Компании заинтересованы в эффективном использовании своих ресурсов, в том числе и на рекламу. Поэтому на передний план встает не масштаб рекламной кампании, а ее динамические показатели. И здесь возникают вопросы:
Как оценить, сколько человек увидело рекламу?
Сколько из них увидело ее в первый раз, а сколько повторно?
Как понять, промелькнула ли реклама незаметно для аудитории или намозолила и вызывала раздражение? В какой момент это произошло?
Для решения этих вопросов можно использовать геоаналитику — это комплексный анализ данных, связанных с географическим положением объектов. Он позволяет выявлять взаимосвязи между объектами и принимать решения на основе пространственной информации.
В контексте наружной рекламы геоаналитика позволяет выбирать лучшие локации для рекламы, оценить охват, частоту контактов и таргетировать ее на целевые аудитории.
Меня зовут Нина Фещенко, я аналитик больших данных в команде Геоаналитики «Билайн Big Data & AI». Наша команда ежедневно оценивает потенциал локаций и туристические потоки, строит матрицы корреспонденций, моделирует транспортные потоки и анализирует маркетинговые метрики в наружной рекламе на стационарных и подвижных носителях.
Сегодня расскажу о такой типовой задаче — оценке эффективности наружной рекламы с использованием геоаналитики. Мы рассмотрим пример решения от обработки технического задания до построения итогового геоаналитического отчета.
Постановка задачи
Компания размещает рекламу продукта на наружных носителях: всего 255 различных конструкций в центре Москвы. Срок рекламной кампании — 5 месяцев, с августа по декабрь 2025 г. Задача — оценить, была ли эффективна прошедшая кампания. Это важно для оптимизации затрат в текущий момент и принятия управленческих решений в будущем.
Отмечу сразу, что задача смоделирована: и исходные данные, и итоговые результаты. Этот пример — просто собирательный образ нескольких похожих задач; именно в таком виде рассматриваемой задачи никогда не существовало, и любое совпадение случайно.
Какие бывают виды рекламных носителей в наружной рекламе
Наружные рекламные носители делятся на классы:
Билборд — большой рекламный щит на оживленных улицах и трассах. Его задача — быстро и ярко донести информацию о товаре или бренде.
Медиафасад — светодиодный экран, установленный на фасадах зданий. В данном варианте целый фасад здания превращается в экран, на котором транслируется не просто реклама, а цифровое искусство, обеспечивая максимальное зрительское воздействие.
Остановка — рекламная конструкция на остановках общественного транспорта. Такая реклама ориентирована на пассажиров в ожидании.
Сити‑формат — стандартизированный формат рекламной конструкции, устанавливается на пешеходных улицах, вблизи метро, торговых центров.
По форматам:
Статика — неподвижная реклама, картинка или текст.
Динамика — реклама с анимацией или движущимися элементами (скроллинг, мигание, переходы).
Диджитал — реклама на экранах, где контент может меняться в реальном времени.
Классы и форматы конструкций могут быть представлены в разных сочетаниях. Например, билборды бывают и статические, и динамические, и диджитал.
Какие метрики считаем, чтобы оценить рекламную кампанию
Охват (Reach) — это количество представителей целевой аудитории, которые хотя бы один раз контактировали с рекламным сообщением за определенный промежуток времени. Иначе говоря, сколько уникальных людей видели рекламу.
OTS (Opportunity To See) — это общее количество контактов аудитории с рекламным сообщением за временной промежуток. Считаются все контакты одного и того же человека.
Частота (Frequency), рассчитывается как отношение OTS к Охвату. Это среднее количество контактов аудитории с рекламой.
Например, человек увидел рекламу дважды: утром, когда ехал из дома на работу, и вечером, когда возвращался домой. Тогда в охват он попадет один раз, в OTS — два раза, а частота также будет равна двум.
Чем выше частота, тем больше было в среднем повторных контактов. Хорошо это или плохо зависит от целей кампании. Бывают имиджевые кампании, направленные на быстрое узнавание бренда, и для них актуальнее широкий охват. А бывают кампании, направленные на стимулирование продаж — тогда высокая частота рассматривается как плюс.
OTS, охват и частоту мы анализируем как суммарно, так и в динамике: по дням, месяцам или неделям, в зависимости от задачи.
Как будем решать задачу
Билайн — это мобильный оператор, и мы анализируем перемещения групп абонентов в привязке к базовым станциям. У такого метода получения геоданных есть преимущества и недостатки.
Минусы:
наличие зон недоступности (например, в сельской местности);
возможные ошибки данных.
Плюсы:
повсеместность (сигнал есть в зданиях, на улице, в метро, на трассах);
независимость от устройства (работает для любого телефона с SIM‑картой);
высокое пространственно‑временное разрешение данных.
По итогу расчетов мы получаем агрегированные данные, по которым местоположение конкретного абонента определить невозможно.
Рассмотрим решение задачи поэтапно.
Исходные данные от заказчика — это перечень координат конструкций с указанием параметров в Excel. Для его обработки я использую PySpark: нужно прочитать файл, переименовать поля и скорректировать при необходимости их формат, сохранить полученный датасет как таблицу в DMP.
Следующий этап — расчеты. Здесь мой основной стек — это Spark и Apache Sedona, фреймворк для масштабной обработки геопространственных данных. Sedona расширяет возможности Spark, позволяя обрабатывать геообъекты (точки, полигоны, линии) с использованием пространственных функций.
На каждую точку с координатами конструкции накидываем буфер — радиус, внутри которого считаем количество засветившихся абонентов. Величина этого радиуса будет отличаться в зависимости от размеров конструкции: чем больше конструкция, тем больше радиус.
Для данного примера рассмотрим простой вариант, при котором мы не высчитываем область видимости конструкции, а предполагаем, что конструкция одинаково просматривается со всех сторон. Дальше получаем пространственную выборку — пересекаем координаты абонентов с полигоном внутри радиуса.
Данные о перемещениях абонентов хранятся в готовой витрине данных, гранулярность событий в таблице менее одной минуты. Для работы с такими объемами применение основных правил по обработке больших данных — абсолютная необходимость. Я говорю о таких вещах, как оптимизация параметров Spark‑сессии и самого запроса, применение разных типов джойнов, циклы, партиционирование и бакетирование.
Еще одно правило: сначала проверяем работоспособность кода на небольшом сэмпле и только потом запускаем расчет на всем объеме.
По итогу получаем агрегированные данные для каждой конструкции: количество уникальных абонентов, которые просмотрели рекламу в единицу времени (Охват), количество всех просмотров с учетом повторов (OTS).
Сохраняем итоговые значения и переходим к следующему этапу.
Визуализируем результаты
Для построения геоаналитических отчетов мы используем Flexgis — это платформа для создания интерактивных карт с гибкой настройкой виджетов, достаточно широким набором инструментов для аналитики, безопасным способом публикации отчетов.
Flexgis отлично умеет визуализировать данные, в том числе в 3D. С его помощью можно наглядно отобразить любые геообъекты: точки, полигоны, линии. С точки зрения визуализации готовые отчеты выглядят не только удобно и информативно, но также эффектно и высокотехнологично.
Но вот с точки зрения отображения результатов расчетов Flexgis имеет ограничения: с цифрами он работает не так мастерски, как с геоданными. Например, не умеет производить вычисления «на лету», как BI‑платформы. Исходя из этого, наша задача будет складываться из трех составляющих:
сделать геоаналитический отчет максимально информативным, удобным и гибким;
соблюсти баланс и не перегрузить деталями;
обойти все ограничения с минимальными потерями в удобстве использования.
Для этого на основе полученных результатов сформируем два слоя с данными — по опыту решения таких задач это самая оптимальная стратегия, хотя внешне может выглядеть как излишество.
Один слой — это итоговая плоская таблица с данными в разрезе конструкций по месяцам. Просто к полученным итоговым данным добавляем столбец с частотой (как отношение OTS, поле OTS к охвату, поле Reach).
sdf_metrics = (
sdf
.withColumn('time_key', F.col('time_key').cast('string'))
.withColumn('frequency', F.round(F.col('ots') / F.col('reach'),2))
)На этом слое мы строим динамику OTS и охвата, считаем суммарные значения OTS и охвата и среднюю частоту.
Второй слой формируется как сводная таблица: группируем данные по конструкциям (id, класс, формат, координаты), месяцы кампании превращаем в столбцы, а OTS, охват и частота — это значения.
sdf_pivot = (
sdf
.withColumn('frequency', F.round(F.col('ots') / F.col('reach'), 2))
.groupBy('class', 'format_type', 'constr_id', 'lat', 'lon')
.pivot('month_num')
.agg(F.sum('ots').alias('ots'), F.sum('reach').alias('reach'), F.avg('frequency').alias('freauency'))
)Добавляем расчетные поля с суммарными значениями OTS и jхвата по каждой конструкции.
from functools import reduce
from operations import add
def get_total(sdf, netric_name):
summarize_cols = [col_name for col-name in sdf.columns if metric_name in col_name]
sum_exprs = [F.col(col_name) for col_name in summarize_cols]
total_sum = reduce(add, sum_exprs)
sdf_total = sdf.withColumn(metric_name, total_sum)
return sdf_totalfor metric in ['ots', 'reach']:
sdf_pivot = get_total(sdf_pivot, metric)Наносим все это на карту, и вот какой отчет получается в итоге.
Слева на панели расположены фильтры, с помощью которых можно оценить итоговые метрики по конкретным выбранным показателям.
На дашбордах на панели справа построены следующие визуализации:
Это агрегированные показатели, а если кликнуть на значок конструкции на карте, то можно увидеть показатели только по этой конкретной конструкции. Вот именно для этого мы добавили второй слой со сводной таблицей.
В инфоокно можно добавлять разные данные: таблицу, дэшборд, изображение, кнопку с переходом по ссылке.
Явыбираю эти метрики как ключевые, потому что в совокупности они дают полную картину для оценки. OTS показывает общее количество просмотров: здесь оно практически не изменяется по месяцам — чуть ниже в августе, что логично, поскольку это период отпусков и разъездов.
График охвата — это убывающая функция. Как правило, большая часть контактов происходит в первые 1–2 месяца, а в следующие месяцы новых контактов все меньше, в основном повторы. На линейном графике (на правой панели дашбордов) это хорошо видно: в первый месяц охват составляет более 50% от OTS, а в последний — примерно 33%.
Частота, наоборот, возрастающая функция, причем возрастающая нелинейно. В первые месяцы заметен интенсивный рост, а последние — постепенное снижение. Бывает, что несколько последних месяцев частота вообще почти не меняется. Это означает, что реклама практически не достигает новых людей, а только снова и снова демонстрируется уже давно охваченным. Это может быть сигналом для сокращения сроков рекламной кампании и, следовательно, оптимизации затрат.
Также для оценки OTS и охвата в подобных задачах применяются гексагоны. В частности, для этого примера я построила сетку из гексагонов с использованием библиотеки h3 размера (resolution) 7.
Заключение
Мы рассмотрели простейший пример задачи по оценке наружной рекламной кампании. Даже в таком упрощенном варианте очевидно, какие возможности для анализа открываются благодаря геоаналитике. А в реальных кейсах мы рассматриваем метрики не только по дням или месяцам, но и в разрезе типов дня (будни/выходные) и времени суток. Целевую аудиторию анализируем в разрезе групп по полу и возрасту (соц‑дем характеристики абонента определяются с помощью ML‑модели, которая анализирует трафик). При этом гибкость и удобство такого геоаналитического отчета делают его эффективным инструментом, который позволяет принимать обоснованные решения по оптимизации процессов и затрат.