Как архитектура рекламных кампаний влияет на выручку интернет-магазина: кейс 3X выручки на 60 000 SKU за 3 месяца

Обычно вау-кейсы в контекстной рекламе удаются на контрасте, когда агентство исправляет банальные ошибки, за пару месяцев получает результат и рассказывает, какое оно молодец, а прошлый подрядчик огурец. Но в этом проекте реклама и до нас была хорошо отлажена. Рассказываем, как мы смогли вопреки всему найти точки кратного роста.

Мы агентство jam.agency, занимаемся настройкой контекстной рекламы для ecommerce-проектов. К нам пришёл клиент, у которого были и так неплохие продажи, контекстная реклама отлично настроена, но когда он пытался масштабироваться, расходы росли быстрее доходов. Мы провели огромный аудит и выяснили, как можно ещё поднять продажи через контекстную рекламу.

Сейчас расскажем подробнее, что же мы такого сделали, но перед этим пару слов клиенту.

Marwin.kz — интернет-магазин товаров для всей семьи. Здесь продают игрушки, спортивный инвентарь, книги, товары для активного отдыха и так далее.

Интернет-магазин — один из ключевых каналов продаж, но при этом не главный канал сбыта. В основном продажи идут через оффлайн-магазины, на онлайн приходится около 20% выручки. У клиента сеть из 30 точек в разных городах Казахстана — обычно в таких случаях вести рекламу проще, потому что есть лояльная аудитория.

Еще одна особенность проекта — большой ассортимент разноплановых товаров: на сайте marwin.kz представлено 20 категорий товаров и каждая разбита на десятки подкатегорий. Причем цены варьировались от 100 до 100 000 в рублевом эквиваленте (все цены на сайте в тенге).

Команда магазина обратилась к нам за аудитом в апреле 2021 года, прочитав кейс магазина автозапчастей. Их устраивали показатели интернет-маркетинга, но в июле 2020 они вышли на плато: при масштабировании контекстной рекламы росла доля рекламных расходов (ДРР) и падала рентабельность. В результате бюджет аккаунта ограничили суммой, которая давала оптимальный баланс выручки и затрат.

Проект несколько лет вел штатный специалист, который хорошо знал ассортимент магазина и разбирался в контекстной рекламе. В дальнейшем он очень помог нам своими комментариями и советами.

Клиенту нужно было получить альтернативный взгляд на проект и рекомендации для дальнейшего роста. Этим мы и занялись.

Мы всегда начинаем свою работу с аудита контекстной рекламы: ищем ошибки в настройках, находим точки роста, строим гипотезы для масштабирования. Обычно аудит занимает неделю–полторы, но здесь мы трудились целый месяц. Итоговая работа вылилась в огромный 70-страничный документ и несколько приложений с пояснениями. Здесь же мы обозначим только ключевые нюансы.

В 95% случаев на клиентских проектах мы сталкиваемся с типичными ошибками, но здесь их не было. Работа над проектом велась грамотно и кропотливо. Даже показ всех неэффективных ключевых фраз остановили, что говорит о регулярном мониторинге и оптимизации рекламы.

Единственная точка роста, которая лежала на поверхности, — небольшая доля трафика и заказов по торговым кампаниям, одному из основных инструментов Гугла. Обычно эти кампании генерируют до 80-90% трафика для интернет-магазина, а здесь доля торговых кампаний была в районе 10%.

Но этого мало для кратного роста, поэтому мы продолжили погружаться в проект. Чтобы свести все данные и проанализировать показатели рекламных кампаний, их прибыльности, увидеть динамику и сделать правильные выводы, мы собрали интерактивный отчет — дашборд в Datastudio. Обычно мы собираем небольшие дашборды для владельца бизнеса, когда уже подписан договор, но здесь проект большой и сложный — без нужных данных мы бы не разобрались.

На этом уровне мы планировали увидеть сегменты, где рекламодатель несет убытки или недополучает прибыль. Но экономика проекта оказалась весьма сбалансированной: все кампании и 95% групп объявлений работали в плюс.

Чтобы найти точки роста, пришлось копать глубже и выйти за рамки рекламного кабинета — узнать, что и когда хорошо продается, на чём именно и сколько клиент зарабатывает.

Так как в магазине большой ассортимент разноплановых товаров — от мармелада и кормов для животных до дорогих колясок и игровых консолей — очевидно, не все они пользуются одинаковым спросом и у всех разная маржинальность. Эти факты нужно учитывать при проектировании архитектуры рекламных кампаний.

У клиента же более 70% выручки приходилось на две динамические поисковые кампании, в которых были смешаны разные категории товаров. Из-за этого товары разной стоимости, популярные и непопулярные получали одинаковое внимание покупателей. Архитектура была проста в управлении, но неповоротлива: точечные корректировки внести было нельзя и по сути все сводилось к простой задаче — получать конверсии по конкретной стоимости, которую задали в настройках кампании для всех товаров. Начали копать в этом направлении.

Самые популярные категории. Мы провели ABC-анализ — выявили топовые категории, на которых клиент зарабатывает больше всего денег. 80% выручки в магазине дают 6 категорий из 20.

Эти категории должны получать больше всего денег из рекламного бюджета, но структура аккаунта не позволяла это сделать: было две основные рекламные кампании с разным наборов товаров и несколько брендовых категорий.

Одно из преимуществ такой структуры — Гугл собирал достаточное количество данных для работы автостратегий управления ставками. Минус — в гибкости: нельзя управлять охватом и стоимостью сделки каждой категории товаров.

Сезонность. Далее мы решили проверить, как сильно на продажи влияет сезонность, с помощью анализа сезонных колебаний дохода у топовых категорий. Некоторые из них имели ярко выраженный пик спроса. Например, игрушки покупали чаще всего под Новый Год, а канцелярию — перед началом учебного года:

И опять же — структура рекламных кампаний не учитывала, что какие-то товары лучше продаются летом, на каникулах, а какие-то перед Новым Годом. Клиент не мог гибко управлять ставками, чтобы видеоигры в июле получили больший охват, чем канцелярия.

Маржинальность. Затем мы изучили экономику проекта. Скорее всего, огромный ассортимент предполагает большую разницу в маржинальности товаров — на консолях клиент мог зарабатывать 10%, а на игрушках — 60%. Всё это надо учитывать в структуре рекламных кампаний.

Допустим, средняя маржинальность — 40% и клиент готов тратить половину маржи на рекламу. В этом случае целевое значение ДРР будет равно 20%. Если для всех товаров использовать одинаковый целевой ДРР, то получится, что реклама низкомаржинальных товаров не будет окупаться, а товары с высокой маржой не получат достаточный охват.

Поэтому эта стратегия подходит магазинам с маленьким ассортиментом и небольшой разницей в марже.

Для нашего проекта плясать под один ДРР не вариант: здесь нужно было учитывать маржинальность каждого товара. Если тратить половину маржи на рекламу, то целевой ДРР будет у каждого свой.

Проанализировав всё, что можно, мы пришли к следующим выводам:

На основании этих выводов мы сформулировали основную гипотезу: чтобы инвестировать рекламный бюджет эффективно, нужно раздробить кампании и управлять категориями независимо.

Гипотеза спорная, ведь сам Гугл рекомендует объединять категории в одну кампанию, чтобы лучше работали автостратегии. Мы и сами так делаем на большинстве проектов с небольшим ассортиментом (про работу автостратегий есть отдельный материал — «9 кейсов по автостратегиям для интернет-магазина: от роста выручки в 4 раза до снижения в ноль»). Но здесь решили попробовать нестандартную механику. У нас были сомнения, что это поможет, но мы объяснили клиенту нашу логику и предложили попробовать протестировать гипотезу на ТОП-5 категорий по объёму продаж.

Перед стартом работ мы получили от клиента данные о маржинальности. Наша гипотеза подтвердилась — маржинальность по разным категориям могла отличаться в 4 раза. Для каждой категории рассчитали свой целевой ДРР, чтобы использовать в настройках автостратегий рекламных кампаний.

Также выяснились другие любопытные подробности. Например, что некоторые рекламные кампании проводятся по согласованию с производителями, поэтому на них может быть потрачен бюджет, согласованный с конкретным брендом. Кроме того, руководство заранее выставляет отделу маркетинга лимит месячных расходов, так что все маневрирование должно происходить в рамках этого ограничения.

Ознакомившись со всеми тонкостями, мы принялись за разработку новой структуры. Важный момент: по каждой категории у нас должно быть достаточное количество продаж, чтобы запустить автостратегию — примерно 30 заказов в месяц. Если будет 5 заказов, автостратегия не будет работать и придётся запускать рекламу вручную, а управлять рекламой такого количества позиций будет сложно. Поэтому мы не могли просто взять и раздробить структуру на мелкие категории, типа Lego Classic, Lego City, куклы Barbie, куклы L.O.L. и так далее — пришлось собирать данные по заказам.

Например, есть большая категория «Игрушки» и по ней 5 000 заказов в месяц. В ней есть подкатегории «Игрушки для девочек» с 3000 заказов. Данных достаточно, значит можно дробить дальше. Для девочек есть более мелкая подкатегория «Куклы LOL» с 50 заказами и «Кукольные домики» с 10 заказами. Значит, из «Кукол» можно делать отдельную кампанию, а «Домики» надо с чем-нибудь объединять.

Работа была сложная: на выходе мы получили почти 300 рекламных кампаний на базе товарного фида. Нужно было учесть все факторы: текущие показатели, бюджет, который выделили производители, маржинальность, сезонность, общий лимит расходов от руководства. Но в результате мы получили очень гибкую структуру — оставалось только запустить рекламу.

По нашему опыту в eCommerce больше всего выручки приносят торговые кампании — это когда пользователь вводит запрос в поисковик и сразу видит карточку товара с ценой. По ней он может перейти в магазин и купить:

Так как на этом проекте доля торговых кампаний была всего около 10%, в первую очередь тестировали новую структуру на них.

Чтобы сделать такую рекламу, не нужно вручную собирать поисковые запросы и набирать объявления. Гугл сам берёт всю нужную ему информацию, создает объявления, находит релевантную аудиторию и показывает ей товары. Информацию о товарах Гугл берёт с товарного фида — таблицы, в которой содержатся характеристики товаров: название, фото, цена, описание, наличие и так далее.

Мы запустили первые 10–20 кампаний в топовых категориях — и тут же получили отличный результат: выручка по торговым кампаниям выросла в 10 раз.

Здесь и далее мы приводим выручку в процентах от первого месяца на графике, так как не можем показать абсолютные значения:

Но куда более важный факт — доходы выросли без увеличения ДРР, то есть сопоставимо с расходами. Гипотеза сработала: мы смогли масштабироваться без нерационального увеличения расходов, с увеличением реальной прибыли.

Иногда бывает, что в рекламном кабинете продажи растут, но реальная прибыль клиента не меняется. Это мы тоже проверили: сопоставили статистику из Google Ads с данными в CRM Marwin. Оказалось, что всё в порядке и рост происходит практически синхронно.

После того, как мы поняли, что всё работает как надо — перешли к настройке динамических объявлений.

Структура динамических кампаний повторяла успешную логику сегментации торговых РК. Мы её попробовали, у нас получалось — значит, и здесь должно сработать.

Динамические кампании — такой же инструмент Гугла, как и торговые кампании. Гугл также сам собирает поисковые запросы, создаёт объявления, показывает их нужным людям, но есть некоторые отличия.

Динамические объявления выглядят как обычные текстово-графические объявления, без фото и цены товара. Информацию о товарах Гугл берёт уже не с фида, а с сайта — мы отдаем системе адрес страницы товара или категории, он её сканирует и создаёт объявление.

Самое важное в нашей работе было разделить категорийные запросы и товарные. Категорийные — это когда пользователь ищет не конкретный товар, например, набирает в поиске «Купить коляску 2 в 1». Товарный запрос — когда покупателю нужна конкретная модель товара, например «Купить коляску Mercedes».

Обычно по товарным запросам конверсия выше — покупатель уже знает что хочет купить, остаётся только найти подходящий товар. Но кейс Марвин интересен тем, что здесь категорийные запросы работали лучше, чем товарные. Поэтому было важно, чтобы по товарному запросу покупатель не попадал на категорийный и наоборот — и с этим возникли сложности.

Смысл этого не в получении большего трафика, а в том что по общим запросам 2 уровня вложенности ДРР ниже, чем по специфичным запросам 3 и 4 уровней вложенности. Хотя в теории должно быть наоборот: как правило именно низкочастотные запросы более конкретные и лучше конвертируютсяы в покупку.

Мы провели исследование по запросам в зависимости от уровня вложенности. Например, градация уровней с 1 по 4 может выглядеть так: «Мама и малыш» → «Коляски» → «Прогулочные коляски» → «Chicco: Прогулочная коляска Goody Plus». Запросы «Коляски» → «Прогулочные коляски» получали больше трафика:

Если покупателю нужно купить конкретную прогулочную коляску Chicco Goody Plus, у магазина только одна страница с таким товаром — значит, Гугл её и покажет. Тут всё должно быть без проблем.

Но если покупатель еще не выбрал конкретную модель коляски и вводит в поисковике «Купить прогулочную коляску», появляется проблема. У нас несколько сотен страниц, где встречаются такие слова, поэтому в качестве объявления Гугл выберет случайную из них. И далеко не факт, что покупателю понравится эта коляска и он не уйдёт искать дальше.

Самый оптимальный вариант в этом случае — показать ему страницу со всеми прогулочными колясками, чтобы покупатель сам выбрал, что ему нравится. Для этого надо в настройках кампании вручную указывать, чтобы Гугл убирал из объявлений все товарные страницы.

Это была долгая и кропотливая работа на много часов. Если запросы были более общие, например, купить не «прогулочную коляску» или «коляску 2 в 1», а «коляску», то приходилось исключать ещё больше страниц из выдачи.

Мы запустили динамические кампании в конце сентября. Они отлично работали и до нас, но мы за месяц смогли увеличить доходы по этим кампаниям более чем 2 раза и при этом снизить ДРР.

Первый этап завершен: мы запустили торговые и динамические кампании по новой структуре и получили хорошие результаты. Второй этап: оптимизировать кампании, чтобы реклама работала ещё лучше — выявить, что работает хорошо, а что нет. Первые подходы к оптимизации дают самый большой профит и помогают срезать расходы до 30%, поэтому после запуска мы тратим ресурсы в первую очередь на оптимизацию и только потом на расширение кампаний.

Каждая рекламная кампания разбита на группы. Мы можем увидеть, какие группы приводят больше всего покупателей, какие мало, а какие вообще бесполезны. Проблема в том, что мы не можем управлять рентабельностью каждой группы из-за особенности работы автостратегии: рентабельность задается на уровне рекламной кампании.

Мы можем их только остановить, если результаты совсем уж плохие. А вот масштабировать конкретные группы в рамках кампании не можем. Поэтому в торговых кампаниях мы разделили группы товаров на 3 кластера и работали с ними в зависимости от фактического ДРР:

Группы и товары с ДРР более 50% были остановлены, так как они плохо поддаются оптимизации:

В итоге за счет отключения и корректировки неэффективных групп товаров мы сократили долю рекламных расходов по торговым кампаниям. Это позволило нам на 30% увеличить бюджеты и на 100% — доход:

С динамическими кампаниями сделали примерно тоже самое. Плюс исследовали все страницы, по которым были плохие результаты:

Через 2 месяца после запуска выручка начала стремительно расти, что дало возможность плавно увеличивать бюджет и на динамических кампаниях. Получили рост дохода в 6 раз при снижени ДРР в 3 раза:

Всего за время работы на проекте с мая по декабрь 2021 года мы смогли добиться увеличения расчетной валовой прибыли примерно в 7 раз. Отчасти на это повлиял и рост спроса в декабре, но при сравнении показателей за 2020 и 2021 года видно, что в декабре 2021 прибыль оказалась почти в 3 раза выше, чем в декабре 2020:

График дохода и ДРР в 2021.

Сравнение дохода с мая по декабрь в 2020 и 2021.

Сравнение валовой прибыли с мая по декабрь в 2020 и 2021.

Если заглядывать наперед, то есть еще несколько сценариев дальнейшей оптимизации проекта.

1. Постоянная работа с ассортиментом. По мере накопления статистики выявлять новые неэффективные товары и товары с высокой рентабельностью, чтобы разделить их и более эффективно управлять бюджетом. Механику работы описывали выше.

2. Деление экономики проекта на привлечение новых клиентов и удержание постоянных. У Марвина довольно много постоянных клиентов за счет известного бренда и сети офлайн-магазинов. Но при этом привлечение нового клиента гораздо более ценно, чем привлечение постоянного, потому что новый клиент будет совершать повторные покупки и совокупная выручка проекта будет расти в объеме. При этом на удержание постоянных клиентов следует тратить меньше, чем на привлечение новых, чтобы зарабатывать с них валовую прибыль.

3. Доработка аналитики. Конверсии, которые используется в текущих кампаниях для обучения стратегий — это заказы, оформленные на сайте. На практике часть из них не доходит до продажи: пользователь оформил возврат или просто отменил заказ на этапе доставки. Показатель возвратов также варьируется в разрезе категорий. Поэтому для более точного расчета экономики целесообразно импортировать заказы в рекламный кабинет Google Ads непосредственно из CRM клиента. Тогда и мы, и автостратегии, будем опираться на наиболее близкие к реальным цифры продаж.

4. Работа с ключевыми словами. Из-за большого ассортимента и ограниченности по времени на первом этапе мы делали ставку на торговые кампании и DSA. Однако сами по себе DSA могут стать хорошим полигоном для обкатки семантики обычных поисковых кампаний. Анализируя статистику по поисковым запросам, можно выявлять те, которые стабильно приносят конверсии, и выносить их в отдельные группы. Это даст большую гибкость в бюджетировании: топовые ключевики не будут зажаты бюджетом общей кампании в DSA, процент их показов вырастет, что приведет и к росту прибыли.

5. Рост продаж за счет увеличения бюджета на КМС. Помимо торговых и DSA кампаний мы также запустили кампании в КМС с той же сегментацией по категориям. В статье не упоминали об этом из-за незначительной доли КМС в общей прибыли (менее 5%). Однако кампании были запущены скорее в качестве теста и на низких бюджетах. Предполагаем, что более плотная работа с этим сегментом может принести 10-20% дополнительной прибыли.

6. Оптимизация фида. Работа с фидом — отдельная большая тема в управлении торговыми кампаниями. Поскольку ключевые фразы и объявления торговые кампании берут именно из фида, то даже незначительное изменение названия товара может заметно повлиять на его продажи. Это открывает большое поле для гипотез и экспериментов, и в нашей практике были кейсы, когда оптимизация фида увеличивала прибыль торговых кампаний в 2-3 раза.

Отметим, что одна из важных задач, которую мы ставим перед собой, — чтобы клиент не зависел от нас и мог в любой момент перехватить управление кампаниями без потери в результатах. Внедренная нами структура аккаунта позволила безболезненно передать проект инхаус-команде, поскольку она синхронизирована с ассортиментом клиента.

Кампании спустя почти год работают эффективно, клиент имеет возможность регулировать бюджеты на категории в зависимости от текущих приоритетов. Это позволяет удерживать продажи на стабильном уровне. Мы со своей стороны готовы реализовать идеи по развитию, о которых говорили выше, если вновь возникнет необходимость во взрывном росте.

Если у вашего магазина тоже не получается масштабироваться без больших расходов или просто хотите, чтобы кто-то посмотрел со стороны на ваш рекламный кабинет — приходите к нам на аудит. Подробнее о том, какие проблемы мы встречаем в контекстной рекламе интернет-магазинов в отдельном видео.

Подписывайтесь на Телеграм-канал — там мы публикуем кейсы и статьи. Выходит один пост в месяц, так что отвлекать не будем :)