Кейс divan.ru: как включить эффективность на максимум и получить много продаж

Клиент

divan.ru — крупный российский интернет-магазин мебели, предлагающий широкий ассортимент товаров для дома.

Цель

Оптимизировать рекламные расходы и повысить эффективность маркетинга за счет более точного таргетинга на пользователей в рекламной платформе «Яндекс Директ». 

Задача

Выявить группы пользователей с разной вероятностью совершения покупки и использовать эти данные для настройки корректирующих ставок в рекламных кампаниях, чтобы рационально перераспределить бюджет и повысить отдачу от инвестиций в рекламу.

Реализация

Используемый инструмент

Для решения поставленной задачи специалисты использовали «быстрые предикты». Система работает на основе машинного и глубокого обучения, анализируя действия пользователей на сайте и их паттерны поведения. Это позволяет настроить систему на прогнозирование совершения выбранного целевого действия пользователями в течение заданного промежутка времени в будущем. 

Для настройки «быстрых предиктов» нужно выполнить несколько действий:

• Подключиться к аккаунту «Яндекс Метрика».

• Выбрать нужный счетчик «Яндекс Метрики» и цели для обучения системы.

• Выбрать горизонт предсказания.

*Дополнительно есть возможность задать желаемое количество аудиторий с пользователями после обучения системы, а также возможность включить доступ к API и получать значения прогноза по конкретному пользователю через API-интеграцию*.

После настройки нужно «запустить предикт», и в течение нескольких часов аудитории пользователей будут готовы. Сформированные сегменты обновляются на ежедневной основе, что позволяет поддерживать актуальность данных.

Механика

Для компании divan.ru эксперты реализовали проект на платформе StreamMyData с использованием модуля быстрых предиктов. В качестве целевого действия выбрали конверсию по цели «E-commerce: покупка» (E-commerce — электронная коммерция), а горизонт предсказания составил 45 дней. 

Система автоматически обучалась на основе исторических данных действий пользователей на сайте за последние три месяца. Такой временной интервал стал достаточным для корректного обучения модели. В течение нескольких часов модель обучилась, а сформированные сегменты стали доступны для использования.

На выходе сформировали пять сегментов пользователей, распределенных по степени готовности совершить покупку в течение ближайших 45 дней. Для автоматизации дальнейшей работы настроили выгрузку аудиторий в «Яндекс Аудитории» с последующей передачей доступа в рекламные аккаунты команды.

*Среди сформированных сегментов присутствует категория extremely_low — в нее попадают пользователи с вероятностью покупки менее 1%.

После предоставления доступа к сформированным аудиториям начался этап настройки рекламных кампаний с применением корректирующих ставок в системе «Яндекс Директ». Сегменты интегрировали в ключевые рекламные форматы: поиск ретаргетинг, смарт-баннеры и бренд.

Основной целью специалистов было снижение неэффективных расходов, поэтому в большинстве случаев применялись понижающие корректировки ставок для сегментов extremely_low и low — пользователей с минимальной вероятностью совершения покупки. 

В то же время для сегментов с высокой вероятностью конверсии специалисты задавали повышающие корректировки, что позволяло увеличивать шансы выигрыша аукциона и обеспечивать показ рекламы тем пользователям, которые находятся на высокой стадии готовности к покупке.

В рамках теста внедрили настройки аудиторий на уровень кампаний, путем отрицания ML-сегментов (Machine Learning — машинное обучение):

В то время как на уровне групп выбрали ML-сегменты в качестве ретаргетинга, а также включили оферный ретаргетинг:

Дополнительно проводилась регулярная чистка площадок:

Результаты

По итогам тестирования, проведенного в течение нескольких месяцев, получили следующие показатели эффективности:

• За счет исключения пользователей из низкоконверсионных сегментов общие рекламные расходы сократили в тестируемых рекламных кампаниях на 12%, перераспределив соответствующую часть бюджета на более перспективные аудитории.
• Сравнительный анализ показал, что использование корректировок ставок на основе предиктов StreamMyData обеспечило прирост показателя конверсии до 75% по сравнению с автоматическими стратегиями «Яндекса» благодаря более точному учету вероятности покупки.

Результаты по региону МСК:

Исходя из результатов видно, что CR (Conversion Rate — коэффициент конверсии) в покупку вырос со второй недели теста, ДРР за месяц вышел на уровень ниже 100%.

Рассматривая статистику динамики по региону МСК месяц к месяцу, получили покупки в рамках желаемого ДРР:

Статистика за май показывает получение покупок с динамикой на снижение в показателе ДРР и ростом количества покупок:

Проведя A/B-тестирование, удалось достичь сокращения ДРР на 41% и показателя CPO (Cost per Order — стоимость привлеченного заказа) на 25% за те же деньги.

Реализация проекта на платформе StreamMyData позволила перейти от обобщенного подхода в таргетинге к точечной работе с пользователями на основе их поведенческих характеристик. 

Благодаря быстрому внедрению предиктивной модели, автоматизированной сегментации и интеграции с рекламными инструментами «Яндекса» компании удалось значительно повысить эффективность рекламных вложений. 

Экономия бюджета за счет исключения нецелевых сегментов и рост конверсии на фоне автостратегий «Яндекса» подтверждают высокую практическую ценность предиктов как инструмента оптимизации рекламных активностей.

*API-интеграция (Application Programming Interface) — процесс соединения различных программных систем посредством специального интерфейса.

Реклама. Рекламодатель ООО «МедиаНация» ИНН 7736602705