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 вебсайта 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 вебсайтов, 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.