Audi повысил эффективность рекламы с помощью новой метрики «внимания»

Метрики «внимания»  («attention rate») ранее в основном использовались для измерения таких KPI как узнаваемость бренда, обычно в верхней части воронки.

Но теперь рекламодатели начинают относиться к метрике «внимания», как к способу измерения влияния рекламной кампании на нижнюю часть воронки, включая процент конверсии.

(Прим.пер.: Из раздела FAQ компании Adelaide следует, что 
метрика «внимания» рассчитывается на основе множества факторов, таких как размер рекламного места, плотность других элементов на странице, лабораторные данные о движении глаз.  Алгоритм измерения внимания обучается на миллиардах точек данных — https://adelaidemetrics.com/leaderboard-faq)

Производитель автомобилей Audi недавно экспериментировал с использованием метрики внимания, чтобы алгоритмически корректировать ставки на аукционе для различных рекламных позиций в зависимости от количества «внимания», которое эти позиции могут привлечь.

Затем Audi измерила влияние мест размещения с высоким «вниманием» на конверсию после клика.

Идея эксперимента возникла из желания понять, как определенные места размещения рекламы, которые не очень ценятся с точки зрения видимости рекламы, могут повлиять на эффективность кампании с более низкой воронкой, сказал Филип Пужич, который присоединился к Audi в качестве руководителя группы цифрового маркетинга в феврале после работы в MediaCom Switzerland, агентстве Audi.

Эксперимент базировался на рекламной кампании по продвижению электромобилей Audi. Кампания, которая проходила с июня по июль, была таргетирована на пользователей из Швейцарии.

Audi работала с MediaCom Switzerland, стартапом Adelaide и Xaxis GroupM, чтобы разработать программатический алгоритм торгов, который бы делал более высокие ставки для инвентаря, показатель внимания (attention rate) которого превышает определенный порог.

В Adelaide есть собственная метрика внимания под названием AU (что означает «attention unit — единица внимания»), чтобы определить, какие рекламные позиции могут привлечь наибольшее внимание потенциальных клиентов.

Audi активировала аналитику Adelaide в DSP Xandr, чтобы измерить показатель AU для доступных мест размещения рекламы, которые использовались в открытом программатик-аукционе и на PMP-ресурсах (PMP, private marketplace – механизм «частных сделок», пер.). Инвентарь PMP включал существующие PMP, настроенные Xaxis для прошлых кампаний Audi.

Новый алгоритм назначения ставок увеличивает стоимость покупки показа для источника с более высоким показателем «внимания» и снижает ставки для позиций с более низким показателем «внимания» в режиме реального времени.

В кампании не использовались никакие параметры таргетинга, кроме показателя «внимания» Attention Unit от компании Adelaide.

Когда кампания закончилась, Audi измерила пост-клик конверсии для выигранных размещений, хотя Пужич отказался указать, какие типы конверсий измерял бренд.

Затем Audi провела A/B-тестирование результатов своей кампании в сравнении с алгоритмом назначения ставок, который по умолчанию использует Xaxis.

Новая кампания с алгоритмом на базе метрики «внимания» обеспечила на 69 % выше процент конверсии на инвентаре открытого аукциона, чем алгоритм, который использовался по умолчанию. Общие алгоритмические конверсии выросли на 60%.

Результаты были намного выше, чем типичный рост процента конверсий, который Adelaide видят при оптимизации мест размещения с высоким Attention Unit, сказал Марк Гульдиманн, основатель и генеральный директор Adelaide. «Обычно мы видим улучшение на 20-40%, — сказал он, — поэтому 69% — это исключение».

Хотя результаты были обнадеживающими с точки зрения Audi, бренд привлек внимание не на 100%. По словам Пужича, Audi нужно больше данных, чтобы определить, насколько показатели внимания могут стимулировать постепенный рост KPI в нижней части воронки.

«Следующие шаги — интегрировать измерение AU во все наши программатик кампании», — сказал он. «Нам необходимо иметь более широкий набор данных для анализа и посмотреть, можно ли повторять такие результаты на постоянной основе».

«Эти результаты говорят нам, что оптимизация на основе «внимания» — хорошая замена тем данным, которые мы использовали раньше», — сказал он. «Я бы не стал пока говорить, что это смена парадигмы, но это похоже на изменение точки зрения на то, как мы покупаем цифровой инвентарь».