Бытует мнение, что для покупок чаще используют настольные компьютеры, а для просмотра Интернета — мобильные гаджеты. Это удобно пользователям, но не маркетологам, которые вынуждены просчитывать эффективность рекламы, связывая разные платформы. Сделать это, опираясь на традиционные методики, непросто.

Если же не проводить корреляций, то эффект воздействия рекламы получается размытым, а планирование рекламной кампании неопределенной.

Для решения такой задачи необходимо привлекать вспомогательные инструменты, в первую очередь вероятностные методы идентификации пользователей. Благодаря им можно получить достаточно точную картину взаимосвязи использования смартфонов и настольных систем конкретными людьми и получить приблизительную оценку. Поскольку стоимость размещения рекламы на мобильных устройствах значительно дешевле, чем показы на настольных компьютерах, удается повысить гибкость управления рекламными бюджетами в проектах.

Технологии оценки рекламы для мобильных платформ

Проблема отслеживания эффективности рекламы на разных платформах выходит за рамки простого количественного наращивания. Особенность программной платформы для смартфонов состоит в том, что она имеет значительно более строгие ограничения, чем настольные системы, для построения систем анонимного мониторинга. Например, мобильная версия браузера Apple Safari не позволяет отслеживать размещение куки-файлов на смартфонах и планшетах, а именно метод, основанный на проверках появления таких файлов для контролируемых сайтов широко используется для выявления пользователей, заинтересовавшихся в просмотре той или иной рекламы.

Существуют и другие особенности смартфонов, которые еще более усложняют процесс мониторинга. Например, использование мобильных приложений взамен браузера. Или другая особенность — избыточность случайных кликов, вызванных проблемой «слишком толстых пальцев». Без учета этих реалий оценки получаются неточными.

Несмотря на все перечисленные трудности, инструменты для отслеживания эффективности мобильной рекламы существуют. Так, на платформе iPhone применяются специальные идентификаторы для анонимного отслеживания действий пользователя. На платформе Android допускается использование куки-файлов. Кроме того, начиная с 1 августа 2014 г. Google ввела возможность использования специального идентификатора Advertising ID для отслеживания рекламы в мобильных приложениях,

Тем не менее, проблемы остаются. Наиболее сложно оценить влияние рекламы на тех пользователей, которые игнорируют переходы на страницы с рекламой либо не загружают браузеры, подключающие механизм анонимного мониторинга.

Выход в сложившейся ситуации дают социальные сети. Например, особой привлекательностью для мониторинга обладает Facebook. В нем каждый пользователь имеет индивидуальный идентификатор (учетную запись), где о нем собирается подробная информация. Используя эти данные, можно значительно повысить эффективность мониторинга, отслеживая перемещение конкретного человека с одной платформы на другую. Этот механизм работает наиболее эффективно, если пользователь загружает приложение Facebook на всех платформах, которые использует для посещения Сети.

Новые технологии мониторинга

Совсем недавно стали применять новый способ для идентификации пользователей. Новая система базируется на статистическом анализе собираемых данных и является самообучающейся. Согласно предложенной методике, анонимное выявление пользователей осуществляется путем сбора списков используемых сетей Wi-Fi, регулярно посещаемых сайтов, графика рабочего дня, данных, полученных от систем геопозиционирования. Собранная разрозненная информация позволяет с определенной долей вероятности связать разные устройства, которыми пользуется конкретный человек.

Пример реализации нового подхода демонстрирует компания Adometry из Техаса. Они собирают данные сетевой активности, полученные от розничных компаний, и сводят их вместе, выявляя устройства, которыми пользуются одни и те же люди. Технология получила название device-mapping («связывание устройств»).

Методика, применяемая в Adometry, является продолжением наработок, сделанных ранее компанией Tapad из Нью-Йорка, которая специализируется на доставке контента на разных платформах. Созданный ими метод вероятностного анализа обеспечивает 80—85%-ную точность в выявлении конкретных людей. Итоговая точность зависит от объема собранных данных, частоты использования различных компьютерных систем, местонахождения и времени суток. Эта методика позволяет, например, безошибочно выявлять человека, который читает газету с гаджета, а затем переходит на настольный ПК.

Продолжают появляться патенты по технологиям идентификации. Например, новая технология, предложенная компанией Adelphic Mobile из Массачусетса, позволяет создавать уникальные идентификаторы пользователя на базе данных куки-файлов, характерных особенностей работы с прикладными программами и списка устройств, с которых запускаются эти приложения.

Еще более точные результаты идентификации дают детерминистские методы. Принцип их работы основан на анонимном отслеживании людей, использующих одинаковые идентификационные данные для подключения с различных устройств. Несмотря на очень хорошую статистику, применение таких методик ограничено в силу ограниченности распространения исходных данных.

Рынок

Новые технологии идентификации сразу привели к появлению на рынке компаний с собственными бизнес-решениями.

Так, Drawbridge из Калифорнии готова предоставить услуги анонимного отслеживания эффективности воздействия рекламы. Она готовы охватить до миллиарда мобильных устройств и предоставить релевантную информацию с учетом перекрестного использования мобильных и настольных систем. При этом для сбора используются только анонимные данные, которые затем подвергаются «статистическому методу триангуляции в размерности пространство-время». Исследуя динамику изменения данных по времени, выявляются группы устройств и между ними устанавливаются взаимосвязи их использования одним человеком. Точность итоговых результатов достаточна для проведения маркетинговых исследований.

Недостатком предлагаемых рынку решений является то, что они основаны на использовании проприетарных методик, и поэтому получаемые результаты нельзя сравнивать между собой. Без создания отраслевого стандарта любые оценки будут носить субъективный характер.

Так, в Adometry считают, что должен появиться «универсальный механизм идентификации», который позволит анонимно собирать данные со всех подключающихся устройств, сетей и платформ. Однако в силу закрытости для рынка внутрикорпоративной информации перспективы создания универсальной методики отслеживания выглядят туманно.