Как интернет-магазину с узкой нишей увеличить выручку с нуля до 1,3 млн рублей в месяц с контекстной рекламы

Можно ли только за счёт стандартных рекламных инструментов увеличить выручку, да ещё и в нише, которая сильно зависит от сезона? Рассказываем, как поэтапно пришли к максимальной выручке из контекста за всю историю интернет-магазина товаров для охоты и вышли в плюс уже в первый месяц.

Привет! Меня зовут Кирилл Котеленец, я тимлид в Jam Agency. Мы занимаемся настройкой рекламных кампаний и приводим клиентов в eCommerce проекты.

В 2020 году к нам пришёл клиент — магазин товаров для охоты. У него уже был опыт работы с разными подрядчиками и 5 попыток запуска контекстной рекламы. С 2017 по 2020 год клиент потратил на контекст почти 500 тысяч ₽, получил выручку около 1 млн ₽, но убыток составил 90 тысяч ₽, без учёта вознаграждения исполнителям.

Оранжевая линия показывает, как запускали рекламу в 2017-2020 годах — у клиента не было стабильных продаж из контекста. Для сравнения, зелёная линия показывает переходы из поиска — там всё было хорошо

У клиента сложная и узкая ниша, причём спрос сильно зависит от сезона. Но мы справились — спустя год работы над проектом зафиксировали следующие результаты:

• бюджет на контекст — 1,1 млн ₽;
• выручка — 5,3 млн ₽;
• валовая прибыль — 1,7 млн ₽.

А в последние 4 месяца нам удалось зафиксировать выручку из контекста на уровне 1,3 млн ₽ в месяц. Рассказываем поэтапно, как достигли таких результатов.

Работу над любым проектом мы всегда начинаем с аудита — это помогает найти нам слабые места и понять, куда двигаться дальше. Детали аудита опущу, об этом можно подробно почитать в наших других статьях:

• Аудит мебельной фабрики.
• Как распознать падение рынка и перестать сливать бюджет на контекстную рекламу.

Аудит помог нам выявить следующие проблемы:

Разбалансированная экономика на рекламных кампаниях. У клиента были кампании, которые давали как низкую стоимость заказа, так и очень высокую — всё было в одной куче. То есть часть рекламных кампаний работает хорошо, а часть просто высасывает деньги.

Запутанная структура РК. У клиента было одновременно около 180 кампаний, которые были разделены на категории, регионы, типы кампаний. То есть 8 категорий товаров * 10 регионов * Поиск/РСЯ = 180 кампаний. Таким количеством кампаний очень сложно управлять, оптимизировать и тяжело использовать автостратегии.

Неправильный учёт прибыли. Клиент смотрел на расходы и доходы в системах аналитики и так считал, сколько заработал на рекламе. Но проблема в том, что системы аналитики считаю доход немного не так, как надо.

Если покупатель оформил покупку, то это попадёт в аналитику как доход. Но он мог не оплатить покупку, поменять товар и так далее, поэтому фактическая прибыль сильно отличалась от той, которую можно увидеть в системах аналитики.

Клиент поделился с нами данными, чтобы мы могли считать чистую прибыль и ориентироваться на неё. На период тестирования мы договорились на максимизацию выручки при удержании доли рекламных расходов (ДРР) 20% — больший процент был бы невыгоден клиенту. Причём ДРР считали как доход / валовую прибыль. Это помогло дать объективные данные о рекламной кампании.

После аудита мы решили, что надо делать дальше:

• Обновить структуру кампаний — это может поднять окупаемость на 10-20% за счёт возможностей оптимизации и внедрения автоматических стратегий управления ставками.
• Использовать автоматические стратегии — это позволит увеличить эффективность на 15-30% по сравнению с ручным управлением.
• Сбалансировать экономику и провести корректировку РК — так можно увеличить эффективность кампаний ещё на 15-30%.
• Запустить динамический ретаргетинг на тех, кто посещал карточку товара.

Мы могли сразу сказать клиенту: «Старые РК не работают, запускаем новые», но важно это доказать. Поэтому мы скопировали старые рекламные кампании и запустили А/Б-тестирование, чтобы можно было объективно сравнить KPI старых и новых рекламных кампаний.

Экономика старых рекламных кампаний была разбалансирована — были как с низкой стоимостью заказа, так и с высокой. В новых же мы перераспределили бюджеты.

Спустя несколько недель новые кампании показали результаты в 2 раза лучше. Сложно сказать, что это полностью наша заслуга, так как исходные кампании почти не управлялись.

Мы показали финансовые результаты, получили лояльность клиента — и продолжили разработку новых кампаний. Нам достался трёхэтажный сарай с подпорками и пристройками в виде подключаемых регионов и категорий товаров. Мы могли бы поддерживать его, но на это бы ушло больше времени, чем на поэтапное создание новых кампаний.

В старых была логика и интересные решения — мы их позаимствовали. Например, у клиента были неплохие объявления, которые хорошо конвертили. Но в совокупности они превратились в неуправляемую массу, где каждый специалист добавлял что-то новое.

Чтобы задать новую структуру, важно понимать, вокруг чего она должна выстраиваться. В нашем случае — сезонный спрос и маржинальность категорий товаров.

Наиболее прибыльные категории выделили в отдельные рекламные кампании, чтобы ими можно было управлять более эффективно:

У клиента 8 категорий товаров. Внутри каждой — от пяти до пятидесяти подкатегорий, а товарная матрица насчитывает более 15 тысяч наименований. Важно, чтобы рекламные кампании имели товары примерно с одинаковой маржинальностью — если в одной кампании разместить категории с маржей 30% и 60%, усреднение съест прибыль, потому что в РК мы можем указать только одно значение ДРР.

Автостратегии работают эффективнее ручного управления в среднем на 15-30%. Чтобы их использовать, нам было необходимо получить на рекламную кампанию от 10 транзакций в неделю. Так система получит необходимые данные и сможет работать корректно. Подробнее об автостратегиях можно почитать в нашем кейсе «Автостратегии «Яндекс.Директа»: как я повысил прибыль интернет-магазинов на 15% и попрощался с директологами».

Чтобы добиться корректной работы автостратегий, мы равномерно распределили товары по объёму спроса. В итоге, вместо 180 старых РК, мы получили примерно такую структуру, где было всего 16 кампаний:

Мы не стали разделять кампании на регионы, потому что экономика по Москве и другим регионам примерно одинаковая, а влиять на ДРР можно корректировками ставок.

На базе исторических данных о конверсии, объёме и сезонности спроса из Wordstat мы сделали прогнозы количества заказов и их стоимости, то есть что мы хотели получить от ведения рекламной кампании. Также определили приоритеты, чтобы при минимуме усилий получить максимум результата:

Чтобы не слить деньги в первый же месяц работы, мы учли, что спрос на товары соответствует сезонам охоты, а каждому сезону соответствует своя категория товаров. Поэтому мы составили план запуска товарных категорий в зависимости от времени:

Мы запускали только классические РСЯ и поиск, потому что в Google Ads запрещена любая реклама, которая связана с оружием, а в Директе запрещены все динамические рекламные кампании. Хотели запустить Маркет, но дела там не пошли — слишком высокие цены:

По итогу, во второй и третий месяцы мы показывали стабильный рост объёма прибыли без изменений ДРР. А уже в четвёртом месяце сделали 450 тысяч ₽ выручки:

У нас был массив из десятков рекламных кампаний, которыми мы управляли вручную. Это стало проблемой, так как требует постоянного внимания специалиста. Ручное управление целесообразно лишь до тех пор, пока мы собираем данные для внедрения автоматических стратегий.

Вручную ставками в интернет-магазине уже никто не управляет, вместо этого используют внутренние автоматические стратегии. Например, мы устанавливаем цель: удерживать стоимость конверсии 900 рублей — и получаем максимально возможное количество таких конверсий. Если увеличить стоимость до 1500 рублей, конверсий будет больше. Так, путём перебора, можно найти оптимальное соотношение количества и стоимости конверсии.

Но это идеальный сценарий для категорий товаров с одинаковым средним чеком. Если же в одной категории средний чек 20 тысяч ₽, а в другой 2,5 тысячи ₽, то удержание стоимости конверсии не подходит. Нужно использовать оптимизацию кликов по ДРР. Тогда чтобы расходы не превышали 9% от выручки с транзакций, нужно указать это в настройках:

Но ДРР — средний показатель и он может отличаться для разных категорий товаров в зависимости от маржинальности и количества отменённых заказов. Вот поэтому важно в одной рекламной кампании собирать товары как минимум с одинаковой маржинальностью — и пересчитывать ДРР для каждой РК.

В итоге после внедрения автоматических стратегий мы снизили ДРР с 23% до 10% и повысили выручку до 740 тысяч ₽.

А после этой небольшой победы наступило лето и сезон охоты на большинство животных закрылся. Изменения сезонности можно заметить и по данным Wordstat:

Спрос на товары упал на 10-25%. Это сильно повлияло на работу кампаний: они перестали набирать необходимое количество конверсий и пришлось временно вернуться к ручному управлению кампаниями. Во время снижения спроса резко начал расти ДРР, поэтому мы были вынуждены срезать охват, чтобы удерживать приемлемый ДРР в 20%.

Когда мы запустили основные категории товаров и рекламных инструментов, решили перепроверить, куда идёт трафик. Так мы хотели найти точки роста в посадочных страницах.

Один из примеров: посетитель переходит на страницу, чтобы купить крышку ствольной коробки, но в каталоге 105 товаров, среди которых рукоятки, накладки, приклады, а нужной детали нет. Но если посмотреть на фильтр слева, то видно, что такая деталь только одна и чтобы страница была релевантная, необходимо применить фильтр:

Получается, что расходы на рекламу есть, а выхлопа нет. Покупатель скорее закроет страницу, чем будет разбираться, куда ему надо нажать, чтобы найти нужный товар.

Нет ничего сложного в том, чтобы выгрузить все группы ключевых фраз и проверить посадочные страницы: насколько товары соответствуют поисковым запросам и насколько заполнены картинки этих товаров. Этим и занялись:

Резонный вопрос: почему не проверяли сразу и если собирали кампании с нуля, почему допущены ошибки? Во-первых, клиент постоянно меняет состав листингов, добавляет новые. Во-вторых, ошибаться в рамках допустимого — нормально. Да и часть кампаний мы взяли от предыдущих разработок.

После анализа релевантности мы получили такие результаты:

Расход бюджета на нерелевантные страницы был всего 10% от бюджета. Но с другой стороны — это 300 тысяч ₽ в год. Поэтому мы отключили нерелевантные объявления и направили деньги на другие РК. В результате мы получили дополнительно ещё 150 тысяч ₽ выручки.

Ну и бонусом, мы лучше изучили сайт клиента, сравнили его с конкурентами и дали много рекомендаций. Например, подключить систему мониторинга цен, добавить изображений товаров, расширить ассортимент и так далее.

Для начала поясним, что такое модель атрибуции. Например, покупателю нужен новый приклад для ружья: он набирает в поиске «купить приклад», переходит на наш сайт, смотрит и уходит.

Потом листает ленту ВК, видит наше объявление, переходит и думает: «Ну вроде неплохой, посмотрю ещё цены». Сравнивает цены, видит, что у нас самые дешёвые приклады, набирает в адресной строке адрес нашего магазина и оформляет заказ. И какому каналу в итоге мы присвоим конверсию?

Стандартная модель атрибуции — это последний переход на рекламу, не считая незначимого. Незначимый переход — это вбить адрес в поиск, обновить страницу и другие, которые не показывают объективный источник продажи. В нашем случае переходом бы считалась реклама из ВК.

Стандартная модель не всегда отражает суть. Например, реклама не генерирует покупку напрямую, но участвует в цепочке продажи. В примере это будет реклама в поиске — напрямую ничего не продала, но без неё покупатель бы не узнал о нашем магазине и не увидел бы рекламу в соцсетях.

Корректность стандартной модели атрибуции мы проверяем ещё во время аудита, чтобы не работать с искажёнными данными. Как правило, в большинстве случаев этого достаточно, но за счёт более точного атрибутирования конверсий можно обнаружить ещё 5-15% выручки, которые приписываются другим источникам трафика.

Так мы поступили и сейчас: оставили эту работу напоследок. А когда время пришло, обнаружили, что часть транзакций присваивается платёжным сервисам и редиректу для применения купона.

Это легко починить, нужно лишь задать несколько правил перезаписи в Google Analytics и Яндекс Метрике. В итоге нашли ещё около 10% транзакций, которые приносит контекстная реклама. Мы перераспределили бюджет, повысили охват и получили ещё около 100 тысяч ₽ выручки в месяц.

В июле, на девятый месяц работы над проектом, мы получили рост, который тяжело объяснить. Такого результата мы, признаться, не ожидали: сработало наложение множества причин.

Одна из причин — сезонный рост спроса на 10-20% в течение последующих месяцев с июля:

С ростом объёма спроса растёт и конверсия сайта — с 0.27% до 0.37%, а это +37%:

Ещё одна причина — запуск поисковых рекламных кампаний. На этапе А/Б-тестирования поиск показал отрицательные результаты. Клиент настаивал, чтобы на старте мы работали только с РСЯ. По результатам проекта РСЯ действительно принесли в 2 раза больше выручки — возможно, это из-за нестабильного спроса.

Мы решили попробовать использовать поиск ещё раз — и это принесло дополнительно 350 тысяч ₽ выручки в месяц.

В течение низкого сезона мы копили данные и балансировали экономику рекламных кампаний, пересчитали атрибуцию конверсий, увеличили релевантность листингов и прочие стандартные действия, но в какой-то момент поняли, что начали упираться в стратегию удержания ДРР — это не давало возможности увеличить охват там, где следовало бы.

Мы решили пересчитать экономику бизнеса и перенести фокус клиента с удержания ДРР на максимизацию прибыли, то есть ориентироваться именно на то, сколько сможем заработать. Мы выгрузили данные о прибыли из RetailCRM и сопоставили их с расходами из Яндекс Метрики, чтобы посчитать чистую прибыль и далее ориентироваться на неё.

По итогу расчётов мы поняли, что стоит рискнуть и купить более дорогие ключевые слова на поиске и поднять ставки на РСЯ. И это принесло свои плоды. На графике видно, как растет стоимость клика с пиком на девятом месяце и одновременно снижается ДРР ниже 10%.

Мы достигли выручки 1,3 млн рублей только на 9 месяц и это был нелинейный рост. Наверное, мы могли бы достичь этих показателей раньше, если бы убедили клиента запустить поиск на 3-5 месяце работы и пересчитать экономику проекта в привязке к чистой прибыли. Но по опыту работы над другими проектами мы знаем, что вряд ли бы это сильно ускорило динамику: высоких KPI удаётся достичь только спустя N протестированных гипотез, правильных решений и ошибок.

Да, мы используем стандартные инструменты — ничего сверхъестественного. Но если бы работать с ними было просто, клиенты не приходили бы в агентства, где над проектом работают минимум три человека: специалист, старший специалист и тимлид. А агентства не испытывали бы трудности с наймом и обучением сотрудников. Главная сложность не в умении собрать ключевые слова или запустить рекламу, а в умении провести анализ, найти точки роста, сформулировать и протестировать гипотезы — и так по кругу.

Если с вашей контекстной рекламой что-то не так, вот стандартные рекомендации по проверке и оптимизации кампаний:

• Проверьте аналитику: цели работают правильно, а конверсии в системах аналитики совпадают с реальными заявками и продажами в CRM. Настройте электронную коммерцию.

• Протестируйте все виды рекламных кампаний: обычные поисковые и РСЯ кампании, динамический ретаргетинг (смарт-баннеры) в Яндексе и Google, Яндекс.Маркет и Google Shopping, умные торговые кампании в Google Ads, DSA в Google Ads.

• Изучите базовые срезы в динамике: рекламные кампании, группы и ключевые слова, регионы и города, пол и возраст и т.д. Смотрите ключевые метрики: стоимость лида и заказа, конверсия в покупку, процент отказов и т.д. — и на их основе перераспределите бюджет с неэффективных сегментов на эффективные.

Если хотите, чтобы мы провели аудит и нашли точки роста — пишите на сайт или в FB. Мы разберёмся в вашем бизнесе и подумаем, чем можем быть полезны.

А ещё можете подписаться на Телеграм-канал — там мы публикуем кейсы и экспертные статьи, выходит не больше 1 поста в месяц.