Model doboru grupy celowej wykorzystujący dane własne zoptymalizował działania
reklamowe i wsparł osiągnięcie celu sprzedażowego kampanii.

Koncepcja kampanii

Zwykła kampania nastawiona na zysk to za mało, aby osiągnąć ambitne cele sprzedażowe banku dla pożyczki gotówkowej. Dlatego stworzono innowacyjny model doboru odbiorców oparty na machine learningu, który precyzyjnie wybrał grupę celową w internecie pod kątem sprzedażowym. Dzięki temu osiągnięto wzrost sprzedaży (ilościowo i wolumenowo) o ok. 350%.

Cele kampanii

Celem kampanii pożyczki konsolidacyjnej oraz gotówkowej było: 
• wsparcie w realizacji celów sprzedażowych w obszarze pożyczek i kredytów gotówkowych w IV kwartale 2019 r.,
• ukształtowanie sprzedaży pożyczki gotówkowej (w czasie trwania kampanii) na poziomie nie niższym niż minimalny zakładany poziom sprzedażowy na dany kwartał,
• utrzymanie pozytywnego ROI obliczonego na bazie wygenerowanej sprzedaży i kosztów kampanii internetowej.

Wyzwanie

Przeprowadzenie kampanii podyktowane było głównie potrzebą wsparcia realizacji celów sprzedażowych w obszarze kredytów gotówkowych. Kredyt gotówkowy jest najsilniej reklamowanym przez banki i instytucje finansowe produktem. Na jego reklamę w 2018 roku banki i parabanki przeznaczyły ponad
1,1 mld zł (kwota nie uwzględnia rabatów udzielanych przez media), co stanowiło  ponad 60% wszystkich ich wydatków w kategorii produktów detalicznych.

Wyzwaniem była maksymalizacja sprzedaży pożyczki gotówkowej w najbardziej kalorycznej grupie klientów. Uwzględnienie i właściwe wyważenie czynników wpływających na decyzję o podjęciu kredytu umożliwiło precyzyjne określenie grupy celowej, która z założenia jest bardziej skłonna do skorzystania z oferty banku.

Strategia

PKO Bank Polski to lider  w segmencie pożyczek gotówkowych. Marka o ugruntowanej pozycji, której klientami jest ponad 10 mln Polaków. Wizerunek banku o ponad 100-letniej historii w znacznej mierze kształtuje tradycja, która jednak w zestawieniu z typową dla fintechów i firm pożyczkowych dynamiką  może być obciążeniem.

Kategoria pożyczkowa jest mocno zatłoczona komunikacyjnie. Dla tych, którzy chcą się wyróżnić, kluczowy jest dobór narzędzi, bycie z przekazem w odpowiednim czasie i dotarcie do odpowiedniego odbiorcy. Na rynku dominuje utarty schemat kreacji
i logika budowania rozbujałego konsumpcjonizmu, gdzie pożyczka jest albo rozwiązaniem problemu, albo narzędziem umożliwiającym konsumpcję. 

Dla optymalizacji kampanii i uzyskania zakładanego poziomu sprzedaży oraz ROI, zdecydowano się uruchomić zaawansowany model doboru odbiorców, oparty na machine learningu i sztucznej inteligencji. Dzięki temu udało się dotrzeć z kampanią tylko do osób najbardziej skłonnych do wzięcia pożyczki gotówkowej. W efekcie, zoptymalizowano budżet kampanii internetowej oraz osiągnięto większą sprzedaż w kanale digital.

Sposób realizacji

W kreacjach wprost pokazano lekkość bytu. Postaci w reklamie są ukazane w slow motion, pokazano zbliżenia na twarz, ukazując  na nich błogość i zadowolenie. Jest to zabieg rzadko wykorzystywany w reklamach, ale dobrze sprawdzający się w formatach do internetu – widz podświadomie najpierw zwraca uwagę na twarz. To zapewniło rozpoznawalność w pierwszej sekundzie narracji. 

Głównym kanałem przekazu reklamowego  pożyczki gotówkowej był intrenet. Bank zrealizował kampanię zasięgową, zakup programatyczny, działania w social mediach i na platformie  VOD (spoty 6”, 15”, 30”), wykorzystał również wyszukiwarkę Google. Działania w oparciu o dane własne skupiały się głównie na kampanii w wyszukiwarce Google, sieci reklamowej Google Ads oraz na formatach reklamowych dostępnych na Facebooku. Kampania miała wsparcie reklamowe w TV.

W kampanii wykorzystano własny model doboru grupy celowej oparty na machine learningu i sztucznej inteligencji. W pierwszej fazie  model był „uczony” poprzez wskazanie celu – sprzedaż pożyczki. Na podstawie wygenerowanych historycznie zmiennych i określonego targetu budowano modele do zastosowania w kampanii.

Po stworzeniu właściwego modelu zasilono go terabajtami danych: z systemów internetowych oraz z wybranych systemów bankowych. Na tej podstawie zbudowane zostały dziesiątki tysięcy zmiennych opisujących ruch klienta. Z modelu codziennie otrzymywano prawdopodobieństwo zakupu pożyczki. Pozwoliło  to na posortowanie klientów i emisję kampanii do kalorycznej grupy.

Po analizie dostępnych danych możliwe było wyznaczenie kontekstu, w jakim porusza się  użytkownik i spersonalizowanie kreacji. W ciągu dnia wielokrotnie sprawdzano, czym użytkownik interesuje się w danym momencie i wyznaczano odpowiednie zakupowe konteksty, a dzięki grupom kontrolnym możliwe było policzenie upliftu kampanii.

Rezultaty

Model doboru grupy celowej wykorzystujący dane własne zoptymalizował działania reklamowe i wsparł osiągnięcie celu sprzedażowego kampanii. Zastosowanie modelu machine learningu umożliwiło targetowanie  klientów biorących o 330% więcej pożyczek niż losowa próba klientów banku. Całkowity efekt prowadzenia kampanii to ok. 350% wzrost sprzedaży (ilościowo i wolumenowo) w stosunku do losowej grupy kontrolnej. Całkowity ROI w kampanii wyniósł ponad 4000% (ROI = dodatkowo wygenerowany wolumen sprzedaży * rentowność / koszt kampanii). 

Podsumowanie

Wynik znacząco przekracza wszelkie estymacje przed kampanią, co potwierdziło założenie, że wsparcie kampanii internetowej własnymi danymi zwiększa jej skuteczność i sprzedaż.