Кастомный таргетинг: как отыскать аудиторию с высочайшим доходом при помощи ИИ. Чемодан
Рынок недвижимости штормит – ставки по ипотеке вырастают, а льготных программ становится меньше. Обычные таргетинги в VK Рекламе перестают приносить заявки на прежнем уровне.
Когда девелопер GloraX столкнулся со спадом лидов, аналитики digital-агентства Realweb не растерялись и разработали свой таргетинг – поиск по профессиям.
Как делали новейшую стратегию и тестировали ее в маркетинговых кампаниях, поведали в кейсе.

Задачка
Для продвижения жилого комплекса бизнес-класса «GloraX Василеостровский» во ВКонтакте употребляли обычные аудитории – главные запросы по гео и соперникам, look-alike, таргетинг на подписчиков бизнес-сообществ и по интересам.
Но с августа начали следить размеренный спад мотивированных воззваний (ЦО) – главного KPI застройщика. Так, в сентябре количество ЦО уменьшилось на 40% по сопоставлению с августом.
Нам необходимо было отыскать новейшие методы поиска платежеспособной аудитории, заинтересованной в покупке жилища бизнес-класса.
Решение
Чтоб демонстрировать рекламу лишь тем, кто может дозволить для себя приобрести квартиру у наших клиентов, попробовали оценить возможный доход юзера по его профилю во ВКонтакте.
Разработка стратегии поиска аудитории
Чтоб воплотить идею, нам необходимо было ответить на вопросец: как найти доход человека, если информация на личной страничке в соцсети не дает точного осознания о его финансовом положении.
Кирилл Костыренко, управляющий группы по направлению машинного обучения:
Поначалу у нас была идея находить юзеров по организациям, в каких они работают, но их трудно идентифицировать – весьма не достаточно юзеров заполняют пространство работы в собственном профиле.
Куда почаще они добавляют информацию про пространство обучения и специальность. Потому решили испытать создать таргетинг на базе этих данных.
Шаг 1. Собрали резюме с высочайшими зарплатными ожиданиями
Для этого взяли их на портале «Работа Рф» – резюме там лежат в открытом доступе. Сделали сортировку по ожидаемому уровню дохода и отобрали те, где он был 200 тыс. рублей и выше.
Шаг 2. Провели корреляционный анализ
Мы желали выяснить, вправду ли большая часть соискателей отыскивают работу по приобретенному образованию. Для этого сопоставили данные из отобранных ранее резюме и получили доказательство собственной догадки.
Шаг 3. Сформировали группы занятости
Соединили должности в профессии и получили семь огромных групп высокооплачиваемых профессионалов.
Шаг 4. Научили искусственный ум
Цель – ИИ должен найти группу занятости юзера по его высокому образованию, обозначенному в профиле. Для этого мы при помощи ручной разметки выделили, какие факультеты и учебные специальности содержит в себе любая группа. К примеру, экономисты могут учиться на кафедрах мировой экономики, бухгалтерского учета, денег и банковского дела.
А потом на приобретенных данных научили модель. Чтоб проверить, все ли работает, протестировали ее на отложенной выборке.
Шаг 5. Употребляли ИИ для поиска аудитории
Через API VK спарсили юзеров по характеристикам ID, факультет и специальность. И разделили их на группы занятости при помощи обученной модели.
Шаг 6. Сделали аудитории в маркетинговом кабинете
Загрузили файл с базой юзеров в кабинет VK Рекламы. Дальше сервис автоматом сопоставил ID и сформировал аудитории.

Тестирование на практике
Инспектировали эффективность новейшего таргетинга на жилом комплексе бизнес-класса «GloraX Василеостровский».
Сделали новейшие маркетинговые кампании, где для каждой профессии сделали свою группу объявлений.

Анна Быкова, старший спец отдела таргетированной рекламы:
Советуем тестировать новейшие аудитории в отдельных маркетинговых кампаниях, выставляя бюджет на каждую группу объявлений. Это поможет в равных критериях протестировать каждую профессию и найти более действенные.
Собирали контакты прямо снутри соцсети при помощи лид-формы – тот же формат употребляли и при работе с традиционными таргетингами.
Лид-форма идеальнее всего подступает для сбора первичных контактов. Юзер кликает на «Подать заявку» в маркетинговом объявлении и сходу же попадает на наполнение формы для оборотного звонка. Это значительно уменьшает путь и наращивает конверсионность.

Размер аудитории по профессиям вышел маленьким из-за закрытых профилей. Около 70% юзеров скрывают свои данные.
Потому, чтоб расширить подборку, пользовались расширением снутри кабинета VK Рекламы, также сделали look-alike аудиторию через myTarget – находили людей из закрытых профилей, схожих на уже отобранных нами из открытых. На выходе получили 150–200 тыс. мотивированных юзеров.
Тестировали минимальную и предельную стратегии ставок, но тормознули на 2-ой, поэтому что конкретно с нее начали получать лиды.
Результаты

Из групп занятости эффективнее всего проявили себя докторы и IT-специалисты, потому в планах продолжать их тест.

Константин Осадчук, старший спец отдела таргетированной рекламы:
Необычный подход к поиску аудитории оправдал себя. Нам не только лишь удалось вернуть количество первичных и мотивированных заявок, да и понизить их стоимость. Совершенно точно берем таргет по профессиям далее в работу.