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

1. Вводная задача от заказчика, проблематика, цели

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.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

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%.

Наименование аудитории => Диапазон значений вероятности покупки

• high => 64–100%
• slightly_high => 41–64%
• medium => 24–41%
• slightly_low => 10–24%
• low => 1–10%
• extremely_low => 0–1%

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.

3. Результаты сотрудничества

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

Иван Барченков

генеральный директор, MediaNation

Мы в MediaNation стремимся разрабатывать технологии, которые позволяют клиентам повышать свою эффективность. Данный кейс иллюстрирует возможности, которые открываются перед бизнесом после внедрения подобного рода решений. Надеюсь, что в ближайшее время сможем дать рынку больше крутых инструментов.

Команда рекламного агентства

Profitator, (Kokoc Group)

Интеграция StreamMyData с “Яндекс Директом” открыла для нас новые возможности оптимизации рекламных кампаний. Помимо использования стандартных корректировок по полу, возрасту и устройству мы начали работать с поведенческими предиктами. Получив сегментированную по степени вероятности покупки аудиторию, мы внедрили понижающие корректировки на “холодных” пользователей. Это позволило эффективно распределить сэкономленный бюджет и увеличить конверсионность трафика в тестовых кампаниях. Автоматическое обновление сегментов и более высокая чувствительность к поведению пользователей способствовали оперативному приросту эффективности. Планируем масштабировать подход и тестировать новые прогнозные модели в сочетании с разными инструментами “Директа”.

Никита Жегалин

Head of Digital Marketing, divan.ru

Итог говорит сам за себя: благодаря точечным предиктивным сегментам и умному управлению ставками за полтора месяца мы снизили неэффективные расходы в тестируемых рекламных кампаниях контекстной рекламы на 12%, а также получили прирост конверсионных действий до +75% в сравнении с автостратегиями “Яндекс Директ”, перераспределив бюджет в пользу аудиторий с высокой вероятностью покупки.

Кейс наглядно иллюстрирует текущую стратегию диджитал-маркетинга в divan.ru: быстрый Test&Learn и фокус на внедрение потенциально результативных ИИ-инструментов для маркетинговых и продуктовых задач, где мы масштабируем продажи, не увеличивая ДРР и сохраняя рентабельность в оптимальных для бизнеса значениях.