Как увеличить ROAS в 2,5 раза в узкой B2B-нише с длинным циклом сделки

Когда твой рынок — около 30 тысяч компаний, то для ручного обзвона это слишком много, а для стандартного таргетинга слишком мало. Из-за длинного цикла сделки и большого количества касаний непонятно, как работает тот или иной канал и какой из них лучше масштабировать.

Как говорится, мы знаем, что половина рекламного бюджета расходуется впустую, вот только не знаем, какая именно.

Всем привет, меня зовут Максим Колпаков, и я директор по маркетингу Webinar Group. В статье расскажу, как мы попробовали решить проблему с помощью Tomi.ai и какие результаты получили через три месяца A/B-тестов. Спойлер: очень крутые — +150% ROAS.

Webinar.ru продает B2B-подписку на платформу для проведения удаленных встреч, совещаний и вебинаров. На онлайн-мероприятиях могут одновременно присутствовать до 200 спикеров и до 10 тысяч участников, присутствие и внимание слушателей легко контролировать. Сервис размещается на собственных серверах в России и входит в реестр отечественного ПО.

Наша целевая аудитория — вузы, государственные корпорации, крупный и средний бизнес со штатом от 100 человек. Это порядка 30 тысяч организаций в России, с 12 тысячами из которых мы уже контактировали. Доконвертировать клиентов и собирать сформированный спрос мы научились. Сейчас основная задача — находить новых клиентов из нашего целевого профиля. Метрика успеха — подписанные договоры и оплаты, а не квалифицированные лиды.

И здесь возникает вопрос: как таргетироваться на директоров или руководителей определенных направлений в компаниях, если известны только официальные данные — Ф. И. О. и иногда рабочая почта? Это головная боль всех компаний c узкой целевой аудиторией.

Но у Webinar Group есть и специфические проблемы:

• 20+ разных типов ЛПР — завучи и деканы в институтах, HR в корпорациях, локальные руководители в госкомпаниях. Проблему частично мог бы решить нормальный таргетинг по должностям, как в LinkedIn, но наша ЦА им практически не пользуется. Некоторые сотрудники вузов и окологосударственных компаний могут обойти блокировку сервиса, но только чтобы обновить резюме — проводят минимум времени.
• Люди приходят на сайт из разных каналов — из поиска, контекста, рассылок и рекламы в соцсетях, по реферальным ссылкам от блогеров. Раньше запрещенные соцсети были для нас одним из самых важных каналов привлечения.
• От 4 до 12 месяцев с момента первого касания до оплаты подписки. При этом окно атрибуции у рекламных платформ намного меньше: 7 дней у Facebook (является частью Meta, признана экстремистской организацией в России), 90 дней у Гугла и Яндекса.
• 100+ касаний от 10+ сотрудников компании клиента. Обычно от компании на платформе Webinar.ru регистрируется 10+ человек, но только 3–4 из них ЛПР или ЛВР. Например, в корпоративном университете решение принимает директор с учетом мнения системного администратора и после одобрения от информбезопасности. Преподаватели же регистрируются на платформе, чтобы понять, как пользоваться сервисом. Они тоже кликают по важным кнопкам, смотрят цены и запрашивают демо, но не становятся покупателями и портят оптимизацию пикселей разных систем.

«Рыхлая» аудитория, куча каналов и длинный цикл сделки — комбо для маркетолога. Притом что ни в одной рекламной системе нет достаточно качественных инструментов для решения B2B-задач.

Мы привлекали лидов из запрещённых соцсетей. Для этого использовали стандартные таргетинги по социально-демографическим характеристикам и интересам. У нас есть порядка 50–70 интересов, которые хорошо описывают нашу целевую аудиторию, например «корпоративные тренинги» и «дистанционное обучение». Но этот сегмент очень узкий и быстро выгорел. Добавление новых интересов его не расширяет, зато снижает качество: если расширять категорию до «образование», то в аудиторию попадают студенты.

Еще мы пробовали делать LAL на квалифицированных лидов и реальных клиентов. Здесь тоже не все гладко. В B2B вполне может быть всего 50–100 продаж за квартал, и это нормально. Но даже когда мы отправляем финальные конверсии в рекламную систему, то данных не хватает для оптимизации кампании. Безусловно, можно провести сегментацию ЦА по определенным признакам и «поймать» нужных людей, однако большой объем нецелевого трафика дает высокую стоимость привлечения.

Как результат, качество лидов из Facebook было низким, а ROAS проходил по нижней границе допустимого. Экономика сходится на ROAS > 3, а у нас ROAS = 2. С такими показателями масштабировать рекламные кампании невозможно.

Конечно, мы пробовали создавать кастомные аудитории вручную. Чтобы таргетироваться на них в соцсетях, нужны почта или телефон, на который зарегистрирован аккаунт. Поэтому мы собирали личные контакты ЛПР, в том числе на офлайн-мероприятиях. Кампании давали хороший ROAS, но этот подход тяжело масштабировать, ведь собрать массово такую аудиторию нельзя.

А нам, чтобы достичь цели, нужно не только показывать хороший ROAS, но и не ронять его при масштабировании рекламных кампаний. Значит, пора искать новые стабильные способы роста.

Обычно в B2B таргетируются по фирмографическим и технографическим данным. То, что можно определить заинтересованность пользователя (intent) по его поведению на сайте и использовать ее для оптимизации таргетинга, стало для нас настоящим открытием. Оказывается, у целевых клиентов можно найти определенный схожий паттерн взаимодействия с сайтом. Ведь каждый пользователь оставляет на сайте кучу сигналов, от классических — времени посещения, глубины просмотра и количества кликов — до микродвижений на конкретных блоках и разделах сайта.

Если научиться присваивать каждому пользователю ценность в деньгах после каждой сессии в зависимости от поведения, которое он продемонстрировал на сайте, эту метрику можно использовать как сигнал для оптимизации кампаний и собирать в сегменты пользователей с одинаковой ценностью. Но человек не может обработать и проанализировать все сотни тысяч сигналов, чтобы найти закономерности. Так мы познакомились с командой Tomi.ai и их решением на базе машинного обучения (ML), которое позволяет это сделать.

Tomi.ai собирает примерно в 50 раз больше поведенческих факторов, чем Google Analytics. Например, если Google Analytics отмечает заполнение формы заявки как бинарное событие — «заполнена» или «не заполнена», то пиксель Tomi.ai мониторит еще и прогресс. Потом сервис обучает ML выделять потенциально конверсионных пользователей и отдает эти данные как сигнал для оптимизации рекламным платформам. На Webinar.ru самые ценные пользователи — те, кто регистрируется на платформе, просматривает тарифы, читает на сайте инструкции и определенные статьи.

В B2B обычно мало сделок — конверсия из клика в сделку меньше 0,01%, поэтому по фактическим продажам оптимизироваться нельзя. Tomi.ai создан решать проблемы таких компаний. Он предсказывает ценность и прогнозную выручку с каждого посетителя сайта, в том числе с тех, кто еще не совершил покупку или даже не зарегистрировался. В выборку самых ценных попадает около 10% посетителей сайта, на которых потом можно оптимизировать рекламу.

Если честно, когда наш CEO предложил посмотреть Tomi.ai, мы сомневались и не видели финальной ценности сервиса конкретно для Webinar Group. Тратить время на эксперименты было откровенно жалко. Этап построения ML-модели занимает около недели, но до этого целый месяц или больше нужно собирать данные, чтобы было на чем строить. А дальше — запускать A/B-тесты и проверять, получилось ли добавить ценность.

Первые результаты от начала сбора информации можно увидеть через 12–18 недель. Такой срок обусловлен тем, что нужно показать Tomi.ai весь цикл сделки, чтобы модель начала на нем обучаться. Если от лида до выручки проходит две недели, то месяца будет достаточно, а если когорта зреет дольше, то и срок ожидания больше. В это время контрольные и тестовые кампании продолжаем мониторить как обычно. И всё же мы решили попробовать, планы по росту и масштабированию никто не отменял. В пользу Tomi.ai нас склонили бесконечное окно атрибуции и фокус на улучшение бизнес-метрик, а не просто построение очередного красивого дашборда.

Качество прогнозов Tomi.ai сильно зависит от качества данных из CRM и того, насколько хорошо мы можем соединить их с сигналами онлайн-поведения пользователей. Данные с сайта пиксель Tomi.ai собирает самостоятельно. На нашей стороне самое важное — это отдавать через фиды чистые данные о продажах с идентификаторами пользователей и суммами сделки, чтобы алгоритм Tomi.ai на своей стороне мог склеить эти данные и обучиться на них.

Поэтому сначала нужно обучить модель. Для этого мы поставили на сайт пиксель Tomi.ai, в течение четырех месяцев он собирал поведенческие данные. За это же время мы накопили первые данные о продажах и подготовили CRM-фид. Так сервис смог связать поведение пользователей с этими данными по Google Analytics Client ID, User ID, email и телефону и обучить ML рассчитывать для новых пользователей вероятность покупки и ее ожидаемую ценность.

Как только модель была обучена, мы запустили A/B-тестирование.

В чем суть эксперимента:

Для A/B-тестирования мы взяли две кампании с одинаковыми креативами.

A — оптимизировали стандартно, по CPA (событие Website Leads — «Регистрация в сервисе»).

B — оптимизировали под ценность, min ROAS (событие Website Purchases), то есть по данным, которые Tomi.ai передает в Meta после скоринга пользователей. Вот как это работает:

1. Tomi.ai скорит каждого посетителя на сайте и в течение двух часов с момента визита отправляет рассчитанную для него ценность в рублях (то есть прогнозную выручку) в рекламную платформу. Теперь платформа видит ценность не 0,01% пользователей, которые уже стали клиентами или лидами, а каждого посетителя сайта.

2. Данные о верхних 10% отправляются в рекламную платформу по Marketing API. Meta теперь получает в сотни раз больше данных и оптимизируется не на бинарное событие в середине воронки (лид), а на финальную ценность пользователя.

Обычно мы считаем ROAS рекламных кампаний на горизонте 3, 6 и 12 месяцев. Целевой ROAS на горизонте квартала — 3, на горизонте года — 6 (мы умеем хорошо допродавать).

Общий бюджет на A/B-тест — 1,8 млн рублей, по 900 000 рублей на эксперимент и контроль. Период открутки — 3 месяца. Вот что получилось:

А. ROAS кампаний в контроле за три месяца равен 1,7, в горизонте года — 3,43. Это наш обычный показатель до подключения Tomi.ai.

B. ROAS тестовых кампаний с Tomi.ai через 3 месяца — 4,26. Кампании уже окупили себя на тесте, ожидаемый ROAS за год — 7,52. Мы достигли поставленных целей.

После эксперимента мы проверили ценность, которую предсказал Tomi.ai, для реальных клиентов. Сделали выгрузку по проскоренным визитам и контактам. Обнаружили, что погрешность прогноза — 16%. Прогноз был, условно, 100 млн рублей, а выручка, которую реально зафиксировала система, — 84 млн рублей:

Как получается разница между прогнозом Tomi.ai и продажами по факту:

• Пользователь заходит на сайт впервые, везде кликает и закрывает сайт. Tomi.ai присваивает сессии ценность, допустим, 1000 рублей.
• Пользователь заходит еще несколько раз из разных каналов, для каждого захода Tomi.ai считает накопленную ценность. Допустим, после 20 касаний она стала 15 000 рублей.
• Таких пользователей в сегменте 100. То есть прогноз по выручке на сегмент — 1,5 млн.
• Проходит полгода, и кто-то из этих пользователей совершает покупку — но не на 1,5 млн, а на 1,26 млн, погрешность — 16%.

Спросите любого аналитика, о чем он мечтает. Уверен, о том, чтобы все данные были проклеены и можно было смотреть финальных покупателей. Мы уже это делаем.

В процессе A/B-теста стало понятно, как еще можно использовать модели и ее скоры. Мы научились смотреть на клиентский путь (CJM) целевых пользователей с высокой ценностью на сайте и по нашей воронке отдельно от всех остальных. Раньше у нас не получалось отследить, как клиенты взаимодействуют с Webinar Group от первого контакта и до повторных покупок: было слишком мало данных. Теперь благодаря синтетическим конверсиям Tomi.ai мы можем отследить путь целевых пользователей (ЛПР) даже несмотря на то, что их еще нет в нашей CRM.

Что мы увидели:

• Какие статьи на сайте приносят наиболее вовлеченный трафик. Мы получили массу инсайтов о том, как доработать блог: о чем писать, какие статьи стоит сделать более заметными, какие статьи интересуют ЛПР и помогают их сконвертировать, а какие не помогают закрывать сделки.
• Как много денег тратили впустую на брендовый трафик. С помощью Tomi.ai мы смогли посмотреть по UTM-меткам предикты не только на кампаниях в A/B-тесте, но и на всех текущих РК, откуда на наш сайт приходят пользователи. Мы думали, что брендовый трафик вносит существенный вклад в доконвертацию. Но показатели eRPV (estimated Revenue Per Visit, прогнозная выручка на посетителя) по Tomi.ai говорили об обратном. На самом деле он лишь съедает бюджет, но не дает прироста инкрементальной ценности.

Итог: если раньше мы тратили на брендовый трафик около 25% бюджета, то сейчас практически от него отказались.

По результатам тестирования и дальнейшей работы с Tomi.ai мы убедились, что для нашего бизнеса предиктивная оптимизация на базе поведенческих данных работает. Да, если настраивать кампании самостоятельно, то они иногда дают хороший ROAS, сравнимый с Tomi.ai, но это тяжело масштабируемый подход. Только начинаем масштабироваться, как экономика перестает сходиться. С помощью Tomi.ai у нас получается расти без потери эффективности. Единственное, что мне хотелось бы улучшить — процент идентифицируемой выручки. Сейчас охватываем только 30%, так как много денег приходит от повторных продаж. Надо еще допиливать выгрузки и учиться лучше склеивать сделки и посетителей.

После успешного A/B-теста мы стали оптимизироваться практически во всех РК на события Tomi.ai. Когда Meta заблокировали в России, начали использовать сервис для оптимизации кампаний в Яндексе и работы с блогерами и Telegram-каналами. Например, мы узнали, что трафик с делового СМИ из топ-3 имеет прогнозную ценность в выручке ниже среднего. Tomi.ai скорит всех посетителей, которые приходятна сайт, и присваивает ценность каждому касанию. Просто если раньше трафик шел из Meta, то теперь — из РСЯ и реферальных постов.

Лучшее в сервисе — то, что через Tomi.ai мы видим, как на сайт приходят ЛПР, которых у нас пока даже нет в CRM, видим ценность в деньгах каждого, даже незарегистрированного, пользователя. А дальше уже можем применять эти данные для таргетинга и оптимизации платной рекламы или анализа других источников трафика.