Как с помощью триггерной оптимизации контекстной рекламы увеличить конверсию на 24%, а рекламный бюджет сократить на 36%

Статья подготовлена Егоровым Александром, директором по развитию системы автоматизации контекстной рекламы Alytics, совместно с Татьяной Паниной, руководителем отдела интернет-маркетинга Hoff, и Натальей Гришиной, специалистом по интернет-маркетингу Hoff.

Обсудим задачу

В условиях растущей конкуренции и цены за клик, стратегия оптимизации контекстной рекламы от продаж является чуть ли не самым важным вопросом при планировании размещения. Большинство “умных” рекламодателей давно научились считать конверсию, CPA и ROI по каждому объявлению и ключевой фразе и, отталкиваясь от этой статистики, с помощью управления ставками перемещать бюджеты с убыточных фраз на прибыльные.

Однако, не все так гладко. Довольно часто можно наблюдать картину, когда рекламная кампания состоит из очень большого семантического ядра, скажем, из 300 000 фраз, и только 10% этих фраз в течение месяца приводят к оформленным корзинам на сайте. Формально получается, что остальные 90% ключевых фраз являются неэффективными. Казалось бы, ставку на них нужно понизить. Как правило, при таком подходе “в лоб” быстро наступает ситуация, когда трафик начинает падать, а вместе с ним и продажи.

Возможные решения

Как “взрослые” рекламодатели поступают сейчас? Самое простое решение, которое можно услышать: прежде чем перемещать ставки, давайте накопим статистику за больший период. Будем копить не один месяц, а два или лучше три. Не нужно быть нобелевским лауреатом, чтобы понять, что за три месяца рекламы без оптимизации можно слить весь бюджет. Кроме того, за три месяца из 300 000 ключевых фраз за не более 20-25% из них приведут к продажам. А остальной “длинный хвост СЧ и НЧ запросов” не доберет достаточного количества кликов/показов, чтобы сделать репрезентативные выводы и переместить ставку.

Второе возможное решение: мерить микроконверсии и проводить оптимизацию по ним. Эта идея основана на том, что микроконверсий, как правило, больше в 3-10 раз, и, соответственно, статистики тоже больше. А значит и данных для оптимизации достаточно.

Давайте разберемся, что такое микроконверсия. Микроконверсия – это действие, которое может приблизить пользователя к макроконверсии. Например: в случае Hoff действие «Добавить товар в корзину» является микроконверсией, которая приближает пользователя к макроконверсии, в данном случае это «Оформленная покупка».

У такого метода есть несколько недостатков. Во-первых, почти никто и никогда не высчитывает корреляцию между микроконверсией и макроконверсией. В итоге, часто наблюдается ситуацию, когда оптимизация микроконверсий успешна, а статистика по макроконверсиям ухудшается и продажи падают или дорожают. Во-вторых, далеко не всегда у макроконверсии есть микроконверсия.

А еще варианты?

А что если абстрагироваться и рассматривать эффективность контекстной рекламы не просто как конверсию в оформленные корзины, а намного шире. Предлагается посмотреть, какие еще могут быть типы конверсий, которые положительно влияют на продажи, причем не только в канале CPC, но и в общей массе продаж. Главная задача такого подхода — за счет дополнительных конверсий укрупнить статистику для эффективной оптимизации.

Как поступил Hoff?

Hoff пошел по пути укрупнения статистики за счет добавления информации о дополнительных типах конверсий.

Во-первых, звонки. Помимо заказа через корзину, аналитика расширилась статистикой по звонкам с помощью динамического коллтрекинга. Причем по каждому звонку было известно, привел ли он к заказу. Технически сопоставление заказа со звонком реализовано через сопоставление исходящих номеров звонящего. А именно по следующему механизму:

1. Исходящий номер звонящего определяется системой динамического коллтеркинга;
2. Этот же исходящий номер звонящего оператор колл-центра записывает в систему учета заказов в момент оформления заказа;
3. Данные о заказах передаются в систему коллтрекинга. Звонок с заказом сопоставляется по исходящим номерам, а также по совпадению времени звонка и даты звонка со временем и датой заказа. В итоге с высокой точностью известны звонки завершившиеся заказом.
4. Данные по звонкам завершившиеся заказом поступают в систему автоматизации контекстной рекламы из системы коллтрекинга.

Таким образом, по каждой ключевой фразе известны: заказы от звонков, их CPA, ROI и ДРР.

Во-вторых, подписки с купоном. На Hoff.ru любой пользователь может подписаться на рассылку и получить купон со скидкой на первую покупку. Воронка от подписки до покупки выглядит так:

Клиент оставляет email в форме подписок -> Клиент подтверждает email путем клика по ссылке в письме -> Клиент совершает покупку с рассылок.

Доля подписчиков, которые “добиваются рассылками” и реализуют свои купоны, достаточно велика. Поэтому конверсия в подписки и продажи от подписок тоже является важной информацией и её стоит учитывать при оптимизации рекламы.

В-третьих, ассоциированные конверсии. Нужно понимать, что контекстная реклама во многих случаях влияет на конверсию других каналов, особенно в тех случаях, когда средний чек большой и цикл покупки долгий. Именно такой случай у Hoff. Поэтому, в качестве дополнительной аналитики выводится статистика по ассоциированным конверсиям в разрезе ключевых фраз. Надо отметить, что у Hoff на одну прямую конверсию приходится почти 3 ассоциированные. Представьте, на сколько велики потери отложенных продаж и продаж от других каналов, если при оптимизации рекламы не учитывать ассоциированные конверсии? Справедливости ради стоить отметить, что ассоциированные конверсии получают почти все те же ключевые фразы, которые получают обычные конверсии. Отличие не превышает 5%.

Оформленная корзина ≠ Звонок ≠ Подписки ≠ Ассоциированной конверсии

Конечно, все эти конверсии в той или иной степени влияют на продажи, но для проведения оптимизации просто их суммировать некорректно, так как по своей значимости они не равны. Тогда, как их учитывать в оптимизации?

Варианта два:

Первый вариант, назовем его «Модель атрибуции». Все же просуммировать эти типы конверсий, но с разными весовыми коэффициентами от 0 до 1. Например, принять за единицу весовой коэффициент для конверсии «заказ через корзину». За 0,9 взять весовой коэффициент для конверсии «Заказ через Звонок». А за 0,5 для конверсии «Продажа с подписки на рассылку». За 0,3 весовой коэффициент для «Ассоциированной конверсии».

Однако, у такого варианта есть недостаток. Если ключевой запрос одновременно приводит и к заказу, и к звонку, и к подписке, и к ассоциированной конверсии, то статистика завышается и оптимизация становится не точной. Кроме того, происходит «эффект отложенности», связанный с тем, что подписки конвертируются в заказы через достаточно большой промежуток времени, и ассоциированные конверсии тоже происходят с задержкой.

Второй вариант – триггерное управление ставками. Hoff изначально выбрал именно его.

Триггерное управление ставками

Идея заключается в том, чтобы для ключевых фраз с разными уровнями конверсий задавать ставку в зависимости от этого уровня. Например, если у фразы есть заказы с корзин и звонков, при этом ROI не ниже определенное значения, то ставить максимально высокую ставку. Если ROI ниже планового значения, то ставку понижать пропорционально отклонению ROI. Если заказов нет, но есть подписки с последующими заказами, то занижать ставку на небольшой процент. Если нет ни заказов, ни подписок, но есть ассоциированные конверсии, то сильно понижать ставку.

Как подобрать ставки для разных уровней? Выбор ставки для ключевой фразы должен основываться на трех факторах:

1. ROI фразы, а также плановые ROI;
2. Количество конверсий и количество кликов. От количества конверсий зависит репрезентативность статистики;
3. Общий месячный бюджет рекламой кампании.

С учетом этих трех факторов происходит выбор оптимальных ставок для разных уровней. Основываясь на значимости каждого уровня, Hoff подобрал приемлемую схему ставок для себя.

Причем тут автоматизация?

Конечно, для построения всего того, что было описано выше, необходима автоматизация. Hoff использует Alytics, с помощью которого решается несколько задач:

1. Полная статистика в любых разрезах. С точностью до каждой ключевой фразы из Google Analytics собирается статистика по оформленным корзинам и по ассоциированным конверсиям. Из коллтрекинга тянутся звонки и заказы от звонков. Из системы сбора подписок тянутся подписки и продажи по ним. Эти данные сопоставляются с затратами по каждой фразе в Яндекс Директ и Google AdWords.
2. Строится единый сводный отчет: Затраты – Клики – Цена Клика – CPA – ROI – ДРР.
3. Система автоматизация позволяет избавиться от неприятностей связанных с семплингом данных в Google Analytics.
4. Для управления ставками настраиваются автоматизированные правила изменения ставок. Описанная выше блок-схема полностью переносится внутрь системы автоматизации. Правила управления ставками действуют на уровне ключевых фраз.

Какие преимущества у такого подхода?

Во-первых, укрупнение статистики, а именно многократный рост количества ключевых фраз, у которых есть статистика по конверсиям. Ниже приведена диаграмма, которая наглядно показывает на сколько и за счет чего добавились ключевые фразы с конверсиями у Hoff.

В свою очередь, рост количества ключевых фраз со статистикой, позволяет качественнее проводить оптимизацию бюджета, а также понижает риск «переоптимизации», когда падают трафик вместе с продажами. У интернет-гипермаркета Hoff это следующим образом повлияло на основные показатели:

1. Снижение рекламного бюджета на 36%;
2. Рост конверсий на 24%;