РАЗРАБОТКА МЕТОДОЛОГИИ ДЛЯ ОПТИМАЛЬНОГО РАСПРЕДЕЛЕНИЯ БЮДЖЕТА В СИСТЕМАХ КОНТЕКСТНОЙ РЕКЛАМЫ

Интернет-реклама занимает всё более значимое место в маркетинговых стратегиях компаний. Одним из ключевых инструментов для управления рекламными кампаниями является использование кабинетов Google Ads и Yandex Direct. Однако настройка и оптимизация рекламных кампаний в этих системах остается сложными задачами из-за большого количества параметров и высоких требований к анализу данных. В среднем, для крупного рекламодателя, с бюджетом более полумиллиона рублей в месяц, количество рекламных компаний превышает несколько сотен, а реклам – несколько тысяч.

Основной целью настоящего исследования является создание методологии и инструмента, позволяющего эффективно распределять рекламный бюджет для достижения максимальной рентабельности. Для достижения этой цели были изучены существующие решения, выполнен анализ данных и предложена новая математическая модель.

С самого первого дня работы Google Ads & Yandex Direct, используются аукционная система оплаты за клик по рекламе (переход на сайт рекламодателя) и тем самым распределяются места рекламных объявлений на странице поиска.

Рекламная кампания — это целенаправленная система спланированных рекламных мероприятий, объединённых одной идеей и концепцией для достижения конкретной маркетинговой цели в рамках согласованной маркетинговой стратегии рекламодателя

Ниже описан процесс работы аукциона в системах контекстной рекламы. Всякий раз, когда объявление в системе контекстной рекламы соответствует поисковому запросу, оно участвует в аукционе, от исхода которого зависит, будет ли оно показано, и если да, то на какой позиции. Вот как работает такой аукцион:

1. Пользователь выполняет поиск. Основываясь на ключевых словах, система контекстной рекламы отбирает все объявления, соответствующие запросу.
2. Те из них, которые не отвечают критериям для показа (например, отклоненные или с таргетингом на другую страну), отсеиваются на данном этапе.
3. Из оставшихся объявлений показываться будут только те, у которых достаточно высокий рейтинг. Рейтинг объявления зависит от размера ставки, показателей качества объявления и целевой страницы, а также ожидаемого эффекта от расширений и других форматов объявлений

На рисунке 1 представлен принцип работы аукциона в системе контекстной интернет рекламы.

Рисунок 1. Схематический пример работы аукциона

Система контекстной интернет-рекламы определяет очередность объявлений по результатам автоматического аукциона, где каждому объявлению назначается рейтинг. Чем больше рейтинг объявления, тем больше вероятность того, что его позиция будет выше чем у остальных объявлений.  

Позиция объявления – это порядковый номер вашего объявления на странице результатов поиска. Например, значение "1" соответствует первой позиции на странице. Как правило, чем выше позиция объявления, тем лучше, поскольку его увидят гораздо больше потенциальных клиентов.

Рейтинг объявления зависит от ставки, ожидаемого показателя CTR (который вычисляется с учетом текущих условий во время аукциона), релевантности объявления, качества целевой страницы и ожидаемой эффективности форматов и расширений объявления.

Актуальный CPC можно рассчитать по формуле: 

CPC = Competitors Ad Rank (Advertiser in the below position) / QS (Quality Score) + 0.01$

Помимо CTR учитывается ряд факторов, которые влияют на показатель качества:

• Ожидаемый CTR объявления. Он рассчитывается на основе исторических данных о кликах и показах (принимая в внимание такие факторы, как позиция объявления, расширения и форматы, которые могли повлиять на видимость объявления, когда был получен клик);
• Релевантность объявления поисковому запросу. Это степень соответствия текста вашего объявления поисковому запросу пользователя;
• Качество целевой страницы. Оно зависит от того, соответствует ли страница объявлению и как просто на ней найти нужную информацию.

Проблемы оптимизации рекламных кампаний

Основные сложности в управлении рекламными кампаниями включают:

• Необходимость анализа большого объема данных на постоянной основе.
• Высокая стоимость существующих решений, таких как WordStream Advisor.
• Ограничения в функционале бесплатных инструментов, таких как Ads Editor.

На основе анализа данных более тысячи рекламных кабинетов Yandex Direct и Google Ads за 2020-2024 годы, предложена математическая модель, основанная на логнормальном распределении. Эта модель позволяет прогнозировать соотношение затрат на клик (CPC) и доли показов (SOI) с высокой точностью (более 96%).

Преимущества предложенной модели:

• Высокая точность по сравнению с линейными и полиномиальными моделями.
• Удобство расчетов, обеспечивающее возможность применения в реальном времени.

Предлагаемая модель

Проанализировав, с помощью регрессионного анализа, полученные данные по более чем 1000 рекламным кампаниям, запущенным в системе Google Ads и Yandex Direct в России за 2020-2024 год выявлена модель, которой наибольшей точностью описывает отношение CPC (Cost per Click) к SOI (Share of Impressions) более 96% рекламных кампаний. Это наилучший показатель среди всех протестированных модель с кривой насыщения: линейная функция (42% точности), экспоненциальная функция (30% точности), полиномиальная функция второго порядка (52% точности), полиномиальная функция третьего порядка (64% точности), полиномиальная функция четвертого порядка (79% точности), полиномиальная функция шестого порядка (85% точности), полиномиальная функция десятого порядка (88% точности). Как видно полиноминальная функции высоких порядков (4,6,10) достаточно точны, но основной проблемой использования таких функций в качестве математической модели является сложность и не высокая скорость расчета большого количества данных.

Логнормальное распределение в теории вероятностей – это двухпараметрическое семейство абсолютно непрерывных распределений. Если случайная величина имеет логнормальное распределение, то её логарифм имеет нормальное распределение.

Итак, если величина x имеет нормальное распределение, то величина y = e^x имеет логнормальное распределение. Пусть распределение случайной величины x задаётся плотностью вероятности, имеющей вид:

,

где x > 0. μ ∈ R, σ > 0.

Тогда говорят, что x имеет логнормальное распределение с параметрами μ и σ. На рисунках 2 и 3 представлены функция распределения и плотность вероятностей логнормального распределения.

Рисунок 2. Функция распределения логнормального распределения

Рисунок 3. Плотность вероятности логнормального распределения

Теперь, когда математическая модель определена, можно произвести различные эксперименты на компаниях Google Ads и Yandex Direct. Возьмем 5 различных кампаний и построим кривые отношения CPC от SOI на графике. На рисунке 4 изображено изменения графика CPC от SOI в выбранных рекламных кампаниях.

Рисунок 4. Изменение CPC от Imp. Share в различных рекламных кампаниях, рассчитанное методом логнормального распределения

Глядя на эти кампании можно сказать, что самой дорогой кампанией является кампания E, так как за такую же цену за клик у кампании E наименьший Share of Impressions. С другой стороны, кампания E наиболее прямолинейна, так как нет резкого насыщения, как например у кампании А. Кампания А в свою очередь позволяет очень дешево набрать 80% SOI, но при этом для дальнейшего увеличения SOI необходимо резко повышать CPC. Судя по полученным данным, понятно что математическая модель на основе логнормального распределения наиболее точно описывает поведение рекламных компаний в системах контекстной рекламы Google Ads и Yandex Direct.

Еще одним преимуществом логнормального распределения перед другими функциями состоит в скорости и легкости расчетов. Максимальное значение степени, которую необходимо рассчитывать это .

Данная модель основанная на логнормальном распределении рекламных кампаний является наиболее точной (96% всех исследованных рекламных кампаний) из представленных при этом имеет приемлемую скорость расчета данных при оптимизации бюджета рекламных кампаний.

1. А. Э. Дубцова, О. А. Петрова, «Контекстная реклама» СибГАУ имени Решетникова, №6, Т2, 2010.
2.  А. А. Кутейников, «Повышение ценности контекстной интернетрекламы» Институт Международного Права и Экономики им. А.С. Грибоедова, 2012.
3. Д. Г. Кувшинникова, «Тексты интернет рекламы: структура, специфика, эффективность» Института международного права и экономики им. А.С. Грибоедова, с. 1-18, 2014.
4. К.А. Коробейникова, «Реклама в Интернете: инновационные форматы и оценка эффективности Научная библиотека диссертаций и авторефератов» МГУ им. Ломаносова, 2011. [В Интернете]. Доступно по адресу: http://www.dissercat.com/content/reklama-v-interneteinnovatsionnye-formaty-i-otsenka-effektivnosti.
5. A. Goldfarb, C. E. Tucker, «Standardization and the Effectiveness of Online Advertising» Marketing Science, Articles in Advance, pp. 2707 - 2719, 2011.
6. M. Andrews, X. Luo, «Mobile Ad Effectiveness: Hyper-Contextual Targeting with Crowdedness» pp. 1-17, 2015.
7. K. Zhan, Z. Katona, «Contextual Advertising» 22 Января 2011. [В Интернете]. Доступно по адресу: http://faculty.haas.berkeley.edu/zskatona/pdf/contextual.pdf. [Дата обращения: 10 Апреля 2017].
8. «Гайд для инвесторов по «Яндексу» - rb.ru [электронный ресурс]: http://rb.ru/news/yandex-guide/ [Дата обращения: 12 Апреля 2017].
9. «Сколько зарабатывает Google?» - Workion.ru [электронный ресурс]: http://workion.ru/skolko-zarabatyvaet-google.html [Дата обращения: 12 Апреля 2017].
10. «IAB Research Archives» – IAB [электронный ресурс]: https://www.iab.com/insights/2017-iab-research-hub [Дата обращения: 14 Апреля 2017]
11. «WordStream Advisor» - WordStream [электронный ресурс]: http://www.wordstream.com].
12. «ROI Vs. ROAS: Which Is The Better Metric For Digital Advertisers» - Adexchanger [электронный ресурс]: https://adexchanger.com/datadriven-thinking/roi-vs-roas-which-is-the-better-metric-for-digitaladvertisers/
13. «Целевая рентабельность инвестиций в рекламу» - Cправка AdWords [электронный ресурс]: https://support.google.com/adwords/answer/6268637?hl=ru