В течении месяца мы оптимизировали размещение — привлекли новых клиентов с целевой стоимостью 17 000 за выдачу, снизили CPL на 45%, стоимость за одобрение на 19%, за выдачу на 15%, стали лучше понимать поведение пользователей при оформлении кредитов.
Результаты
- CR в Яндексе +68%
- CPL -45%
- Cost of approval -19%
- Cost for issuance -15%
- Место Банка +26 позиций
Вступление
Поскольку целью продвижения являлась максимизация выдач в рамках целевой стоимости выдачи, и не было возможности увеличивать объемы дешевого брендового трафика за счёт проведения охватных медийных кампаний, перед нами стояла задача максимально подробного анализа имеющихся данных для оперативной оптимизации кампаний.
При этом оптимизацию необходимо было проводить на основании статистики по офлайн-конверсиям, проброс которых в системы аналитики на тот момент не был возможен. По ряду причин, как внешних, так и внутренних, эффективность размещения отличалась в зависимости от региона — при чем значительно.
Отсюда и возникло решение собрать максимально подробные и полные данные по регионам, чтобы затем, основываясь на эти данные сделать упор в размещении на регионы с самой низкой стоимостью заявки.
Для автоматизации этого процесса перенесли эту логику в скрипт, написанный на Python — он собирал данные из рекламных кабинетов и CRM и визуализировал их для анализа, что позволило оперативно менять сплит и корректировать ставки в кампаниях. Проанализировав эффективность каждого города с помощью библиотеки pandas, выделили наиболее эффективные в отдельные кампании, увеличив разбивку по гео с 7 до 17 регионов, а также оптимизировали закупку по существующим гео, снизив CPC в среднем на 30%.
Ход компании
Мы распределили стратегию таким образом:
1. Настройка передачи данных;
2. Создание словаря регионов;
3. Внедрение изменений.
Такой подход помог принять решения:
1. Кампании по городам.
Создали отдельные кампании города, в которых наблюдали наиболее низкую стоимость за выдачу, для усиления этих кампаний. Как показал последующий анализ, это позволило снизить стоимость выдачи в этих регионах.
2. Анализ воронки.
На основании данных офлайн-реестра клиента, «бонусом» проанализировали воронку конверсии во времени, и поделились с клиентом ценными инстайтами относительно возможных точек роста в зоне внутренних процессов клиента.
Механика
Результаты
В результате мы поняли, что эффективности кампании сильно зависит от региона.
Решение с помощью Phyton автоматизировать сбор данных и систем аналитики, рекламных кабинетов, объединение их с данными CRM клиента для анализа дало такие ключевые результаты:
- 68% роста показателя CR в Яндексе;
- 48% снижения стоимости лида в сравнении с конкурентами;
- На момент окончания кампании банк поднялся с 68 позиции до 42 места.
