Кейс «Джум»: как за три месяца достичь и превысить KPI на 30%

Клиент

«Джум» — крупный маркетплейс товаров со всего мира.

Цель 

Получить максимум продаж с сайта с определенным значением ROI (Return On Investment — возврат инвестиций, точные цифры под NDA). 

Решение

Особенности внутренней аналитики клиента

Клиент для оценки использует свою модель атрибуции, а в рекламном кабинете алгоритм показывает статистику по last click (последнему клику). Это значит, что не всегда хорошие показатели говорят о попадании в KPI (Key Performance Indicators — ключевые показатели эффективности или деятельности), а плохие — о провале.

Подготовили индивидуальное решение для клиента, чтобы оптимизировать кампании и прозрачно видеть, что приносит результат:

1. Нашли статистические закономерности между показателями таргетированной рекламы и клиентскими метриками внутренней аналитики. 
2. Делили кампании на новую и ремаркетинговую аудитории.
3. Аудитории ремаркетинга сегментировали по периодам посещения сайта и действиям на сайте.
4. Для новых пользователей выбирали наиболее рентабельные и продающиеся товары по данным внутренней аналитики.
5. Для каждого из таких товаров подбирали индивидуальные таргетинги, чтобы показывать товары наиболее заинтересованным пользователям.
6. Аудитории в кампаниях на новую и ремаркетинговую аудиторию также сегментировали по гео.

Такой подход к сегментации позволил прозрачно оценить, какие настройки РК дают нужный результат и в каком направлении нужно оптимизировать кампании. Подробнее о каждом шаге читайте ниже.

Как работали с воронкой аудиторий с учетом особенностей проекта

Теперь расскажем, как настраивали воронки продаж с учетом всех данных и запросов клиента.

Перед покупкой пользователь обычно проходит путь из нескольких касаний. Команда взаимодействовала с потенциальными клиентами на нескольких этапах воронки продаж. 

Новая аудитория

Воронку начинали с привлечения новой аудитории на сайт. С помощью аналитики данных подбирали интересные товары и категории для продвижения на новых пользователей:

• выбирали наиболее рентабельные товары и категории товаров по данным аналитики;
• под эти товары и категории собирали аудитории: горячие ключевые запросы, интересы, составные look-alike (LAL — таргетинг на сегмент пользователей, похожих на ваших клиентов).

Привлекали новых пользователей на сайт и далее догоняли рекламой по воронке ремаркетинга. 

Ретаргетинговая аудитория

Уже «теплую» аудиторию сегментировали по действиям на сайте, чтобы показывать персонализированное предложение:

• Всем посетителям сайта. Заинтересованных пользователей прогревали акциями и интересными подборками товаров.
• Тем, кто просматривал определенные товары на сайте, но не добавил их в корзину.
• Тем, кто добавил товары в избранное, но не купил.
• Тем, кто добавил в корзину, но не купил.
• Тем, кто уже покупал на сайте, — 100% наша ЦА. Для них делали отдельную подборку с интересными товарами на дополнительные продажи.

Вот так условно выглядит созданная воронка:

Помимо работы с аудиториями важно правильно работать с фидами и группировать товары.

Работа с фидами и их сегментация

Для кампаний на динамический ретаргетинг брали фиды с максимальным количеством товаров, чтобы охватить максимум пользователей, которые взаимодействовали с товарами.

Для уже купивших пользователей создавали отдельные подборки с помощью фильтров фида. Тут экспериментировали: брали акционные популярные (например, кроссовки) или более дорогие (от 1 тыс. руб.) товары. Наибольший ROI фиксировали, когда использовали широкую группу с самыми рентабельными товарами от 1 тыс. руб.

Для новой аудитории подход был интереснее. Здесь работала база данных по продажам всех товаров маркетплейса в разрезах от категории до конкретного товара.

Ежемесячно снимали статистику по продажам и выбирали рентабельные товары с большой выручкой. Также брали в работу отдельные акции, которые заранее присылал клиент.

Фид содержит в себе множество разных товаров по категориям. Эти фиды по-разному группировали. Например, поняли, что рентабельный товар — мужские брюки. Выбираем через фильтр соответствующие товары и настраиваем их показ для ЦА.

Если категория слишком большая и группировкой не обойтись, то запрашивали у клиента отдельный фид на конкретный товар или категорию. Так исключали вероятность попадания в подборку случайных товаров из других категорий.

Тесты и оптимизация на каждом этапе воронки

В каждой РК есть более эффективные сегменты. Для их поиска разделяли кампании и группы объявлений внутри РК по разным признакам и смотрели, что лучше работает. Раз в неделю проводили детальный анализ кампаний и корректировали настройки по сегментам целевой аудитории.

В результате для каждого сегмента воронки нашли топовые настройки.

На старте сформировали кампании следующим образом:

Ретаргетинговая аудитория

Рекламные кампании делили по целевому действию на сайте: посетили сайт, смотрели товар, добавили в корзину, в избранное, уже купили.

Группы объявлений внутри кампаний распределили по периодам взаимодействия с сайтом и гео.

По гео кампании разделяли на Москву и МО, Санкт-Петербург и ЛО, крупные города РФ. Собирали наиболее конверсионные города с точки зрения продаж и показывали рекламу только там.

В периодах взаимодействия ориентировались на особенности ML-атрибуции, так как она присваивала пользователю разный «вес» в зависимости от последнего визита на сайт. В среднем делили по дням так:

• 0–7; 
• 8–14; 
• 15–28; 
• 29–56;
• 57–90.

Сегментацию корректировали в зависимости от емкости аудиторий. Например, охват аудитории дополнительных продаж составлял менее 100 тыс. пользователей. При таком охвате группы на гео не делили в отличие от сегментов, которые разбили на 0–30 и 31–90 дней, чтобы не мешать обучению слишком узким охватом.

Аудиторию, которая посмотрела товар, но не добавила в корзину, делили по гео и периодам. Самих периодов брали меньше (0–7, 8–14, 15–28) для взаимодействия с самыми «теплыми» пользователями. 

Что касается стратегий ставок, то на старте везде выбрали минимальную цену, чтобы не ограничивать обучение РК. В качестве целей обучения выбирали конверсию на уровень ниже по воронке.

Схема запуска — в таблице.

На старте сегментов получилось много, но уже после первых двух недель увидели, что работает лучше и начали отключать или оптимизировать неэффективные гео.

Для каждого сегмента сработали разные настройки. 

Например, на аудиторию пользователей, которые смотрели товары на сайте, но не добавляли их в корзину, лучше всего сработала сегментация по гео и периодам целевого действия.

А для тех, кто добавил товар в корзину, лучше всего сработала только сегментация по периодам целевого действия: 0–14, 15–28 дней и т. д.

Новая аудитория

Если в ретаргетинге отталкивались от действий пользователя на сайте, то в новой аудитории настройки зависели от продвигаемого товара.

Например, если продвигали платья, то в таргетинге выбирали только женщин и затем сегментировали их по возрасту.

Для новой аудитории пробовали такие таргетинги: горячие ключевые запросы (тестировали периоды сбора 3, 7, 14 и 30 дней), интересы, составные LAL (смотрел товар и купил), подписчики сообществ конкурентов, популярных брендов и по отдельным категориям товаров.

Составные LAL формировали и передавали в виде внешних сегментов в рекламный кабинет. Показываем на скриншоте ниже.

Сообщества собирали как внутри рекламного кабинета, так и с помощью парсеров.

На старте выбрали несколько прибыльных категорий товаров.

Схема запуска — в таблице.

Для каждого сегмента воронки подготовили персонализированные объявления, например:

На новую аудиторию

Смотрели товары на сайте

Добавили товар в корзину

Добавили в избранное

Собрали результаты для каждого сегмента воронки

В таблице приводим лучшее сочетание настроек для каждого сегмента воронки:

Вот что получилось.

Ретаргетинговая аудитория

С первых недель после запуска увидели общую закономерность: чем короче период сбора аудитории ретаргетинга в РК, тем больший ROI фиксируем по такой кампании. Но емкость таких сегментов небольшая, и масштабировать кампании не получится.

Поэтому постепенно начали комбинировать периоды сбора ретаргетинга, ориентируясь на данные ML-атрибуции: ROI по кампаниям, ROI когорт пользователей по периодам посещения сайта. 

Заметили, что для каждого сегмента воронки работает индивидуальный подход:

• Для тех, кто смотрел товар или добавил в избранное, лучше всего сработали крупные сегменты с периодом 0–30 дней без сегментации по гео. Не все пользователи готовы сразу купить, поэтому лучше дать алгоритмам больше данных для обучения, чтобы получать больше покупок. Но если расширить сегмент до, например, 60 дней, то эффективность падает. Здесь команда нашла свой баланс.
• Для пользователей, которые уже добавили в корзину, лучше сработала детальная сегментация по периодам сбора пользователей. Это одна из самых горячих аудиторий. Старались как можно сильнее вовлечь ее в покупку, разделяя на сегменты — использовали для каждого персональное рекламное объявление.

По добавившим в корзину лучше всего отработал сегмент с периодом сбора 0–14 дней. Периоды 15–28 и 29–56 давали чуть меньшие результаты, но все равно генерировали приличную часть продаж. Здесь использовали сегменты с периодами до 180 дней, но выделять их в таблице не стали, так как они работали менее эффективно.

Интересный кейс получили по аудитории допродаж. Аудитория самая горячая, но и емкость у нее самая маленькая. Она сразу же стала давать ROI вдвое больше, чем остальные сегменты, и команда начала тестировать разные настройки, чтобы максимизировать эффект.

Здесь помогло правило работы со ставками при настройке таргетированной рекламы в соцсетях: при масштабировании кампаний с автоматическим управлением ставки может возникнуть сложность — увеличение бюджета не приносит больше трафика, а только повышает стоимость целевого действия. Если такое происходит, лучше перейти на ручное управление ставкой по предельной цене.

Протестировали смену ставки с автоматической на предельную цену. При этом предельную цену специально завысили до стоимости трех заказов, чтобы выкупать максимум целевого трафика.

В результате эффективность кампании на допродажи выросла на 30%. 

Новая аудитория

Для новой аудитории лучше всего отработали горячие ключевые запросы по товарам и их категориям.

Единственное исключение — платья. Для этой категории больше всего покупок зафиксировали с кампании на похожую аудиторию. Также в тестах лучше всех себя показала новая кампания с оптимизацией на покупку, а не добавление в корзину.

Связываем это с тем, что платья — один из самых продаваемых товаров. По такой категории больше всего данных, и LAL получился более качественный. А из-за большого количества покупок алгоритму было проще обучиться именно на покупки, а не добавления в корзину.

Как работает ML-атрибуция

KPI проекта зависел от ROI. 

Результаты оценивали не по последнему клику, а по ML-атрибуции.

Ее особенность в том, что она присваивает ценность каждому касанию пользователя, которое способствовало покупке. 

Ценность присваивается в зависимости от действий, которые пользователь совершил на сайте: посмотрел товар, добавил его в корзину, оформил заказ, а также в зависимости от «новизны» пользователя. Доведение до покупки нового пользователя ценнее, чем пользователя, который недавно уже был на сайте. Поэтому сегментировали пользователей не только по воронке, но и по времени их последнего действия на сайте (если речь не о новых пользователях). 

Для каждого такого временного подсегмента создавали отдельные группы объявлений в кампаниях и оценивали эффективность по ML-атрибуции. В результате нашли наиболее эффективные временные периоды для каждого сегмента воронки.

Все действия пользователя модель свяжет между собой. Даже если человек смотрел рекламу, а перешел в итоге на сайт самостоятельно. Так отслеживаем реальную ценность рекламных кампаний.

Особенности ML-атрибуции

Полную картину об эффективности кампании и о ее ценности (в процентах) по отношению к действиям пользователей получаем не сразу.

Например, пользователь мог прийти на сайт с рекламы из соцсетей, а совершить покупку только через 10 дней. В таком случае данные о конверсии и ценности касания получали не после перехода с рекламы из соцсетей, а после покупки. То есть через 10 дней после перехода с рекламы.

Так, например, если решаем посмотреть данные на 15 апреля 2024 года, то ровно 15-го числа данные будут одни, а если откроем статистику за 15-е число, но 30 апреля, то цифры уже будут другими, так как система дособирала информацию.

Чтобы учесть фактор приращения в оптимизации, в течение месяца собирали статистику по приращению ROI в разных срезах и кампаниях. 

Выяснили, что в среднем мы получаем полную картину по эффективности через 12 дней после передачи данных в модель по кампании. Также оценили показатели приращения ROI по всем сегментам аудитории за разные периоды. В среднем показатель становился больше на 30% за 12 дней.

Сделали на это поправку при оптимизации РК для внесения оперативных изменений в кампании.

Результаты

Чтобы повысить точность и не ждать 12 дней до полной картины, нашли связь между CPO (ценой заказа) внутри рекламного кабинета и ROI.

Заметили, что если CPO был ниже определенного значения и ДРР по атрибуции последнего клика не превышал 20% (обычно он был ниже 15%), то попадали или даже перевыполняли KPI по ROI.

Все эти закономерности помогали оперативно оптимизировать рекламу и превышать KPI.

По итогу множества проведенных тестов, корректировки настроек, экспериментов с ML-атрибуцией, детальной сегментации товаров и аудиторий достигли поставленных KPI и превысили показатель на 30% за три месяца. 

Реклама. Рекламодатель ООО «Цифровые стратегии» ИНН 7719418801