Сегментация и N-gram анализ в B2B: как АТОЛ Онлайн добился снижения стоимости лида на 25% при росте заявок на 38%
АТОЛ Онлайн — сервис, который помогает бизнесу автоматизировать кассовые операции и эквайринг.
«Мы строим маркетинг на данных, а не на интуиции. Только так можно находить точки роста и устойчиво масштабировать эффективность»
В рамках такого подхода команда проанализировала результаты предыдущих рекламных кампаний. Отключение мобильного трафика уже дало сильный эффект: CPL снизился вдвое, а число заявок выросло на 60%. Чтобы развивать успех дальше, было решено углубиться в аналитику, автоматизировать работу с сегментами и оптимизировать воронку на всех этапах.
Цели
- Увеличить количество и качество лидов. Каждый месяц клиент передает нам данные по успешным сделкам и некачественным заявкам. До этого мы вручную корректировали кампании, но решили сделать этот процесс гибче и автоматизировать сегментацию.
- Еще больше снизить CPL. Отключение мобильного трафика уже дало кратный эффект. Следующий шаг — детальный аудит рекламных кампаний, чтобы понять, где еще можно сократить издержки без потери качества.
Решение
1. Сегментация ретаргетинга
- Разделили аудиторию по срокам с момента первого визита. Собрали сегмент этих пользователей и разбили на 3 группы от 3 до 15 дней, убрав пересечение между ними.Это позволило точнее управлять ставками и эффективнее распределять бюджет.
- Исключили пересечения между ретаргетинговыми и новыми пользователями в сетевых кампаниях. Так избежали перегрева ставок и наслоения показов.
- Настроили ретаргетинг в поиске на аудиторию из медийных кампаний. Это дало снижение CPL более чем в два раза.
2. Анализ ключевых фраз с помощью N-gram
- Помимо ручной чистки нерелевантных запросов, провели анализ N-gram.
- Метод позволил выявить слова и даже отдельные буквы, которые увеличивали стоимость лида. Отключив их, снизили CPL.
Мы пошли дальше и проанализировали, как именно поисковая система воспринимает наши ключевые запросы. Оказалось, что некоторые слова в фразах приводили к дорогим заявкам.
- Решение: переключиться на точное соответствие и отключить часть нерелевантного трафика. Для этого мы использовали оператор квадратных скобок [], который задает поиску четкие границы: каждое слово в запросе должно быть именно таким, как указано (исключая предлоги).
- Этот подход помог сократить расходы на неэффективные клики и снизить стоимость заявки.
3. Оптимизация ставок и групп объявлений
- Нашли группы с завышенным CPL. Если трафик был качественный, но дорогой, понижали ставки. Так автостратегия перераспределяла бюджет в пользу более дешевых лидов.
- Отключили низкоэффективные группы, которые тратили 10–15% бюджета без нужного результата.
4. Корректировка аудитории по соцдему и географии
- Проанализировали пол, возраст и регионы. Усилили охват на возраст 35–44, снизили для 45–54, а остальные аудитории оптимизировали под CPL.
Мы автоматизировали сегментацию, интегрировав Метрику с CRM. Это позволило создавать гибкие аудитории: повторные покупатели, отмененные заказы, спам-заявки и те, кто просто заходит в личный кабинет. Мы исключили нецелевые группы, чтобы не тратить бюджет на ненужные показы.
Для Look-Alike (LaL) сегментов выделили ключевые группы:
- Недавние покупатели (до 61 дня);
- Повторные клиенты;
- Покупатели с высоким чеком;
- Вся клиентская база.
После тестирования лучшие результаты дали сегменты повторных клиентов и недавних покупателей. Запустив на них рекламу, мы увеличили количество заявок на 38%.
Результаты:
«Правильная работа с сегментами, грамотный подход к управлению трафика и оптимизация ставок — это три кита, на которых нам удалось достичь таких результатов. Рост заявок на 38% и снижение стоимости лида на 25% подтверждают, что даже в сложных условиях можно находить точки роста, если подходить к задаче системно.»
Оптимизация проводилась в течение четырех месяцев, и результаты стабильно улучшались:
+38% заявок
-25% CPL
Из месячной динамики видно, как улучшились показатели рекламных кампаний.
Выводы
- Сегментация аудитории и устранение пересечений в ретаргетинге позволили значительно повысить эффективность сетевой и посковой кампании.
- N-Gram анализ и корректировка ключевых запросов помогли снизить нерелевантный трафик.
- Оптимизация ставок и таргетинга по демографии и географии обеспечила привлечение более качественной аудитории.
- Постоянный мониторинг и тестирование новых сегментов аудитории позволили выявить дополнительные возможности для снижения CPL и увеличения заявок.
«Точный анализ данных и автоматизация сегментации позволяют не только снижать CPL, но и находить новые точки роста. Гибкий подход к рекламе через N-gram анализ и таргетинг дал ощутимый результат, подтверждая важность глубокой аналитики в B2B-маркетинге».
Команда:
Команда RTA
Команда АТОЛ