламного контента (изображение, анимация, изображение со звуковым сопровождением), характер размещения баннера на странице сайта, ценовая категория товара, узнаваемость бренда, особенности интерфейса и дизайна ресурса, качество дизайна рекламных баннеров.
Тем не менее, цифра достаточно показательна. Использование контекстного метода для рекомендации товаров и услуг выглядит целесообразным. Уровень качества реализации контекстных алгоритмов актуален для рекламной сферы, прежде всего, в аспекте рекомендации сопутствующих товаров. Увы, далеко не все рекомендательные системы, использующие контекстный метод, могут обеспечить ее на уровне.
Для примера: пользователь, который вводит в поисковую систему запрос «поехать в Санкт-Петербург», получает предложение приобреcти авиа- или железнодорожные билеты в Санкт-Петербург. Очень часто это единственный этап такой итерации с пользователем, где система контекстных рекомендаций показывает себя эффективно. Поскольку предложение тех же билетов, преследующее пользователя много месяцев спустя, не будет иметь нужного эффекта и является тратой рекламного места. Поездки и путешествия не относятся к группам товаров, которые могут быть востребованы регулярно (по крайней мере, у 90% пользователей русскоязычной сети).
Более результативно было бы атаковать пользователя комплексом рекомендаций на первом этапе работы с ним — предложить забронировать отель в Санкт-Петербурге, предложить скидки в местных ресторанах и кафе, порекомендовать материалы, посвященные достопримечательностям этого города, графику и порядку работы музеев и т.д.
К сожалению, пока что подобный подход не является постоянной практикой контекстных рекомендательных систем, в чем мы убеждаемся каждый день на собственном опыте.
