Получать еще больше данных

Уверен, вы заметили некие общие черты во всем, о чем мы говорили до настоящего момента. Все это связано с получением данных из источников, которые вы контролируете, – вашего веб-сайта, кассового аппарата, телефонной сети. Все это позволяет вам создать «образ клиента» и помочь выстроить с ним правильное общение. Но в ваших силах собрать еще больше данных.

Внешние базы данных

Зачастую данные можно просто купить. Существует целая отрасль, готовая делиться данными с компаниями, которые хотят лучше знать, с кем имеют дело. Самые серьезные поставщики такой информации расположены в США и Великобритании. Американские агентства, оценивающие кредитные рейтинги, снабжают маркетологов данными, позволяющими не только понять, каким образом потребители расходуют свои деньги, но и насколько хорошо они расплачиваются по долгам. Можно получить доступ и к социально-демографическим данным (о которых я уже говорил ранее); например, американское ведомство, отвечающее за проведение переписи населения, может предоставлять информацию о людях, живущих по определенному индексу.

Компаниям наподобие Claritas удалось скомбинировать эти данные с информацией из других источников и создать детальные профили почтовых индексов. Затем компании удалось превратить эти профили в архетипические сегменты (см. третью главу), привязанные к определенным индексам.

Вновь хочу сказать, что в данных такого рода нет ничего нового. Они были в нашем распоряжении уже многие годы. Я хотел лишь упомянуть о них, чтобы вы – в процессе оценки массы новых инструментов – не забывали и о том, что у вас уже есть.

Помимо этого, существуют списки данных, которые предоставляет любой человек, подписываясь на журнал, газету или информационную рассылку (разумеется, вы всегда вправе запретить компаниям передавать вашу информацию кому-то еще, но обычно это условие печатается самым мелким шрифтом).

Поиск людей во внешних базах данных может иметь для вас огромное значение. Вы начинаете понимать, что нравится вашим клиентам (помимо продуктов, которые они покупают у вас), а это значит, что вы можете сделать свое предложение для них еще более интересным (предположим, у вас есть супермаркет, а ваш клиент любит хорошие вина – и вы предлагаете ему красивые бокалы). Вы можете также найти потенциальных клиентов, которых еще нет в ваших собственных базах данных.

Приведу еще один пример. Мы работали с одним супермаркетом, который только что представил на рынке новую линейку спортивных товаров, состоявшую из действительно хороших продуктов. Однако люди редко ищут качественные спортивные товары в супермаркетах. Поэтому значительная часть аудитории не обратила внимания на это предложение.

Для компании стало крайне важным найти покупателей во внешних базах данных. Мы просканировали рынок в поисках доступной информации. Ниже приведена первая страница списка источников, который компании стоило бы использовать. Каждый из этих источников предлагает компаниям получать за определенную плату доступ к спискам своих клиентов.

Это упражнение позволило нам найти 10 миллионов покупателей спортивного оборудования и снаряжения, сделавших покупки в этой категории в предыдущие двенадцать месяцев. Разве это не отличный пример того, как вы можете найти большую аудиторию для своей продукции с помощью доступных списков?

Другим источником поиска нужных покупателей служат потребительские панели, допускающие возможность таргетирования. Как было отмечено выше, они могут оказаться крайне полезными для выявления профиля определенной группы. Именно таким образом работают телевизионные рейтинги. Компания Nielsen создала панель из людей, представляющих всю совокупность населения, а затем отслеживает детали, связанные с потреблением телевизионного контента. Большинство панелей анонимны, соответственно, по ним невозможно проводить таргетирование. Существуют и другие, неанонимные панели, предоставляющие отличные возможности для компаний, торгующих потребительскими товарами и не всегда знающих, кто именно покупает у них прохладительные напитки, молоко, хлеб и мыло. Розничным сетям и отдельным супермаркетам удается решить эту проблему с помощью программ лояльности. Исследовательская компания Kantar Retail в партнерстве с рядом супермаркетов получает и обрабатывает информацию о покупках, которая привязана к этим картам. Компания объединяет данные от множества магазинов и выстраивает невероятную по размеру панель из 80 миллионов домохозяйств США. Она отлично знает, какие бренды покупает каждая семья, когда и как часто. Она также представляет, что еще находится в корзине потребителя. Единственное, чего она не знает, – их имен и адресов (эти данные остаются неизвестными для обеспечения должной анонимности). Kantar работает с независимой третьей стороной, которая собирает по магазинам информацию (имя и адрес клиента), затем присваивает каждому новый уникальный «слепой» код, а затем передает данные для обработки Kantar Retail уже с этим анонимным кодом. Таким образом, ребята из Kantar Retail не могут заглянуть в продуктовые пакеты, которые несет домой их сосед!

Несмотря на всю анонимность, доступ к таким данным имеет огромную важность. Например, розничная сеть может обратиться к данным панельного исследования и выявить каждого человека, пьющего спортивные напитки чаще обычного и живущего неподалеку от одного из ее супермаркетов. Это дает продавцу достаточно конкретную группу для дальнейшей работы. Затем он может передать «слепые» коды третьей нейтральной стороне, имеющей право использовать физическое имя и адрес для дальнейшей маркетинговой работы. Это позволяет компаниям, работающим с Kantar, нацеливаться на небольшие сегменты клиентов, сходных между собой с точки зрения покупательского поведения.

Цифровые сети

Мы уже показали, каким образом можно использовать внутренние и внешние базы данных для поиска потенциальных клиентов или выяснения того, на что тратят свое время в Сети крупные группы людей. Теперь же давайте посмотрим, каким образом вы можете выйти на индивидуального потребителя в Интернете.

Предположим, что некая фирма, занимающаяся брокерским обслуживанием в Сети, знает, что посетители сайта CNNMoney.com с большим вниманием относятся к их предложениям. Но при этом очевидно, что не каждый посетитель сайта CNNMoney является для фирмы целевой аудиторией. Так каким же образом она решает, кому показывать свою баннерную рекламу на сайте CNNMoney, а кому – нет? Поскольку за каждое появление баннера фирма платит CNNMoney определенную сумму, то подобный вопрос стоит довольно остро.

И здесь в игру вступает таргетирование в онлайне на индивидуальном уровне – пожалуй, самое интересное направление маркетинга нынешнего дня, ставшее доступным благодаря потрясающим технологическим инновациям. Для того чтобы разобраться с ним в деталях, давайте сделаем шаг назад.

Брокерская интернет-фирма может передавать свои баннеры CNNMoney двумя способами. Первый – компания выходит напрямую на CNN и просит разместить баннеры так, чтобы они появлялись при просмотре пользователями по нескольку раз. Второй вариант состоит в том, чтобы действовать через рекламную сеть (брокера), сопоставляющую спрос на размещение рекламы со стороны этого рекламодателя (и других рекламодателей, работающих в области финансовых услуг) с количеством места на рекламных площадках веб-сайта CNN (издателя).

Несмотря на прямолинейность этой схемы, она интереснее, чем может показаться поначалу. Рекламные сети отлично понимают ценность каждого посетителя сайта. Довольно быстро они начали фиксировать каждый случай отправки рекламы человеку, блуждающему по Интернету. В результате они знали, что определенный баннер показывался определенному человеку в определенном месте и в определенное время. Этот лог очень похож на логи баз данных веб-сайтов, описанные выше. Отправляя на компьютеры пользователей cookie, рекламные сети могли отслеживать, кто из них нажимает на рекламную ссылку. А это позволяет им следовать за посетителями с одного сайта на другой.

Предположим, вы зашли на первый сайт, использующий рекламные сети для размещения онлайновой рекламы на своих площадях. Допустим, рекламная сеть показывает рекламу джинсов. Сеть добавит на ваш компьютер cookie, в котором отмечено, на какой баннер вы смотрели и нажали ли вы на него.

На баннер вы нажали, но джинсы на этом сайте вам не понравились, и вы переключились на другой сайт, где принялись разглядывать свитеры. Если второй сайт принадлежит той же рекламной сети, что и первый, он распознает содержание cookie на вашем компьютере и сможет показать вам баннер с изображением джинсов другого покроя. Именно это и объясняет, почему порой при переходе с сайта на сайт вас сопровождает баннер одной и той же компании.

Не случайно, что у Google, Yahoo! и Microsoft, владельцев крупнейших сетей, – самые мощные поисковые системы. Этим компаниям удалось создать базы данных, в которых содержатся данные о каждом посетителе, о том, что они искали и какую рекламу видели. Насколько велика вероятность того, что человек нажмет на ваш рекламный баннер или даже купит ваш продукт? Вы правы – довольно большая. Когда потенциальные рекламодатели говорят, что хотят достучаться до людей, желающих получать от жизни только все лучшее (своих потенциальных клиентов), то рекламная сеть настраивает показ баннеров так, что их увидят наиболее подходящие люди. Чем больше рекламодатели тратят на работу с сетью, чем точнее рекламные сети проводят таргетирование, тем выше результативность рекламных объявлений. Вот почему наши столь привлекательные цифры делают большое дело по всему миру для таких компаний, как Google, Yahoo! и Microsoft.

И вот теперь – о самом интересном. Если я представляю брокерскую интернет-фирму, то, вполне очевидно, буду готов заплатить больше за то, чтобы мой баннер был показан компьютеру, пользователь которого с высокой вероятностью может стать моим клиентом. Дорого ли это стоит? Вы можете посчитать сами – расчеты в данном случае довольно просты:

A = (P(C) × MC) / ROI,

где

A – допустимая цена, то есть максимальная цена, которую компания готова платить за показ своей рекламы определенной персоне;

P(C) – вероятность того, что простой зритель станет держателем карты;

MC – маржа в расчете на одну конверсию, то есть прибыль, которую получает компания от работы с человеком, ставшим держателем карты;

ROI – величина ожидаемой прибыли на инвестиции. Если компания ожидает, что ROI составит три к одному, то цена, которую она готова заплатить (A), будет ниже, чем в случае, если бы ROI составляла два к одному.

Обычно компании довольно хорошо представляют себе величины MC и ожидаемой ROI. Ключевой параметр в приведенном выше уравнении – это P(C), то есть шансы на то, что кто-то подвергнется конверсии.

Согласитесь, было бы здорово, если вы могли бы рассчитать P(C) и допустимую цену для каждого cookie, а затем заплатить лишь за те, которые стоят меньше допустимой цены. Это вполне возможно, и вот как лучше это сделать. Предположим, что и вы, и я завтра зайдем на сайт ESPN.com. Я люблю компьютерные игры, а вы нет. Компания EA Sports выпускает на рынок новый симулятор баскетбольного матча и планирует рекламировать его в онлайне. Эта компания видит, что вы заходите на сайт ESPN.com, и у нее есть возможность разместить свою рекламу в верхней части наиболее часто посещаемых страниц сайта. Это обойдется компании в 5 центов. В реальности цена будет равна примерно 0,003 цента, или около трех долларов за одну тысячу показов, то есть рекламных объявлений, но для упрощения математических расчетов давайте посчитаем цену равной 5 центам – это позволит вам обойтись без калькулятора. Кроме того, компания знает, что вы никогда не посещали сайты, посвященные компьютерными играм, видели рекламу игр, но не нажимали на нее и что на сайте ESPN вы заходите только на главную страницу и страницы, посвященные гольфу. Ваш показатель P(C) будет низким (значительно ниже 5 центов).

Правильным было бы сэкономить деньги и не показывать вам рекламу. Шансы на то, что вы купите игру, довольно невелики – особенно если сравнить вас со мной. Ведь я – и это известно компании – не так давно нажал на один из ее баннеров, связанных с футболом; часто посещаю страницы ESPN, посвященные баскетболу; в течение нескольких последних дней искал билеты на матч с участием New York Knicks. Конечно, EA Sports будет правильнее потратить свои 5 центов на меня.

Условная сумма в 5 центов (или реальная сумма в 3 доллара за одну тысячу показов) может показаться незначительной, но умножьте ее на миллионы ежедневных рекламных показов, и вы поймете, насколько важно выбрать правильную цель: конкретного и подходящего вам человека, а не просто рядового посетителя сайта ESPN.com. Преимущества индивидуального таргетирования очевидны, и многие компании в наши дни идут именно по этому пути. Чтобы это стало возможным, должны были появиться две вещи – возможность обмена рекламными баннерами и развитие системы торгов за показ баннеров в режиме реального времени.

Торги представляют собой борьбу за рынок рекламных мест. В них участвуют издатели (такие как ESPN) и покупатели (такие как EA sports). Торги предназначены и для того, чтобы сделать процесс купли-продажи более гибким, простым и эффективным с помощью технологических решений.

К основным баннерообменным сетям относятся AdECN (принадлежащая Microsoft); Right Media (подразделение Yahoo!); CONTEXTWEB Ad Exchange; а также DoubleClick Ad Exchange (принадлежащая Google). Одно из основных преимуществ обмена рекламой подобного рода связано с тем, что ставки на рекламу устанавливаются в режиме реального времени.

Концепция реального времени достаточно прямолинейна. Давайте вернемся к нашему примеру с посещением страницы ESPN.com. Чтобы упростить ситуацию, представим себе, что на рынке имеются два потенциальных покупателя – EA и BMW (ваши визиты на страницы ESPN.com, посвященные гольфу, повысили показатель P(C) до уровня, заинтересовавшего автопроизводителя). Итак, мы с вами вводим адрес ESPN.com, и рекламный сервер распознает, кто мы такие. Так как вы обладаете большей потенциальной ценностью, чем я, то автопроизводитель (BMW) готов заплатить больше EA, лишь бы только вы увидели его рекламу. Моя же допустимая цена для EA Sports выше, чем готова платить BMW. EA Sports выигрывает торги, и я увижу рекламу ее нового баскетбольного стимулятора. Все это происходит за долю секунды.

Скорее всего ни EA, ни BMW сами не занимаются расчетами допустимой стоимости показа баннера. Для этого они нанимают внешнюю компанию, проводящую расчеты на основании установленных ими параметров. Подобные специализированные подрядчики не только рассчитывают допустимую цену с помощью некоторых описанных выше алгоритмов, но и предсказывают, сколько будут готовы заплатить за показы другие участники рынка. Именно такой тип алгоритма используют брокеры на Уолл-стрит для выбора акций. Бывшие ученые-ракетчики, прежде писавшие алгоритмы для Уолл-стрит, теперь пишут их для баннерообменных сетей. Один из них, зарабатывающий созданием подобных алгоритмов себе на жизнь, рассказал мне, что основная проблема таких предсказаний – угадать, чему может быть равна вторая по размеру ставка, а затем сделать свою ставку всего на доли центов выше. Это имеет немалый смысл.

Давайте еще раз воспользуемся тем же примером с BMW и EA Sports (и крайне упрощенным математическим аппаратом) и покажем, как это работает. Если допустимая цена показа рекламы ESPN.com составляет для BMW 10 центов, но при этом компания знает, что вторая по размеру ставка будет равна 5 центам, то ей имеет смысл снизить ставку до 5,5 цента, а не заявлять о готовности заплатить 10 центов. Компании, которым удается овладеть таким подходом, с одной стороны, экономят огромные суммы, с другой – успешно выбирают самых интересных для себя людей.

Победа в этой игре сводится к двум вещам – управлению математическим аппаратом и получению доступа к данным cookie. Чем больше информации о cookie у вас есть, тем лучше будет работать математический аппарат и тем больше денег вы будете экономить, делая ставки, учитывая правильные cookie. Именно таким образом в цифровом мире ставится знак равенства между данными и деньгами, и именно поэтому сбор, управление и анализ таких данных – это большой и серьезный бизнес. Компании типа BlueKai специализируются на строительстве платформ управления данными, помогающих клиентам решать такую задачу. Это – одна из самых быстрорастущих отраслей в сегодняшнем маркетинге.

Я уже упомянул, что Google, Yahoo! и Microsoft владеют крупными рекламными сетями. Теперь в игру вступает и Apple. Представьте, что эта компания знает о ваших предпочтениях, связанных с использованием программы iTunes. Когда человеку нравятся определенные фильмы, музыка и приложения, это способно многое сказать о других продуктах, к которым он может иметь интерес. Поэтому Apple разработала специальное решение для онлайновой рекламы, получившее название iAd. iAd позволяет размещать рекламную информацию на устройствах пользователей Tunes, учитывающую, каким образом и для чего они используют iTunes.

И мы говорим не только о баннерной рекламе. iPad позволяет рекламодателям обеспечить значительно более богатый опыт погружения в рекламу (более привлекательный, чем лучшие из ТВ-роликов), а также отбирать своих ключевых потребителей с невероятно высокой точностью. Приведу пример. Мы создали крайне успешную кампанию для бренда Perrier во Франции, в ходе которой приглашали пользователей попасть (с помощью iPad) в виртуальный кафешантан – мир, наполненный прекрасными женщинами в нижнем белье (поверьте, это было намного заманчивее любой печатной рекламы).

После того как мы запустили рекламную кампанию, клиент начал жаловаться на то, что ни разу не видел ее, сколько бы ни путешествовал по Сети на своем iPad. Нам потребовалось немало времени, чтобы убедить его, что рекламная кампания действительно шла, однако была настроена только на людей с максимальным потенциалом конверсии, и что наш клиент по каким-то причинам не попал в их число (возможно, потому что он получает свой Perrier бесплатно). Это совсем не то, что реклама на телевидении, когда ролики видят все зрители. Неудивительно, что методы iAd приводят рекламодателей в состояние сильного возбуждения.

Уверен, вы заметили некие общие черты во всем, о чем мы говорили до настоящего момента. Все это связано с получением данных из источников, которые вы контролируете, – вашего веб-сайта, кассового аппарата, телефонной сети. Все это позволяет вам создать «образ клиента» и помочь выстроить с ним правильное общение. Но в ваших силах собрать еще больше данных.

Внешние базы данных

Зачастую данные можно просто купить. Существует целая отрасль, готовая делиться данными с компаниями, которые хотят лучше знать, с кем имеют дело. Самые серьезные поставщики такой информации расположены в США и Великобритании. Американские агентства, оценивающие кредитные рейтинги, снабжают маркетологов данными, позволяющими не только понять, каким образом потребители расходуют свои деньги, но и насколько хорошо они расплачиваются по долгам. Можно получить доступ и к социально-демографическим данным (о которых я уже говорил ранее); например, американское ведомство, отвечающее за проведение переписи населения, может предоставлять информацию о людях, живущих по определенному индексу.

Компаниям наподобие Claritas удалось скомбинировать эти данные с информацией из других источников и создать детальные профили почтовых индексов. Затем компании удалось превратить эти профили в архетипические сегменты (см. третью главу), привязанные к определенным индексам.

Вновь хочу сказать, что в данных такого рода нет ничего нового. Они были в нашем распоряжении уже многие годы. Я хотел лишь упомянуть о них, чтобы вы – в процессе оценки массы новых инструментов – не забывали и о том, что у вас уже есть.

Помимо этого, существуют списки данных, которые предоставляет любой человек, подписываясь на журнал, газету или информационную рассылку (разумеется, вы всегда вправе запретить компаниям передавать вашу информацию кому-то еще, но обычно это условие печатается самым мелким шрифтом).

Поиск людей во внешних базах данных может иметь для вас огромное значение. Вы начинаете понимать, что нравится вашим клиентам (помимо продуктов, которые они покупают у вас), а это значит, что вы можете сделать свое предложение для них еще более интересным (предположим, у вас есть супермаркет, а ваш клиент любит хорошие вина – и вы предлагаете ему красивые бокалы). Вы можете также найти потенциальных клиентов, которых еще нет в ваших собственных базах данных.

Приведу еще один пример. Мы работали с одним супермаркетом, который только что представил на рынке новую линейку спортивных товаров, состоявшую из действительно хороших продуктов. Однако люди редко ищут качественные спортивные товары в супермаркетах. Поэтому значительная часть аудитории не обратила внимания на это предложение.

Для компании стало крайне важным найти покупателей во внешних базах данных. Мы просканировали рынок в поисках доступной информации. Ниже приведена первая страница списка источников, который компании стоило бы использовать. Каждый из этих источников предлагает компаниям получать за определенную плату доступ к спискам своих клиентов.

Это упражнение позволило нам найти 10 миллионов покупателей спортивного оборудования и снаряжения, сделавших покупки в этой категории в предыдущие двенадцать месяцев. Разве это не отличный пример того, как вы можете найти большую аудиторию для своей продукции с помощью доступных списков?

Другим источником поиска нужных покупателей служат потребительские панели, допускающие возможность таргетирования. Как было отмечено выше, они могут оказаться крайне полезными для выявления профиля определенной группы. Именно таким образом работают телевизионные рейтинги. Компания Nielsen создала панель из людей, представляющих всю совокупность населения, а затем отслеживает детали, связанные с потреблением телевизионного контента. Большинство панелей анонимны, соответственно, по ним невозможно проводить таргетирование. Существуют и другие, неанонимные панели, предоставляющие отличные возможности для компаний, торгующих потребительскими товарами и не всегда знающих, кто именно покупает у них прохладительные напитки, молоко, хлеб и мыло. Розничным сетям и отдельным супермаркетам удается решить эту проблему с помощью программ лояльности. Исследовательская компания Kantar Retail в партнерстве с рядом супермаркетов получает и обрабатывает информацию о покупках, которая привязана к этим картам. Компания объединяет данные от множества магазинов и выстраивает невероятную по размеру панель из 80 миллионов домохозяйств США. Она отлично знает, какие бренды покупает каждая семья, когда и как часто. Она также представляет, что еще находится в корзине потребителя. Единственное, чего она не знает, – их имен и адресов (эти данные остаются неизвестными для обеспечения должной анонимности). Kantar работает с независимой третьей стороной, которая собирает по магазинам информацию (имя и адрес клиента), затем присваивает каждому новый уникальный «слепой» код, а затем передает данные для обработки Kantar Retail уже с этим анонимным кодом. Таким образом, ребята из Kantar Retail не могут заглянуть в продуктовые пакеты, которые несет домой их сосед!

Несмотря на всю анонимность, доступ к таким данным имеет огромную важность. Например, розничная сеть может обратиться к данным панельного исследования и выявить каждого человека, пьющего спортивные напитки чаще обычного и живущего неподалеку от одного из ее супермаркетов. Это дает продавцу достаточно конкретную группу для дальнейшей работы. Затем он может передать «слепые» коды третьей нейтральной стороне, имеющей право использовать физическое имя и адрес для дальнейшей маркетинговой работы. Это позволяет компаниям, работающим с Kantar, нацеливаться на небольшие сегменты клиентов, сходных между собой с точки зрения покупательского поведения.

Цифровые сети

Мы уже показали, каким образом можно использовать внутренние и внешние базы данных для поиска потенциальных клиентов или выяснения того, на что тратят свое время в Сети крупные группы людей. Теперь же давайте посмотрим, каким образом вы можете выйти на индивидуального потребителя в Интернете.

Предположим, что некая фирма, занимающаяся брокерским обслуживанием в Сети, знает, что посетители сайта CNNMoney.com с большим вниманием относятся к их предложениям. Но при этом очевидно, что не каждый посетитель сайта CNNMoney является для фирмы целевой аудиторией. Так каким же образом она решает, кому показывать свою баннерную рекламу на сайте CNNMoney, а кому – нет? Поскольку за каждое появление баннера фирма платит CNNMoney определенную сумму, то подобный вопрос стоит довольно остро.

И здесь в игру вступает таргетирование в онлайне на индивидуальном уровне – пожалуй, самое интересное направление маркетинга нынешнего дня, ставшее доступным благодаря потрясающим технологическим инновациям. Для того чтобы разобраться с ним в деталях, давайте сделаем шаг назад.

Брокерская интернет-фирма может передавать свои баннеры CNNMoney двумя способами. Первый – компания выходит напрямую на CNN и просит разместить баннеры так, чтобы они появлялись при просмотре пользователями по нескольку раз. Второй вариант состоит в том, чтобы действовать через рекламную сеть (брокера), сопоставляющую спрос на размещение рекламы со стороны этого рекламодателя (и других рекламодателей, работающих в области финансовых услуг) с количеством места на рекламных площадках веб-сайта CNN (издателя).

Несмотря на прямолинейность этой схемы, она интереснее, чем может показаться поначалу. Рекламные сети отлично понимают ценность каждого посетителя сайта. Довольно быстро они начали фиксировать каждый случай отправки рекламы человеку, блуждающему по Интернету. В результате они знали, что определенный баннер показывался определенному человеку в определенном месте и в определенное время. Этот лог очень похож на логи баз данных веб-сайтов, описанные выше. Отправляя на компьютеры пользователей cookie, рекламные сети могли отслеживать, кто из них нажимает на рекламную ссылку. А это позволяет им следовать за посетителями с одного сайта на другой.

Предположим, вы зашли на первый сайт, использующий рекламные сети для размещения онлайновой рекламы на своих площадях. Допустим, рекламная сеть показывает рекламу джинсов. Сеть добавит на ваш компьютер cookie, в котором отмечено, на какой баннер вы смотрели и нажали ли вы на него.

На баннер вы нажали, но джинсы на этом сайте вам не понравились, и вы переключились на другой сайт, где принялись разглядывать свитеры. Если второй сайт принадлежит той же рекламной сети, что и первый, он распознает содержание cookie на вашем компьютере и сможет показать вам баннер с изображением джинсов другого покроя. Именно это и объясняет, почему порой при переходе с сайта на сайт вас сопровождает баннер одной и той же компании.

Не случайно, что у Google, Yahoo! и Microsoft, владельцев крупнейших сетей, – самые мощные поисковые системы. Этим компаниям удалось создать базы данных, в которых содержатся данные о каждом посетителе, о том, что они искали и какую рекламу видели. Насколько велика вероятность того, что человек нажмет на ваш рекламный баннер или даже купит ваш продукт? Вы правы – довольно большая. Когда потенциальные рекламодатели говорят, что хотят достучаться до людей, желающих получать от жизни только все лучшее (своих потенциальных клиентов), то рекламная сеть настраивает показ баннеров так, что их увидят наиболее подходящие люди. Чем больше рекламодатели тратят на работу с сетью, чем точнее рекламные сети проводят таргетирование, тем выше результативность рекламных объявлений. Вот почему наши столь привлекательные цифры делают большое дело по всему миру для таких компаний, как Google, Yahoo! и Microsoft.

И вот теперь – о самом интересном. Если я представляю брокерскую интернет-фирму, то, вполне очевидно, буду готов заплатить больше за то, чтобы мой баннер был показан компьютеру, пользователь которого с высокой вероятностью может стать моим клиентом. Дорого ли это стоит? Вы можете посчитать сами – расчеты в данном случае довольно просты:

A = (P(C) × MC) / ROI,

где

A – допустимая цена, то есть максимальная цена, которую компания готова платить за показ своей рекламы определенной персоне;

P(C) – вероятность того, что простой зритель станет держателем карты;

MC – маржа в расчете на одну конверсию, то есть прибыль, которую получает компания от работы с человеком, ставшим держателем карты;

ROI – величина ожидаемой прибыли на инвестиции. Если компания ожидает, что ROI составит три к одному, то цена, которую она готова заплатить (A), будет ниже, чем в случае, если бы ROI составляла два к одному.

Обычно компании довольно хорошо представляют себе величины MC и ожидаемой ROI. Ключевой параметр в приведенном выше уравнении – это P(C), то есть шансы на то, что кто-то подвергнется конверсии.

Согласитесь, было бы здорово, если вы могли бы рассчитать P(C) и допустимую цену для каждого cookie, а затем заплатить лишь за те, которые стоят меньше допустимой цены. Это вполне возможно, и вот как лучше это сделать. Предположим, что и вы, и я завтра зайдем на сайт ESPN.com. Я люблю компьютерные игры, а вы нет. Компания EA Sports выпускает на рынок новый симулятор баскетбольного матча и планирует рекламировать его в онлайне. Эта компания видит, что вы заходите на сайт ESPN.com, и у нее есть возможность разместить свою рекламу в верхней части наиболее часто посещаемых страниц сайта. Это обойдется компании в 5 центов. В реальности цена будет равна примерно 0,003 цента, или около трех долларов за одну тысячу показов, то есть рекламных объявлений, но для упрощения математических расчетов давайте посчитаем цену равной 5 центам – это позволит вам обойтись без калькулятора. Кроме того, компания знает, что вы никогда не посещали сайты, посвященные компьютерными играм, видели рекламу игр, но не нажимали на нее и что на сайте ESPN вы заходите только на главную страницу и страницы, посвященные гольфу. Ваш показатель P(C) будет низким (значительно ниже 5 центов).

Правильным было бы сэкономить деньги и не показывать вам рекламу. Шансы на то, что вы купите игру, довольно невелики – особенно если сравнить вас со мной. Ведь я – и это известно компании – не так давно нажал на один из ее баннеров, связанных с футболом; часто посещаю страницы ESPN, посвященные баскетболу; в течение нескольких последних дней искал билеты на матч с участием New York Knicks. Конечно, EA Sports будет правильнее потратить свои 5 центов на меня.

Условная сумма в 5 центов (или реальная сумма в 3 доллара за одну тысячу показов) может показаться незначительной, но умножьте ее на миллионы ежедневных рекламных показов, и вы поймете, насколько важно выбрать правильную цель: конкретного и подходящего вам человека, а не просто рядового посетителя сайта ESPN.com. Преимущества индивидуального таргетирования очевидны, и многие компании в наши дни идут именно по этому пути. Чтобы это стало возможным, должны были появиться две вещи – возможность обмена рекламными баннерами и развитие системы торгов за показ баннеров в режиме реального времени.

Торги представляют собой борьбу за рынок рекламных мест. В них участвуют издатели (такие как ESPN) и покупатели (такие как EA sports). Торги предназначены и для того, чтобы сделать процесс купли-продажи более гибким, простым и эффективным с помощью технологических решений.

К основным баннерообменным сетям относятся AdECN (принадлежащая Microsoft); Right Media (подразделение Yahoo!); CONTEXTWEB Ad Exchange; а также DoubleClick Ad Exchange (принадлежащая Google). Одно из основных преимуществ обмена рекламой подобного рода связано с тем, что ставки на рекламу устанавливаются в режиме реального времени.

Концепция реального времени достаточно прямолинейна. Давайте вернемся к нашему примеру с посещением страницы ESPN.com. Чтобы упростить ситуацию, представим себе, что на рынке имеются два потенциальных покупателя – EA и BMW (ваши визиты на страницы ESPN.com, посвященные гольфу, повысили показатель P(C) до уровня, заинтересовавшего автопроизводителя). Итак, мы с вами вводим адрес ESPN.com, и рекламный сервер распознает, кто мы такие. Так как вы обладаете большей потенциальной ценностью, чем я, то автопроизводитель (BMW) готов заплатить больше EA, лишь бы только вы увидели его рекламу. Моя же допустимая цена для EA Sports выше, чем готова платить BMW. EA Sports выигрывает торги, и я увижу рекламу ее нового баскетбольного стимулятора. Все это происходит за долю секунды.

Скорее всего ни EA, ни BMW сами не занимаются расчетами допустимой стоимости показа баннера. Для этого они нанимают внешнюю компанию, проводящую расчеты на основании установленных ими параметров. Подобные специализированные подрядчики не только рассчитывают допустимую цену с помощью некоторых описанных выше алгоритмов, но и предсказывают, сколько будут готовы заплатить за показы другие участники рынка. Именно такой тип алгоритма используют брокеры на Уолл-стрит для выбора акций. Бывшие ученые-ракетчики, прежде писавшие алгоритмы для Уолл-стрит, теперь пишут их для баннерообменных сетей. Один из них, зарабатывающий созданием подобных алгоритмов себе на жизнь, рассказал мне, что основная проблема таких предсказаний – угадать, чему может быть равна вторая по размеру ставка, а затем сделать свою ставку всего на доли центов выше. Это имеет немалый смысл.

Давайте еще раз воспользуемся тем же примером с BMW и EA Sports (и крайне упрощенным математическим аппаратом) и покажем, как это работает. Если допустимая цена показа рекламы ESPN.com составляет для BMW 10 центов, но при этом компания знает, что вторая по размеру ставка будет равна 5 центам, то ей имеет смысл снизить ставку до 5,5 цента, а не заявлять о готовности заплатить 10 центов. Компании, которым удается овладеть таким подходом, с одной стороны, экономят огромные суммы, с другой – успешно выбирают самых интересных для себя людей.

Победа в этой игре сводится к двум вещам – управлению математическим аппаратом и получению доступа к данным cookie. Чем больше информации о cookie у вас есть, тем лучше будет работать математический аппарат и тем больше денег вы будете экономить, делая ставки, учитывая правильные cookie. Именно таким образом в цифровом мире ставится знак равенства между данными и деньгами, и именно поэтому сбор, управление и анализ таких данных – это большой и серьезный бизнес. Компании типа BlueKai специализируются на строительстве платформ управления данными, помогающих клиентам решать такую задачу. Это – одна из самых быстрорастущих отраслей в сегодняшнем маркетинге.

Я уже упомянул, что Google, Yahoo! и Microsoft владеют крупными рекламными сетями. Теперь в игру вступает и Apple. Представьте, что эта компания знает о ваших предпочтениях, связанных с использованием программы iTunes. Когда человеку нравятся определенные фильмы, музыка и приложения, это способно многое сказать о других продуктах, к которым он может иметь интерес. Поэтому Apple разработала специальное решение для онлайновой рекламы, получившее название iAd. iAd позволяет размещать рекламную информацию на устройствах пользователей Tunes, учитывающую, каким образом и для чего они используют iTunes.

И мы говорим не только о баннерной рекламе. iPad позволяет рекламодателям обеспечить значительно более богатый опыт погружения в рекламу (более привлекательный, чем лучшие из ТВ-роликов), а также отбирать своих ключевых потребителей с невероятно высокой точностью. Приведу пример. Мы создали крайне успешную кампанию для бренда Perrier во Франции, в ходе которой приглашали пользователей попасть (с помощью iPad) в виртуальный кафешантан – мир, наполненный прекрасными женщинами в нижнем белье (поверьте, это было намного заманчивее любой печатной рекламы).

После того как мы запустили рекламную кампанию, клиент начал жаловаться на то, что ни разу не видел ее, сколько бы ни путешествовал по Сети на своем iPad. Нам потребовалось немало времени, чтобы убедить его, что рекламная кампания действительно шла, однако была настроена только на людей с максимальным потенциалом конверсии, и что наш клиент по каким-то причинам не попал в их число (возможно, потому что он получает свой Perrier бесплатно). Это совсем не то, что реклама на телевидении, когда ролики видят все зрители. Неудивительно, что методы iAd приводят рекламодателей в состояние сильного возбуждения.