Ecommerce: увеличить выручку с 250 тысяч до 1,25 млн рублей за счет базовых инструментов контекстной рекламы

Рассказываем, как вдвое увеличили выручку интернет-магазина запчастей для тюнинга в течение первого месяца и в пять раз в течение года за счет базовых инструментов для всех ecommerce-проектов: динамических рекламных кампаний «Яндекса» и Google, автоматических стратегий, оптимизации ставок и веб-аналитики. Все просто, но многие этого не делают.

Мы в jam.agency занимаемся платным трафиком для eCommerce-проектов. В 2017 году к нам пришел интернет-магазин запчастей для тюнинга автомобилей city-tuning.ru с соответствующими проблемами.

В 2010 году они закрыли все офлайн-магазины и сосредоточились на онлайне. У физических магазинов были большие накладные расходы, они отнимали много времени, а онлайн к тому времени начал приносить свыше половины выручки.

За 10 лет они прошли примерно один и тот же путь в контекстной рекламе и поисковой оптимизации. На старте привлекали фрилансеров, но недооценивали сложность задач, и в результате всё получалось криво — теряли время и деньги.

Несколько лет назад, сменив пару агентств по SEO, они пришли к тому, что дешево этот вопрос не решить и начали серьезнее подходить к выбору подрядчика плюс самостоятельно начали вникать в нюансы продвижения.

В ноябре 2017 года Сергей пришел с проблемой: расходы на Яндекс Директ выросли с 81 в месяц до 147 т.р, при этом выручка и количество транзакций оставалось на прежнем уровне ≈ 45 в месяц. Нужно было разобраться, в чем причина снижения эффективности и как минимум вернуться на прежние показатели.

Самый понятный способ начать сотрудничество — показать клиенту, что мы собираемся делать и как это повлияет на прибыль в рамках аудита. Таким образом мы показываем свою компетенцию уже в рамках клиентского проекта. Плюс, мы делаем это бесплатно, чтобы получить кредит доверия. Вот как это выглядит на пример аудита мебельной фабрики.

В аудите проекта city-tuning.ru мы увидели возможность увеличить выручку с рекламы на 50% в первый месяц, а по факту увеличили ее вдвое. Лучше обещать средние, но стабильные результаты, чем высокие и рискованные: зрелые клиенты это понимают и ценят.

Так выглядит график Дохода за 2017-2019 годы, на графике отмечен момент старта работы над проектом в феврале и уже в конце марта получилось увеличить выручку в 2 раза.

Спрос сезонный, поэтому на графике есть просадка осенью, начиная с сентября и до февраля следующего года. Второй сильный скачек выручки наблюдается в июне 2019 года, и он связан с запуском умной торговой кампании в Google Ads. Об этом тоже расскажем чуть ниже.

Вы скажете, что выручка и прибыль — разные вещи и будете правы. Но так как клиент не желает раскрывать данные о прибыли, а нам важно показать, что выручку не съедают расходы на рекламу, показываем график ДРР с платных каналов в период начала сотрудничества:

В рамках аудита мы идем от общего к частному — и смотрим расходы и доходы в разрезе категорий товаров. Например, по брендам Omsa, JMT, TCC стоимость лида выше средней в 2 раза, поэтому нужно снизить ставки. Это уменьшит стоимость лида и сэкономит клиенту 20 000-30 000 рублей при условии, что маржинальность категорий товаров одинаковая.

Аналогичное исследование проводим в разрезе типов рекламных кампаний, где МКБ кампания не окупается, а ремаркетинг имеет потенциал для увеличения охвата.

Копнув глубже, видим распространенный пример несбалансированной экономики. Есть пул красных кампаний со стоимостью лида выше среднего. Здесь 25% расходов на кампании приносят только 12% лидов — можно сэкономить 30 000 рублей путем снижения ставок.

Также есть пул зеленых, недооцененных, кампаний, по которым всего 9% рекламного бюджета генерируют 20% лидов. Здесь можно получить еще 20% лидов, повысив стоимость лида до средней.

Аналогичным образом дела обстоят с площадками. Корректировать ставки на уровне площадок нельзя, но мы можем отключить неэффективные и сэкономить 50 000 рублей. Что мы и сделали.

Также мы проверили географию, устройства, пол и прочие параметры, но выше представлены прогнозные значения на этапе аудита, так как по мере погружения в проект появлялись новые вводные.

В итоге за счет оптимизации рекламного бюджета нам удалось увеличить выручку с рекламы с 300 000 руб. до ~725 000 руб. в месяц.

По сути мы просто перераспределили бюджет с сегментов трафика которые не работают на те, которые работают, без внедрения динамических кампаний и оптимизаторов конверсий.

Распределив бюджет на текущих кампаниях, мы получили быстрые результаты в виде роста выручки до 700 000 рублей. С задачей минимум мы справились: вышли и даже улучшили предыдущие показатели. Далее — запускаем новые инструменты, чтобы получать максимум результатов.

Для всех e-Commerce проектов есть набор инструментов, которые требуют 20% действий, но приносят 80% результатов. Их использование в нашем случае, это последующий рост выручки свыше миллиона.

В Яндекс Директ инструмент называется «смарт-баннеры», а в Google Ads «динамический ретаргетинг», когда объявление автоматически формируется из карточек товаров, которые пользователь посетил ранее или добавил в корзину, но не купил. Примеры динамических объявлений из Яндекса и Ads:

Запуск смарт-баннеров в Директе увеличил выручку магазина примерно на 10%

Аналогичный динамический ремаркетинг запустили в Google Ads, он приносит еще 5-10% выручки:

Похожие друг на друг платформы-агрегаторы. Про Яндекс Маркет знают все, а Google Shopping многие магазины обходят стороной, хотя он имеет отличительное преимущество: это товарные объявления над результатами поиска. То есть ваши товары размещаются выше самого дорогого первого места в поиске, ещё и с фото товара.

Доход с Маркета принес 20% в общую кассу, но мы его запустили только в 2020 году, так как откладывали из-за проблем с модерацией.

Google Shopping приносит еще 15% выручки:

Кампания умная, потому что полностью автоматическая и сочетает в себе все форматы размещений: поиск, торговые карточки, графические объявления в КМС.

Все настолько автоматизировано, что до недавнего времени невозможно было выбрать даже регион таргетинга, только всю РФ. Сейчас умные кампании приносят до 50% выручки:

В данном случае системы сами создают объявления для поиска из информации в фиде. Объявление автоматически формируется по тексту описания товара. Ключевое слово, по которому происходит показ, также определяется по названию товара.

На данном проекте DSA отработали плохо, потому что алгоритм часто подбирает нерелевантные ключевые слова: происходит много показов, где запрос состоит из одного слова. Намерение пользователей в таком случае непонятно, и это приводит к плохим показателям всей кампании.

В данном примере много показов по одному слову и по запросу конкурентов, которые нужно выносить в отдельную кампанию и работать с ними по другой стратегии.

После 6 месяцев попыток оптимизировать кампанию, так и не получилось вывести её в плюс. ДРР был слишком высок, и нецелевые ключи появлялись регулярно.

На ежедневную чистку минус-слов приходится тратить по несколько часов, поэтому мы перешли на генератор объявление от К-50.

Мы используем K50 и Лингвогенератор от eLama. Они ежечасно генерируют и обновляют рекламные кампании на базе фида. Объявления составляются автоматически по заранее заданному шаблону в формате «название товара + марка машины + размер скидки». А показы происходят по ключевым запросам также созданным по шаблону: «купить + название товара + марка машины».

И это только самые простые вариации. Похожим образом формируются объявления для РСЯ, где картинка берется из фида.

Фишка генераторов в том, что он каждые 15 минут отслеживает наличие товара и изменение цены. Если товар закончился, то объявления по нему остановятся и не будут тратить бюджет. Кроме создания самих объявлений, генератор решает еще одну важную задачу — их актуальность. Когда у вас больше 10 000 товаров, то поддерживать актуальность вручную невозможно.

Автоматические рекламные кампании охватывают только 40-70% возможного спроса, остальное нужно добирать обычными кампаниями на поиске и площадках РСЯ/КМС. Как правило, это общий спрос по категориям, например, «купить пороги».

Так как у нас много брендов и категорий, а по части из них кампании уже запущены, было непонятно, с чего лучше начать. Чтобы расставить приоритеты, мы собрали матрицу, где в ячейках отображается мультипликатор: отношение рекламного трафика к объему спроса в wordstat. Но по факту наш мультипликатор немного сложнее, поэтому итог видим в виде шкалы от -82 до 157.

Так стала понятна очередность проработки и запуска товарных категорий, где сначала запускаем синии ячейки: коврики и решетки для всех брендов, подлокотники, защита на картер и так далее.

У нас вышло по несколько десятков кампаний в Яндексе и Google, в каждой кампании десятки групп и сотни ключевых слов — управлять ими вручную можно, но делать этого не стоит. При большом ассортименте от 1000 позиций ручное управление ставками на 10-30% менее эффективно. Специалист просто не в состоянии регулярно рассчитывать и делать корректировки по такому количеству товаров.

У нас есть статья о том как работают автостратегии в интернет-магазинах. Если кратко: вы выбираете цель, например ROI, и говорите Яндекс какая рентабельность вам нужна — и алгоритмы сами управляют кампаниями. Но для корректной работы необходимо минимум 20 конверсий по кампании в неделю.

Переводить кампании на автоматические стратегии лучше через инструмент Яндекс.Эксперименты. Задача эксперимента — сравнить кампании с ручным и автоматическим управлением в равных условиях и оставить лучшую.

Вот пример результата эксперимента, который мы проводили один месяц. Сравнивали смарт-баннеры на стратегии Оптимизации кликов, когда специалист сам настраивает среднюю стоимость клика и стратегию Оптимизация конверсий. В ней мы задали целевую стоимость Добавления в корзину и далее алгоритм сам решает какие ставки выставлять и какие делать корректировки по аудитории:

Автоматическая стратегия сработала лучше и принесла Валовой прибыли на 55% больше:

Для корректной работы автостратегиям необходимы данные о транзакциях и прочих целях. Если данные передаются с расхождениям 20-30%, то это может сказаться на точности обучения стратеги, подробнее в статье.

С другой стороны в среднем 50% выручки интернет-магазина генерируется динамическими кампаниями: умная торговая кампания и динамический ретаргетинг вообще не работают без передачи выручки в Google Analytics, а в Яндексе без выручки не работают Смарт-баннеры и динамические кампании.

Мы могли сразу внедрить какое-нибудь интересное решение. Убедить клиента отправлять данные из CRM в BigQuery, компилировать их с данными с сайта для красивых отчетов. Но спустя сотню проектов мы научились думать о времени и деньгах.

Аналитика не приносит денег напрямую — на старте лучше вложить ресурсы клиента в разработку и запуск РК. Поэтому в начале мы сделали минимум.

У коллег и клиентов есть мнение, что работа веб-аналитика за 2 500 руб. в час — это настроить цель на конверсию и потом просто смотреть на показатели. В действительности настоящая работа начинается после запуска рекламных кампаний. Модель аналитики city-tuning.ru эволюционировала в 3 этапа.

В первую очередь мы разложили все по полочкам в Google Tag Manager и проверили работоспособность всех конверсий.

Затем нам нужно было понять, сходятся ли выручка и транзакции в Google Analytics с фактическими показателями в 1C. Для этого мы вручную выгрузили данные по транзакциям из обеих систем за месяц и сравнили: расхождение составило не более 10% — с этим можно работать на старте, для точности можно раз в месяц выгружать данные и считать вручную.

Это лихо сэкономило нам время, потому что в случае расхождений свыше 30% пришлось бы либо ориентироваться на промежуточные цели: корзины, звонки, формы, и тогда упала бы точность, что является критичным при марже в несколько десятков процентов, либо писать полноценную интеграцию с 1С, что растянется на месяцы.

Когда мы запустили новые рекламные кампании, количество конверсий вопреки нашей уверенности не росло. Зато аномальным образом начали расти конверсии с прямых переходов и реферальных площадок.

В части случаев во время оформления заказа вас просят подтвердить свой email и, когда вы переходите по ссылке из письма, то Google Analytics присваивает конверсии не контекстной рекламе, а email-рассылке.

В ссылку подтверждения мы добавили метку utm_nooverride=1, чтобы такой переход не учитывался в качестве источника конверсии.

В другой части случаев были переходы из личного кабинета, которые распознавались, как переходы с внешнего сайта. Вопрос решается активацией кросс-доменного отслеживания, это когда несколько доменов и поддоменов воспринимаются, как один сайт. Настроить легко: поставить пару галочек в Analytics и Tag Manager — расписывать не будем, легко гуглится.

По итогу первого этапа веб-аналитик справился с задачей по минимальной настройке аналитики за 2 часа — и передал эстафету рекламщикам, хотя мог бы запросто раздуть задачу до 20 часов, а то и до нескольких месяцев.

Через месяц мы показали первые результаты, лучше узнали клиента, а он нас. Стало понятно, что наше сотрудничество долгосрочное. Поэтому мы начали настраивать аналитику более основательно.

В 2020 году недостаточно собрать данные о продажах в одном месте, например в Метрике, помимо нее нужно передавать данные о продажах во все рекламные кабинеты и даже в MailChimp для отслеживания конверсии рассылок, и вот почему:

Мы можем распределить транзакции по всем системам через Google Tag Manager. А если бы нам приходилось передавать их из 1C, то пришлось бы с сайта забирать Client ID (Cookie) всех рекламных систем, а это долгая и сложная история.

В качестве основной системы аналитики мы использовали Google Analytics, так как это бесплатно и решает основные задачи. В него собрали расходы рекламных систем через mybi.ru и подтвержденные транзакции с сайта, подробнее на схеме ниже.

Для удобного доступа к данным рекламных систем Яндекс Директ, Вконтакте и прочих лучше выгружать их в BigQuery, так как выгрузка данных напрямую занимает много времени, а далее уже к BigQuery подключаться из Power BI и Google DataStudio для визуализации. В BigQuery данные можно выгрузить через коннекторы вроде Renta.im, но мы использовали Google Functions, так как у нас есть своя библиотека коннекторов.

На выходе мы получаем динамический отчет в Power BI, где клиент видит связь между своими бизнес-показателями и данными рекламных кампаний:

Валовая прибыль и ROI. Каждый рекламный канал важно рассматривать по абсолютному и относительному показателю. В нашем случае это валовая прибыль и ROI. Последний позволяет понять эффективность вложений, а прибыль — увидеть конечный результат в совокупности всех факторов.

Сравнение расходов одного канала относительно остальных. Например, нажав на Яндекс.Директ, можно увидеть его долю расходов в разрезе недель или месяцев. Зеленым цветом выделены расходы по Директу, а светло-зеленым по остальным каналам:

Многофакторный анализ повышения расходов. Нажав на месяц, который выбивается по расходам из общего тренда, получаем многофакторный анализ повышения:

Например, после щелчка по месяцу в отчете выше, мы видим, что расходы увеличились на 104 т.р. из-за Умной торговой кампании:

Такие отчеты значительно экономят время клиента, потому что ему проще использовать данные в дашборде, чем в интерфейсе Google Analytics или Метрики, а фича с многофакторным анализом позволяет сразу получать ответ на вопрос «Почему увеличилось/уменьшилось Х» без привлечения специалистов.

Пример выше в большей степени ориентирован на клиента, давайте рассмотрим, как данные превращаются в добавленную прибыль на примере использования специалистом.

Например, возьмем площадку images.yandex.ru, она имеет низкий ROI и работает в ноль, но в динамике мы видим, что с 3-его квартала 19 года валовая прибыль с площадки стабилизировалась. В большинстве случаев специалист отключит площадку, потому что строить отдельный отчет в динамике для каждой площадки слишком затратно по времени.

Выделив категорию товаров, например коврики для ног, можно увидеть срез по регионам, полу, возрасту и прочим параметрам, чтобы:

По итогу второго этапа мы получили систему обновляемых отчетов по валовой прибыли и ROI по стандартной модели атрибуции последнего не прямого клика. Помимо этого мы распределили транзакции по всем рекламных системам.

Когда клиент и команда видят в отчетах ответы на стандартные вопросы: «сколько потратили и получили в декабре» в разрезе кампаний, ключевых слов, таргетингов, товаров на маркете, появляются вопросы более глубокого уровня:

Для ответов на эти вопросы нам нужно «склеить» данные о транзакциях одного пользователя с разных устройств. Клиент может просмотреть баннер с телефона, потом заказать товар сидя дома с ноутбука, а через месяц зайти в оффлайн-магазин и купить там обвес на авто. Обычная аналитика подумает, что это — три разных человека. Наша реализация позволяет максимально точно объединить поведение одного человека в разных местах в единого клиента.

Перед тем, как тратить время на реализацию данной модели аналитики я бы порекомендовал вам свести те же самые отчеты вручную, чтобы понять, будут ли они вам полезны, мы предлагали один из способов сделать это в нашем блоге.

Часто аналитика делается, чтобы «посмотреть отчет», это неправильно, так как почти любой отчет дешевле собрать руками, а если он имеет пользу, то тогда можно его автоматизировать, чтобы «не собирать руками каждый раз».

Итак, как сегодня выглядит аналитика на максималках?

На скрине ниже мы видим когортный анализ, с помощью которого можем узнать показатель возврата клиентов. Например, в июне 2019 года к нам пришли 1669 новых клиентов, 167 из которых совершили повторную покупку в июле, 146 в августе и т.д.

В среднем 20% выручки от первого заказа доходят в последующие несколько месяцев за счет повторных и отложенных продаж, с учетом этих данных мы перешли со стратегии максимизации прибыли с первого чека на максимизацию прибыли со всех покупок клиентом в течение последующих 3-х месяцев, это позволило нам увеличить охват и итоговую прибыль клиента на 5-10%. Проще говоря, мы поняли, что готовы платить за приобретение клиента чуть выше первого чека, за счет чего подняли охват.

Мы могли бы остановится уже на первом этапе аналитики, где мы настроили транзакции в Google Analytics, но тогда бы мы сделали сделали выручку на 450 000 рублей меньше. И вот почему:

Мы последовательно использовали стандартные решения и инструменты, что позволило быстро увеличить выручку вдвое. Банально и просто, но до нас над проектом работали несколько фрилансеров, небольшие и крупные агентства — но ничего из этого не работало.

Поэтому резюмируя, дадим вам советы, как быстро проверить свои кампании и оптимизировать их:

Пишите вопросы и предложения, как можно увеличить выручку проекта. Если у вас интернет-магазин и проблемы с контекстом, то пишите на сайт или в FB, проведем аудит и подумаем, как сможем помочь. Телеграм-канал, 1 пост в месяц — Джоин!

#ecommerce #контекстнаяреклама #кейсы #маркетинг #интернетмагазин