Что не так с
персонализированной рекламой

За последнее время несколько крупных технологических компаний представили платформы, призванные помогать клиентам лучше продвигать себя и свои продукты в интернете. Среди них Meta* for Business (бывший Facebook* for Business; предлагает «пошаговые инструкции, отраслевую аналитику и инструменты для отслеживания прогресса — все в одном месте»), Think with Google («Развивайте маркетинг вместе с Google») и Twitter for Business («Развивайте бизнес с помощью рекламы в Twitter»).

Такие площадки очень привлекательны. Они предоставляют малому и среднему бизнесу огромное количество полезной информации о том, как вести дела в интернете, а также различные рекламные инструменты и услуги, призванные помочь компаниям повысить эффективность продаж.

Все эти платформы преследуют одну и ту же цель. Они хотят представить свои инструменты как мощные и персонализированные, чтобы убедить вас тратить на них свой маркетинговый бюджет.

Не так просто, как кажется

Facebook* — пожалуй, самая настойчивая компания из вышеупомянутых. В последнее время компания активно транслирует рекламу, где рассказываются вдохновляющие истории о малых предприятиях, которым так помогли новые услуги. Возможно, вы видели такие рекламные объявления в аэропортах, журналах или на сайтах. Французский производитель свечей My Jolie Candle «находит более 80% клиентов из Европы через платформу Facebook*». Словенская косметическая марка Chicatella «связывает до 80% продаж с приложениями и услугами Facebook*». Немецкий поставщик детских товаров Mami Poppins «получает до половины дохода, благодаря рекламе в Facebook*».

Звучит впечатляюще. Но стоит ли и правда ожидать от рекламы настолько масштабного эффекта? Дело в том, что «обучая» малый бизнес пользоваться своими услугами, такие компании, как Facebook*, Google и Twitter, часто поощряют некорректные выводы о причинно-следственных эффектах рекламы.

Рассмотрим случай с нашим клиентом, европейской компанией по производству потребительских товаров, которая на протяжении многих лет позиционирует свой бренд в связке с принципами устойчивого развития. Представители компании хотели понять, какой вариант онлайн-рекламы более эффективен: тот, что адресуется к удобству, или тот, что продвигает идею устойчивости. С помощью Facebook* for Business специалисты провели A/B-тест двух объявлений, а затем сравнили рентабельность затрат на каждое из них. Как показали испытания, реклама с упором на устойчивое развитие принесла гораздо больший результат. Значит ли это, что стоит инвестировать именно в нее?

На самом деле, мы не знаем.

В данном случае есть одна фундаментальная проблема: то, что Facebook* называет A/B-тестами, на самом деле ими не является. Даже опытные цифровые маркетологи редко это замечают.

Что же на самом деле происходит во время такого тестирования? Вот один пример:

1) Facebook* делит большую аудиторию на две группы — но не все участники этих групп увидят рекламное сообщение. На самом деле, многие так никогда не познакомятся с какой бы то ни было рекламой.

2) Facebook* начинает отбирать людей из каждой группы и в зависимости от принадлежности к той или иной выборке применяет разный подход. Например, человек из группы 1 увидит синюю рекламу, а человек из группы 2 — красную.

3) Затем Facebook* уточняет свою стратегию выбора с помощью алгоритмов машинного обучения. Скажем, алгоритм может выяснить, что молодые люди с большей вероятностью кликнут по красному объявлению, и тогда он начнет чаще показывать для молодежи именно этот вариант рекламы.

Видите, что происходит? Алгоритм машинного обучения, который Facebook* использует для оптимизации показов, фактически сводит на нет весь смысл A/B-тестирования.

Вот что мы имеем в виду. Классические A/B-тесты построены на идее случайного распределения. Но случайны ли показы рекламы, описанные на шаге 3? Нет. И у этого есть важные последствия. Если вы сравните людей, увидевших рекламу, из группы 1 и группы 2, вы уже не сможете сделать вывод о причинно-следственной связи рекламы и покупки, поскольку люди из группы 1 отличаются от людей из группы 2 по большему количеству параметров, чем то, какую именно рекламу они увидели. Например, люди из группы 2, увидевшие красное объявление, в итоге окажутся моложе, чем люди из группы 1, которым показывали синюю рекламу. Каким бы ни был этот тест, назвать его A/B-тестом нельзя.

И так не только у Facebook*. На платформе Think with Google предполагается, что такие метрики, как ROI, имеют причинно-следственные связи, хотя на самом деле они носят лишь ассоциативный характер.

Представим, что компания хочет понять, насколько эффективна рекламная кампания с точки зрения увеличения продаж. По замыслу сайта, ответ на этот вопрос предполагает простую комбинацию базовых технологий и простой математики.

Сначала настраиваем отслеживание конверсии для веб-сайта. Это позволяет анализировать, купили ли что-то клиенты, перешедшие по объявлению. Затем вычисляем общий доход от этих клиентов и делим его на рекламные расходы (или вычитаем из них). По мнению Google, это и есть ваша отдача на инвестиции, «важнейший показатель для представителей розничной торговли, поскольку именно он показывает реальное влияние Google Ads на ваш бизнес».

На самом деле, все не совсем так. Данные Google некорректны, поскольку им не хватает сравнения. Для того, чтобы понять, действительно ли реклама приносит прибыль вашему бизнесу, нужно вычислить, каким был бы ваш доход в отсутствие рекламы.

Twitter for Business предлагает более сложное решение.

Во-первых, Twitter работает с брокером данных, чтобы иметь доступ к cookie-файлам, электронной почте и другой информации, идентифицирующей клиентов бренда. Во-вторых, Twitter добавляет в отчет информацию о том, как клиенты взаимодействуют с брендом в целом — кликают ли они на рекламные твиты или нет. Это должно помочь маркетологам сравнить средний доход от клиентов, взаимодействовавших с брендом, со средним доходом от клиентов, которые этого не делали. Если разница достаточно велика, то, согласно теории, она оправдывает расходы на рекламу.

Этот анализ уже можно назвать сравнительным, но только в смысле сравнения яблок с апельсинами. Люди, регулярно покупающие косметику, приобретают ее не потому, что увидели рекламный твит. Они видят рекламный твит потому, что регулярно покупают косметику. Другими словами, люди, которые видят продвигаемые твиты бренда, сильно отличаются от тех, кто рекламу не видит.

Причинно-следственная путаница

С помощью данных компании могут ответить на два типа вопросов: прогностические (например, «Совершит ли этот клиент покупку?») и причинно-следственные (например, «Поможет ли эта реклама подтолкнуть клиента к покупке?»). Это два разных вопроса, которые тем не менее часто не разделяют. Чтобы ответить на причинно-следственный вопрос, необходимо произвести контрафактивное сравнение, то есть сопоставить результат при альтернативном сценарии (например, «Совершил бы этот клиент покупку, не увидев рекламы?»). Умные алгоритмы и цифровые инструменты, созданные крупными технологическими компаниями, часто подталкивают к сравнению яблок с апельсинами для подтверждения причинно-следственных связей.

Технологические гиганты вообще-то должны четко осознавать разницу между прогностическим и причинно-следственным выводом, а также то, насколько эта разница важна для эффективного распределения ресурсов — в конце концов, вот уже много лет они нанимают умнейших людей на планете. Таргетинг потенциальных покупателей — исключительно прогностическая задача. Это не требует причинно-следственных выводов и легко реализуется за счет современных данных и алгоритмов. Убедить человека купить в первый раз куда сложнее.

Крупные технологические компании заслуживают похвалы за полезные материалы и инструменты, которые они предоставляют бизнес-сообществу, но представители малого и среднего бизнеса должны знать, что рекламные платформы преследуют свои интересы, когда предлагают обучение и информацию, и что их интересы могут не совпадать с интересами клиентов.

* принадлежит Meta, которая признана в России экстремистской и запрещена