Как оптимизировать автостратегии в Директе так, чтобы целевых обращений стало в 4 раза больше — кейс

В июле 2022 года мы начали работу с одним из крупнейших застройщиков Санкт-Петербурга и Ленинградской области. Объектом продвижения стал ЖК комфорт-класса (стоимость квартир в ЖК — от 4 до 12 млн рублей).

Нашей задачей было увеличить объем целевых обращений в отдел продаж в 4 раза при заданном CPL.

Целевые обращения определяли так:

• продолжительность разговора потенциального клиента с менеджером отдела продаж — более 40 секунд;

• в ходе звонка выявлены интерес клиента к покупке недвижимости и подходящие условия сделки;

• заявка передана в отдел продаж;

• пользователь не обращался к застройщику за последние 90 дней.

Основными каналами, которые приносили целевые обращения, были кампании в Яндекс Директе. Поэтому начать оптимизацию решили именно с них.

Как действовали:

• Создали отдельную посадочную страницу для чистоты эксперимента

• Настроили макро- и микроцели и выбрали аудиторию

• Сегментировали кампании и запустились

• Оптимизировали и масштабировали кампании

Отдельная посадочная страница для чистоты эксперимента

Изначально ЖК был представлен только на сайте застройщика. Однако там можно было найти информацию и по другим объектам, а также общую информацию о компании в целом. По данным систем аналитики, часть потенциальных клиентов, переходя на этот сайт с рекламного объявления, переключалась на другие страницы и в итоге не конвертировалась в заявку.

В рамках тестовых кампаний для чистоты эксперимента была разработана отдельная посадочная страница для ЖК с фокусом на одно целевое действие — отправка контактных данных. Это был одностраничный сайт с главными УТП, описанием ЖК и формой для отправки заявки.

Отдельно для кампаний в РСЯ создали посадочную страницу с квизом, чтобы вовлечь в коммуникацию и более холодную аудиторию. Квиз состоял из восьми вопросов. Вопросы, например, были о том, какой тип квартиры рассматривает пользователь, ЖК с каким уровнем готовности ему интересен, какой тип оплаты удобен.

Настройка макро- и микроцелей и выбор аудитории

Чтобы получить больше данных и быть более гибкими при оптимизации в Яндекс Метрике, мы создали цели на выполнение макро- и микроконверсий, таких как «скачать буклет», «оставить заявку», «отправить заявку», «звонок с определенным тегом», «увидел страницу „Спасибо“» и другие.

Отдельно для посадочной страницы с квизом мы задали цели на ответ по каждому вопросу. Это помогло определить конкретные вопросы, на которых пользователи уходят, и оптимизировать квиз.

В начале работы мы запустили кампании на ручном управлении и автостратегиях. Чтобы получать наиболее конверсионный трафик в кампаниях на ручном управлении, установили ключевые цели от микро- к макроцелям с явной иерархией по их ценности.

В автостратегиях мы оптимизировались сразу на макроконверсии, чтобы получить больше данных в рамках кампаний («Отправка формы» в случае посадочной страницы и «Увидел страницу „Спасибо“» в случае квизом).

Из Calltouch выгрузили аудитории тех, кто уже обращался в отдел продаж из любых каналов и посадочных страниц по любому ЖК за последние 2 месяца. Это было нужно для того, чтобы в конце первого месяца не потерять тех, кто повторно обращается спустя 90 и более дней. На эту аудиторию мы выставили корректировку −100%.

Пользователи, которые обращались более одного раза за последние 90 дней, в нашем случае не были целевыми. Для динамической минусации аудитории мы поставили понижающую корректировку на тех, кто совершил конверсию по цели «Звонок» или оставил заявку (за последние 90 дней).

Для большего охвата потенциальных клиентов была собрана аудитория Look-alike на тех, кто совершал целевой звонок (по данным из CRM).

Сегментирование кампаний и стартовый запуск

Далее по плану следовал перезапуск рекламы на Поиске и в РСЯ с сегментацией на кампании по таким настройкам:

• ключи по бренду;

• запросы, отражающие ценовой сегмент жилья (например, «квартира от 4 млн»);

• запросы, связанные с классом/уровнем жилья («квартира комфорт-класса», «недорогое жилье»);

• таргетинг по геолокации: район в области с локацией ЖК;

• ключевые фразы, отражающие способ покупки жилья (например, «купить квартиру в ипотеку»);

• запросы по ближайшим конкурентам;

• LAL на целевых пользователей (Поиск, РСЯ);

• ретаргетинг в РСЯ на пользователей, совершивших ряд микроконверсий, но не совершивших макроконверсий.

На старте мы запустили брендовые кампании на Поиске на ручных стратегиях, реклама вела пользователей на сайт застройщика. Ручная стратегия позволяла нам выставить максимально высокие ставки для выкупа первой позиции в рекламной выдаче, соответственно — показывать объемные объявления со всеми описаниями быстрых ссылок и быть выше конкурентов. Это важно, так как брендовые запросы приводят пользователей с высокой вероятностью конверсии. Алгоритмы автоматических стратегий не дают гарантии получения первого места.

Также мы запустили единую кампанию в РСЯ с таргетингом по интересам, высокочастотным брендовым ключам и автотаргетингом в отдельных группах. Настроили стратегию «Максимум конверсий» с ограничением по цене конверсии. Было важно дать системе как можно больше данных в рамках одной кампании, чтобы алгоритмы быстрее обучились. Для этого выставили стоимость конверсии, которая была завышена в 2 раза.

Дополнительно мы запустили три одинаковые кампании в Мастере кампаний с оплатой за конверсию и выставили разную цену конверсии по отношению к плановому значению: выше, равной и ниже средней стоимости.

Для удобства мы их назвали L (large), M (middle) и S (small). В качестве посадочной страницы выбрали вариант с квизом, так как по нашему опыту, большую часть трафика кампании в Мастере получают из РСЯ.

Таким образом, пользователям, которые с большей вероятностью совершат конверсии, показывали объявление L-кампании, а тем, кто с самой низкой вероятностью оставит заявку, — объявление S-кампании.

По итогу тестового запуска больше всего конверсий мы получили в рамках кампаний по бренду. Далее по объему заявок следует единая кампания в РСЯ на автостратегии.

Кроме того, Мастер кампаний с низким tCPL (МК-S) принес больше лидов, чем с высоким и средним tCPL. Но итоговая стоимость конверсии была выше плановой более чем в 2 раза.

Оптимизация и масштабирование кампаний

Мы видели быстрый прирост лидов из тестовых кампаний на автостратегиях и решили масштабировать результат. Единая кампания показала, что нужно давать алгоритмам как можно больше данных для качественного обучения.

Поэтому мы провели корректировки:

• Объединили 3 разные кампании (по ценовому сегменту, классу и типу оплаты) в одну. Так стратегии начали получать больше данных для обучения на поиск высококонверсионной аудитории.

• Создали внутри каждой кампании качественную группировку по главным свойствам. Каждая была основана не на семантической составляющей, а на смысловой. Например, фразы из разных групп — «недорогие квартиры» и «дешевое жилье» — объединили в одну.

• Добавили в семантику более широкие запросы. Например, в кампании по гео указали ключи с привязкой к ближайшему метро, хотя сам ЖК находится в области.

• Создали релевантные объявления и удалили заголовки, которые дублировались, чтобы объявления не конкурировали между собой при автотаргетинге.

• Организовали перевод кампаний (всех, кроме брендовой) на оплату за конверсию с высокой стартовой стоимостью за каждую и недельным бюджетом минимум tCPL×20 (в 20 раз больше назначенной цены в настройках кампании).

Кампании по Look-alike и ретаргетингу отключили, поскольку в первый месяц они не принесли результатов.

После проделанной работы разделение по кампаниям в структуре аккаунта стало выглядеть так:

• брендовые запросы (Поиск, РСЯ — ручная стратегия);

• интересы + ВЧ + автотаргетинг (CPA-стратегия);

• РК с расширенным списком конкурентов (Поиск, РСЯ — CPA-стратегия);

• запросы с ценами и способами оплаты: цены от/до + комфорт, недорого и т. д. + ипотека, рассрочка и т. д. (Поиск, РСЯ — CPA-стратегия);

• гео: запросы по ближайшему метро, району, улицам + локация местонахождения ЖК (Поиск, РСЯ — CPA-стратегия);

• кампании Мастера кампаний по общим запросам: L, M, S (CPA-стратегия).

Брендовые кампании мы перенесли в отдельный аккаунт для более равномерного расхода дневного бюджета, так как тесты показали, что кампании на автостратегиях быстро расходовали дневной бюджет и показы прекращались.

Также мы выполнили правки на посадочных страницах: убрали цены, чтобы мотивировать пользователей на совершение звонка или отправку формы для уточнения стоимости квартир в ЖК. При помощи настроенных целей в Яндекс Метрике по этапам прохождения квиза выявили и убрали лишние вопросы — тем самым улучшили доходимость до финальной формы отправки контактов.

В результате этих корректировок удалось увеличить количество обращений в 4 раза, снизив стоимость целевого обращения в 3,5 раза.

В августе после запуска, в течение второго месяца ведения РК, мы снижали tCPA в каждой кампании (примерно на 500 рублей спустя 5–6 конверсий). Делали это аккуратно и постепенно, чтобы не сбить алгоритмы резкими изменениями.

По итогам третьего месяца, сентября, придерживаясь тактики описанной выше, добились того, что стоимость CPL продолжала снижаться без потери объема лидов.

Немаловажно, что при уменьшении tCPA в МК-S в 1,5 раза (относительно МК-L) данная РК продолжила приносить существенный объем лидов по более низкой цене.

Выводы

За счет оптимизации кампаний в Директе нам удалось увеличить количество заявок в 4 раза, снизив при этом ключевую метрику, CPL, на 300% и расход бюджета в целом.

В результате работы мы пришли к таким выводам:

1. Для перехода на автоматические стратегии не нужно дробить кампании — например, по ценовому сегменту, классу жилья и типу оплат. Лучше аккумулировать близкие смыслы в рамках одной кампании. Это особенно логично, если посылы и заголовки объявлений одинаковы. Группировка дает удобство ведения кампаний.

2. На старте цена за заявку может быть в несколько раз выше плановой, но при правильной настройке и оптимизации алгоритмы обучатся, и она снизится.

3. Необходимо постоянно искать точки роста и проводить комплексную работу. Например, дорабатывать посадочные страницы, повышая их конверсионность, генерировать новые гипотезы и проверять.