Представляя сервис по автоматизации управления контекстной и таргетированной рекламой, мы много общаемся с клиентами из разных областей и консультируем их по поводу того, какие стратегии управления наиболее эффективны. В случае с интернет-магазинами консультации превращаются в полноценный диалог, так как специалисты ИМ, как правило, прекрасно знают, чего они хотят добиться, и неплохо разбираются в предмете.

И тем не менее, что-то становится и для них новым знанием...

Это - первая статья из цикла, посвященного управлению ставками контекстной рекламы для интернет-магазинов. В этот цикл мы постарались собрать весь опыт общения с магазинами и совместного тестирования различных стратегий управления.

Специфика интернет-магазинов

По контекстной кампании, связанной с аналитической системой Google Analytics и активным модулем электронной коммерции, можно подсчитать более 100 различных метрик. А если подключать данные покупателей из CRM, то это число вообще не ограничено.

Наверное, уже ни для кого не секрет, что гнать в интернет-магазин как можно более дешевый трафик – абсолютно бессмысленная затея. Так может поступать только недобросовестный подрядчик, ибо в большинстве случаев отдача от такого трафика будет нулевая.

С другой стороны, спецификой интернет-торговли является широкий ассортимент. Своим ассортиментом обычно гордятся даже очень небольшие магазинчики, а гиганты рынка предлагают миллионы наименований.

Именно за счет ассортимента магазины могут набирать очень большой пул низкочастотных и дешевых запросов в интернете, которые в итоге могут очень неплохо сработать, но выстрелить при этом может 1 запрос из 100.

Исходя из этого, можно выделить две особенные проблемы в рекламе электронной коммерции:

Огромное количество метрик, большинство из которых являются осмысленными и полезными

и...

Гигантское количество низкочастотных запросов, обусловленное большим количеством товаров.

В первой статье мы поговорим прежде всего про первую проблему и выбор правильных KPI. Проблемы работы с большим объемом ключевых слов обсудим в следующих статьях.

Выбор метрики для оптимизации

Для интрнет-магазина можно насчитать нескончаемое количество метрик, но вот пытаться оптимизировать все и сразу – крайне опасное дело. Грамотные управленцы выбирают один основной показатель и несколько вспомогательных, которые они отслеживают и улучшают.

Скорее всего в вашем бизнесе уже есть ключевые метрики, которые остается только переложить на рекламные кампании.

Вот несколько метрик, которые используются наиболее часто:

CPO (Cost per Order, стоимость [привлечения] заказа) – базовая метрика, хороша для развивающегося магазина, который стремится набрать базу покупателей и увеличить свою долю рынке. CR (Conversion Rate, показатель конверсии) – в случае интернет-магазина рассчитывается по количеству заказов, т.е. отношение заказов к кликам. Прекрасная метрика для вспомогательной оптимизации. AOV (Average Order Value, средний чек) – полезная метрика для набора не только количества заказов, но и оборота. В оптимизации исключительно контекстных кампаний используется редко, обычно в совокупности с оптимизациями на сайте. ROI (Return of Investments, окупаемость инвестиций) и CRR (Cost Revenue Ration, отношение расходов к доходам, иногда встречается как ДРР) – метрики-близнецы, обе рассчитываются на основе доходов (Revenue) и расходов (Cost). Наиболее интересные показатели для среднесрочной оптимизации. CLV (Customer Lifetime Value, пожизненная ценность клиента, иногда так же встречается в аббревиатуре LTV или CLTV) – по сути сумма доходов с клиента после его первого привлечения. Есть много нюансов подсчета и прогнозирования, в чистом виде применяется редко. Нужна для более грамотного учета повторных покупок. CAC (Customer Acquisition Cost, стоимость привлечения клиента) – чем-то похожа на CPO, но здесь не учитываются покупатели, которые уже что-то покупали в магазине ранее, поэтому имеет ту же цель, что CLV.

Сегодня мы поговорим про самую очевидную метрику – CPO. Для подсчета AOV и CRR необходимы данные хотя бы их модуля электронной коммерции Google Analytics. В случае CLV или CAC без использования данных CRM не обойтись.

Стратегия №1. Оптимизация по CPO

В оптимизации по CPO обычно нет ничего сложного, так как по сути это та же оптимизация, что и по CPA, которую используют большинство рекламодателей при повышении эффективности своей рекламы.

При оптимизации по CPO используется показатель CPOцелевой. Это целевое значение может быть выбрано как на основе ваших бизнес-подсчетов, так и на основе текущих данных. Например, хорошей практикой является поэтапное снижение CPO на 20%. Т.е. CPOцелевой = CPOтекущий * 0.8. Достигнув этого показателя, вы выбираете новое целевое значение, еще на 20% меньше и т.д. до тех пор, пока его удается снизить.

Стратегия оптимизации заключается в том, что вы берете все слова или объявления, которые дают вам CPO больше, чем CPOцелевой и понижаете по ним ставки.

Обратите внимание и не попадитесь в логическую ловушку. Если слово или объявление дает CPO меньше CPOцелевой, то это еще не повод повышать по нему ставку. В этом случае необходимо посмотреть на другие показатели, такие как CR или средняя позиция показов (в случае контекстной рекламы).

Иначе говоря, нет никакого смысла повышать ставку по ключевому слову, если соответствующее объявление уже стоит в спец. размещении. А если повышать ставку на объявление с плохим CR, то оно очень быстро потеряет нужный CPO и скорее всего будет у вас в постоянном колебании понизить ставку / повысить.

Обратите внимание на несколько нюансов. Во-первых, мы не берем слова с малым количеством кликов, иначе можем преждевременно пессимизировать хорошие слова. Пока нет статистики, шанс можно дать всем и крутить слова, например, в спецразмещении.

Во-вторых, в случае с электронной коммерцией очень важно выбрать два временных периода:

Частота, с которой вы меняете ставки. Чаще всего ставки имеет смысл менять раз в сутки, но на быстрооборачивающихся товарах при тестировании креативов в соцсетях можно увеличить частоту и до часа. А вот на некоторых премиум-товарах или B2B и раз в сутки менять ставки будет часто. Временное окно, за которое вы считаете показатели. Абсолютно аналогичная ситуация. В каких-то сегментах данных мало и принятие решений о покупке очень долго, в других – ситуация меняется часто, данные старше недели уже неактуальны. Но в среднем выбирается окно в один месяц.

Оценка стратегии

Пожалуй, главным и единственным преимуществом стратегии является ее простота. Подсчитать CPO обычно проще всего, логика изменения ставок прозрачна, что дальше некуда. Самое интересное, что по статистике эта стратегия используется чаще остальных и показывает иногда очень неплохую эффективность.

Но какие же у нее есть недостатки?

Стратегия никак не учитывает прибыль от рекламы. Она может снизить общую стоимость заказов, но при этом оптимизированная таким образом реклама может привлекать только мелкие и низкомаржинальные заказы. Не учитывается количество заказов. В целом такая оптимизация всегда может привести к снижению числа целевых действий (при одновременном снижении их стоимости), поправку на это тоже стоит закладывать. Стратегия достаточно инертна. Для выхода на оптимальную ставку часто требуется несколько итераций. Чем более плавное изменение ставок вы закладываете, тем больше итераций нужно для нахождения оптимума. Стратегия будет работать только с теми словами или объявлениями, по которым есть значимая статистика.

На этом, я думаю, можно ограничиться, хотя список можно продолжать долго. Тем не менее в качестве первого шага в оптимизации эта стратегия очень неплоха.

В заключение

В следующих статьях цикла мы поговорим о том, как можно исправить недостатки первой стратегии, какие еще подходы используются в автоматической оптимизации и как их сочетать между собой. В том числе затронем темы:

Как избавиться от инертности и учитывать прогнозируемое значение? Распишем математические методы подсчета оптимальных ставок. Как от CPO перейти к CLV и можно ли учитывать сразу несколько метрик? Построим матрицу управления, посчитаем ее размерность. Как работать с длинным хвостом и большим ассортиментом? Обсудим кластеризацию и товарные группы. А если данных все равно мало? Изучим подходы с учетом ассоциированных конверсий, а также с использованием базовых метрик в прогнозировании.

Об авторе: Антон Швец, директор по продукту Marylin.