Таргетированная реклама с использованием цифровых следов клиентов как фактор изменения онлайн-продаж в социальной сети Вконтакте

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет Санкт-Петербургская школа экономики и менеджмента Департамент менеджмента

Выпускная квалификационная работа

по направлению подготовки 38.03.02 «Менеджмент» образовательная программы «Менеджмент»

Таргетированная реклама с использованием цифровых следов клиентов как фактор изменения онлайн-продаж в социальной сети ВКонтакте

Каракина Наталья Сергеевна

Санкт-Петербург 2018



Оглавление

Введение

1. Анализ предыдущего исследовательского опыта использования цифровых следов как фактора изменения онлайн-продаж

1.1 Маркетинг и онлайн-продажи. Факторы, влияющие на онлайн-продажи

1.2 Влияние использования цифровых следов из социальных сетей на онлайн-продажи

1.3 Цифровые следы: понятие и основные характеристики

1.4 Применение цифровых следов в таргетированной рекламе и показатели оценки их эффективности

2. Постановка исследовательской проблемы

3. Методология исследования

3.1 Цель и этапы исследования

3.2 Обоснование гипотез исследования

3.3 Описание журнала Stories

3.4 Методология полуструктуированного интервью

3.5 Методология контент-анализа

3.6 Методология статистического анализа данных

3.7 Методология А/Б-тестирования

4. Описание результатов

4.1 Полуструктурированное интервью

4.2 Контент-анализ

4.3 Кластерный анализ

4.4 Корреляционный анализ

4.5 Регрессионный анализ

4.6 Дисперсионный анализ

4.7 Эксперимент

5. Практические рекомендации

Заключение

Список использованной литературы

Аннотация

Приложение



Введение

По оценкам Левада Центра (2016) около 80% россиян в возрасте от 16 до 45 лет пользуются Интернетом более 1 раза в неделю и проводят там в среднем до трёх часов в течение суток. Каждый такой пользователь оставляет после себя цифровые следы в Интернете, анализируя которые компании могут изучать предпочтения или покупательские привычки своей целевой аудитории и создавать для неё таргетированные рекламные кампании. Множество различных примеров доказывают, что таргетированная реклама и использование цифровых следов приводят компанию к росту продаж (Тультаева, Каптюхин & Тультаев, 2014). Например, Mikalef, Giannakos и Pateli (2012), анализируя данные проведенного в 2012 году опроса, установили, что использование социальных сетей действительно приводит к увеличению продаж компании. В то же время Kim и Kim (2018) в исследовании, основанном на использовании открытых API Facebook и Twitter, отметили, что однопроцентное увеличение количества лайков на Facebook и твитов в Twitter о продукте приводит, в среднем, к увеличению продаж в Интернете на 0,32% и 0,13% соответственно.

Однако вопрос о том, каким образом возможно собирать и анализировать цифровые следы пользователей в социальных сетях, а также как использовать полученную базу данных в таргетированной рекламе для изменения показателей онлайн-продаж, недостаточно изучен. В связи с этим приобретает актуальность задача создания и тестирования нового подхода к анализу и применению цифровых следов в таргетированной рекламе на примере проведения её в социальной сети ВКонтакте.

Полученные результаты станут основой для будущих исследований, связанных с особенностями использования цифровых следов в онлайн-рекламе и других смежных областей знаний. Исследовательская работа также имеет практическое значение для компаний любого размера, поскольку предлагает один из подходов к анализу и использованию цифровых следов потребителей, полученных из социальной сети ВКонтакте, в таргетированной рекламе.

Цель данной исследовательской работы - определить, каким образом взаимосвязаны таргетированная реклама, основанная на анализе цифровых следов пользователей в социальной сети ВКонтакте, и онлайн-продажи. Объектом исследования являются цифровые следы пользователей ВКонтакте. Предметом исследования выступает природа и характеристики влияния использования цифровых следов в таргетированной рекламе ВКонтакте на онлайн-продажи.

Вышеописанная цель требует выполнения следующих задач:

- Определить в ходе интервью с читателями журнала Stories их отношение к таргетированной рекламе и основные цифровые следы, которые они оставляют после себя;

- Проанализировать цифровые следы, которые оставляют после себя подписчики группы журнала Stories ВКонтакте и выделить целевые сегменты аудитории;

- Разработать и запустить таргетированные объявления ВКонтакте, основываясь на аудиториях полученных в ходе анализа цифровых следов;

- Оценить полученные показатели эффективности таргетированной рекламы;

- Подготовить практические рекомендации по применению полученных результатов в компаниях и для дальнейших исследований.

Теоретической базой исследования послужили работы таких исследователей как Kaplan и Haenlein (2010), Bocconcelli, Cioppi и Pagano (2017), Kwahk и Kim (2016) и ряда других авторов в рамках изучения понятия социальных сетей и их влияния на продажи. Weaver и Gahegan (2017), Fletcher, Griffiths и Kutar (2011) и других, изучающих цифровые следы и их использование. Galeotti и Moraga-Gonzalez (2004), Artamonov (2016), Gironda и Korgaonkar (2014), раскрывающих основные техники использования таргетированной рекламы в социальных сетях.

Для тестирования поставленных гипотез и достижения конечной цели исследования были выбраны следующие методы: анализ и синтез, полуструктурированное интервью, контент-анализ, статистический анализ данных и эксперимент.

В ходе исследования будут собраны пассивные цифровые следы подписчиков журнала Stories ВКонтакте через Open API, которое не требует разрешения на сбор. Таргетированная реклама будет настроена на целевые группы пользователей, основанные на их цифровых следах. Основными показателями эффективности (Key Performance Indicators - далее KPI) использования цифровых следов станут показатели кликабельности объявлений (CTR) и конечные онлайн-продажи. Помимо этого, после проведения рекламной кампании аналитика эффективности будет базироваться и на остальных показателях, представленных в теоретическом обосновании.

Стоит также упомянуть некоторые условия исследования. Первоначально данная исследовательская работа ограничивается изучением цифровых следов и их применимости только в пределах одного журнала Stories, так как существует открытый доступ к источнику данных о продажах за прошлые месяцы и тех людях, кто их совершил. Этот факт приводит к ограничению в исследуемой выборке. Во-вторых, данное исследование ограничено во времени, поэтому изначальный план исследования, предполагающий завершительным этапом - создание фокус-группы для более точного понимания исследовательской проблемы, был исключен. Более того, возможны искажения в данных, содержащих цифровые следы пользователей в социальных сетях, так как информация, публикуемая пользователями в социальных сетях, и действия, совершающиеся ими, могут отличаться от реального положения дел.

Исследовательская работа организована следующим образом: во-первых, в теоретическом обосновании раскрываются ключевые характеристики цифровых следов, таргетированной рекламы и их совокупное влияние на онлайн-продажи. Во-вторых, определяется исследовательская проблема исследования и методология, определяющие дизайн исследования. После - описываются достигнутые в ходе исследования результаты и даются рекомендации для дальнейшего изучения темы.

Объем выпускной квалификационной работы составляет 77 страниц без учета приложений, количество используемых в работе источников - 55, из них 45 написаны на английском языке.



1. Анализ предыдущего исследовательского опыта использования цифровых следов как фактора изменения онлайн-продаж

Исследования цифровых следов по-прежнему относительно скудны. В частности, эффективность использования цифровых следов с целью увеличения онлайн-продаж компании до сих пор изучается на абстрактном и теоретическом уровне. В основном, анализ цифровых следов используют для лучшего понимания своей целевой аудитории, однако крайне мало исследований на тему того, каким образом возможно не только анализировать цифровые следы, но и применять их в практической деятельности компании.

1.1 Маркетинг и онлайн-продажи. Факторы, влияющие на онлайн-продажи

Маркетинг и онлайн-продажи являются связующим звеном в отношениях между компанией и целевыми потребителями её продуктов или услуг. Однако сильное влияние на них оказывают экономические и культурные противоречия внутри компании (Hulland, Nenkov, & Barclay, 2011). Необходимость распределения бюджета таким образом, чтобы у компании были средства на удовлетворение трех из 4P - ценообразования, продвижения и создания и поддержания продукта на конкурентном уровне приводит её к тому, что она находится под постоянным давлением, желая достигнуть заявленных объемов онлайн-продаж (Hulland, Nenkov, & Barclay, 2011). Культурные трения заключаются в неоднородном понимании ценовых позиций компании на рынке. В то время как отдел маркетинга компании отвечает за установку предлагаемых розничных и рекламных цен, продажи имеют последнее слово над транзакционным ценообразованием. Затраты на продвижение также являются предметом споров внутри компании: с помощью маркетинга компания стремится повысить осведомленность клиентов о продукте, в то время как её онлайн-продажи не всегда положительно коррелируют с вложенными средствами.

Кроме того, онлайн-продажи и маркетинг ответственны за последовательность действий и событий (воронку продаж), которая приводит клиентов к покупкам и, как возможное следствие, к появлению постоянных клиентов. Считается, что маркетинг должен взять на себя ответственность за первые четыре шага классической воронки продаж - осведомленность клиентов, узнаваемость бренда, рассмотрение бренда и предпочтение бренда, а отдел продаж - за последние четыре: намерение совершить покупку, покупку, лояльность клиентов и защиту их интересов (Kotler, Rackham, & Krishnaswamy, 2006).

При этом маркетинг напрямую связан с процессом принятия решения о покупке. В том числе совершенно неважно происходит данный процесс онлайн или офлайн (Wang & Katawetawaraks, 2013). На принятие решений о покупках в Интернете влияют два типа факторов: мотивационные и препятствующие (Wang & Katawetawaraks, 2013). С одной стороны с появлением онлайн-шопинга потребители могут проще и быстрее удовлетворять свои желания, с другой - они до сих пор ощущают дискомфорт.

К мотивационным для клиентов относятся такие факторы как:

- Удобство: многие клиенты предпочтут онлайн-магазин многочасовым походам по офлайн-магазинам, так как в Интернете не ограничено время работы магазина, нет большого потока людей, а также можно получить быструю квалифицированную поддержку онлайн-консультанта.

- Информация и контент: из-за невозможности прикоснуться к товару лично, многие онлайн-магазины стараются размещать как можно больше информации о магазине, о товаре, а также всячески поддерживать появление и распространение отзывов в Интернете (eWOM) (Langvinienл & Guobytл, 2014). Влияние онлайн-отзывов на продажи было доказано неоднократно. Например, Roy, Datta и Basu (2017), используя метод контент-анализа, дополненный методом множественной регрессии для анализа 205 онлайн-продаж в режиме реального времени доказали, что появление положительных отзывов приводит к увеличению желания пользователей, прочитавших отзывы, приобрести товар. Также доказано, что оценка других пользователей о том, насколько им был полезен данный отзыв также влияет на желание потенциального потребителя купить товар (Hou et al., 2017). Сюда же входит и секция FAQ (с англ. - Frequently Asked Questions) - использование данного раздела сокращает время ожидания клиента на получение ответа на интересующий вопрос (Ranganathan & Grandon, 2002).

- Доступность товаров или услуг: возможность проверить наличие товара, не выходя из дома, заказ его на дом и онлайн-оплата делают онлайн-магазины все более привлекательными для людей.

- Дизайн сайта: многофункциональный и понятный интерфейс интернет-магазина мотивирует человека просмотреть как можно больше товарных позиций на сайте.

- Цена: многие онлайн-магазины часто проводят распродажи на официальных сайтах, именно поэтому многие клиенты предпочитают дождаться распродажи для снижения цены будущей покупки. Также распространено явление совместных покупок, когда пользователи приобретают больше товара, снижая тем самым общую стоимость, например, доставки товара (Langvinienл & Guobytл, 2014).

К группе препятствующих факторов относятся:

- Безопасность: многие магазины предлагают различные способы онлайн-оплаты - с использованием средств на мобильном телефоне, на онлайн-кошельке или же на дебетовой карте. Однако все они до сих пор уязвимы к взлому со стороны злоумышленников.

- Невозможность прикоснуться к товару: многие клиенты предпочитают сначала рассмотреть товар вживую, прежде чем совершить оплату, они считают, что информации, представленной на сайте, недостаточно для принятия решения.

- Социальный контакт: полное отсутствие живого общения влияет на нежелание клиента приобретать товар во многом из-за трудности принятия единоличного решения.

- Недовольство интернет-магазином: неудачный опыт предыдущих покупок в интернет-магазинах также препятствует желанию клиента совершить онлайн-покупку.

В дополнение к вышенаписанному на процесс-принятия решения об онлайн-покупке влияют и персональные факторы такие как возраст, пол, финансовые возможности, стиль жизни и другие (Rehman et al., 2002).

Так, при построении маркетинговой стратегии, ориентированной на онлайн-продажи, необходимо нивелировать препятствующие факторы и сделать упор на мотивационные. Однако вопрос того, что мотивирует пользователей совершать покупки в Интернете до сих пор остается недостаточно изученным. Развитие социальных сетей позволило потребителям совершать покупки напрямую в сообществах, минуя переходы на официальный сайт компании, и тем более - не совершая покупки офлайн. В данной работе будет изучено как использование информации о своей целевой аудитории ВКонтакте может привести к увеличению онлайн-продаж компании в официальном сообществе компании в социальной сети ВКонтакте. Стоит учитывать то, что на процесс принятия решений возможно будут влиять упомянутые выше факторы. В следующей части будет рассмотрено влияние использования цифровых следов на онлайн-продажи в социальных сетях компании, основываясь на цифровых следах пользователей.

1.2 Влияние использования цифровых следов из социальных сетей на онлайн-продажи

Социальные сети начали завоёвывать популярность в Интернете только после 1995 года. Тогда трудно было представить, что они достигнут такого влияния, которое имеют спустя 20 лет. На сегодняшний день только число активных пользователей Facebook уже превышает 128 миллионов человек (Gopal, 2014).

Социальные сети стали абсолютно новым маркетинговым инструментом как для малых компаний, так и для крупных корпораций, позволяя им говорить со своими реальными и потенциальными клиентами на одном языке в привычной для них среде. В отличие от многих других способов продвижения эффективность социальных сетей возможно измерить, и они не требуют больших вложений денег или времени.

Gopal (2014, c. 321) определял социальные сети как «группу интернет-сайтов, построенных на идеологическом и технологическом фундаменте Веб 2.0, которые позволяют создавать и обмениваться личным контентом». Рассматривая отчет аналитической компании Nielsen за 2016 год, можно говорить о том, что интернет-пользователи проводят в социальных сетях большее число времени, чем на любых других сайтах (Casey, 2017).

Возвращаясь к влиянию социальных сетей на продажи компании, отметим, что нет одного доступного инструмента, который позволил бы любой компании точно измерить рациональность вложенных в продвижение в социальных сетях средств. Каждая компания самостоятельно выбирает цели, которые планирует достичь с использованием социальных сетей, а также решает для себя каким способом будет замерять эффективность и использовать данную информацию для корректировки бюджета на продвижение.

Основываясь на ранее опубликованных исследованиях, изучающих взаимосвязь социальных сетей и онлайн-продаж, можно говорить о том, что потребители готовы вести торговлю через социальные сети (Anderson et al., 2010). Однако данный вывод не дает никаких указаний к тому, как компания должна вести себя в социальных сетях, чтобы увеличить свою прибыль. Bocconcelli, Cioppi и Pagano (2017, с. 700) также отмечали, что «социальные сети предоставляют множество инструментов, которые могут помочь компании на различных ступенях процесса продаж». Dinner, Heerde и Neslin (2014) успешно доказали, что онлайн-объявления, размещаемые в Интернете (в том числе и социальных сетях) влияют как на онлайн, так и как офлайн-продажи. Однако, до сих пор не изучено какой процент людей принял решения о покупке, опираясь на рекламу, а какой - независимо от рекламных объявлений. Одно из немногих количественных исследований на тему использования социальных сетей провели Mikalef et al. (2012). Анализируя данные опроса, они установили, что использование социальных сетей действительно приводит к увеличению онлайн-продаж компании. Публикация их работы стимулировала фирмы, которые не решались инвестировать маркетинговый бюджет в социальные сети пересмотреть свои взгляды. Также, было установлено, что пользователи в социальных сетях охотно делятся своими приобретениями, что приводит к появлению интереса у потенциальных клиентов. Так, компании должны быстро реагировать на любые мнения о товаре, потому что один негативный отзыв может оттолкнуть значительное число потенциальных покупателей. Kwahk и Kim (2017) доказали, что социальные сети существенно влияют на конечный результат электронной торговли двумя способами: косвенно - через построение доверия к онлайн-продавцу и прямолинейно - на прибыль компании. В то же время Dehghani et al. (2016) в ходе проведения опроса среди 378 студентов доказали, что объявления в социальной сети Youtube действительно влияют на желания потребителя приобрести товар или услугу. Kim и Kim (2018) в исследовании, основанном на использовании открытых API Facebook и Twitter отметили, что однопроцентное увеличение количества лайков на Facebook и твитов в Twitter о продукте приводит, в среднем, к увеличению продаж в Интернете на 0,32% и 0,13% соответственно.

Исследователи вопроса зависимости использования цифровых следов в социальных сетях и продаж не могли не использовать открытые API данные, предлагаемые компанией Twitter. Так, Lassen и Madsen (2014) собрали базу из более чем 400 миллионов твитов, содержащих слово «iPhone» в период с 2007 по 2013 года. Используя линейную регрессию, они обнаружили, что с помощью данной социальной сети действительно есть возможность предсказывать будущие продажи компании.

Dehghani и Tumer (2015) в ходе исследования, определяющего эффективность рекламы в социальной сети Facebook, установили, что данная социальная сеть поощряет рекламодателей, которые готовы вкладывать бюджет на анализ поведения потенциальных клиентов и предоставления для них специального предложения. Так, настраивая рекламу индивидуально для каждых сегментов своей целевой аудитории, можно добиться большего эффекта, утверждали исследователи. Это еще раз подтверждает деформацию рекламы из «рекламы для всех» в целевую.

Ahn и Spangler (2014) представили собственное исследование на тему прогнозирования продаж по социальным сетям. Исследователи, используя систему Кобра (с англ. - COrporate Brand and Reputation Analysis), собрали и проанализировали контент пользователей в блогах и социальных сетях относительно тематики автомобилей «седан». Так, в ходе анализа выяснилось, что различные ключевые слова в рекламных объявлениях могут снижать или повышать желания пользователя приобрести автомобиль.

Тем не менее, несмотря на благоприятные перспективы использования социальных сетей как стратегического инструмента для получения конкурентного преимущества, ряд исследований показали, что во многих случаях компании, которые стали использовать социальные сети в маркетинговом продвижении, не имея четкой формулировки плана действий, не только не смогли повысить свою прибыль, но и понесли убыток (Fournier & Avery, 2011). До сих пор недостаточно научной литературы, изучающей вопрос позиционирования и корректного использования рекламы в социальных сетях компанией для конвертации потраченных усилий в офлайн- и онлайн-продажи. Большинство статей основываются на экспертном мнении или маломасштабных качественных исследованиях на ограниченной выборке (Kaplan & Haenlein, 2010). Результаты предыдущих исследований безусловно показывают корреляцию использования социальных сетей и онлайн-продаж, однако до сих пор существует нехватка количественных исследований на тему использования социальных сетей, особенно в пределах России. Также все исследования если и показывают корреляцию, то не дают точных статистических прогнозов.

Стоит отметить, что в России до сих пор недостаточно количественных исследований, изучающих использование цифровых следов полученных из самой крупной социальных сети в стране - ВКонтакте, хотя социальная сеть открыто предоставляет данные API, которые позволяют получить базу цифровых следов пользователей (Патов, 2015). В данной исследовательской работе будет рассмотрен вопрос использования цифровых следов из ВКонтакте в таргетированной рекламе с целью изучения их влияния на онлайн-продажи компании Stories. В следующей части будет рассмотрено, каким способом можно получить необходимые для анализа данные.

1.3 Цифровые следы: понятие и основные характеристики

Достижения в области технологий и рост популярности социальных сетей приводят к революции в Интернете, следствием этого явления является таргетирование пользователей на основе их предпочтений. Пользователи социальных сетей больше не хотят видеть рекламу, которая им неинтересна, активно делятся своими впечатлениями о товарах или услугах на личных страницах, пишут онлайн-блоги, публикуют фотографии, читают статьи, а также следят за развитием любимых брендов, не покидая социальные сети. Персональная информация становится цифровой, а люди параллельно проживают две жизни - онлайн и офлайн. Тем самым, данная тенденция позволяет с большой точностью предсказать поведение потребителя офлайн, опираясь на его действия в онлайн-среде, в течение которых он оставляет цифровые следы (с англ - digital footprints).

Единого понимания того, что представляют собой цифровые следы нет. Так, каждый раз исследователи корректируют определение цифровых следов пользователей. Weaver и Gahegan (2007, с. 333) определяли цифровые следы как «все, что пользователи транслируют в Интернет о своей жизни». П. Невоструев (2017, с. 299) под цифровыми следами понимал «совокупность информации о посещениях и вкладе пользователя во время пребывания в цифровом пространстве. Они могут включать в себя информацию, полученную из Интернета, мобильного Интернета и телевидения». Акцентируя внимание на том, как собираются цифровые следы пользователей, Fletcher, Griffiths и Kutar (2011) определяли «цифровой след» как «данные в реальном времени, генерируемые в отношении идентифицируемого человека». Любое отдельное событие данных (например, отправка электронной почты или вход в учетную запись Facebook), создаст цифровой след. Подтверждая этот факт, Thatcher (2014, с. 1771) заявлял, что «цифровые следы относятся к информации, которая вызвана действиями, которые люди уже предприняли». Дополняя сказанное, Malhotra et al. (2013, с. 50) определяли цифровые следы пользователя как «набор всей (личной) информации, связанной с человеком, которая либо предоставляется непосредственно пользователем, либо извлекается путем наблюдения за взаимодействием пользователя с сервисом». Данный термин также включает в себя все цифровые следы, оставленные в Интернете на первых четырех этапах процесса принятия решений (воронки продаж) в онлайн-покупках.

Так, любые действия пользователя оставляют цифровую тень (с англ. - digital shadow) в цифровом пространстве, которая содержит все сайты, на которые заходил пользователь, файлы-куки, IP адрес пользователя, место его расположения, время захода на определенный сайт и другие действия (Fulton & McGuinness, 2016).

Различают два основных вида цифровых следов: пассивные и активные (Onder, Koerbitz & Hubmann-Haidvogel, 2014). Активные действия представляют собой активные действия пользователей в Интернет-пространстве, при этом пользователи подтверждают свое согласие на сбор их действий на том или ином сайте. Пассивные цифровые следы, напротив, собираются без ведома пользователей либо самим сайтом, либо с помощью сторонних сервисов. Информация о сборе цифровых данных пользователей в таком случае не разглашается, что может вызвать этический конфликт среди пользователей, если бы они узнали об этом факте.

Цифровые следы включают в себя все цифровые элементы такие как цифровая информация человека (интересы, возраст и прочее), цифровые активы (фотографии, текстовые документы), цифровые счета (PayPal, QIWI) и цифровая недвижимость (Varnado, 2014). Цифровые следы также могут быть довольно необычными, например, денежными накоплениями в онлайн-игре.

В то же время цифровые следы могут не давать конкретной информации о человеке, а лишь являться средством доступа к таким элементам как, например, электронная почта человека, учетные записи в социальных сетях и прочее. С развитием интернет-пространства регистрация на различных сайтах и платформах возможна теперь не только через электронную почту, но и через самые популярные социальные сети, которые хранят большое количество электронных данных о человеке. Так, регистрируясь через социальную сеть при покупке одежды в Интернете, интернет-магазин получает полный доступ к всем файлам, которые человек размещает в личном аккаунте. Это позволяет компании более детально изучить целевую аудиторию по её цифровым следам, а также осуществлять с ней взаимодействие вне сайта после завершения покупки.

Существуют различные способы масштабного сбора цифровых следов для исследований (Rieder, 2013). Одним из них является использование программ-краулеров (от англ. - crawling), которые могут собирать открытые данные из любых источников в Интернете, в том числе социальных сетей, подключаясь через интерфейс социальных сетей (API - Application Programming Interface) и работающие внутри него или с помощью сторонних сервисов (Ледовая, Тихонов & Боголюбова, 2017).

Например, для прохождения опроса в Интернете, пользователь регистрируется на сайте, используя одну из социальных сетей, в дальнейшем - пользователь получает результаты опроса, а компания - доступ к цифровым следам пользователей, включая закрытые от посторонних людей записи (статусы или посты), фотоальбомы и личную переписку. Данные, собранные данным способом, лишены ряда методологических недостатков, при этом сохраняют все положительные стороны офлайн-исследований. В России однако данные автоматические сервисы не имеют широкого распространения и бесплатного доступа, именно поэтому для сбора цифровых следов в ходе данной работы будет вручную написан специальный алгоритм на Python.

Помимо сбора данных через API только одной компанией, различные сервисы также имеют доступ к пользователям социальных сетей. Пытаясь помешать этому, социальные сети начинают активно защищать права пользователей, закрывая доступ к API. Так, в недавнем официальном сообщении Facebook говорится о том, что социальная сеть Instagram, принадлежащая компании, закрывает API с 31 июля 2018 года (Gummadi, 2018). А это означает, что различные сторонние сервисы статистики, аналитики, массфолловинга и масслайкинга больше не смогут использовать API пользователей для использования их цифровых следов в своих целях. Социальная сеть аргументирует данное положение тем, что, отключая сторонние сервисы от Facebook, она сможет более детально настраивать таргетированную рекламу на пользователей, основанную на их цифровых следах.

Широкое распространение и огласку за рубежом получили сервисы, использующие открытые API пользователей - «Mypersonality.org» и «World Well-Being Project» (Ледовая, Тихонов & Боголюбова, 2017). В них используются цифровые следы пользователей социальных сетей Facebook и Twitter. Создатели запустили программу, которая позволяла людям участвовать в заполнении любого количества из примерно двух десятков распространенных психологических опросников, возвращающих им обратную связь с результатами через социальные сети. Суммарно более 7,5 миллионов уникальных пользователей заполнили опросники, что позволило группе исследователей собрать большое количество их цифровых следов. Исследователи и руководители социальных сетей дают возможность использовать полученные данные для будущих исследований по запросу.

Сложность вызывает то, что данные, полученные через API, зачастую плохо структурированы, что вызывает сложности в обработке. Также они имеют формат, которые не могут автоматически импортироваться в статистические пакеты (Golder, Wilkinson & Huberman, 2007).

Помимо этого значимыми недостатками сбора данных через API являются (Ледовая, Тихонов & Боголюбова, 2017):

- Невозможность контролировать факторы внешней среды;

- Искажение личной информации пользователя такой как пол, возраст, страна проживание и другие;

- Поднятие вопросов исследовательской этики в онлайн-среде.

Вторым способом получения цифровых следов является так называемое «пожертвование данных» (c англ. - data donations). Например, социальная сеть Twitter передала свой полный архив данных пользователей в Библиотеку Конгресса. Данные, полученные таким образом, как правило, очень большие и хорошо структурированные, но часто анонимизированные или агрегированные. Партнерство с владельцем платформы или компанией, безусловно, является единственным (законным) способом получения доступа ко всем собранным данным, по крайней мере теоретически (Rieder, 2013). Так, компания или платформа предоставляют исследователю полный пакет необходимых цифровых следов, которые необходимы для проведения анализа. Некоторые исследователи договорились с сотрудниками компании Facebook, чтобы иметь доступ к анонимным данным частных пользователей для исследовательских целей. Так, например, Golder, Wilkinson и Huberman (2007) в своем исследовании доказал, что личные сообщения от тех, пользователей, которые не состоят в друзьях у определенного человека, приходят в ночные часы. Также имели место быть случаи, когда некоторые исследователи сотрудничали с собственной внутренней исследовательской группой Facebook для анализа частных данных, а также проведения крупномасштабных экспериментов.

Одним из масштабных примеров грамотного использования цифровых следов в таргетированной рекламе стала предвыборная компания Дональда Трампа, которая во многом способствовала его победе на выборах президента США (Добрынин, 2016). Маркетологи основывались на том, что «людям с разным складом характера стоит по-разному преподносить мнение кандидата» (Добрынин, 2016). С помощью анализа цифровых следов пользователей в социальных сетях им удалось найти неочевидные паттерны и использовать их для таргетированной рекламы в Интернете. Так, реклама, показываемая пользователям смогла донести до них тот факт, что Трамп знает об их проблемах.

Социальные сети активно самостоятельно используют цифровые следы пользователей, помогая маркетологам настраивать таргетированную рекламу, не анализируя вручную целевую аудиторию. Данный способ определяют как ретаргетинг или способ показать продукт или услугу пользователю, который уже взаимодействовал с ней ранее (Lambrecht & Tucher, 2013). В рекламном кабинете ВКонтакте под ретаргетингом также понимают базы людей, который загружаются вручную списками из сторонних сервисов.

Возвращаясь к выбору одного из подходов к получению данных для анализа, стоит отметить, что социальная сеть ВКонтакте, на платформе которой будет проходить данное исследование, предоставляет доступ к Open API, с помощью которых возможно получить данные о всех открытых действиях пользователя без его разрешения. В следующей части будет рассмотрено каким образом будут использованы полученные цифровые следы в аспекте применения их к социальной сети ВКонтакте.

1.4 Применение цифровых следов в таргетированной рекламе и показатели оценки их эффективности

Сегодня фирмы обладают беспрецедентной и быстро совершенствующейся способностью обнаруживать детали о физических лицах и показывать им рекламу на основе этой информации. В этом им во многом помогают цифровые следы, которые оставляют пользователи в Интернет-пространстве. Хотя фирмы воспринимают получение дополнительной информацией о потребителях как положительную сторону их взаимодействия, некоторые потребители, считают рекламу в Интернете, в том числе и в социальных сетях, раздражающей и нарушающей их конфиденциальность (Johnson, 2013). Следовательно, широкое распространение получают различные программы и методы, которые позволяют потребителям избежать рекламы такие как проверенные временем игнорирование объявлений или смена каналов во время рекламных роликов до современных - блокировки онлайн-рекламы с помощью различных блокировщиков, фильтрации электронной почты и другие.

Затрагивая тему целесообразности использования таргетированной рекламы, стоит отметить, что Galeotti и Moraga-Gonzalez (2004) определили, что если фирмы ориентируются на отдельные группы потребителей, то их прибыль растет. Iyer, Soberman и Villas-Boas (2005) также показали, что целевая таргетированная реклама менее расточительная из всех видов рекламы и приводит фирмы к более высокой прибыли.

Рисунок 1 иллюстрирует процесс принятия решения об онлайн покупке, на который оказывает влияние таргетированная реклама в социальных сетях (Koskinen, 2017). Стоит отметить, что хотя уже доказано, что таргетированная реклама влияет на продажи, до сих пор неизвестно на каком именно этапе процесса принятия решения это происходит.

Таргетированную рекламу можно определить как «рекламу с возможностью настройки контента для аудитории» (Артамонов, 2017, с. 55). Данные собираются от пользователей в соответствии с их поведением и интересами (Koskinen, 2017). Говоря о принципе настройки таргетированной рекламы, её определяют как «рекламу для потенциальных клиентов, которая содержит то, что они уже просматривали ранее» (Li, Lin & Chiu, 2014, с. 111). Так, потенциальным клиентам показывается та реклама, которая содержит только необходимую информацию, повышая готовность человека к совершению покупки.

Рис. 1. Влияние таргетированной рекламы в социальных сетях на процесс принятия решения об онлайн-покупке

Считается, что таргетированная реклама имеет показатели заметно выше, чем реклама, ориентированная на широкие массы людей, большинство из которых не знают и не заинтересованы компанией, ее товарами или услугами (Тультаева et al., 2014). В случае же с таргетированной рекламой возникает «эффект адресности». Другими словами, таргетированная реклама имеет своей целью донести информацию только до заинтересованной аудитории. Исследование социальных сетей подчеркивает роль потребителей и повышенную мобильность, так как реклама в социальных сетях обеспечивает более высокую вовлеченность, актуальность и результативность целевых результатов по сравнению с «традиционной» (Gironda & Korgaonkar, 2014). Потребители воспринимают рекламу в социальных сетях как информативную и занимательную. Они также отмечают, что данный вид рекламы в социальных сетях положительно влияет на их отношение к рекламе в социальных сетях в целом (Taylor, 2009).

Оплата такой рекламы производится как за клики (CPC), так и за показы на страницах социальных сетей (CPM), но в большинстве случаев это выгоднее традиционных форм рекламных коммуникаций.

Так, как уже было сказано, таргетированная реклама основывается на предпочтениях пользователей. Их можно узнать из личного аккаунта пользователя или его друзей (Li, Lin & Chiu, 2014). Социальные сети уже разработали рекомендательные системы на основе извлеченной информации, которые значительно упрощают настройку таргетированной рекламы.

Первопроходцем в области таргетированной рекламы является социальная сеть Facebook. Помимо перечня стандартизированных «основных» интересов пользователей, Facebook также запустил рекламу, которая помогает рекламодателям показывать объявления пользователям на основе демографических факторов, таких, как местоположение, возраст или пол, и которые могут в дальнейшем привлечь аудиторию путем включения социального контекста в рекламные объявления (Constine, 2010). Социальный контекст - это небольшой фрагмент текста, который показывает, каким друзьям «понравились» страница, событие или приложение, связанные с объявлением (Li, Lin & Chiu, 2014). Социальный контекст объявлений основывается на данных, которые социальная сеть собирает по лайкам друзей пользователя.

Настройка таргетированной рекламы также возможно в таких социальных сетях как Instagram, ВКонтакте, Одноклассники. Интересным также является тот факт, что реклама в социальной сети Instagram настраивается через Facebook Ads (рекламный кабинет Facebook), так как социальная сеть принадлежит данной компании. Реклама в Одноклассниках настраивается через рекламный кабинет MyTarget, принадлежащий компании Mail.ru. Настройка таргетированной рекламы ВКонтакте происходит через рекламный кабинет, встроенный в данную социальную сеть.

Система показа рекламных объявлений строится по принципу аукциона: во ВКонтакте и Одноклассниках - по стоимости, в Facebook и Instagram - по итоговой ценности объявления для пользователей (Лужнова, Береговая & Тарануха, 2017).

Залог успеха таргетированной рекламы - правильный выбор целевой аудитории. Именно поэтому при создании соответствующей рекламной кампании необходимо уделить особое внимание настройке параметров аудитории, которой будет показываться рекламное объявление. Чем точнее будет определена целевая категория пользователей, тем эффективнее будут результаты рекламной кампании. При создании объявления важно выполнить все правила и требования социальной сети, для которой оно предназначается, в противном случае - объявление может не пройти модерацию (Филькин, 2014).

В данной работе будет рассмотрена таргетированная реклама ВКонтакте, поэтому стоит отметить отличительные черты настройки аудитории именно в данной социальной сети. В отличие от Facebook и Instagram, которые не разрешают собирать данные о пользователях сторонними сервисами для настройки таргетированной рекламы ВКонтакте предоставляет информацию о пользователях через API различным сервисам, называемыми в кругу маркетологов «парсерами». Данные программы-краулеры представляют собой платформы для сбора, анализа и очистки целевой аудитории от ботов. К «парсерам» относятся такие программы как Target Hunter, Церебро, Pepper.ninja и другие. Каждая из программ имеет свой функционал и отличительные способности, в совокупности позволяющие отфильтровать именно ту необходимую целевую аудиторию, которой будет показана таргетированная реклама. Далее списки людей, полученные с помощью анализа на данных платформах загружаются в раздел «Аудитории» в рекламном кабинете ВКонтакте, позволяя рекламодателям показывать различные объявления для каждой целевой группы пользователей. Помимо этого рекламный кабинет ВКонтакте постоянно выпускает обновления, постепенно стараясь предоставить рекламодателям возможности для поиска целевой аудитории и настройки таргетированной таргетированной рекламы исключительно внутри социальной сети. Так, возможности рекламного кабинета ВКонтакте уже позволяют использовать стандартные интересы пользователей, которые они указывают на странице, фильтровать их по местоположению, возрасту, образованию или должности, подпискам на другие сообщества или на сообщество рекламодателя, операционной системе или устройству, с которых заходит пользователь. Таким образом, социальная сеть самостоятельно анализирует некоторые цифровые следы пользователей, предлагая возможности для настройки таргетированной рекламы. Однако функционал сети все еще не позволят воспользоваться каждым цифровым следом, который оставляет пользователь на личной странице. Именно поэтому данное исследование должно выявить интересные паттерны (взаимосвязи) между цифровыми следами пользователей, подписанных на основной аккаунт журнала Stories в социальной сети ВКонтакте, и предшествующими онлайн-продажами через ВКонтакте, использование которых в последствии в таргетированной рекламе, должно привести к изменению онлайн-продаж компании.

Различают три основных типа таргетированной рекламы в социальных сетях (Gold, 2015):

- Таргетирование по аудитории. Данный вид представляет собой комбинацию нескольких методов таргетирования: по поведению, ретаргетинг, контекстный таргетинг, демографический и географический таргетинг. Данный вид таргетированной рекламы работает автоматически в реальном времени, позволяя оценить целевые показатели рекламы. В данной работе именно таргетирование по аудитории будет использовано при анализе влияния использования цифровых следов на онлайн-продажи с применением таргетированной рекламы.

- Таргетирование по поведению. Таргетирование по поведению - это только часть таргетирования по аудитории, однако его можно использовать и как индивидуальный метод. Таргетирование по поведению основывается на онлайн-поведении людей с помощью анализа цифровых следов, говорящих о поведении человека.

- Таргетинг, основанный на регистрационных данных пользователя. При регистрации в любой социальной сети пользователь предоставляет такие открытые данные как пол, возраст, место проживания, Ф.И.О. и прочие. Именно они и составляют основу данного вида таргетинга.

Эффективность таргетированной рекламы в социальных сетях зависит от множества различных аспектов. По словам Taylor, Lewin и Strutton (2011) наиболее эффективной рекламой в социальных сетях является занимательная, впечатляющая друзей, обеспечивающая необходимую информацию или повышающая самооценку потребителя реклама. Если объявления не соответствуют потребности и мотивации потребителей они, скорее всего, будут восприниматься негативно. Наиболее ценными являются рекламные объявления в социальных сетях развлекательного или познавательного характеров. Кроме того, компании, которые могут «размыть линию» между рекламой и другим контентом в социальных сетях, обладают преимуществом над другими. Эти же выводы поддерживают Gironda и Korgaonkar (2014), констатируя, что позитивный настрой и удовлетворение потребностей влияют на тенденцию повышения кликабельности таргетированной рекламы.

Таргетированная реклама является лишь одним видом онлайн-рекламы, которую можно оценить по следующим ключевым показателям эффективности (KPI - Key Performance Indicators) (Красуля, 2016), (Silva, 2010), (Kruise, 2018):

- Коэффициент кликабельности (Click-Through Rate - CTR) - является самой популярной метрикой при оценке результативности онлайн-рекламы. Его вычисляют отношением числа кликов к количеству показов, умноженным на 100 процентов. Использование данной метрики, как единственного метода для оценки эффективности ошибочно, так как она не может показать реальную популярность товара среди клиентов. Однако она является хорошим инструментом, если необходимо понять, какая информация привлекает внимание клиента, какой формат рекламного сообщения имеет наибольшее число кликов при наименьших затратах. Чем ближе значение данного показателя к 1, тем рекламу целесообразнее продолжать.

- Показатель качества (Quality Score - QS). Данный показатель применяется в таких социальных сетях как Facebook и ВКонтакте и говорит о том, насколько релевантен ваш рекламный контент, используя такие метрики как CTR и другие переменные производительности, которые не публикуются в открытую. Рекламодателям трудно понять оценку качества, потому что она рассчитывается сложнее, чем другие легко измеряемые ключевые показатели эффективности, например, клики. Поэтому в данном показатели стоит полностью полагаться на 10-бальную оценку вашего объявления социальной сетью (актуально для ВКонтакте). Метрика ранжируется в интервале от 1 до 10, где 10 - наилучший показатель качества таргетированной рекламы.

- Конечная стоимость клика (Cost Per Click - CPC). Как правило, у рекламодателей заранее определен бюджет на каждую таргетированную рекламную кампанию. Однако, хотя они определяют бюджет и ставку при настройке кампании, это не означает, что это то, что они будут платить. Конечная стоимость размещения определяется ставками конкурентов на аукционе. Чем выше они ставят - тем выше будет стоить и каждое ваше таргетированное рекламное объявление. Конечная стоимость клика - это то, сколько рекламодатель заплатил в итоге после проведения рекламной кампании. CPC измеряется с помощью деления общей стоимости рекламной кампании на количество кликов по объявлению в данной кампании. В России измеряется в рублях.

- Стоимость за конверсию или приобретение (Cost-Per-Action - CPA). CPA - это цена, которую рекламодатель платит за каждого нового клиента, которого приобретает компания. Данная метрика рассчитывается путем деления общей стоимости конверсий (привлечения новых клиентов) на количество конверсий (количество целевых действий). В России измеряется в рублях.

- Конверсия онлайн-продаж - показывает, какая доля тех, кто увидел таргетированную рекламу заинтересованы в приобретении товара (кликнули на объявление и приобрели товар). Данная метрика является одной из самых важных, потому что повышение конверсии прямо коррелирует с продажами. Данная метрика рассчитывается путем деления количества продаж товара в социальной сети на количество целевых действий в социальной сети. Измеряется в процентах.

- Прирост подписчиков в аккаунте. Также является важным показателем, ориентированный скорее на длительное взаимодействие с клиентом. Если человек, переходя по рекламной ссылке, подписывается на компанию в социальных сетях, то ему интересно наблюдать за развитием бренда, что в дальнейшем может привести к совершению им покупок. Измеряется в количестве новых подписчиков.

- Объем онлайн-продаж. Итоговый показатель для коммерческих рекламных таргетированных кампаний, показывающий, сколько покупок совершили пользователи, увидевшие рекламу. Измеряется в количестве проданных товаров или услуг.

- Негативная обратная связь (Negative Feedback). Социальные сети позволяют скрывать таргетированную рекламу, нажав на кнопку о том, что она неинтересна, неприятна или по иным причинам у пользователя возникло желание отказаться от просмотра подобных объявлений. ВКонтакте предоставляет расширенную статистику по скрытиям как всей рекламы компании, так и отдельно каждого объявления. Для сокращения издержек будущей рекламной кампании необходимо убрать данных пользователей из выборки целевой аудитории.

- Возврат инвестиций (Return Of Investment - ROI). Применительно к рекламе коэффициент возврата инвестиций измеряется как отношение финансового результата (прибыли от дополнительных продаж) к затратам на рекламную деятельность. ROI рассчитывается как отношение разности дохода и себестоимость к сумме вложенных инвестиций. Выражается в процентах. Его главным преимуществом являются согласованность с целями бизнеса и возможность сравнивать инвестиции в рекламу с другими видами инвестиций (обучение персонала, совершенствование материально-технической базы и другими).

Так, в данной работе итоговая оценка целесообразности и результативности использования цифровых следов пользователей в таргетированной рекламе будет проведена по приведенным выше показателям и показателю онлайн-продаж за период проведения рекламной кампании ВКонтакте.

Таким образом, практическая применимость цифровых следов в маркетинге недостаточна изучена, однако их число в социальных сетях растет ежедневно. Именно поэтому данная работа является актуальной в сфере Интернет-маркетинга. Исследование будет опираться на теоретическое основание, основываясь на показателях KPI как главных доказательствах влияния цифровых следов на онлайн-продажи компании.



2. Постановка исследовательской проблемы

После анализа теоретического обоснования становится очевидным недостаточное количество исследований, посвященных изучению взаимосвязи цифровых следов и конечных онлайн-продаж компаний. В ходе данной работы будет изучена исследовательская проблема целесообразности применения цифровых следов в таргетированной рекламе с целью изменения онлайн-продаж компании. Данное исследование является одним из первых русскоязычных исследований, базирующимся на социальной сети ВКонтакте. В ходе исследования будут собраны пассивные цифровые следы пользователей исключительно в данной социальной сети через Open API, которое не требует разрешения на сбор. Таргетированная реклама будет настроена на группы пользователей, основанные на их цифровых следах. Будет использована таргетированная реклама по аудитории. Основными показателями эффективности (KPI) использования цифровых следов станут показатель кликабельности объявлений (CTR) и конечные онлайн-продажи. Помимо этого, после проведения рекламной кампании аналитика эффективности будет базироваться и на других показателях, приведенных в теоретическом обосновании.

Для достижения поставленной цели я буду следовать дизайну исследования, состоящему из двух основных этапов:

- Разведывательный (exploratory) этап исследования. В ходе данного этапа исследования будет проведено полуструктурированное интервью с определенной выборкой людей, состоящей из читателей журнала Stories. Данный этап представляет собой разведывательный этап исследования, необходимый для верного планирования конфирматорного этапа - эксперимента. Цель разведывательного этапа - выявить как люди реагируют на таргетированные объявления в общем, какие цифровые следы оставляют после себя.

- Конфирматорный этап исследования. Квазиэксперимент. Вторым шагом эмпирического исследования станет сбор цифровых следов и их анализ, основная цель которого выявить паттерны и взаимосвязи между цифровыми следами пользователей и выявить их корреляцию с прошлыми онлайн-продажами. На основе полученных данных в дальнейшем будут построены таргетированные рекламные объявления. Далее - данные объявления будут запущены в формате таргетированной рекламной кампании в социальной сети ВКонтакте. По мере того, как объявления будут показываться целевым пользователям, будет проведено A/Б тестирование (форма квазиэксперимента) по каждой рекламной кампании, цель которого выявить целевые сегменты аудитории. Конечным пунктом данного шага станет анализ показателей онлайн-продаж, которые были достигнуты за время проведения рекламной кампании.