Как увеличить эффективность с помощью автостратегий и микроконверсий в Яндекс.Директ - инструкция от R-брокер

Проблемы управления рекламной кампанией

На сегодняшний день основной проблемой является то, что ручное управление в принципе отнимает очень много времени. Это раньше, например, в 2006 году, при создании рекламной кампании можно было ограничиться парой запросов и одним объявлением. Все — реклама работала, коммерческий проект приносил прибыль.

Сейчас из-за огромного количества настроек: деление целевой аудитории по полу, возрасту, регионам проживания, социальному статусу, используемому браузеру и т. п. Запуск вручную потребует нереального количества времени. Хотя именно обилие настроек придает гибкость и позволяет максимально эффективно оптимизировать процесс.

Вторая проблема заключается в необходимости держать под контролем множество разных параметров.

Все эти настройки могут повлиять на эффективность рекламной кампании. Поэтому ни один пункт нельзя упускать из виду.

Третья проблема — непонятно, как получить трафик и конверсии по нужной цене.

Четвертая проблема — непонятно, как масштабировать результат. Мы можем получить первые 2 заявки по 100 рублей. Но как нам получить не 2, а 20 или 200 заявок? Сложный вопрос.

Все эти проблемы нам предлагают решить с помощью роботов. Есть искусственный интеллект, он же нейросеть или черный ящик, который собирает данные, анализирует их и на выходе показывает определенную рекламу конкретному пользователю по установленной цене. Звучит заманчиво и просто в исполнении.

Но несмотря на то, что решение есть, технологии позволяют использовать черный ящик, специалисты по контекстной рекламе очень часто не доверяют такой системе. Директологи считают, что автостратегии способны только слить бюджет и не показать никакой эффективности.

Как работает искусственный интеллект

Прежде чем разбираться в особенностях автостратегий, выясним, как именно работает искусственный интеллект. И сделаем это на примере таргетинга «много или мало человек смотрят телевизор».

Предполагается, что прежде чем показать рекламу пользователю, система заранее знает, много или мало он смотрит телевизор. Возникает закономерный вопрос — откуда она это знает? На самом деле все просто. Нейросеть, как любой искусственный интеллект, работает на основе большого объема данных. И при этом метод, который использует Яндекс, заключается в следующем:

• берем две группы пользователей, про которых точно известно, любят они смотреть телевизор или нет. Здесь речь идет о точных сведениях, эти люди согласились ответить на конкретные вопросы в рамках исследования;
• информацию обо всем, что эти люди делают в интернете, заливаем в черный ящик;
• алгоритм сравнивает поведение пользователей группы №1 и №2 и находит закономерности.

Полученные алгоритмом закономерности говорят нам о том, что люди, которые любят смотреть телевизор, чаще используют запросы: Сбербанк, коммунальный, шарлотка, выкройка, биглион, заработать и предпочитают вводить их кириллицей.

1. Пользователи, которые не любят смотреть телевизор, вводят совсем другие запросы: книга, переводчик, словарь, формула, японский, французский, немецкий, такси. И большая часть запросов от них идет на латинице.
2. Еще один сравнительный пример. Любителей телепросмотра интересует больше: ТНТ, СТС, «Дом-2», телепрограмма. Те, кого не интересует телевидение, чаще запрашивают: фотошоп, wi-fi, C++, torrent, adobe.
   
3. Завершает портреты людей из этих двух групп третье сравнение. Те, кто любит смотреть телевизор, выбирают: «Спартак», «ЦСК», пиво. Противники TV проявляют интерес к авиабилетам, визам, аэропортам, РЖД, самолетам и загранпаспортам.
   

Это лишь малая часть той информации, которую собирает и анализирует алгоритм. Но ее уже достаточно, чтобы определить основные интересы пользователей. Провести такой анализ без помощи робота невозможно.

В нашем примере робот брал данные по двум выборкам (группам №1 и №2), а потом экстраполировал их на всех остальных пользователей. Да, ошибки бывают, но на большой выборке это действительно работает.

Как работают автостратегии Яндекса

Первым делом нужно задать цель. Их всего три:

• маржа от рекламы;
• максимум конверсий;
• трафик на сайт.

После этого алгоритмы Яндекса набирают данные и обучаются. Они анализируют множество разных параметров и в итоге приводят на сайт целевую аудиторию.

Недостатки автостратегий

• Необходимость задать основной параметр: величину бюджета, стоимость клика или СРА. Найти такие сведения весьма затруднительно.
• Запускать кликовые стратегии небезопасно, конверсия может пойти на спад. Ведь не исключено, что при большом количестве кликов покупать товар/услуги не будут.
• Конверсионные стратегии требуют большого объема данных. Даже если вы крупный рекламодатель, у вас большой бюджет и много кликов, ваш рекламный аккаунт в любом случае состоит из нескольких рекламных кампаний. Но с помощью автостратегии можно управлять только одной из них.
• Чтобы оптимизировать рентабельность, потребуется произвести непростые интеграции.
• Актуальны для реализации высококвалифицированными специалистами с крепкой нервной системой. Чего стоит только переждать период обучения алгоритма, глядя на утекающий бюджет.

Достоинство автостратегий

При всех вышеперечисленных минусах у автостратегий есть единственный, но очень весомый плюс — они дают поистине фантастические результаты, если кормить их правильными данными в большом количестве.

Реальные кейсы роста конверсий: кейс №1

Чтобы не быть голословными, представим вам примеры кейсов.

Первым у нас идет магазин недорогой косметики в Москве. У него подключена реклама в Яндекс.Директ. Продажи осуществляются оптом и в розницу. Магазин занимает высококонкурентную нишу с низкой маржинальностью. Из достижений 13 конверсий в неделю.

Нашей задачей было привести максимальное количество конверсий при доле рекламных расходов не выше 35%.

Для начала мы перебрали все ручные способы управления и автоматические кликовые стратегии. Однако количество конверсий не только не возросло, но и снизилось практически до нуля. Затем мы попробовали внедрить автостратегии, но макроконверсий все равно было недостаточно — 13,2 в неделю.

Перепробовав все варианты, мы решили использовать микроконверсии.

Что такое микроконверсии

Микроконверсии — это промежуточное действие посетителя, не приносящее прямой прибыли, но указывающее на качество трафика.

В числе микроконверсий:

• посещение целевых страниц веб-ресурса: доставка, условия, гарантия, контакты;
• любые действия интерактивного характера: использование чата, калькулятора, конструктора;
• незавершенные конверсии. Когда посетитель приступил к заполнению формы обратной связи, но не довел дело до конца или просто не нажал клавишу «отправить»;
• скачивание презентационных материалов, каталогов, прайсов и любых других файлов.

Что такое макроконверсии

Макроконверсии — это конечное действие посетителя на сайте, ради которого запустили рекламную кампанию. Они также представлены в разных вариантах.

Выбор цели автостратегии

Теперь вернемся к нашему кейсу. Мы составили список микроконверсий и стали думать, какую из них задать в качестве цели нашей автостратегии.

В результате мы создали своего робота, который функционирует следующим образом:

• заливаем в робота два типа данных за определенный период (из Яндекс.Метрики или Google Analytics): желаемые макроконверсии и гипотезы о микроконверсиях;
• он начинает искать зависимости между макро- и микроконверсиями;
• если выявленная зависимость превышает значение 0,8, она считается надежной.

Как можно увидеть на этом слайде, «той самой» конверсией оказалась позиция, где посетитель сайта открывал 3 страницы каталога.

Люди, которые реально покупали, чаще всего перед оформлением заказа выполняли именно это действие. Но это не означает, что любую другую автостратегию можно настроить на микроконверсию по просмотру страниц. В каждом отдельном случае требуется свой подход и подбор нужной микроконверсии.

Что мы получили в итоге:

• когда включили автостратегию с целью «Просмотрели 3 страницы», количество макроконверсий выросло с 13,2 до 80 в неделю;
• как только мы сменили цель на менее частотную (подтверждение заказа), число конверсий снизилось с 80 до 55;
• в итоге мы снова сменили цель на более частотную (просмотрел 6 страниц), тогда количество конверсий вновь возросло до 75 в неделю.

Все полученные результаты отражены на временной ленте.

Из нее ясно видно, что все наши «ручные» эксперименты, начатые 1 марта 2020 года, к 22 марту уронили продажи практически до нуля. Потом мы внедрили автостратегию с целью «Просмотрели 3 страницы» и получили 80 заказов в неделю. После смены цели на менее частотную график уверенно пополз вниз. А исправились мы, в очередной раз сменив цель на более частотную.

Можно предположить, что дело в карантине, который как раз совпал со временем с нашим экспериментом. В конце марта пользователи оказались ограничены в перемещении. Сидя дома, они развлекались тем, что заказывали товары в интернет-магазинах.Но это неверное предположение.

Параллельно у нас была контрольная рекламная кампания на Питер. Объем спроса там примерно одинаковый. А некоторые различия просто вызваны замешательством людей, не понимающих, что им делать в сложной эпидемиологической обстановке.

Реальные кейсы роста конверсий: кейс №2

Второй кейс — дизайнерский декор. Регионы: Москва и Санкт-Петербург. Здесь у нас реклама уже идет в Google. Продаем плинтусы, стеновые панели и карнизы в розницу. Очень маленький трафик, 4 рекламных кампании давали всего 80 кликов в неделю. Конверсия — звонок. Включена стратегия максимум кликов при заданном СРС. Количество конверсий — 3 в неделю.

Нашей задачей было максимально увеличить число конверсий. Для ее решения мы объединили 4 рекламных кампании в один пакет, которым управляет автостратегия с едиными настройками.

В результате количество кликов увеличилось. Следом выросли конверсии, а цена за лид снизилась.

Общие выводы с двух кейсов

Рассмотрев примеры двух кейсов, можно сделать следующие выводы:

• результаты стабильно становятся выше на высокочастотных конверсиях, на низкочастотных наблюдается ухудшение;
• микроконверсии — идеальное решение для обучения автостратегий;
• при грамотном увеличении бюджета объем конверсий также идет в рост;
• в автостратегиях следует брать за основу данные за 7 дней (не меньше);
• пакетирование на Google оказывается весьма эффективным;
• автостратегии отлично действуют, если предоставлять роботам нужные данные в большом объеме.

Почему так важен объем данных

Ответить на этот вопрос нам поможет эксперимент профессора калифорнийского университета. С его помощью профессор объясняет, что такое теория вероятности.

Группу студентов она разбивает на две части. Одной половине дает задание подбрасывать монетку 100 раз и фиксировать на листке бумаги последовательность: орел — 0, решка — 1.

Другая половина студентов обходятся без монеток. Они просто записывают последовательность такой, какая им кажется более вероятной.

Глядя на два листа с результатами, профессор безошибочно определяет, какая из них настоящая, а какая выдуманная. На нашем слайде это листок А. Именно такая последовательность, непредсказуемая и неравномерная — является настоящей. А результат В, продуманный, равномерный, без резких расхождений — выдуманный. Потому что студенты подсознательно старались уравновесить количество нолей и единиц.

На первый взгляд данный эксперимент не относится к нашей теме, но это не так. Суть в том, что чем больше будет выборка, тем ровнее соотношение между 0 и 1. В итоге значения сравняются 50 на 50. Чем выборка меньше, тем больше будет разница между значениями.

То же самое в контекстной рекламе. Одна конверсия на 2 клика — это не показатель. Ведь при увеличении количества кликов (условно до бесконечности), соотношение изменится.

Здесь важно понимать, если вы запустили рекламную кампанию и сразу же получили 2 клика, это не значит, что следом у вас будут еще клики и конверсия. Это случайность, но не закономерность. А так как роботы учатся на большом количестве данных, их задача найти именно закономерность, исключив случайности.

Как настроить стратегии, чтобы повысить эффективность рекламы в разы

Давайте рассмотрим 6 шагов автостратегий в связке с микроконверсиями.

Шаг первый — определяем бизнес-цель

Нам предстоит выбрать из трех вариантов: маржа от рекламы, максимум конверсий, трафик на сайт.

Согласно нашим экспериментам, оптимизация рентабельности работает плохо. Оптимизацию по кликам целесообразно делать только когда вы работаете с небольшим объемом данных. В 90% случаев мы используем стратегию максимум конверсий. Речь идет именно о микроконверсиях, не о конечных заказах.

Шаг второй — настраиваем аналитику

Для этого необходимо:

• определить поведенческую модель покупателей. Выяснить, какие действия на сайте могут предшествовать макроконверсии;
• объединить макроконверсии в группы;
• настроить систему целей на все микроконверсии;
• собрать данные по микро- и макроконверсиям;
• определить микроконверсии, которые связаны с макроконверсиями.

Можно рассмотреть это на примере сайта Райффайзенбанка.

Здесь нам нужно увеличить количество заявок по ипотеке. Для начала разбиваем все их разделы на группы: ипотечные программы, подробности, документы, полезное, цель. Затем проводим аналитику целевых действий посетителей, настраиваем цели на действия пользователей. Всю информацию загружаем в аналитического бота.

Шаг третий — настраиваем подводящие кликовые стратегии

Выбираем один вариант из трех:

• Google и Яндекс оптимизация кликов;
• R-брокер оптимизация кликов;
• Google и Яндекс холодный старт.

Переход от кликовых стратегий к конверсионным необходимо осуществлять если:

• накоплена статистика за 2 недели;
• конверсия превышает 100;
• доказана связь с макроконверсией.

Шаг четвертый — выбираем тактику достижения целей

На этом этапе предстоит задать ограничения. То есть вам предстоит определиться, ограничиваете ли вы бюджет до определенного уровня или устанавливаете среднюю цену конверсии.

Когда вы уже работаете с настройкой конверсионной стратегии, улучшить результаты можно с помощью пакетирования (объединения рекламных кампаний).

Негативно сказаться на результатах может паранойя и основанные на ней ограничени:

• по СРС;
• по дневному бюджету;
• по max СРА (при тактике недельный бюджет);
• по недельному бюджету (при тактике средний СРА).

Также не стоит разделять трафик на разные настройки. Так робот получает от нас меньше данных.

Теперь частично подытожим все сказанное выше. Чек-лист по настройке:

• определяем поведенческие модели покупателей;
• строим гипотезы по микроконверсиям;
• настраиваем цели на все гипотезы;
• собираем статистику о микро- и макроконверсиях;
• рассчитываем между ними зависимость;
• проверяем, что цели или микроконверсии имеют частоту от 100 в неделю;
• группируем рекламные кампании в пакеты;
• определяем и настраиваем целевой показатель: средний СРА или недельный бюджет;
• убеждаемся, что страховка не зажимает целевую настройку;
• смотрим, чтобы были отключены дополнительные ограничения;
• не меняем тактику чаще 1 раза в неделю.

Шаг пятый — контролируем показатели и донастраиваем

По итогам недельной работы рассматриваем полученные данные. Если выгодно увеличить — увеличиваем недельный бюджет или целевой СРА. Если выгодно снизить — соответственно снижаем.

Стараемся найти золотую середину. Нам нужно не выйти на недобор конверсий и не перерасходовать бюджет.

Шаг шестой — постоянно улучшаем рекламу и сайт

Над улучшениями необходимо работать постоянно:

• регулярно проводим корректировку запросов;
• стараемся сделать лучше объявления;
• прорабатываем сайт.

Все это мы должны делать сами. Ведь все рутинные действия взяли на себя автостратегии, а на наши плечи легла непростая интеллектуальная деятельность.