Кейс: снижаем цену привлеченного заказа на 48% с помощью автоматической стратегии
7436
8 сентября 2016
Пример успешного использования автоматической стратегии Яндекс.Директ для повышения отдачи от рекламы. В условиях недостаточного количества конверсий в заказ, для настройки стратегии была задействована микроконверсия, имеющая достаточное количество достижений и корреляцию с заказами. О результатах - читайте в статье!
интернет-маркетинга за МКАДом:
лучших компаний интернет-продвижения России 2020
Показ объявлений в рекламной кампании настроен по всем товарным наименования каталога. Большую часть переходов приносят низкочастотные фразы, включающие названия товаров.
В результате анализа после запуска кампании выявили фразы, имеющие первичные показатели качества трафика (показатель отказов, глубина просмотра) ниже среднего. Показы по части таких фраз отминусовали или отключили. После этого средняя стоимость привлеченного заказа составила 1213 рублей.
Ограничение показов по остальным фразам с низкими показателями качества трафика привело бы к потере целевого трафика и заказов. Большая часть этих фраз являются целевыми, но неоднозначными - они релевантны и кабельной арматуре и сантехнической арматуре (например, ряд фитингов). Учитывая ограниченную емкость тематики, терять охват по этим неоднозначным запросам крайне нежелательно - восполнить эти заказы показами по другими запросам будет невозможно.
Мы предположили, что система сможет найти сложные закономерности и эффективно отсечь часть показов нецелевым посетителям по неоднозначным фразам, принимая во внимание не только сам запрос, но и поведенческий профиль пользователя. Для этой задачи применили автоматическую стратегию управления ставками Яндекса с оптимизацией по микроконверсии.
Оптимизация по количеству заказов была невозможна, поскольку количество заказов, генерируемых каждой кампанией, недостаточно для эффективной автоматической оптимизации по этой цели. Для использования автоматической корректировки ставок нужна цель с 40 и более конверсиями в рамках одной кампании, это минимальный порог. Для эффективной работы алгоритма нужно большее количество конверсий, иначе ее применение может дать обратный результат. Поэтому для оптимизации нужно использовать другую цель, имеющую корреляцию с оформлением заказа, но с большим количеством конверсий.
В качестве целевых визитов для оптимизации мы использовали визиты без отказов, как индикатор первичного интереса к сайту. В Яндекс.Метрике настроили цель “Посещение 2-х и более страниц” и запустили автоматическое управление ставками Яндекс.Директ “Получить максимальную конверсию по этой цели в рамках заданного бюджета" с оптимизацией по этой цели. При данной стратегии система стремится обеспечить максимум таких переходов, которые чаще заканчиваются целевым действием на сайте.
Автоматические ставки сработали успешно - доля визитов без отказа выросла. Предположение об эффективности оптимизации по микроконверсии “Посетил более 2-х страниц” подтвердилось - вместе с ростом доли таких визитов, выросла и конверсия в оформление заказа.
Результат: цена конверсии снижена на 48 % - с 1213 до 632 рублей за привлеченный заказ. Конверсия в заказы и число заказов выросли при фиксированном бюджете. Благодаря применению автоматической стратегии Яндекс Директ по цели, имеющей достаточное количество конверсий и корреляцию с заказами, удалось повысить эффективность кампании быстро и без потери охвата целевой аудитории по неоднозначным запросам.
Выводы
Кроме результата для клиента, мы сделали для себя 3 вывода, часть из них подтверждает и предыдущий опыт.
- Автоматические стратегии управления ставками в Яндекс.Директ работают при достаточных данных и при выборе правильного показателя для оптимизации. При правильном использовании они дают результат, который сложно либо очень трудоемко достичь ручным трудом - минусованием запросов или назначением ставок по критериям, выбранным аналитиком. При этом на уровне фраз робот может выявлять сложные закономерности и управлять ставками с учетом этих данных гораздо быстрее, чем аналитик.
- Иногда лучше проверить очевидную гипотезу сейчас, чем искать сложные зависимости и откладывать действия на потом: корреляция между отказами и конверсией кажется очевидной и можно искать более точные триггеры интереса посетителя к покупке или использовать программируемые составные цели, но так мы добились результата быстрее.
- Чтобы достичь лучшего результата, нужно тестировать гипотезы и сравнивать результаты. На разных данных и в разных ситуациях лучший результат могут дать различные подходы.
