Как в 2 раза увеличить доход от рекламы с помощью machine learning: кейс SF.RU и Холодильник.ру

Современные технологии умеют многое. Например, искусственный интеллект сегодня самостоятельно обрабатывает огромные массивы данных, оптимизирует рекламные показы и дает хороший результат. Однако многое — не значит все. Опыт SF.RU наглядно показывает, что лучших KPI машина может достичь только при непосредственном участии опытного специалиста.

С Холодильник.ру — крупным интернет-магазином бытовой техники и электроники, — мы сотрудничаем три года. В 2019 году оптимизировали для него Яндекс.Директ, подробности читайте в кейсе «Аналитика и труд — „Холодильник“ станет крут». А из кейса «Как в два раза увеличить доход от контекстной рекламы» можно узнать, как мы в 2020 году перенастроили Google Ads. С нашей помощью доход клиента по каждому из каналов вырос минимум на 20%, тогда как расходы остались на прежнем уровне.

Впрочем, на результаты 2020 года сильно повлияла пандемия коронавируса. Спрос перешел в онлайн: аудитория российского e-commerce, то есть, число тех, кто хотя бы раз что-то покупал в интернете, по данным Ассоциации компаний интернет-торговли выросла с 47 миллиона до 60 миллионов человек. У ведущих игроков рынка бытовой техники и электроники доля выручки от онлайн-продаж достигла 70%. Оборот у «чистых» онлайн-ретелейров и вовсе увеличился минимум вдвое.

В 2021 году правила игры поменялись. Коронавирусных ограничений в России и мире становилось меньше и рынок постепенно восстанавливался. Офлайн-торговля начала медленно возвращать утраченные за прошлый год позиции, а трафик на сайт — падать от месяца к месяцу. Перед нами стояла амбициозная задача не только повторить результаты первого года пандемии, но и показать рост в 30–50%, сохранив рентабельный для бизнеса ДРР.

Для расширения воронки продаж в июне 2021 года мы запустили медийную рекламу. Провели много тестов, подготовили кампании по автотаргетингу и динамические рекламные кампании, разместили смарт-баннеры. Чтобы отстроиться от конкурентов и показать преимущества бренда использовали широкий инструментарий:

• классическую аудиторную закупку с использованием данных DMP и Платформы Больших Данных. Для этого мы подобрали сегменты, релевантные запросу;
• look-alike моделирование. Здесь мы ориентировались на аудиторию, которую подобрала система, опираясь на схожесть поведенческих признаков пользователей;
• ретаргетинг. Так мы увеличили количество контактов с пользователями, которые раньше хотя бы раз заходили на сайт клиента, и использовали различные аргументы, чтобы продолжить взаимодействие.
• контекстный таргетинг, в том числе на аудиторию конкурентов. Мы сфокусировались на близких по содержанию страницах и создали сегменты пользователей, которые посещали страницы с упоминанием тех или иных ключевых слов.

Однако вместе с медийной активностью начал расти не только доход, но и ДРР. Такая тенденция нас не устраивала: доля рекламных расходов не должна была выходить за определённые рамки. Помогал рост брендового трафика, но этого было недостаточно — клиент ждал, что мы будем расти и по обычным запросам, категорийным и товарным.

Тогда мы расширили команду проекта. К двум специалистам и интернет-маркетологу присоединился трафик-менеджер, который координировал контекст — управлял кампаниями, отслеживал эффективность рекламы и оперативно ставил задачи. Так на базе агентства получилась полноценная инхаус-команда, которая не отвлекалась на другие проекты, но при этом постоянно обменивалась опытом с коллегами — это позволило быстрее и качественнее проводить тесты, глубже анализировать данные и строить больше гипотез.

Нам предстояло протестировать более 300 кампаний. Для начала мы отобрали самые высокодоходные категории (все же помнят про закон Парето?) и проверили их настройки в поисках инсайтов для масштабирования. Искали лучшие и худшие среди них, сравнивали семантику, настройки, проверяли метки, поисковые запросы и многое другое. Часто встречались кампании со схожими параметрами, которые неплохо работали в одном месте, но были совершенно неэффективны в другом.

Попутно мы подтвердили гипотезу о том, что рост мог дать только использование автостратегий.

В июле 2021 года мы подключили тестовую кампанию в Яндексе с оптимизацией по ДРР. Эксперимент получился удачным: средний чек и количество лидов выросли. Тогда мы стали поочередно разбирать каждую кампанию, изучать ее показатели и перенастраивать. Оптимизация по ДРР — хороший способ поддержать рентабельность кампаний, но он сработал не везде.

В итоге мы изменили конфигурацию 90% всех рекламный кампаний. Освободившееся время использовали для финансового планирования, категорийного анализа с учетом геопозиций и запуска новых кампаний на неохваченные сегменты в регионах. Начали с топовых категорий — холодильников, стиральных и посудомоечных машин, а затем перешли к мелкой бытовой технике и другим, более дешевым продуктам.

Включить настройку и забыть про нее нельзя — нужно обучить алгоритм находить целевую аудиторию. Секрет успеха кроется в верном выборе параметров автостратегий и том, насколько корректно они регулируются в зависимости от текущих показателей.

Яндекс.Директ, как известно, требует не менее 10 конверсий в неделю для корректной работы machine learning. Несмотря на размеры проекта, многие кампании Холодильник.ру охватывали или небольшие регионы, или узкие направления, и не проходили обучение из-за нехватки данных. Мы условно разделили «необучаемые» кампании на два типа:

• где объективно не хватало спроса и трафика для обучения;
• где были на первый взгляд достаточные объемы, но все равно не получилось обучаться.

Для кампаний первого типа нужно было пересматривать структуру аккаунта. У нас было два основных варианта изменения структуры:

• объединять категории в рамках одного региона;
• объединять города и регионы в рамках одной категории.

Остановились на втором варианте — это позволило нам сохранить управление ДРР на каждой категории по отдельности.

Для второго типа кампаний мы тестировали оптимизацию по цели выше по воронке, в нашем случае — добавлению товара в корзину. Иногда это решало проблему обучения и невысокой рентабельности. Однако возникали ситуации когда «корзин» достаточно, но продаж не хватало, и ДРР выходил за рамки целевого.

Тогда мы подсчитали оптимальную стоимость корзины не по категориям товаров, как раньше, а индивидуально для каждой из кампаний, после чего установили новые параметры для оптимизации. Это разрешило многие проблемы, хотя и потребовало регулярного контроля и корректировки.

Еще раз напомним: в 2021 году мы должны были показать минимум 30-процентный рост при ограничении доли расходов на рекламу. По факту доход от контекстной рекламы увеличился в два раза, а ДРР удержался в целевых показателях — то, что и было нужно заказчику.

Рецепт успеха прост — перед тем как тратить рекламный бюджет, убедитесь, что сделаете это эффективно. Для этого:

• настройте сквозную аналитику и удобные и информативные отчеты;
• используйте инструменты, которые избавят вас от мелкой ручной работы, высвободят время на анализ результатов и корректировку стратегий;
• анализируйте площадки, смело отключайте убыточные кампании и ищите возможность увеличить прибыль от тех, которые приносят деньги;
• тестируйте гипотезы, проверяйте, как они сработали, и оставляйте только самые удачные идеи;
• ищите способы, как отстроиться от конкурентов.

Отдельное спасибо менеджерам Яндекса, с которыми мы тесно работаем до сих пор и продолжаем тестировать новое.

Над проектом работали ведущий интернет-маркетолог SF.RU Инна Егорова и руководитель Performance-маркетинга Алина Прошина. Хотите обсудить с ними кейс или свою идею? Пишите на [email protected].

#digital #маркетинг #performance #brandformance