Case study: под капотом прайс-агрегатора price.ru

Posted on by riasevastopol

Специалисты контекстной рекламы, равно как и обладатели Вебмагазинов, знают: контекст для E-commerce — процесс трудоёмкий. И с каждым новым товаром сложность ведения рекламы существенно возрастает. В случае если в магазине пара тысяч товарных позиций, нужно создавать тысячи карточек товара, а после этого подбирать для них много тысяч главных слов и составлять десятки тысяч объявлений.

Но на создании объявлений работа эксперта не заканчивается: нужно руководить ставками, смотреть за актуальностью объявлений, перепроверять целый ассортимент на наличие и улучшать показатели ROI и CPO.

Звучит непросто? Да. И одновременно с этим любой ветеран контекстной рекламы, запустивший несколько дюжина рекламных кампаний, с этим сталкивался. Худо либо бедно, но с поставленной задачей возможно совладать при наличии должного опыта, хорошего багажа и развитой смекалки знаний. И, очевидно, “прямых” рук. Но кроме того “прямые руки” не окажут помощь в том случае, в то время, когда нужно трудиться с ассортиментом, складывающимся из всех товаров Рунета.

А это — ежедневная действительность ведущих прайс-агрегаторов.

С одной стороны, быть агрегатором несложнее — расходная часть намного меньше, чем у стандартного Вебмагазина. У прайс-агрегаторов нет складских помещений, шоу-румов либо пунктов выдачи, они не переживают по поводу закупочной цене, достаточного количества SKU и курьерской логистики. Наряду с этим у них имеется второй, не меньше непростой пул задач по действенной закупке трафика.

Трудоёмкость ведения контекстной рекламы для агрегатора в много раза больше если сравнивать с любым вторым E-commerce проектом. Действенно руководить кампаниями, в которых реклама ведёт на пара миллионов страниц, один человек (а также намерено обученный отряд рекламного отрядом специального назначения) не в состоянии.

Имеется ли выход из таковой ситуации? Ещё недавно ответ на данный вопрос был бы отрицательным, но сейчас это вероятно. Заберём настоящий пример агрегатора Price.ru, что смог совладать с данной задачей, применяя несколько тузов в рукаве.

Для начала, давайте разберемся, что из себя воображает Price.Ru сейчас:

Один из первых в Российской Федерации сайтов сравнения стоимостей — практически 20 лет на рынке. В нём тысячи активных вебмагазинов размещают собственные товары. Это 20 000 000 (да, всё правильно — двадцать миллионов) товаров из любой отрасли, которую лишь возможно представить.

В общем, в случае если это товар, его возможно реализовать через условия и Интернет его продажи не нарушают законодательство, — он имеется на Price.ru.

На чём получает Price? На заказов и генерации трафика интернет-магазинам по модели CPC (оплата за клик).

Это значит, что с одной стороны, мы имеем 20 000 000 товаров, каковые ищут пользователи, иначе, у нас тысячи магазинов, каковые готовы эти товары реализовывать. В этом случае миссия агрегатора – оказать помощь клиентам отыскать продавцов, получив на посредничестве.

Case study: под капотом прайс-агрегатора price.ru

Рисунок 1 – Бизнес-задача схематично

Потому, что экономика прайс-агрегаторов отличается от экономики стандартных вебмагазинов, задача перед ними стоит необыкновенная. Необходимо увеличивать количество трафика из контекстной рекламы так, дабы канал был на грани самоокупаемости — оптимальным считается ROI от 0 до 5%. Такие задачи ставятся чтобы враждебно захватывать рыночную долю: не обращая внимания на то, что прайс-агрегатор ничего не получает, при ROI в 0% он ничего и не теряет.

Учитывая неизменно возрастающий количество трафика и растущие рекламные затраты, несложно додуматься, что в необходимый момент возможно принять стратегическое ответ расширить показатель возврата инвестиций и получить больше на уже выросшей массе пользователей.

Построение сквозной аналитики

Чтобы ориентировать рекламу на ROI, мы должны сперва обучиться грамотно его подсчитывать. В то время, когда в ассортименте всего пара сотен товаров, осознать рентабельность возможно путём несложных подсчётов, сделанных “на коленке”. Но для прайс-агрегаторов таковой подход не работает: массив в 20 миллионов товаров весьма сложно скоро привести к единому знаменателю.

Тут не окажет помощь фактически никакая разбивка на единицы коммерческого смысла (к примеру, категории товаров либо отдельные группы). В нашем случае, дабы осуществлять контроль уровень окупаемости и иметь возможность проводить оптимизацию ставок с учётом ROI, необходимо приобретать значения ROI по каждому главному слову. Стоит ли сказать, сколько главных слов будет необходимо наряду с этим разбирать?

Более того, обстановка осложнена тем, что привычный для историй с малым числом трафика способ учёта конверсий через Гугл Analytics не срабатывает — на громадных количествах он выдаёт весьма сильную погрешность, теряя до 60% данных. Это связано с ограничениями стандартной версии Analytics.

Задача, но, решаема: необходимо воспользоваться совокупностью автоматизации, которая может сводить информацию о кликах и затратах от Яндекс Директ и Google AdWords с данными о доходах. Они подтягиваются из внутренней биллинговой совокупности Price.Ru и на их основании динамически изменяются ставки по главным словам. Процесс выбора совокупности был основан на следующих мыслях:

«При выборе совокупности автоматизации контекста у нас было три критерия,– комментирует Ольга Ивашина, директор по маркетингу Price.Ru. – Во-первых, отказоустойчивость на отечественных количествах. Во-вторых, готовая интеграция не только с Яндекс.Директ, но и с Гугл AdWords. В-третьих, большой уровень клиентского обслуживания.

По всем этим параметрам Alytics существенно опередил аналоги».

По окончании выбора совокупности автоматизации дело остаётся за малым: подключить все аккаунты в контекстных рекламных совокупностях и совершить интеграцию с внутренней совокупностью учёта доходов прайс-агрегатора. Это несложно, самое увлекательное — в первых рядах.

Привлечение трафика из контекста

С позиций контекстной рекламы огромный ассортимент прайс-агрегаторов имеет одно преимущество — много товаров разрешает охватить множество недорогих и действенных главных фраз. Возможно составить громадное семантическое ядро из низкочастотных запросов (это редкие запросы, каковые пользователи вводят всего пара раз в тридцать дней). Так появляется рычаг, разрешающий делать контекстную рекламу недорогой и действенной.

Первое, что для этого необходимо сделать – запустить товарную рекламу. Особенность товарной рекламы содержится в том, что под каждую карточку товара подбираются главные слова, после этого под них пишутся адаптивные объявления (каждому — собственное), а в качестве страницы приземления берется сама карточка товара.

Товарная реклама даёт последовательность преимуществ:

  • низкая цена клика;
  • весьма целевой трафик;
  • солидный охват за счет огромного семантического ядра;
  • большой CTR;
  • высокая конверсия, т.к. пользователи находятся на последнем шаге принятия ответа о покупке.

Рисунок 2 — страница карточки товара

Необходимо подчеркнуть, что Price.Ru в контекстную рекламу выгружает не все товары, а лишь часть — это около 1 000 000 позиций. Это, снова же, решается достаточно скоро — совокупность автоматизации генерирует объявления по параметрам и заданным правилам, после этого загружает их в совокупности контекстной рекламы, отслеживая активность объявлений и отключая показы для тех товаров, каковые провалились сквозь землю из продажи. Ну и, само собой разумеется, каждый день генерируя объявления для снова появляющихся товаров.

Механизм автоматизации выглядит следующим образом:

  1. на базе каталога товаров формируется YML-файл. YML (сокращённо от Yandex Market Language) — это пара видоизменённый XML файл, трудящийся по формату Яндекс.Маркет. В этот файл попадают лишь карточки товаров с активными ссылками на магазины;
  2. по окончании формирования файла он загружается в Alytics, где генерируются объявления по заданным шаблонам;
  3. сгенерированные объявления машинально загружаются в Гугл и Яндекс с проставлением UTM-меток, применяемых для сбора статистики.

Рисунок 3 – Схема автоматизации товарной рекламы

Но кроме того эта на вид несложная операция содержит массу “граблей”, на каковые возможно легко наступить. Во-первых, совокупность автоматизации обязана мочь совладать с громадным массивом данных. Сперва ей необходимо пропарсить все товарные позиции в файле YML.

В случае если очередь парсинга не оптимизирована, может в один момент происходить 300 параллельных процессов. Это уже сильная нагрузка на совокупность, но лишь начало отечественных опробований. По окончании каждого парсинга в базу записывается миллион стоп, два миллиона объявлений (по одному на Яндекс и на Гугл). В случае если заблаговременно не продумать архитектуру автоматизации и не распределить нагрузку, совокупность может.

В лучшем случае, она будет очень сильно тормозить, что сводит на нет часть её функций.

Хорошо, представим, что и данный этап пройден удачно. Сейчас совокупности необходимо выполнить два миллиона операций в обратную сторону — дотянуться объявления из базы и загрузить их на площадку. Время от времени API рекламной совокупности может воспротивиться громадному количеству параллельных потоков и прекратить принимать запросы.

А без применения громадного количества параллельных потоков может зависнуть сама совокупность.

Допустим, мы совладали и с данной задачей. Объявления генерируются и ставки систематично обновляются. Затем возможно создавать кампании не только под страницы карточек товаров, но и под:

  • категории каталога (Автомобильные видеорегистраторы – рисунок 4)

Рисунок 4 — ветка каталога одной категории

  • категории каталога с привязкой к бренду (Ноутбуки Packard Bell – рисунок 5).

Рисунок 5 — ветка каталога с сортировкой по бренду «Ноутбуки Packard Bell»

И всё бы прекрасно, да вот лишь iPhone (и каждый товар) смогут искать по-различному:

  • apple iphone 5 16 гб;
  • айфон 5 16 гб;
  • айфон 5 16 гб цена;
  • приобрести эйпл афон 5;
  • приобрести ifone.

Рисунок 6 — поисковая выдача

Видно, что в результаты поиска подмешиваются ссылки на товарные карточки Price.Ru. Технически такие “подмесы” в выдачу формируются в пара этапов.

Первый этап — это сотрудничество сервисов Price.Ru и поисковой совокупности Рамблер. Сущность содержится в том, что на Price.ru установлена поисковая машина, которая хорошо может искать, даже в том случае, если пользователь вводит не прямой запрос, а синоним. И в то время, когда пользователь набирает в Рамблер товарный запрос, машинально происходит обращение к поисковой машине Price.Ru, которая находит товары и отдает их в поисковую выдачу.

По окончании того, как страница выдачи сгенерировалась, Price.Ru контролирует, как релевантную выдачу он дал по синониму. Выдача считается релевантной, в случае если удовлетворяет двум условиям:

  • из поисковой выдачи пришло не меньше 15 визитёров, и конверсия в переходы в магазины не меньше 50%.

Рисунок 7 – Схема автоматического подбора синонимов

, если синоним был релевантным и пользователи деятельно по нему переходят, он добавляется в файл YML в качестве синонима к конкретному товару. За счёт этого семантическое ядро растёт и множится. Помой-му всё прекрасно.

Но имеется один нюанс: со временем синоним может стать нерелевантным товару. При таких условиях он машинально убирается из семантического ядра.

Неспециализированная “схема судьбы” синонима выглядит так: верные синонимы с привязкой к соответствующему товару генерируются машинально через YML и Alytics, а после этого загружаются в совокупности контекстной рекламы. Синоним привязывается к товару, что находится в выдаче Price на первом месте. После этого синоним всегда анализируется на предмет актуальности, и при признания его ошибочным удаляется из активного семантического ядра.

Необходимо подчеркнуть, что синонимы проверяются не только машинально, но и вручную — но лишь по окончании выгрузки в совокупность контекстной рекламы. Эксперт по контекстной рекламе в ручном режиме неспешно просматривает аккаунты Яндекс.Директ и Гугл AdWords и вычищает некачественные главные фразы. К слову, часть таких “нехороших фраз”, отобранных вручную, не превышает 5%.

В сухом остатке

На примере Price.ru мы видим, что работа с контекстной рекламой делается затруднительной, в случае если необходимо продвигать сотни и десятки тысяч товаров в один момент. Эти теряются, а обновлять такое количество объявлений вручную не представляется вероятным. По окончании тесной интеграции внутренних сервисов с совокупностью автоматизации неприятность исчезает.

Появляются новые задачи — как именно автоматизировать подбор синонимов к сгенерированным запросам? Для данной задачи возможно применять методы поисковых совокупностей, каковые на базе машинного обучения подбирают карточку товаров, релевантные поисковому запросу. В случае если полученные эти подтверждают релевантность выдачи, то синоним добавляется в семантическое ядро контекстной рекламы.

Всё это, само собой разумеется, превосходно и высокотехнологично, но имеется ли от аналогичных танцев с бубнами какая-либо польза для закупающих много трафика агрегаторов? Узнается, что имеется. Итог вышеописанных действий:

  • уменьшение времении трудозатрат. Да, метрика наподобие непонятная и трудноизмеримая. Но стоит только поразмыслить о поставленных задачах, а после этого вычислить ФОТ, нужный для их решения, экономия сходу делается понятной и осязаемой;
  • рост семантического ядра. Как мы уже упоминали выше, в случае если прекрасно составить громадное семантическое ядро, возможно легко и дёшево привлечь много высокоцелевого трафика. Итог работы с автоматизацией подбора синонимов для 1 000 000 товаров следующий: и без того массивное семантическое ядро выросло в 3 раза за один месяц;
  • количество трафика выросло в 2,6 раз за один месяц. И не просто выросло, но и не оказало влияние на конечный ROI, оставшийся в пределах 5%.

Создатель: Александр Егоров.

Директор по формированию Alytics Опыт в контекстной рекламе — 10 лет.

Практик с очень обширным опытом ведения контекстной рекламы по CPA и ROI.

За плечами контекстная реклама для: Price.ru, Столичный Кредитный Банк, авиакомпаний Аэрофлот и SkyExpress, тур-операторов Pegas, DSBW и TezTour, Сервис КупиКупон, Связной Банк, Saxo Bank, ЦУМ, МИАН, издательство Ferra, магазин Finn Flare.

Случайные статьи:

Что такое товарные агрегаторы? Просто о сложном


Подборка похожих статей:

riasevastopol

More Posts