Как доказать, что AR-реклама увеличивает продажи в офлайне
Маркетологи активно используют дополненную реальность. Бренды запускают AR-маски, предлагают виртуально примерить кроссовки и оживляют наружную рекламу.
freepik.com
За ростом вовлеченности следует вопрос от бизнеса: как эти активности влияют на продажи в офлайн-магазинах? Стандартные цифровые метрики вроде просмотров или числа активаций не дают ответа. Это создает «слепую зону» в аналитике и заставляет сомневаться в окупаемости инвестиций в канал.
Чтобы доказать ценность AR-рекламы, нужен другой подход к анализу. Необходимо построить комплексный фреймворк, который свяжет данные о качестве взаимодействия пользователя с AR и сведения из офлайн-мира: CRM, программы лояльности, геоаналитику. Такой метод позволяет оценить влияние виртуального контакта на решение о покупке. Он превращает дополненную реальность из имиджевого инструмента в измеримый канал продаж.
Почему для AR не работают классические модели атрибуции
Привычные маркетологам модели атрибуции не подходят для оценки дополненной реальности. AR это не баннер и не видеоролик, а путь клиента здесь нелинеен. Представьте, что человек увидел рекламу на билборде, а через неделю зашел в магазин и купил товар. Сложно однозначно утверждать, что именно билборд привел к покупке. Схожая ситуация возникает и с AR.
Классические подходы вроде Last-Click или Post-View здесь бессильны. Взаимодействие с дополненной реальностью чаще всего происходит в мобильных приложениях, а покупка в физическом магазине. Между этими событиями нет прямой цифровой связи. Модели, основанные на файлах cookie, не могут отследить такой путь. В результате маркетолог видит только верхушку айсберга: количество запусков AR, но не его итоговую эффективность.
Какие данные об AR-взаимодействии действительно важны
Чтобы оценить реальный интерес клиента, нужно смотреть глубже простого факта активации AR. Вместо подсчета просмотров следует анализировать качество вовлечения. Аналитики измеряют, как долго человек взаимодействовал с виртуальным объектом. Они фиксируют, просто ли он посмотрел на него или совершил конкретные действия: поменял цвет товара, виртуально разместил мебель в своей комнате, поделился снимком с AR-маской в социальных сетях.
Важен и контекст, в котором пользователь запустил дополненную реальность. Он сделал это после сканирования QR-кода на упаковке продукта, по геолокации рядом с торговой точкой или просто от скуки дома на диване? Все эти сведения помогают понять степень его заинтересованности. Согласно исследованию Аналитического центра НАФИ, 41% российских потребителей уже использовали или готовы использовать AR для примерки одежды и аксессуаров. Это доказывает, что анализ таких взаимодействий становится необходимостью.
freepik.com
Как соединить онлайн-вовлечение и офлайн-покупку
Чтобы связать виртуальный опыт и реальную покупку, специалисты строят «мост» из косвенных и прямых идентификаторов. Существует два основных подхода к созданию такой связи. Первый это прямое связывание. Например, пользователь в интерфейсе дополненной реальности получает уникальный промокод, который затем предъявляет на кассе. Или он подключается к программе лояльности бренда прямо из AR-приложения.
Второй подход это пробабилистическое, то есть вероятностное, моделирование. Оно необходимо, когда прямую связь установить невозможно. Аналитики сопоставляют данные о высокой концентрации AR-активности в определенном районе с последующим ростом продаж в магазинах этого района. Если после запуска AR-кампании в конкретном квартале выросли продажи рекламируемого товара, можно с высокой долей вероятности говорить о ее эффективности.
Фреймворк атрибуции на основе «Индекса вовлеченности»
Рассмотрим, как это работает, на гипотетическом примере. Представим, что ритейлер модной одежды запустил AR-кампанию, которая позволяет «примерить» виртуальные кроссовки через мобильное приложение. Чтобы оценить ее результативность, аналитики вводят понятие «Индекс вовлеченности» и присваивают баллы каждому действию пользователя. Запуск AR приносит 5 баллов. Примерка одной модели кроссовок добавляет 10 баллов, а смена цвета еще по 3 балла. Сохранение фотографии в виртуальных кроссовках оценивается в 20 баллов.
Далее всю аудиторию кампании сегментируют по сумме набранных баллов. Пользователи с индексом до 15 баллов попадают в группу «Наблюдателей». Те, кто набрал от 16 до 40 баллов, считаются «Заинтересованными». Аудитория с индексом выше 41 балла определяется как «Горячая». После этого аналитики сопоставляют полученные сегменты с данными о продажах. Например, анализ программы лояльности может показать, что 60% пользователей из «горячей» аудитории совершили покупку в течение трех дней. А сопоставление геоданных выявит, что в районах с высоким средним индексом вовлеченности продажи кроссовок выросли на 12% по сравнению с контрольными территориями.
freepik.com
Что потребуется для сбора данных
Чтобы описанный фреймворк заработал, нужна соответствующая техническая подготовка. Аналитика AR-кампаний начинается не с отчетов, а с правильной инфраструктуры. Компании потребуется три ключевых компонента.
Первый компонент это AR-движок или SDK, который позволяет отслеживать события. Если кампания запускается в собственном приложении бренда, разработчики могут использовать ARKit от Apple или ARCore от Google. Эти инструменты дают возможность настроить сбор детальной информации о поведении пользователя: от времени сессии до конкретных взаимодействий с виртуальными объектами.
Второй компонент это система аналитики, способная принимать и обрабатывать нестандартные события. Стандартные веб-аналитические системы могут не подойти. Часто компании используют продуктовые аналитические платформы вроде Amplitude или Mixpanel, либо отправляют данные в собственные хранилища для дальнейшего анализа. Главное, чтобы система могла гибко сегментировать аудиторию по последовательности совершенных действий.
Третий компонент это доступные для интеграции офлайн-данные. Самый ценный источник это CRM-система с историей покупок по клиентам. Также подойдут данные из программы лояльности или выгрузки о продажах, сегментированные по географическим точкам и временным отрезкам. Без этого «моста» в офлайн вся аналитика останется в рамках цифрового мира.
Что может помешать точному анализу
При внедрении фреймворка атрибуции маркетологи сталкиваются с объективными трудностями. Важно понимать эти ограничения, чтобы корректно интерпретировать результаты. Основные риски связаны с платформами, погрешностями моделей и конфиденциальностью данных.
Когда AR-кампания проходит на сторонних площадках, например в виде масок в социальных сетях, возможности для сбора данных сильно ограничены. Платформа отдает только общие метрики вроде охвата и количества активаций, но не позволяет отследить глубину взаимодействия конкретного пользователя. В этом случае приходится полагаться исключительно на вероятностные модели и косвенные показатели.
Вероятностные модели по своей природе не дают стопроцентной точности. Рост продаж в районе с высокой AR-активностью мог быть вызван и другими факторами: локальной рекламной кампанией конкурента, сезоном или даже хорошей погодой. Чтобы снизить погрешность, аналитики используют контрольные группы и анализируют данные за длительные периоды, но элемент предположения всегда остается.
Работа с пользовательскими данными требует строгого соблюдения законодательства. Необходимо убедиться, что сбор и анализ информации не нарушают политику конфиденциальности и законы о персональных данных, например ФЗ-152 в России. Пользователь должен понимать, какие данные о его взаимодействиях собираются, и давать на это явное согласие.
Как маркетологу применить этот подход
Оценка эффективности AR-рекламы требует перехода от подсчета контактов к анализу качества вовлечения. Дополненная реальность становится измеримым инструментом, если применять правильный аналитический фреймворк.
Маркетологу следует еще на этапе планирования кампании закладывать в нее механики сбора данных. Это могут быть промокоды, геотриггеры или кнопки для шеринга в соцсетях. Важно заранее определить, какие действия пользователя наиболее ценны, и настроить их отслеживание. Необходимо также подготовить данные из офлайна, например выгрузку из CRM, для последующего сопоставления. Начать можно с простых гипотез: проверить, как AR-активность в определенном районе влияет на трафик в магазине. Постепенно модель можно усложнять, добавляя новые данные и повышая точность анализа.
Просто о сложном
Неделя рекламы 
Новости 
Кейсы 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании 