Контекстная реклама для iPort, официального реселлера Apple

Сильная сторона премиум-реселлера — офлайновое обслуживание: консультации, сервис, удовольствие от шоппинга. Поэтому рекламная кампания во многом ориентирована на то, чтобы отправить посетителя в офлайн-магазин. В итоговую аналитику по продажам такие лиды в нашем случае не попадали. Это сильно размывает статистику по ROI и снижает видимую эффективность кампании.

Кроме того, iPort агрессивно продвигает программу беспроцентной рассрочки. Процесс покупки на сайте в рассрочку идет по отдельному сценарию (требуется подтверждение банка), поэтому в отчетах электронной торговли такие покупатели тоже не отражались.

Мы предложили улучшить систему аналитики, но клиент хотел сравнить нас с предыдущим подрядчиком в одинаковых условиях, поэтому эти доработки оставили на будущее.

Поскольку кампания должна была стать экспериментом в развитии, мы заранее определили единые принципы оценки эффективности для всех инструментов — по аналогии с серийными научными экспериментами, для которых на старте всегда задается единый дизайн.

• Принцип 1: ROI больше 117%
• Принцип 2: оборот плюс/минус на одном уровне

Эксперимент начался с работы над одной из кампаний для семейства Mac — ноутбуки и моноблоки iMac. Поскольку времени было мало, мы отложили автоматизацию на потом и занялись улучшениям в ручном режиме.

Мы собрали новое семантическое ядро в автоматическом режиме, затем вручную отфильтровали его и разбили рекламный аккаунт на 9 направлений:

В ретаргетинге мы выделили несколько аудиторий (до этого было просто «кто был на сайте»), в том числе:

• Люди, которые посещали категории MacBook/iMac
• Посещали конкретные карточки товаров
• Положилили товар в корзину, но не купили

Затем мы переписали тексты объявлений под каждое направление — около 300 уникальных текстов объявлений. Настройка заняла неделю, тестовая кампания длилась месяц.

Расширяя кампанию по всему ассортименту, мы снова начали с пересмотра семантического ядра. Обычно для электроники упор делается на объявления по конкретным моделям («apple macbook air», «macbook pro»).

Не отказываясь от этой тактики, мы дополнили ядро большим количеством запросов, которые пересекаются с фильтрацией на сайте — цвет, объем встроенной памяти и пр. («apple macbook air core i5», «macbook pro 15 256gb», «iphone 6 16gb серебристый»). Это дало дополнительно около 1000 высоко релевантных объявлений.

Поскольку на этом этапе у нас уже было время на подробную работу, мы внедрили и автоматизацию кампании. Мы постоянно изучаем разные внешние решения для автоматизации контекста и время от времени пишем свои. Перетряхнув рынок еще раз, мы пришли к выводу, что для iPort-а наилучшим решением будет K50.

Затем мы настроили стандартный товарный фид, добавив к нему расширенную категорийную выгрузку. В категорийный фид попали не только страницы категорий, но и все результаты фильтрации по ним (развитие темы с запросами типа «iphone 6 16gb серебристый»). Мы улучшили ручную кампанию, добавив к статичным текстам ежедневные обновления по наличию и стоимости.

Настройка Bitrix24 не позволяла выгрузить такой фид (физически не было страниц фильтрации в структуре сайта). Нам пришлось написать свой парсер, который обходит сайт раз в сутки.

Хороший специалист всегда сделает объявление лучше, чем робот по шаблону. Другое дело, что времени специалиста на все не хватит, поэтому нужно комбинировать ручную работу и автоматизацию в разумных пропорциях.

Настроив товарные и категорийные фиды, мы отшлифовали и ручную часть — создали 10 отдельных кампаний для РСЯ, КМС (общие, брендовые, ремаркетинговые, категорийные), кампании на поиске для самых общих запросов («магазин техники apple», «интернет-магазин apple») и для брендированных запросов («купить iphone», «продажа macbook в спб»).

В следующей итерации мы добавили графические и смарт-баннеры и проработали списки ремаркетинга/ретаргетинга. Баннеры мы таргетировали по 2 принципам:

• Ремаркетинговый — на пользователей, которые смотрели товары на сайте
• Поведенческий — на пользователей, которые выбирали похожие товары в других интернет-магазинах

Отдельно настроили баннеры с динамическим ремаркетингом, разбив его на группы:

• Все посетители
• Посетители без транзакции
• Брошенные корзины
• Просмотр определенных категорий/карточек товаров
• Посетители с транзакцией

• 5 товарных категорий, внутри каждой 7 отдельных кампаний
• 10 общих рекламных кампаний (РК по общим запросам, РСЯ, ретаргетинги и т.п.)

В таком виде кампания работала около месяца. ROI постепенно повышался, а мы собрали массив данных о работе объявлений и поведении пользователей.

Накопленные данные мы использовали для дальнейшей оптимизации кампании.

Во-первых, клиент доверил нам доработку системы аналитики на сайте. Мы начали учитывать покупки в один клик и покупки в рассрочку, присвоив этим действиям рублевую ценность, так как они не участвуют в отчетах электронной торговли.

Во-вторых, разобравшись в специфике товаров клиента, мы смогли подключить автоматизированное управление ставками. Для кампании в Директе мы выбрали решение K50 Статистика+Правила, для Adwords — комбинацию из К50 Статистики, встроенного оптимизатора конверсий и автоматических правил Adwords.

Точно так же нельзя сразу автоматизировать стратегию назначения ставок — нужно сначала понять, за какие запросы бороться. Данные предыдущих этапов позволили нам добавить в стратегию управления ставками несколько эффективных ходов, к примеру:

• Мы увеличили долю показов объявлений в спецразмещении, где ROI был больше 300%
• Мы повысили ставки по тем объявлениям, которые участвуют в ассоциированных конверсиях (если смотреть только на последний клик, такие объявления выглядят бесполезными, но на самом деле потенциально вполне эффективны)
• Постепенно снижаем ставки (с шагом 10% в неделю) для объявлений, которые показывают низкий ROI и не участвуют в ассоциированных конверсиях

• Хорошо сработали таргетинги по устройству — на тех, кто ищет продукцию Apple с iPhone и т.п. Это простой, но действенный способ найти лояльных фанатов бренда. Механизм был такой:
  • По данным Метрики и Analytcis выделили аудитории, которые приходили на сайт с устройств Apple: iPhone, MacBook и т.д. (идея нехитрая, но нужно было ее проверить). Тест показал, что такие пользователи действительно совершают больше всего конверсий.
  • Подняли ставки для них на поиске и в РСЯ/КМС. Убедившись, что подход работает, создали на основе этого ядра похожие аудитории.
• Мы сделали несколько аудиторных сегментов на основе списка рассылки. Например, выделили в отдельный сегмент те email-адреса, чьи владельцы давно не открывали рассылку. Для таких «остывающих» клиентов подняли ставки в сетях РСЯ и КМС, чтобы заново их активизировать

По итогу трех месяцев работы кампания показала такие результаты по ROI при сохранении или увеличении доходности:

Еще один результат кампаний, приятный для нас как для подрядчиков — клиент передал нам на развитие три сайта и две кампании в контекстной рекламе для других тематик.