Главная
АИ #19 (149)
Статьи журнала АИ #19 (149)
Исследование алгоритмов рекламной системы Facebook путем анализа статистики дейс...

Исследование алгоритмов рекламной системы Facebook путем анализа статистики действующих рекламных кампаний

Рубрика

Маркетинг, реклама, PR

Ключевые слова

Facebook
искусственный интеллект
реклама
маркетинг
гипотеза
эксперимент

Аннотация статьи

В статье автором приводится исследование алгоритмов рекламной системы Facebook путем анализа статистики действующих рекламных кампаний.

Текст статьи

Введение

Рекламная система Facebook является одной из наиболее популярных рекламных платформ в мире. Благодаря масштабности платформы и возможности точечного таргетинга рекламы, Facebook позволяет эффективно привлекать новых клиентов и увеличивать продажи. Однако не все знают, как работают алгоритмы рекламной системы Facebook, и какие факторы влияют на эффективность рекламы.

Цель статьи

Цель данной статьи – исследовать алгоритмы рекламной системы Facebook, сравнить ручной подбор аудитории к рекламным кампаниям с подбором от Искусственного Интеллекта (далее – ИИ) от Facebook, ограниченного геотаргетингом.

Методы исследования

Анализ действующих рекламных кампаний Facebook магазина брендовой одежды в г. Алматы, Республики Казахстан.

Гипотеза

Алгоритмы рекламной системы Facebook определяют целевую аудиторию (1) для бизнеса, который рекламируется через рекламный кабинет Facebook так же качественно, как и маркетолог, который проводит предварительный анализ и выставляет аудитории вручную.

Проверка гипотезы

Бизнес по продаже брендовых изделий рекламирует баскетбольные кроссовки по следующей аудитории, которая представлена в инструменте Custom Audiences > Detailed targeting рекламного кабинета Facebook:

  • Nike, inc (footwear).
  • Basketball (sport).
  • Подписчики бизнеса в Instagram.
  • Посетители сайта интернет-магазина брендовой одежды.
  • Look-a-like 3% подписчиков инстаграма.
  • База email клиентов, выгруженная из CRM.

Отдельно была отобрана аудитория города Алматы Республики Казахстан по принципу геотаргетинга, без указания демографических, поведенческих и других особенностей аудитории.

Таким образом, мы дали ИИ Facebook возможность для самостоятельного эксперимента. Результаты вовлеченности в рекламные объявления и креативы для успешной проверки гипотезы должны быть идентичны тем, которые подобрал человек самостоятельно или превосходить их.

Критерием, по которому производятся измерения и сравнения, был выбран CTR (соотношение количества показов к взаимодействиям с объявлением) (2) [4]. Таким образом мы можем сравнить качество ручного и машинного подбора аудитории для бизнеса путем отслеживания реакции целевой аудитории на наши креативы (3).

Таблица 1

Результаты рекламной кампании по одному креативу за апрель 2023

 

Показы объявления, шт

CTR

Количество кликов, шт

Стоимость взаимодействия, $

Nike, inc (footwear)

852

3,52

30

0,07

Basketball (sport)

0

0

0

0

Подписчики бизнеса в Instagram

2119

3,35

71

0,09

Посетители сайта интернет-магазина брендовой одежды

2915

2,95

86

0,1

Look-a-like 3% подписчиков инстаграма

453

3,31

15

0,06

г. Алматы + радиус 2 км вокруг

694

3,17

22

0,05

База клиентов (e-mail)

856

3,62

31

0,08

Лучше всего по объему показов и взаимодействий отреагировали на рекламное объявление аудитории «Подписчики бизнеса в Instagram» и «Посетители сайта интернет-магазина брендовой одежды». Однако распределение показов среди выбранных аудиторий в проверке гипотезы не имеет решающего значения [3, c. 57].

Важно отметить, что именно CTR является показателем «попадания» в целевую аудиторию [1, c. 963]. И в аудитории «г. Алматы + радиус 2 км вокруг» реакции пользователей на объявления выглядят идентичными. Показы различным аудиториям были проведены для одного рекламного объявления.

Однако следует подтвердить данную гипотезу публикацией еще несколькими объявлениями на те же самые аудитории.

В результате эксперимента были созданы офферы (4) на скидочные модели товаров магазина, различные акции, а также описание преимуществ магазина перед конкурентами.

Получили данные, представлены в таблице 2.

Таблица 2

Результаты рекламной кампании по 16 креативам за апрель 2023 года

Аудитория

Показы объявления, шт (в сумме за 17 объявлений)

CTR (среднее значение за 17 объявлений)

Количество кликов, (в сумме за 17 объявлений)

Стоимость взаимодействия, $ (среднее значение за 17 объявлений)

Nike, inc (footwear)

7114

3,60

272

0,06

Basketball (sport)

9805

1,63

480

0,03

Подписчики бизнеса в Instagram

72628

3,07

3205

0,10

Посетители сайта интернет-магазина брендовой одежды

21658

3,03

814

0,10

Look-a-like 3% подписчиков инстаграма

4128

3,11

172

0,06

г. Алматы + радиус 2 км вокруг

47916

2,65

1675

0,07

База клиентов (e-mail)

7479

3,60

354

0,11

Средние значения

24389,71

2,96

996,00

0,08

В результате эксперимента с 17 различными объявлениями, каждое из которых было адресовано вышеуказанной аудитории, мы получили данные для 6 аудиторий, созданных вручную и одной, ограниченной только географическим таргетингом. Из таблицы видно, что качество взаимодействий по параметрам показы объявления, CTR, количество кликов, стоимость взаимодействия, близко или выше среднего, что дает основания предполагать, что алгоритм Facebook справляется не хуже человека и самостоятельно качественно отбирает аудиторию для показа [2, c. 47].

Однако в данном эксперименте можно отметить, что запуск вручную выставленных аудиторий и аудиторией «г. Алматы + радиус 2 км вокруг» был произведен одновременно, таким образом, алгоритмы Facebook могли обучиться на аудиториях, выставленных вручную.

Вывод

На основе проведенного анализа данных рекламных кампаний на Facebook, можно сделать вывод о том, что алгоритмы рекламной системы могут подбирать аудиторию так же качественно, как и профессиональный маркетолог.

Стоит отметить, что одним из ключевых факторов эффективности рекламы на Facebook является таргетинг (5) – правильный выбор аудитории, которой будет показана реклама. Исследование показало, что алгоритмы рекламной системы могут анализировать большой объем данных о пользователе, такие как возраст, пол, географическое расположение, интересы и предпочтения, что позволяет эффективно подбирать целевую аудиторию. Кроме того, алгоритмы учитывают релевантность рекламы для целевой аудитории и качество контента.

Эксперимент сравнения ручного подбора аудитории и подбора от рекламной системы Facebook действительно позволяет сделать вывод о том, что использование алгоритмов искусственного интеллекта может значительно упростить работу маркетолога в подборе качественной аудитории.

В результате проверки гипотезы было выявлено, что рекламная система Facebook на основе алгоритмов машинного обучения может эффективно подбирать целевую аудиторию для рекламной кампании. Более того, оказалось, что подбор аудитории с помощью рекламной системы Facebook был более эффективным, чем ручной подбор аудитории маркетологом в таких параметрах как «Показы рекламных объявлений» и «Количество взаимодействий (кликов)».

Однако стоит учитывать, что использование алгоритмов все ещё не является универсальным решением и в некоторых случаях может потребоваться ручной подбор аудитории.

Список литературы

  1. Пак Е.Д. Использование технологий веб-аналитики в маркетинговой стратегии // StudNet. 2020. №9. С. 963-970.
  2. Петрова Е.А. Особенности продвижения в социальной сети Facebook // Вестник «ИМЦ». 2018. №4 (21). С. 47-53.
  3. Сорокина А.Н., Червоненкис А.Я. Усовершенствованный алгоритм оптимизации показов рекламы в поисковых системах и результаты экспериментов // Проблемы управления. 2014. №3. С. 57-63.
  4. CTR (Интернет) [Электронный ресурс] // URL: https://ru.wikipedia.org/wiki/CTR_(Интернет) (дата обращения: 12.05.2023)

Поделиться

384

Сосновский И. К. Исследование алгоритмов рекламной системы Facebook путем анализа статистики действующих рекламных кампаний // Актуальные исследования. 2023. №19 (149). Ч.I.С. 73-75. URL: https://apni.ru/article/6192-issledovanie-algoritmov-reklamnoj-sistemi

Похожие статьи

Актуальные исследования

#30 (212)

Прием материалов

20 июля - 26 июля

осталось 3 дня

Размещение PDF-версии журнала

31 июля

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

13 августа