Триггерная оптимизация контекстной рекламы. кейс от alytics и hoff

Posted on by riasevastopol

Статья подготовлена Егоровым Александром, директором по формированию совокупности автоматизации контекстной рекламы Alytics, совместно с Татьяной Паниной, начальником отдела интернет-маркетинга Hoff, и Натальей Гришиной, экспертом по интернет-маркетингу Hoff.

Обсудим задачу

В условиях растущей борьбе и цены за клик, стратегия оптимизации контекстной рекламы от продаж есть чуть ли не самым серьёзным вопросом при планировании размещения. Большая часть “умных” рекламодателей в далеком прошлом обучились вычислять конверсию, CPA и ROI по ключевой фразе и каждому объявлению и, отталкиваясь от данной статистики, посредством управления ставками перемещать бюджеты с убыточных фраз на прибыльные.

Но, не все так гладко. Частенько возможно замечать картину, в то время, когда рекламная кампания складывается из большого семантического ядра, скажем, из 300 000 фраз, и лишь 10% этих фраз в течение месяца приводят к оформленным корзинам на сайте. Формально получается, что остальные 90% главных фраз являются неэффективными. Казалось бы, ставку на них необходимо понизить.

В большинстве случаев, при таком подходе “в лоб” скоро наступает обстановка, в то время, когда трафик начинает падать, а вместе с ним и продажи.

Вероятные ответы

Как “взрослые” рекламодатели поступают на данный момент? Самое простое ответ, которое возможно услышать: перед тем как перемещать ставки, давайте накопим статистику за больший период. Будем копить несколько месяц, а два либо лучше три. Не требуется быть нобелевским лауреатом, чтобы выяснить, что за три месяца рекламы без оптимизации возможно слить целый бюджет.

Помимо этого, за три месяца из 300 000 главных фраз за не более 20-25% из них приведут к продажам. А другой “долгий хвост СЧ и НЧ запросов” не доберет достаточного количества кликов/показов, дабы сделать репрезентативные выводы и переместить ставку.

Второе вероятное ответ: мерить микроконверсии и проводить оптимизацию по ним. Эта мысль основана на том, что микроконверсий, в большинстве случаев, больше в 3-10 раз, и статистики также больше. Соответственно и данных для оптимизации достаточно.

Давайте разберемся, что такое микроконверсия. Микроконверсия – это воздействие, которое может приблизить пользователя к макроконверсии. К примеру: при Hoff воздействие «Добавить товар в корзину» есть микроконверсией, которая приближает пользователя к макроконверсии, в этом случае это «Оформленная приобретение».

У для того чтобы способа имеется пара недочётов. Во-первых, практически никто и ни при каких обстоятельствах не высчитывает корреляцию между микроконверсией и макроконверсией. В итоге, довольно часто отмечается обстановку, в то время, когда оптимизация микроконверсий успешна, а статистика по макроконверсиям ухудшается и продажи падают либо дорожают.

Во-вторых, далеко не всегда у макроконверсии имеется микроконверсия.

И вдобавок варианты?

А ну как отвлечься и разглядывать эффективность контекстной рекламы не просто как конверсию в оформленные корзины, а намного шире. Предлагается взглянуть, какие конкретно еще смогут быть типы конверсий, каковые положительно воздействуют на продажи, причем не только в канале CPC, но и в общей массе продаж. Основная задача для того чтобы подхода — за счет дополнительных конверсий укрупнить статистику для действенной оптимизации.

Таблица 1 – Недочёты способов

Как поступил Hoff?

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

Во-первых, звонки. Кроме заказа через корзину, аналитика расширилась статистикой по звонкам посредством динамического коллтрекинга. Причем по каждому звонку было известно, привел ли он к заказу.

Технически сопоставление заказа со звонком реализовано через сопоставление исходящих номеров звонящего. В частности по следующему механизму:

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

Так, по каждой главной фразе известны: заказы от звонков, их CPA, ROI и ДРР.

Триггерная оптимизация контекстной рекламы. кейс от alytics и hoff

Рисунок 1 – Схема укрупнения статистики

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

Клиент оставляет email в форме подписок — Клиент подтверждает email методом клика по ссылке в письме — Клиент совершает приобретение с рассылок.

Часть подписчиков, каковые “получают рассылками” и реализуют собственные купоны, велика. Исходя из этого конверсия в продажи и подписки от подписок также есть ответственной информацией и её необходимо принимать в расчет при оптимизации рекламы.

Рисунок 2 – Схема учета отложенных продаж от рассылок

В-третьих, ассоциированные конверсии. Необходимо осознавать, что контекстная реклама во многих случаях воздействует на конверсию вторых каналов, в особенности в тех случаях, в то время, когда средний чек громадной и цикл приобретения продолжительный. Как раз таковой случай у Hoff. Исходя из этого, в качестве дополнительной аналитики выводится статистика по ассоциированным конверсиям в разрезе главных фраз.

Нужно подчернуть, что у Hoff на одну прямую конверсию приходится практически 3 ассоциированные. Представьте, на какое количество громадны утраты отложенных продаж и продаж от вторых каналов, в случае если при оптимизации рекламы не учитывать ассоциированные конверсии? Справедливости для стоить подчернуть, что ассоциированные конверсии приобретают практически все те же главные фразы, каковые приобретают простые конверсии.

Отличие не превышает 5%.

Рисунок 3 – Пересечение главных фраз с прямыми конверсиями и ассоциированными

Оформленная корзина ≠ Звонок ≠ Подписки ≠ Ассоциированной конверсии

Само собой разумеется, все эти конверсии в той либо другой степени воздействуют на продажи, но с целью проведения оптимизации легко их суммировать некорректно, поскольку по собственной 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 различными весовыми коэффициентами от 0 до 1. К примеру, принять за единицу весовой коэффициент для конверсии «заказ через корзину». За 0,9 забрать 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».

Но, у для того чтобы варианта имеется недочёт. В случае если главный запрос в один момент приводит и к заказу, и к звонку, и к подписке, и к ассоциированной конверсии, то статистика завышается и оптимизация делается не правильной. Помимо этого, происходит «эффект отложенности», связанный с тем, что подписки конвертируются в заказы через большой временной отрезок, и ассоциированные конверсии также происходят с задержкой.

Второй вариант – триггерное управление ставками. Hoff изначально выбрал как раз его.

Триггерное управление ставками

Мысль содержится в том, дабы для главных фраз с различными уровнями конверсий задавать ставку в зависимости от этого уровня. К примеру, в случае если у фразы имеется заказы с корзин и звонков, наряду с этим ROI не ниже определенное значения, то ставить максимально высокую ставку. В случае если ROI ниже планового значения, то ставку уменьшать пропорционально отклонению ROI. В случае если заказов нет, но имеется подписки с последующими заказами, то занижать ставку на маленький процент.

В случае если нет ни заказов, ни подписок, но имеется ассоциированные конверсии, то очень сильно уменьшать ставку.

Как подобрать ставки для различных уровней? Выбор ставки для главной фразы должен быть основан трех факторах:

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

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

Рисунок 4 – Блок-схема триггерного управления ставками

Причем тут автоматизация?

Само собой разумеется, для построения всего того, что было обрисовано выше, нужна автоматизация. Hoff применяет Alytics, благодаря которому решается пара задач:

  1. Полная статистика в произвольных разрезах. С точностью до каждой главной фразы из Гугл Analytics планирует статистика по оформленным корзинам и по ассоциированным конверсиям. Из коллтрекинга тянутся заказы и звонки от звонков. Из совокупности сбора подписок тянутся продажи и подписки по ним. Эти сведенья сопоставляются с затратами по каждой фразе в Яндекс Директ и Гугл AdWords.
  2. Строится единый сводный отчет: Затраты – Клики – Цена Клика – CPA – ROI – ДРР.
  3. Совокупность автоматизация разрешает избавиться от проблем связанных с семплингом данных в Гугл Analytics.
  4. Для управления ставками настраиваются автоматизированные правила трансформации ставок. Обрисованная выше блок-схема всецело переносится вовнутрь совокупности автоматизации. Правила управления ставками действуют на уровне главных фраз.

Какие конкретно преимущества у для того чтобы подхода?

Во-первых, укрупнение статистики, в частности многократный рост количества главных фраз, у которых имеется статистика по конверсиям. Ниже приведена диаграмма, которая наглядно показывает на какое количество и за счет чего добавились главные фразы с конверсиями у Hoff.

Рисунок 5 – Визуализация степени повышения главных фраз с конверсиями

Со своей стороны, рост количества главных фраз со статистикой, разрешает качественнее проводить оптимизацию бюджета, и понижает риск «переоптимизации», в то время, когда падают трафик вместе с продажами. У интернет-гипермаркета Hoff это следующим образом оказало влияние на главные показатели:

  1. Понижение рекламного бюджета на 36%;
  2. Увеличение конверсии в продажи на 24%;

Рисунок 6 – Рост конверсии благодаря триггерной оптимизации контекстной рекламы

Случайные статьи:

Методы повышения коэффициента конверсии в Google AdWords. Кейс компании \


Подборка похожих статей:

riasevastopol

More Posts