Кейс divan.ru, First Data и Profitator: рост покупок с помощью транзакционных данных
С помощью транзакционных данных 
First Data помогла divan.ru увеличить продажи мебели онлайн и офлайн. Таргетированную рекламу запустили на аудиторию от 25 до 44 лет, заинтересованную в товарах для дома (покупатели товаров для ремонта, мебели, декора и так далее). О результатах кампании команда агентства рассказала Sostav.
Цели и задачи
В декабре 2024 года к MarTech-компании First Data и диджитал‑агентству Profitator обратился производитель мебели divan.ru, чтобы провести медийную рекламную кампанию для увеличения продаж в интернет-магазине. Основным показателем эффективности рекламной кампании рассчитали post-view ДРР до 20% и CR lift от 30%.
Представитель Profitator:
В рамках теста First Data ключевой целью был поиск нового подрядчика с уникальной аудиторией для масштабирования охвата. Особо важным критерием стала оценка метрики, которая отражает продажи — CR Lift.
Отчет CR lift строится на статистике показов, которые были размечены трекером Adriver. Он отражает, какие качественные показатели у тех, кто видел выбранную рекламу, и у остальных пользователей. Задача, которую решает отчет — показать, как медийная реклама влияет на пользователей, а именно подтвердить или опровергнуть гипотезу, что показ той или иной рекламы благоприятно действует на средний чек и CR пользователей, которые ее видели.
Подход и сегменты First Data
Кампания длилась два месяца, с января по февраль 2025 года, и запускалась на аудиторию в возрасте от 25 до 44 лет. Размещение проходило отдельно на Москву, Санкт-Петербург, а также другие крупные регионы.
Клиент обозначил, что хочет запустить рекламную кампанию на аудиторию, которая заинтересована в покупке различных товаров для ремонта и обустройства дома.
First Data работает с обезличенными данными о покупках, которые получает от партнеров: ОФД, сотовых операторов, крупных розничных сетей и других. Использование этих данных в настройке рекламных кампаний позволяет найти целевую аудиторию, которая с большой вероятностью совершит покупку.
Специалисты First Data собирают сегмент следующим образом: с помощью собственных разработок проводится классификация транзакций и выделение именованных сущностей (NER). После чего аналитики «чистят» сегмент и оставляют в нем только пользователей, которые совершали покупки в выбранных категориях в обозначенный период времени.
Для того чтобы выполнить запрос клиента, First Data разработала общий сегмент, который включал в себя несколько подсегментов, состоящих из покупателей, которые приобретали:
- Товары для ремонта в среднем и премиум-сегменте за последние два месяца;
- Крупногабаритную мебель со средним чеком от 40 тыс. рублей за последние два месяца;
- Предметы для декора со средним чеком от 5 тыс. руб. за последние два месяца;
- Телевизоры с диагональю больше 50 дюймов за последние три месяца;
- Товары для дизайна интерьера за последние полгода;
- Текстиль, шторы, постельные принадлежности — от двух комплектов;
- Кухонные гарнитуры за последние два месяца.
Креативы
В качестве креативов использовались баннеры со скидками и акциями, которые проводил клиент в период размещения рекламной кампании. В январе продвигали акции, приуроченные к новогодним праздникам и распродаже «Киберпонедельник», а в феврале запустили тематические баннеры к 14 февраля.
Размещение проходило в рекламном кабинете VK.
Результаты
За два месяца размещения удалось перевыполнить KPI по post-view транзакциям. В январе в Москве размещение принесло 74 конверсии, при плане в 42, в Санкт-Петербурге получили 57 конверсий при плане в 26, а в регионах — 47 конверсий при плане в 19. CR Lift в месяце размещения был 180,77%, а с учетом окна атрибуции 90 дней — повысился до 245%.
В феврале в столице получили 87 конверсий (при плане в 52), в Санкт-Петербурге — 31 (при плане в 26) и в регионах получили 39 конверсий (при плане в 13). CR lift в феврале составил 275,73%.
Кроме того, после окончания рекламной кампании в First Data решили провести замер продаж, чтобы выяснить, как медийная реклама повлияла на доходимость клиентов в офлайн-магазины бренда рекламодателя.
Для проведения исследования сопоставили базу покупателей divan.ru с охваченной аудиторией First Data, разделили аудитории покупателей на тестовую группу — клиентов, которые видели рекламное объявление, и контрольную группу, тех, кто не видел рекламу. Далее аналитики проанализировали Sales Lift, прирост продаж, вызванный рекламой.
Александр Старостин, СЕО и сооснователь MarTech-компании First Data:
Мы выяснили, что 25% всех покупок за период пришлись на пользователей из охваченной базы First Data, что доказывает эффективность работы с транзакционными данными. Использование этих данных в рекламных кампаниях позволяет работать не «вслепую», а коммуницировать с целевой аудиторией бренда, готовой к покупке.
Исходя из исследования, количество продаж товаров бренда в тестовой группе составило порядка семи тысяч, тогда как в контрольной группе было совершено всего около тысячи покупок.
Sales Lift составил 605%, что означает, что пользователи в тестовой группе, которые видели рекламу, совершали покупку в шесть раз чаще, чем покупатели из контрольной группы.
Анна Дмитриченкова, специалист по медийной рекламе Profitator:
Наш опыт совместной работы с First Data показал высокую эффективность данной платформы для достижения KPI рекламодателя. Уникальность аудитории First Data обеспечила высокое качество контакта с потенциальными потребителями, минимизируя дублирование охвата с другими каналами.
Кроме того, мы высоко оцениваем уровень поддержки и профессиональной компетенции команды First Data, что позволило оперативно оптимизировать кампании в режиме реального времени.
Никита Жегалин, Head of Digital Marketing divan.ru:
Спасибо коллегам из First Data и Profitator за тщательную проработку гипотезы и открытость в аналитике. Благодаря точечной сегментации на основе обезличенных транзакционных данных мы перевыполнили канальный план по онлайн-конверсиям более чем вдвое во всех кластерах, добились CR Lift до 275% и Sales Lift порядка 605% — пользователи, видевшие рекламу, совершали заказ в шесть раз чаще, а четверть всех продаж периода пришлась именно на охваченную аудиторию.
Этот результат идеально иллюстрирует нашу маркетинговую стратегию «Test&Learn» с быстрой проверкой потенциально результативных маркетинговых гипотез и data driven-подход с осмысленным внедрением AI-инструментов: за счет предиктивных сегментов мы масштабируем более точечным таргетингом трафик и продажи без роста ДРР, сохраняя целевую рентабельность от рекламного бюджета. Рассчитываем продолжить совместные эксперименты и транслировать данный подход на наши другие маркетинговые активности.