Humanteq научился делить игроков по психотипам. Благодаря этому CPI снизился на 60%

О том, как работает новый инструмент, нам рассказал Александр Одайник, сооснователь маркетингового стартапа.

Александр Одаиник

Суть решения

Разработчики фритуплейных игр при покупке трафика стремятся приобретать пользователей, которые с наибольшей вероятностью совершат покупку. Проблема в том, что при точечном таргетировании серьезно возрастает стоимость.

Например, мы знаем, что в нашем приложении чаще платят женщины, тогда при создании кампаний мы будем ограничивать пол, чтобы не показывать рекламу мужчинам. Дальше идет дополнительное таргетирование, но уже по интересам, по географии и каким-либо техническим характеристикам. Все это сужает воронку и ведет к удорожанию пользователя.

Чтобы решить проблему снижения охвата при сегментации по поведению внутри приложения, мы в Humanteq решили использовать психологию. Мы руководствовались тем, что психологические характеристики универсальны для всех людей, они не зависят от пола, возраста, гео.

Мы также посчитали, что психологические особенности могут косвенно предсказывать поведение, так как определяют склонности людей к совершению тех или иных действий. Если это так, то мы можем:

а) определять людей, которые по психологическими особенностями склонны к покупкам в нашем приложении;

б) использовать для покупки новой аудитории уже не поведенческие списки, а психологические.

Например, мы можем определить, что наиболее склонны к покупкам в конкретном продукте экстраверты (т.е. вероятность совершить платеж у всех экстравертов в среднем выше, чем у всей аудитории).

Дальше мы будем искать не пользователей, которые похожи на игроков, заплативших в нашем приложении, а в целом экстравертов. Эта аудитория будет включать в себя как платящих, так и не платящих, но при этом склонных к платежу. Такая аудитория будет значительно больше. Это приведет к снижению стоимости пользователей, но при этом сохранит их качество.

Для определения психологии пользователей и обучения моделей мы используем наше приложение Digital Freud. В нем пользователи проходят психологические тесты, такие как OCEAN (Big5), тест Шварца на жизненные ориентации, тест на интеллект и другие, и получают свой психотип, который могут сравнить с другими, или поделиться в социальных сетях. Параллельно мы собираем технические данные смартфонов пользователей, такие как модель девайса, версии ОС, списки установленных приложений, и др. и строим модель, которая по техническим данным восстанавливает психологический портрет пользователя.

Нюансы работы и Facebook Ads Look-alike

Важный нюанс: Humanteq только позволяет выяснить психотип платящей аудитории. Далее для приобретения пользователей необходимо использовать сторонние маркетинговые инструменты.

В рамках кейса чуть ниже для поиска и покупки интересующих нас игроков мы использовали Facebook Ads Look-alike. Это одно из самых популярных решений, позволяющих привлекать целевых пользователей. Его принцип состоит в поиске максимально похожей на искомую аудиторий.

Но мы могли воспользоваться и любым другим рекламным решением, которое поддерживает GAID — идентификаторы устройств на Android (на IOS пока подобная аналитика не доступна).

При работе с Facebook Ads Look-alike сценарий обычно выглядит так:

• разработчик создает список пользователей, уже совершивших в игре платеж;
• выгружает их как списки GAID;
• загружает GAID в Facebook Ads Audiences;
• создает на базе списков Look-Alike аудиторию.

Дальше посредством внутренних ML-алгоритмов Facebook находит похожую на ваш список аудиторию. После этого можно запускать рекламную кампанию.

Кейс

Эффективность работы по психотипам хорошо демонстрирует наш совместный с Beresnev Games кейс.

У пражской студии есть игра Gallery: Coloring Book & Decor. Это раскраска по цифрам с метой, в которой пользователь обустраивает свой дом.

Мы интегрировали в игру Humanteq SDK, чтобы получить психологические профили игроков и выбрать целевой психосегмент, т.е. набор психологических характеристик, который максимизирует вероятность конверсии в покупку.

После того как мы определили психопрофили более чем миллиона пользователей, мы проанализировали их на предмет конверсии в покупку и выделили два наиболее значимых сегмента, которые с большей вероятностью конвертируются в платящих.

Первой аудиторией были люди с выраженной ценностью достижений и высокой импульсивностью. У таких людей вероятность совершения покупки на 150% выше, чем у всей остальной аудитории.

С одной стороны, это люди, ориентированные на достижения. Они хотят проявить себя и добиться успеха. Они любят демонстрировать свою состоятельность как в интеллектуальном, так и в материальном смысле. Их мотивирует достижение целей, в том числе игровых.

С другой, они отличаются готовностью импульсивно потреблять, характеризуются отказом от планирования своих ресурсов (времени и финансов), спонтанными действиями и склонностью к прокрастинации.

Вторым доминирующим в игре психосегментом были люди с высоким коэффициентом интеллекта и выраженной ценностью гедонизма. В этом психосегменте вероятность конверсии в покупку на 211% выше по сравнению со всей остальной аудиторией.

Высокий интеллект — это, во-первых, общая одаренность, характеризуемая скоростью решения интеллектуальных задач и умением находить закономерности, и, во-вторых, умение получать удовольствие от решения задач.

Гедонизм — это стремление к получению чувственных удовольствий, желание побаловать и порадовать себя. Оно связано с готовностью покупать что-то красивое, даже если оно не несет утилитарной функции.

После того как мы выделили отдельно друг от друга списки пользователей по психосегментам, мы также выгрузили стандартные данные по платящей аудитории. Последние стали нашей контрольной группой для теста.

Итого у нас получилось три аудитории:

• с выраженной ценностью достижений и высокой импульсивностью;
• с высоким коэффициентом интеллекта и выраженной ценностью гедонизма;
• игроки, ранее совершавшие платежи в Gallery: Coloring Book & Decor.

Затем мы выстроили в Facebook Ads на их основе Look-alike. Оказалось, что аудитории значительно пересекаются (рекламный инструмент социальной сети позволяет это визуализировать):

Их схожесть говорила о двух вещах:

• при проведении отдельных рекламных кампаний для каждой из аудиторий мы можем ожидать похожего поведения;
• мы не можем запустить простой тест по сравнению ЦА: при сильном пересечении аудиторий могут возникать проблемы с автоконкуренцией рекламных кампаний друг с другом за одних и тех же пользователей.

В итоге нам пришлось в каждом Adset исключать аудитории друг из друга и запускать тесты последовательно.

Таким образом, у нас получился следующий план экспериментов:

• сравниваем психосегмент с ценностью достижений и высокой импульсивностью (группа B) с аудиторией, которая совершила платежи (группа А);
• сравниваем психосегмент с высоким коэффициентом интеллекта и выраженным гедонизмом (группа C) с аудиторией, которая совершила платежи (группа А);
• сравниваем два психосегмента между собой (группы B и C).

Все AdSet и кампании между собой отличались только аудиториями. Остальные настройки были идентичны. Каждая кампания оптимизировалась на платежи и исключала аудитории друг из друга (психосегменты из платящей и наоборот). Все кампании длились одинаковое количество времени, их бюджеты не отличались.

Результаты:

Оказалось, что в сравнении с группой А (Look-alike на платящих пользователей) оба психосегмента показали:

• снижение стоимости за показ, клик и установку;
• сохранение цены одного платящего пользователя (CPA);
• снижение монетизации конверсии, ARPPU и ARPU;
• окупаемость сегмента с психосегментом, который обладает высоким коэффициентом интеллекта и выраженным гедонизмом, выросла, поскольку на 60% снизилась его CPI. То есть мы смогли привлечь больше аудитории, которая в массе своей принесла больший доход.

Кстати, CTR у обоих психосегментов оказался выше, чем у аудитории платящих игроков. Это можно объяснить тем, что ранее разработчик уже не раз запускал кампании с таргетингом на Look-alike на платящих пользователей. Иными словами, у большей части платящей аудитории уже были показы рекламы. Благодаря использованию психосегментов и исключению аудиторию друг из друга мы нашли новую аудиторию, которой ранее не демонстрировали рекламу.

Этот кейс мы провели на Android. Дело в том, что Humanteq SDK пока позволяет работать только с этой платформой.

Но мы предположили, что если аудитории приложения на разных платформах схожи, то и Look-alike должны одинаково (или схожим образом) работать и на iOS. Для этого мы запустили кампанию на психосегмент, построенный на Android-приложении на iOS-приложение. Мы использовали те же самые Look-alike в iOS-кампании, которые были использованы в Android-тесте.

По результатам этой кампании мы снизили CPI на 47%, также с повышением CTR на 24%. Монетизационные метрики также оказались ниже, чем в кампании на Look-alike на платящих пользователей. Но по ROAS мы также наблюдаем повышение на 14%.

Общие выводы

Главное:

• благодаря психосегментации и применения ее в Look-alike удается снизить CPI (в нашем случае на 60%);
• CTR в среднем на психосегментах выше, что позволяет показывать креативы новой аудитории;
• несмотря на падение конверсии, ARPPU и ARPU, значительно вырастает объем, благодаря которому получается сохранить ROAS.

Так что мы считаем, что психосегментация эффективно позволяет искать большие объемы новой лояльной аудитории, которая обеспечит сопоставимые с уже приобретенной платящей аудиторией монетизационные показатели.

---