Источники и приёмники данных
Управление аудиториями
Отрасли
FMCG
Телекоммуникации
Автомобильный бизнес
E-commerce
Медиа
Фарма
Аудитории
Маркетинг
Продуктовые команды
Аналитики
Кейсы
Оптимизация ретаргетинга
Единый профиль пользователя
Анализ CJM
Персонализация омниканальных коммуникаций
Повышение LifeTIme Value
Централизация и унификация информации о клиенте
Управление аудиториями
Отрасли
FMCG
Телекоммуникации
Автомобильный бизнес
E-commerce
Медиа
Фарма
Аудитории
Маркетинг
Продуктовые команды
Аналитики
Кейсы
Оптимизация ретаргетинга
Единый профиль пользователя
Анализ CJM
Персонализация омниканальных коммуникаций
Повышение LifeTIme Value
Централизация и унификация информации о клиенте
Документация

Оптимизация дилерского маркетинга для автомобильного вендора

Категория: кейс

Дата выхода статьи: 25.07.2024

Время прочтения: 3 минуты

Клиент

Японский автомобильный дилер

Задача

Ведущий автомобильный производитель, работающий с сетью дилеров, стремился интегрировать все данные о посетителях своих сайтов в единую систему. Вендор хотел отслеживать поведение пользователей на сайтах дилеров, чтобы более эффективно управлять маркетинговыми кампаниями и персонализировать клиентский опыт.

Решение

Мы разработали решение, которое помогло вендору собрать и анализировать данные о поведении пользователей на сайтах дилеров, используя трехмерную модель анализа:
  1. Вероятность конверсии (ось X): Сначала определялось, какая модель автомобиля интересует пользователя. Это делалось на основе среднего времени, проведенного на странице каждой модели.
  2. Конверсионные действия (ось Y): Мы отслеживали действия, которые пользователи совершали на сайте, такие как использование конфигуратора, просмотр кредитных условий или заказ тест-драйва. Эти действия повышали вероятность конверсии.
  3. Личные характеристики (ось Z): Анализировались особенности поведения пользователей. Например, если пользователь интересовался характеристиками большого багажника, это указывало на его интерес к семейным автомобилям. Если же он изучал скоростные характеристики, это указывало на предпочтение спортивных автомобилей.

Решение

На основе этой трехмерной модели профилирования мы разработали стратегии умного ретаргетинга и персонализации:
  1. Персонализированные баннеры: В зависимости от вероятности конверсии и предпочтений пользователя показывались релевантные объявления. Например, любителям спортивных автомобилей предлагался тест-драйв с баннером, изображающим красную спортивную машину.
  2. Кросс-канальная частота: Мы отслеживали, сколько раз и в каких каналах пользователи видели рекламу, чтобы избежать повторного показа и оптимизировать расходы на рекламу.
  3. Сбор медиаданных: Интеграция данных позволяла видеть, какие объявления уже были показаны пользователю, и корректировать стратегии показа для достижения максимального охвата.
Результат
Наше решение позволило вендору более точно понимать интересы и поведение пользователей, что привело к значительному увеличению конверсий и улучшению эффективности рекламных кампаний. Вендор был доволен результатами и отмечал значительное улучшение в управлении маркетинговыми активностями.
Хотите усилить ваш маркетинг?
Пишите! Проведем консультацию и расскажем какие кейсы можно внедрить в ваш бизнес!