Ретаргетинг в Директе по вероятности покупки: как настроить ставки для разных сегментов аудитории

В базовой настройке ретаргетинг в Яндекс Директе охватывает всех, кто ушел с сайта без заказа. Например, тех, кто:

• положил товар в корзину и закрыл вкладку;

• зашел на главную и через пять секунд закрыл страницу.

Без корректировок ставка в ретаргетинге для всех посетителей одна, и это максимальная цена клика, которую рекламодатель готов заплатить в аукционе. Вероятность заказа у посетителей при этом разная, поэтому часть бюджета уходит на тех, кого объявление не замотивирует купить.

Если оценить вероятность покупки для каждого посетителя, то тратить рекламный бюджет можно эффективнее. Для этого аудиторию делят на сегменты по готовности купить и задают для каждого свою корректировку ставки. Так рекламу чаще видят заинтересованные в покупке пользователи.

В статье расскажем, как оценивать вероятность покупки с помощью ML-ретаргетинга и использовать эти данные в рекламных кампаниях:

• Когда обычной настройки ретаргетинга в Директе не хватает

• Как работает сегментация аудитории по вероятности покупки

• Как за 4 шага настроить ставки в Директе с помощью ML-модели

• Корректировки ставок в Яндекс Директе: как сочетать ML-коэффициенты с остальными настройками

• Какие результаты дает ML-ретаргетинг

• Что важно учесть до запуска ML-ретаргетинга

• Итоги: когда нужен ML-ретаргетинг, а когда хватит обычного

Когда обычной настройки ретаргетинга в Директе не хватает

В ретаргетинге по действиям:

1. Аудиторию собирают из сегментов Метрики: заходил на сайт, смотрел товар, положил в корзину, был N дней назад.

2. Добавляют корректировки ставок по полу, возрасту и устройству.

3. Регулярно сверяют долю рекламных расходов (ДРР) с целевым значением.

Если она выше цели, ставку снижают, если ниже — повышают.

У ретаргетинга по действиям, полу, возрасту и устройству — три слабых места.

Например, интернет-магазин бытовой техники ставит целевую ДРР 15%, а покупатели оформляют заказ в среднем через неделю после первого визита. Директолог смотрит итоги недели дважды:

• в понедельник после ее окончания;

• через неделю, когда по тем же кликам приходят остальные заказы.

В первый понедельник ДРР — выше цели, поэтому ставки снижают. Но по тем же кликам ДРР оказывается на целевом уровне. Ставки снижены зря, и в итоге часть готовых купить посетителей реже видит рекламу.

Как работает сегментация аудитории по вероятности покупки

Общий принцип оценки вероятности покупки состоит из четырех шагов:

1. Сбор данных:

   1. фиксируют поведение посетителей на сайте (просмотры страниц и товаров, добавления в корзину и избранное);

   2. добавляют данные из базы клиентов, например, историю заказов.

2. Оценка вероятности покупки. Алгоритм:

   1. находит сочетания действий, после которых покупают чаще;

   2. присваивает каждому посетителю оценку готовности купить.

   Оценку пересчитывают по новым действиям от раза в сутки до режима реального времени — в зависимости от возможностей платформы и задач бизнеса.

3. Деление посетителей на сегменты. Пользователей объединяют в группы по вероятности покупки: от тех, кто вряд ли купит, до тех, кто готов оформить заказ. Состав групп обновляется автоматически вместе с оценкой. Количество выбирают под проект, например, пять или десять.

4. Передача сегментов в рекламный кабинет — Яндекс Метрику или Яндекс Аудитории и дальше в Директ, где работают как условия ретаргетинга. Для каждой степени готовности задают свою корректировку ставки вместо единой на весь сегмент.

Модель для ML-ретаргетинга строят внутри компании, если в команде есть специалисты по машинному обучению, или берут готовую у вендора. Как это работает:

1. Модель, например, Mindbox анализирует 200+ признаков поведения пользователя: добавление в избранное, указание адреса доставки и наличие оформленных заказов, — и ежедневно пересчитывает оценку вероятности покупки.

2. Директолог получает сегменты в Метрике и рекомендованный коэффициент ставки для каждого, а затем решает, применять коэффициенты или нет.

Для подключения ML-ретаргетинга на сайт ставят трекер и дают доступ к Яндекс Метрике, куда модель передает сегменты

Как за 4 шага настроить ставки в Директе с помощью ML-модели

Разберем настройку ставок на примере ML-ретаргетинга Mindbox.

Шаг 1: подключить источники и разметку

На сайт устанавливают трекер, и он передает действия посетителей. Историю заказов берут, например, из CRM-системы или CDP. Затем размечают цели, главная из которых — оформление заказа, и открывают доступ к Яндекс Метрике, куда пойдут сегменты.

Шаг 2: проверить группы и гипотезы о коэффициентах с помощью АА-теста

Тест показывает, сопоставимы ли группы для сравнения: если две одинаковые группы при одинаковой рекламе дают разные результаты, разницу в А/Б-тесте нельзя будет объяснить корректировками ставок. Кроме того, он дает данные для подбора коэффициентов.

Как это работает:

1. Посетителей сайта случайным образом делят на две группы и показывают им одинаковую рекламу на одинаковых условиях. Метрики групп не должны различаться: если разница есть, эти сегменты пересобирают.

2. Пока реклама не меняется, тестовую группу распределяют по ML-сегментам и по каждому считают конверсию в заказ и стоимость заказа (CPO).

Эти данные дают гипотезы о коэффициентах: где покупают чаще, ставку повышают, где реже — понижают. Так, если у сегмента конверсия ниже, а CPO выше среднего, ставку понижают или сегмент исключают из показов, например, корректировкой −100%.

Универсальных коэффициентов нет — размер корректировки для каждой группы зависит:

• от ниши;

• от среднего чека;

• от конкуренции в аукционе;

• от объема данных;

• от стратегии компании и модели оплаты.

Пример трех групп по вероятности покупки.

Шаг 3: проверить коэффициенты в А/Б-тесте

В контрольной группе корректировок по ML-сегментам нет, и показы распределяет аукцион. В тестовой группе действуют коэффициенты, полученные по итогам AA-теста.

В тесте проверяют гипотезу: перераспределение показов в пользу сегментов с высокой вероятностью покупки снижает затраты на заказ и повышает конверсию. Группы сравнивают:

• по ДРР;

• по CPO;

• по конверсии в заказ;

• по выручке с клика.

Шаг 4: запустить на весь трафик

Если по итогам А/Б-теста:

• гипотеза подтвердилась — коэффициенты распространяют на весь трафик;

• в отдельных сегментах результат оказался хуже, чем ожидали — коэффициенты для них корректируют и повторяют А/Б-тест.

Корректировки ставок в Яндекс Директе: как сочетать ML-коэффициенты с остальными настройками

ML-сегменты работают в Директе как обычные условия ретаргетинга. Их добавляют из Метрики и задают для каждого сегмента корректировку на уровне группы объявлений или кампании. При работе вместе с остальными настройками стоит учитывать четыре особенности:

1. Считать итоговую ставку с учетом других корректировок. Корректировки по полу, возрасту и устройству продолжают работать, а коэффициенты разных типов перемножаются.

   Например, +10% по ML-сегменту и +20% на мобильных устройствах дают коэффициент 1,32, то есть +32% к ставке.

2. Проверять пересечения с другими условиями ретаргетинга. Если посетитель входит сразу в несколько условий с корректировками, Директ применяет повышающий коэффициент. Поэтому понижающий коэффициент для ML-сегмента с низкой вероятностью покупки не сработает, если посетитель входит и в другое условие с повышающим, например, в сегмент постоянных покупателей.

   До запуска проверьте корректировки по целевой аудитории в Директе в блоке «Корректировки групп объявлений» и в дополнительных настройках кампании. Так получится найти пересечения с ML-сегментами.

3. Задавать ML-коэффициенты на уровне группы объявлений. Если у группы есть своя корректировка по аудитории, корректировки кампании по аудитории в ней отключаются, и ML-коэффициенты тоже. Чтобы этого не случилось, нужно ML-коэффициенты добавить в каждую такую группу:

   1. в блоке «Корректировки» выбрать тип «Целевая аудитория»;

   2. для каждого ML-сегмента — условие, задать коэффициент и нажать «Новая корректировка».

4. Сверять ML-коэффициенты с параметрами стратегии Директа. ML-коэффициент работает как любая корректировка Директа, поэтому от стратегии зависит, к чему он применяется:

   1. в стратегии «Максимум кликов» он меняет ставку, а если указана максимальная ставка, коэффициент меняет и ее;

   2. в стратегии «Максимум конверсий» он меняет целевую цену конверсии, если задано ограничение по цене, и целевую ДРР, если задано ограничение по доле рекламных расходов.

   Например, коэффициент +20% при целевой цене конверсии 200 рублей допускает для ML-сегмента цену конверсии 240 рублей. До запуска в параметрах стратегии кампании проверяют, какое ограничение задано.

Действие коэффициентов можно проверить по статистике. Для этого в ссылку объявления добавляют метку utm_content со значением {coef_goal_context_id}. Директ подставит в нее идентификатор корректировки. Готового отчета по такой метке в Метрике нет: данные выгружают и собирают в собственный отчет, где идентификаторы сопоставляют с коэффициентами в Директе и считают визиты и достижения цели. Другого способа корректно связать эти данные нет.

Какие результаты дает ML-ретаргетинг — кейсы Befree, «Читай-город» и «АВТОРУСЬ»

Первый плюс — можно платить меньше за заказ. Бюджет уходит в сегменты с высокой вероятностью покупки, а на сегменты с низкой тратят меньше или не тратят вовсе.

Второй плюс — можно получать больше выручки с клика при низкой ДРР. Ставки повышают для сегментов, которые покупают чаще, а ДРР остается в целевых границах.

Третий плюс — можно не тратить бюджет на тех, кому реклама не нужна. Данные из CRM позволяют исключить из показов тех, кто покупает без рекламы.

Что важно учесть до запуска ML-ретаргетинга

Чтобы модель обучалась и предлагала точные настройки, нужно несколько условий:

Условие № 1: достаточный объем трафика и конверсий. Тестовую группу делят на несколько сегментов, и в каждом должно набраться столько заказов, чтобы различия между сегментами не терялись в случайных колебаниях.

Например, «Читай-город» отбирал для теста кампании по двум критериям:

• ДРР около 16%, где видели потенциал для оптимизации;

• достаточное число конверсий в заказ для обучения модели и значимого результата.

Условие № 2: полные данные о событиях и покупках. Модель должна видеть, чем заканчивается каждое действие посетителя, в том числе когда заказ завершается вне сайта. Для этого:

1. Сайт интернет-магазина передает ecommerce-события: просмотры товаров, добавления в корзину и покупки.

2. Заказы, которые завершаются вне сайта, например, покупкой в офлайн-магазине, добавляют из CRM. Если клиентскую базу ведут в Mindbox, эти данные уже лежат на платформе.

3. К этому прикладывают номер заказа, сумму и идентификатор посетителя из Метрики, сохраненный при оформлении заказа на сайте.

   Если данные о покупках приходят не полностью, модель не видит, чем заканчивались действия посетителей, и закономерности получаются искаженными.

Условие № 3: стабильность. Кампании не перестраивают до запуска и на время АА- и А/Б-тестов: изменения настроек затрудняют анализ результатов.

Итоги: когда нужен ML-ретаргетинг, а когда хватит обычного

Ретаргетинг по действиям с корректировками по полу, возрасту и устройству остается рабочей схемой, когда данных для обучения модели мало или ДРР уже укладывается в цель. Если нужно платить меньше за заказ, получать больше выручки с клика или не тратить бюджет на тех, кому реклама не нужна, такой настройки недостаточно.

ML-ретаргетинг помогает оценить мотивацию каждого покупателя и настроить рекламу так, чтобы она чаще окупалась. При этом ML-сегменты работают вместе с остальными настройками Директа, поэтому их настраивают с учетом пересечений сегментов и параметров стратегии.

Напоследок — материалы от редакции, которые могут быть вам полезны:

• Ретаргетинг без раздражения: как вернуть клиентов и не надоесть им

• Как оптимизировать рекламу в ритейле — кейсы и инсайты с большого эфира Mindbox

• Как продвигать фарм-бренды с помощью данных — разбираем программатик и DMP-сегментацию