9 кейсов по автостратегиям для интернет-магазина: от роста выручки в 4 раза до снижения в ноль

Разбираем на примере успешных и провальных кейсов наших клиентов, в каких случаях автостратегии могут сократить ДРР на 30%, увеличить заявки и выручку в 4 раза, снизить стоимость лида в 2,3 раза, а в каких — наоборот уронить все показатели.

Месяц назад «Яндекс» и eLama провели эксперимент, сравнив автостратегии с кампаниями на ручных настройках. По ключевому параметру автостратегии оказались лучше в 60% случаев. А что остальные 40%, где эффективнее оказались ручные настройки, — мы просто их отбросим?!

Меня зовут Вячеслав Игнатьев, я PPC-специалист в jam.agency — мы занимаемся платным трафиком в eCommerce. У нас большая экспертиза в разных нишах — я постараюсь внести ясность в вопрос выбора или невыбора автостратегий для вашего бизнеса.

Если у вас есть опыт использования автостратегий — поделитесь им в комментариях: они дополнят картину.

Автостратегия — это искусственный интеллект. Но слово интеллект может ввести в заблуждение. ИИ не может думать и анализировать как человек, его работа больше похожа на дрессировку собак. Услышал команду «Сидеть!» — сел, получил вкусняшку. Повторили 50 раз — и появился рефлекс: говорят «Сидеть!», значит, надо сесть и мне будет хорошо.

Автостратегии в контексте работают примерно так же, отличаются только сигналы для дрессировки. Сигнал — это любой фактор, который может помочь достичь цели: устройство, местоположение, запрос, сезонность.

Если Вася из Красноярска у нас что-то купил, то у алгоритма появляется нейронная связь между Васей, Красноярском и покупкой. Дальше он попробует привести на сайт жителей Красноярска с теми же интересами, что у Васи — и чем чаще эта гипотеза будет срабатывать, тем крепче будет нейронная связь.

Если алгоритм получает недостаточно сигналов и не может пройти дрессировку, он не сможет работать эффективно. В интернет-магазине книг и подарков мы тестировали автостратегии на одной из рекламных кампаний с месячным бюджетом ~40 000 ₽ — и вот, что из этого вышло.

Этап 1: оптимизация по микроконверсии. Сначала мы настроили автостратегию на микроконверсию — событие «Просмотр 5 страниц», которое стабильно давало алгоритму 30+ конверсий в неделю. За 5 недель удалось выйти на долю рекламных расходов (ДРР) 27% при целевой 12%.

Этап 2: оптимизация по оформлению заказа. Дальше мы поставили алгоритму задачу приносить нам оформления заказов — а их, в отличие от микроконверсий, было всего чуть больше 10 в неделю. Этого не хватило для обучения и выхода на стабильные показатели, и наша ДРР подскочила до 66%.

Вывод. Не стоит запускать автостратегии, если там не будет 20+ конверсий в неделю. В рекомендациях «Яндекса» говорится, что 10+ конверсий будет достаточно — но по нашему опыту это не так. Запуск на малом числе конверсий с большой вероятностью приведет к сливу бюджета.

В этом проекте мы применили тактику автостратегии с «разогревом», которая помогла постепенно снижать стоимость лида. Мы не были уверены, что получим достаточное количество конверсий при оптимизации по конверсиям, поэтому начали с кликов.

Декабрь-май: оптимизируем по кликам. Мы стартовали с автостратегии с оптимизацией «Максимум кликов». Это помогло нам на большом потоке трафика убедиться, что оффер релевантный, продажи по нему есть. Результат: 67 конверсий по 1 860 ₽.

Май-сентябрь: оптимизируем по конверсиям. Дальше мы поставили алгоритму задачу дать как можно больше конверсий. Мы сознательно не стали ограничивать стоимость конверсии, чтобы посмотреть на автостратегию именно с точки зрения максимально возможного количества заявок при выделенном бюджете. В результате, у нас и конверсий стало больше, и цена снизилась: 101 заявка по 1 077 ₽.

Сентябрь-февраль: оптимизация по стоимости конверсии. Теперь мы сказали алгоритму: «Делай то же самое, но только теперь стоимость заявки должна быть не выше 1 000 ₽». Алгоритм в такой ситуации начинает действовать более агрессивно и повышает ставки, чтобы вписаться в целевую стоимость заявки (CPL). Результат: 191 конверсия по 812 ₽.

Вывод. Если постепенно переключать оптимизацию ниже и ниже по воронке — от кликов до продаж — можно снизить риски, получить больше контроля над ситуацией и дать алгоритму достаточно данных для обучения.

У работы с автостратегиями много плюсов: они забирают на себя рутину, могут анализировать недоступные специалисту данные и прогоняют через себя огромные потоки информации буквально за секунды.

Но есть и минусы, один из которых — непредсказуемость. С этим мы столкнулись в интернет-магазине товаров для школьников при переходе с ручных настроек на автостратегии:

Вывод. Волшебных таблеток не бывает :) Всегда нужно быть готовым к раскладу, когда все ломается и нужно находить другие способы достижения целевых результатов. При этом попытки найти причину и повлиять на ситуацию могут ни к чему не привести.

Еще один способ дать автостратегии побольше конверсий и ускорить обучение — объединить несколько кампаний в одну.

При чрезмерном дроблении кампаний каждая автостратегия будет работать в своем маленьком мирке и делать там одно и то же, но с меньшими ресурсами. И конверсий может быть недостаточно для оптимизации. Если же кампании объединить, алгоритм получит больше бюджета, сможет проанализировать больше позитивных и негативных сценариев, сделать больше выводов и спроецировать их сразу на все цели РК.

Понимая все это, мы разработали стратегию для интернет-магазина телефонных номеров. На старте у нас было много рекламных кампаний, настроенных вручную: 1 кампания = 1 тип пользовательских запросов. При переходе на автостратегию мы объединили эти рекламные кампании в одну. С первого же месяца получилось улучшить прошлые результаты: число заказов растет, доля рекламных расходов снижается.

Вывод. Если у товаров схожие рекламные параметры — аудитория, целевая стоимость заявки, маржинальность, цена — объединяйте их в одну рекламную кампанию. На небольших объемах это поможет «пробить» планку 20 конверсий в неделю для обучения, на больших — позволит алгоритму буквально купаться в сигналах и быстро обучаться.

В этом кейсе мы воспользовались тактикой постепенного перехода между целями оптимизации. Сначала работала автостратегия с оптимизацией по микроконверсии, которая давала 15+ конверсий в неделю. На десятую неделю обучения мы перешли на оптимизацию по оформлению заказа на сайте.

Вроде бы все логично и результаты должны были стать лучше. Но есть нюанс.

Действие происходило в феврале-апреле 2022 года, когда продавцы электроники столкнулись с ажиотажным спросом: цены выросли, что будет с курсом непонятно, дальнейший импорт под вопросом — короче, лучше покупать сейчас, чтобы не кусать локти потом.

И вот в этих условиях обучался наш алгоритм. Автостратегии умеют делать поправку на сезонность спроса, но поправку на такие уникальные кризисы программисты, конечно, не добавили.

Поэтому когда спрос упал, алгоритм начал изучать поведение аудитории по-новой. Задача усложнилась, потому что мы перевели его на оптимизацию по лидам — то есть, у него стало меньше конверсий. Результат: с 15-25 заказов мы упали до 4-12 в неделю.

Вывод. Идеальные условия для автостратегии — это стабильность. Она применяет привычные инструменты, спокойно тестирует гипотезы и улучшает результаты. Если что-то резко изменяется, не ждите быстрой реакции: алгоритм до последнего будет использовать прошлые наработки, а потом начнет медленно обучаться работать в новых условиях.

Если вы работаете в нестабильной сфере, лучше оставаться на ручных настройках или «помогать» автостратегии, адаптируя бюджеты и целевую стоимость конверсии. У рекламных систем есть алгоритмы, которые учитывают сезонность — но речь идет только о «традиционной сезонности». Они могут предсказать, что перед Новым годом спрос на технику растет, а вот в резких изменениях макроэкономической ситуации ничего не смыслят.

Когда мы начали работать с магазином спортивных товаров, большая часть расходов приходилась на кампанию, куда входили сгенерированные по шаблону сочетания «категория» + «бренд», «бренд» + «модель».

Кампания работала на ручном управлении и состояла из 89 групп объявлений. Только в 18 из них расход был больше 5 000 ₽. Результаты так себе:

Можно было просто отключить эту кампанию, но мы решили сначала протестировать на ней автостратегию с оптимизацией на добавление товара в корзину. И уже через неделю заметили изменения: из топа по расходам стали исчезать неэффективные запросы, снизился общий расход по рекламной кампании, выручка выросла в 4,5 раза, ДРР снизился в 21 раз — до 9%.

Вывод. Алгоритмы автостратегий отлично анализируют большие массивы данных. Специалисту на ручных настройках тяжело в реальном времени управлять 89 группами объявлений — с большой вероятностью, он их запустит и будет раз в несколько дней актуализировать. А автостратегия распределяет бюджеты между ними в режиме нон-стоп — и уже на второй месяц у нас работали только эффективные запросы.

Этот кейс не из eCommerce, а из услуг — но слишком уж показательный.

На старте мы настраиваем автостратегии с оптимизацией по микроконверсии, чтобы алгоритм получил достаточно данных для обучения. Так было и в этом проекте: мощные результаты дала автостратегия с оптимизацией по событию «Просмотр 2 страниц». Рост по сравнению с результатами ручных настроек произошел сразу: лидов стало в 2 раза больше, а их стоимость — в 3 раза ниже.

Вывод. Оптимизация по микроконверсии может дать результат в заказах и деньгах. Для этого нужно правильно подобрать эту микроконверсию — проанализировать, какая из них наиболее коррелирует с целевым действием. Например, может оказаться, что заказ совершают:

Тогда логично настраивать автостратегию на привлечение людей, которые проведут на сайте 2+ минуты.

Вот наш алгоритм, как выявить микроконверсию, которая больше остальных коррелирует с целевым действием ↓

1. Собрать ежедневную статистику по микроконверсиям и целевым действиям. Это удобно делать в Экселе: просто выгрузите по столбикам число конверсий.

2. Посчитать корреляцию с помощью функции «Анализ данных» или через формулу =КОРРЕЛ(массив1;массив2).

3. Среди микроконверсий-кандидатов нужно выбрать наиболее коррелирующую с целевым действием. Чем корреляция ближе к 1, тем лучше.

Микроконверсию для старта автостратегии нужно подбирать с умом. Так вы будете не просто обучать алгоритм за свои деньги — будете и обучать, и получать приемлемые результаты

Основной KPI по проекту — ДРР. При ДРР 20% реклама работает в ноль, при более высоком — в минус. Оптимальный баланс объема продаж и расходов достигается при ДРР 12-15%.

В истории проекта несколько раз пробовали запускать смарт-баннеры. Каждый раз они давали много трафика и приносили конверсии, но ДРР превышал 20%, из-за чего их отключали.

Этап 1. В июле 2021 года оптимизировали фид, отобрали только топовые категории товаров и запустили автостратегию с оптимизацией по кликам. Получили только 1 продажу и ДРР более 250%.

Этап 2. В августе поставили оптимизацию по CPA с целью «покупка». В сентябре — с целью «корзина». Число заказов немного выросло, но ДРР по-прежнему был высоким.

Этап 3. Поставили оптимизацию по ДРР — и кампания «взлетела». С тех пор имеем по этой кампании стабильную выручку при ДРР от 5 до 10%. Общий график падения ДРР во время обучения кампании.

Вывод: Если кампания не работают ни с одной стратегией, часто выручает оптимизация по ДРР. Но ее нужно правильно разогнать: начать с оптимизации по кликам, далее перевести на оптимизацию по конверсиям и только после того, как алгоритм будет обучен — оптимизировать по ДРР.

Из кейсов выше может показаться, что чем проще оптимизация, тем лучше. У алгоритма много данных, он приводит аудиторию на сайт и она уже как-то сама покупает. Но нет, все не так просто.

Для интернет-магазина запчастей для тюнинга мы стартовали с автостратегии с оптимизацией «Максимум кликов» — итоговая ДРР составила 21%. Но нужно понимать: с таким подходом алгоритм приводит самых «кликающих» клиентов — и не всегда это самые заинтересованные в покупке и платежеспособные люди.

Поэтому после нескольких месяцев обучения, когда мы вышли на стабильные число и стоимость заказов, мы перевели оптимизацию с максимума кликов на оформление заказа на сайте. В итоге, сошлись два фактора: с одной стороны, алгоритм уже неплохо обучился на кликах, с другой — сосредоточился на том, чтобы приносить продажи. Результат: ДРР снизился до 14%.

Вывод. У трафиковых стратегий в приоритете именно привлечение трафика. Они могут по инерции решать перфоманс-задачи, но редко могут делать это эффективно — поэтому подходят только на первых этапах для обучения алгоритма. После этого оптимизацию нужно переключать на целевое действие.

Мы запускали автостратегии только тогда, когда реально рассчитывали на их эффективность так как уже примерно понимаем, в каких ситуациях они могут сработать. В большинстве случаев, ожидания оправдывались. Но антикейсов было бы намного больше, если бы мы не следовали базовым противопоказаниям к запуску автостратегий.

🔴 < 20 конверсий в неделю на рекламную кампанию. Объем данных — самый важный фактор для автостратегий, если он небольшой, то нет смысла даже пытаться их подключать. Яндекс рекомендует подключать автостратегии, если конверсий больше 10 в неделю, Google — больше 15. Но, по опыту, эти цифры лучше умножать на два.

🔴 Результаты нужны сразу. Автостратегия выйдет на оптимальные результаты за несколько недель, иногда — месяцев. А до этого ей нужно обучиться. Если вам срочно нужны дешевые лиды, автостратегии не лучший вариант.

🔴 У вас низкая маржинальность. Даже после обучения алгоритм может немного «штормить» — если для вас рост стоимости лида на 10-20% = работа в ноль или убыток, лучше не рисковать.

🔴 Сложный, индивидуальный, дорогой продукт. Автостратегии хорошо работают, когда рекламируют что-то типовое и высоким спросом: одежду, электронику, «массовые» онлайн-курсы, книги и т.п. Если у вас продажа с долгим циклом или низкий спрос, алгоритму просто не на чем будет учиться.

Если у вас интернет-магазин и вы все никак не можете договориться с автостратегиями — приходите к нам на аудит. Мы погрузимся в ваш проект и подумаем, чем можем быть полезны.

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