Кто на самом деле смотрит на вас с той стороны экрана
Содержание:
- От медиапланирования на глазок к покупке аудитории
- Как DMP видит человека
- Свои, чужие и общедоступные
- От сегмента к живой кампании
- Куда движется индустрия данных
От медиапланирования на глазок к покупке аудитории
История DMP (data management platform, платформа управления данными) начинается в конце 2000-х годов, когда рекламный рынок США начал массово переходить на программатик-закупки — автоматизированные аукционы, где показы рекламы продаются и покупаются в реальном времени, за доли секунды, пока страница загружается у пользователя в браузере. Механизм оказался революционным сам по себе, но у него была одна проблема: аукцион работает быстро только тогда, когда есть четкие правила, кому показывать рекламу. Нужен был слой инфраструктуры, который бы агрегировал информацию об аудитории и превращал ее в машиночитаемые сегменты, понятные рекламным биржам.
Первыми эту нишу заняли BlueKai (основана в 2008 году, позже куплена Oracle) и Lotame (появилась в 2006-м в Мэриленде). Они, по сути, сформулировали идею DMP в ее современном виде: собрать разрозненные сведения о пользователях из десятков источников, обезличить их, найти закономерности и упаковать в сегменты, на которые можно настраивать таргетинг. К середине 2010-х DMP стали стандартной частью рекламного стека крупных брендов — вместе с DSP (платформами для закупки трафика) и SSP (платформами для продажи трафика издателями) они образовали технологическую цепочку программатик-рекламы. В российском контексте аналогичные механики стали массово применяться чуть позже, с развитием собственных экосистем данных у крупных интернет-компаний.
Маркетолог, работающий с такой платформой, не видит имен, телефонов или паспортных данных — перед ним анонимный портрет: женщина, 28–35 лет, интересуется товарами для дома, заходит с мобильного устройства по вечерам, недавно искала кухонные гарнитуры. Этого достаточно, чтобы показать релевантное объявление, и совершенно недостаточно, чтобы кого-то узнать лично — в этом и заключается баланс между эффективностью таргетинга и защитой персональных данных.
Как DMP видит человека
Представим косметический бренд, который запускает кампанию на женщин 20–50 лет. Потенциальная клиентка заходит на сайт компании — DMP фиксирует идентификатор ее устройства и запоминает этот визит. Дальше та же пользовательница открывает онлайн-кинотеатр, запускает мобильную игру, читает новости — и на каждой из этих площадок платформа показывает ей объявление того самого бренда. Это результат работы алгоритма кросс-девайс матчинга, который связывает разные идентификаторы (cookie в браузере, mobile ID в приложении, данные из CRM) в единый анонимный профиль одного и того же человека.
Эта способность DMP заслуживает отдельного внимания: без нее веб-аналитика систематически завышала бы количество уникальных пользователей. Если человек днем заходит на сайт с рабочего компьютера, а вечером со смартфона, обычная система аналитики легко посчитает его за двух разных посетителей. DMP сопоставляет косвенные признаки: поведенческие паттерны, время активности, географию, — и с высокой вероятностью определяет, что это один и тот же пользователь. Такая дедупликация напрямую влияет на точность расчета ключевых маркетинговых показателей. Если вы не знаете, сколько у вас реально уникальных клиентов, любые выводы о стоимости привлечения и конверсии окажутся искаженными.
Дальше вступает в игру машинное обучение. Собранные сырые данные сами по себе мало что говорят маркетологу. Алгоритмы нейросетей ищут в этом массиве закономерности: какие признаки чаще всего встречаются вместе, какие паттерны поведения предшествуют покупке, какие пользователи ведут себя похоже на уже существующих клиентов бренда. На основе этих закономерностей формируются сегменты, например, «жители Кирова, посещающие спортзалы» и «жители Ростова, бегающие по утрам» для бренда спортивной одежды с филиалами в этих городах. Это отличает DMP от простой таблицы с посетителями сайта — вручную или с помощью базовых инструментов аналитики проделать такую работу практически невозможно.
Свои, чужие и общедоступные
Чтобы понять, почему DMP считается настолько мощным инструментом, нужно разобраться в устройстве данных, с которыми она работает. Индустрия делит их на три категории.
Данные первого порядка — это сведения, которые бизнес получает напрямую, из непосредственного контакта с собственными клиентами. История покупок на сайте, заполненные анкеты, активность в официальных группах бренда в соцсетях, cookie-файлы, накопленные в CRM-системе, данные из инструментов веб-аналитики. Это самый ценный тип данных именно потому, что источник максимально надежен — компания получает информацию о людях, которые уже показали интерес к ее продукту, а не о случайной выборке из интернета.
Данные второго порядка похожи по механике сбора на данные первого порядка, только принадлежат не самому бизнесу, а партнерским организациям: маркетинговым агентствам, аналитическим сервисам, компаниям-посредникам. Их главная практическая ценность — построение look-alike аудиторий, то есть поиск людей, похожих по поведению и характеристикам на уже существующих клиентов бренда, но еще не знакомых с ним напрямую. Партнер анализирует сайты и соцсети конкурентов, приложения, которыми пользуется целевая аудитория, историю заказов в смежных интернет-магазинах, и на основе этого расширяет потенциальную базу для таргетинга.
Данные третьего порядка собраны организациями, которые вообще не имеют прямого отношения к клиентам конкретного бизнеса. Это информация от платежных систем, государственных и некоммерческих ресурсов, открытых профилей в соцсетях. Такие данные чаще всего покупают компании, которым нужно быстро нарастить базу для холодных продаж или широкого охвата — качество здесь ниже, чем у данных первого порядка, но и объем кратно больше.
Настоящая сила DMP проявляется именно на стыке этих трех слоев. Платформа не просто хранит данные — она сопоставляет их между собой, убирает дубли, находит пересечения и выстраивает из разрозненной мозаики цельную картину аудитории. Собственные данные бренда подсказывают, кто уже покупает; партнерские — кто похож на покупателей, но пока не знаком с брендом; сторонние — расширяют охват там, где первых двух источников недостаточно. Без такой многоуровневой архитектуры любая рекламная кампания рискует либо крутиться на узкой и уже выжатой аудитории, либо распыляться на людей, которым продукт вообще не нужен.
От сегмента к живой кампании
Допустим, сеть мебельных магазинов решила подключить DMP-платформу. Система анализирует данные с сайта самой компании и — что важно — с сайтов конкурентов, находит пользователей, которые вводили запросы вроде «купить угловой диван» или «кухонный гарнитур с доставкой и установкой», и на основе этих поисковых сигналов формирует сегменты аудитории. Дальше начинается творческая часть: одним пользователям показывают объявления с фотографиями диванов и предложением скидки, другим — визуал кухонных гарнитуров с акцентом на бесплатную доставку и установку. Это и есть персонализация в ее практическом смысле — конкретное разведение креативов по интересам конкретных людей.
Экономический эффект от такой точности выражается в нескольких вещах сразу. Во-первых, растет конверсия, во-вторых, оптимизируется бюджет. У маркетолога появляется возможность сконцентрировать основные деньги на самых перспективных сегментах, а меньшую часть бюджета оставить на тестирование новых гипотез, вместо того чтобы равномерно и вслепую распределять весь бюджет по всей потенциальной аудитории. В-третьих, снижается число ошибочных решений при аналитике — если DMP корректно определяет уникальных пользователей и устраняет дубли, показатели вроде стоимости заявки или ROMI (рентабельности маркетинговых инвестиций) считаются точнее, а значит, и управленческие решения на их основе получаются обоснованнее.
Куда движется индустрия данных
У технологии есть системные ограничения, и главное из них связано с самой механикой сбора данных. Классическая DMP исторически строилась вокруг cookie-файлов — небольших фрагментов данных, которые браузер сохраняет о посещенных сайтах. Проблема в том, что срок жизни cookie ограничен: как правило, около 90 дней, после чего файл удаляется, и платформа теряет след пользователя. Для коротких рекламных кампаний это некритично, но для долгосрочных стратегий — уже серьезный вызов. Аудитория, собранная полгода назад, к моменту запуска новой волны кампании может оказаться устаревшей.
Ситуация усложняется тем, что крупные разработчики браузеров годами обещали окончательно отказаться от сторонних cookie. Google неоднократно объявлял о планах убрать cookies из Chrome (сначала к концу 2022 года, потом к 2024-му), но каждый раз сдвигал сроки, а в итоге в 2024 году фактически отказался от идеи полного и обязательного отключения, оставив пользователям выбор через настройки приватности. При этом Safari и Firefox блокируют сторонние cookie уже давно и по умолчанию. Для индустрии это означает, что жизнь без cookie в каком-то виде все равно наступает, просто не одним резким рывком, а постепенно, браузер за браузером, регион за регионом.
Параллельно ужесточается и законодательное регулирование работы с персональными данными — в Европе это GDPR, в России — требования 152-ФЗ о защите персональных данных, которые прямо влияют на то, какие сведения можно собирать, как их хранить и на каком основании передавать третьим лицам.
Реакцией индустрии на все эти вызовы стал заметный сдвиг в сторону данных первого порядка и смежных технологий — прежде всего CDP, customer data platform. В отличие от DMP, которая исторически заточена на анонимные, часто короткоживущие cookie-профили и работу с широким рынком, CDP строится вокруг собственных, идентифицируемых данных компании (истории покупок, email-адресов, номеров телефонов, поведения в личном кабинете) и хранит эти профили без привязки к истекающим cookie-файлам. Многие крупные рекламные экосистемы сегодня совмещают в себе черты обеих технологий: используют собственную устойчивую базу данных первого порядка как фундамент и достраивают ее сегментами look-alike и сторонних данных там, где это разрешено и оправдано.
Возвращается на сцену и контекстный таргетинг — старый, но переосмысленный подход, при котором реклама показывается на основе содержания страницы, которую он читает прямо сейчас. Современные версии контекстного таргетинга используют семантический анализ и машинное обучение, что делает их куда точнее, чем контекстная реклама двадцатилетней давности, и отчасти компенсирует потерю части cookie-сигналов.
Все это не означает, что DMP как класс технологий устаревает — скорее, меняется ее роль в общей экосистеме данных.
