Обычный ретаргетинг работает довольно прямолинейно. Человек был на сайте, значит его можно догнать рекламой. В одной аудитории при этом оказываются совсем разные посетители.
Один случайно открыл карточку товара и ушёл через пять секунд. Другой несколько раз возвращался, сравнивал книги, складывал их в корзину и почти решился на заказ. Для стандартного ретаргетинга оба выглядят одинаково: были на сайте, покупку не оформили.
«Читай-город» решил разделить такую аудиторию точнее с помощью машинного обучения. Задача звучала здраво: активнее показывать рекламу тем, кто действительно близок к покупке, а на остальных не тратить столько же денег.
Получился ML-ретаргетинг в Яндекс Директе. Правда, одной кнопки с надписью «включить умную рекламу» в Директе нет. Сегменты создавал сторонний сервис Mindbox, а Яндекс Директ уже использовал их в рекламных кампаниях.
Разберёмся, как была устроена эта схема, что дали цифры эксперимента и почему небольшому бизнесу не стоит сразу бросаться строить собственную ML-модель.
Что не так с обычным ретаргетингом
Классическая сегментация обычно строится по простым действиям. Посетил сайт за последние 30 дней, посмотрел товар, добавил в корзину, не купил. Это полезно, но довольно грубо.
Даже аудитория брошенной корзины неоднородна. Кто-то случайно добавил товар и уже забыл о нём. Кто-то сравнивает цены в десяти магазинах. А кто-то вернётся вечером и купит без всякой рекламы. Если назначить всем одинаковую ставку, бюджет распределится поровну между людьми с очень разной вероятностью заказа.
На большом трафике эта разница превращается в деньги. Реклама продолжает выкупать показы тем, кого она почти не способна вернуть, а на действительно горячих пользователей может не хватать ставки.
Как Mindbox искал тех, кто ближе к покупке
Вместо одного признака «был на сайте» модель смотрела на набор действий посетителя и искала сочетания, которые чаще заканчиваются заказом. Чем больше нормальных данных накоплено у магазина, тем точнее можно оценить покупательский потенциал.
Модель могла учитывать историю визитов, просмотренные страницы и товары, возвраты на сайт, добавления в корзину, прошлые покупки и другие поведенческие сигналы. После анализа каждому пользователю присваивалась вероятность покупки.
Дальше посетителей делили на группы. Люди с высокой вероятностью заказа попадали в более горячие сегменты, пользователи с низкой вероятностью оказывались в холодных. Это уже гораздо полезнее, чем одна огромная аудитория «все, кто когда-либо открывал сайт».
Важная деталь: эту работу выполнял сторонний сервис Mindbox. Он собирал и анализировал данные, рассчитывал вероятность покупки и формировал сегменты. Яндекс Директ сам такую модель для «Читай-города» не строил.
Где заканчивался Mindbox и начинался Яндекс Директ
Схема состояла из двух частей. Mindbox отвечал за анализ поведения и оценку готовности купить. Затем подготовленные аудитории передавались в рекламный контур.
В Яндекс Директе для сегментов настраивали разные корректировки ставок. За показ горячему пользователю можно было бороться активнее. Для менее перспективной аудитории ставку снижали, чтобы не выкупать каждый показ по той же цене.
Сам Директ при этом делал привычную работу: участвовал в аукционе и показывал объявления. Но решение о том, к какой группе относится конкретный пользователь, приходило извне.
Это принципиальный момент. Когда в кейсе пишут про ML-ретаргетинг в Директе, легко решить, что достаточно найти скрытую настройку в кабинете. Нет. Нужны данные, модель, передача сегментов и достаточный рекламный объём. В данном случае за эту прослойку отвечал Mindbox.
Как проверяли результат
Чтобы не принять обычные колебания спроса за победу машинного обучения, аудиторию разделили на тестовую и контрольную группы. Контроль продолжал жить по обычной логике ретаргетинга. В тестовой группе ставки менялись с учётом вероятности покупки.
Такой подход показывает инкрементальный эффект. То есть не количество заказов у «горячих» людей вообще, а прибавку, которую дала новая механика по сравнению с обычной рекламой.
В эксперименте получили следующие результаты:
- выручка с одного рекламного клика выросла на 67,3%;
- конверсия в заказ увеличилась на 1,5 процентного пункта;
- доля рекламных расходов снизилась на 1,2 процентного пункта;
- при дальнейшем использовании выручка с клика оставалась выше примерно на 56%.
Самая интересная цифра здесь не рост кликабельности и даже не количество заказов. Выручка с клика показывает, сколько денег в среднем приносит оплаченный переход. Она связывает рекламный трафик с продажами и лучше отвечает на вопрос, стала ли реклама полезнее для бизнеса.
Снижение ДРР тоже важно. Реклама приносила больше выручки относительно расходов. То есть модель не разогнала продажи любой ценой, а помогла точнее распределить тот же бюджет.
Почему ML-ретаргетинг сработал
Модель не пыталась придумать новый спрос. Она перераспределяла внимание внутри уже знакомой аудитории. Вместо одинаковой охоты за всеми посетителями больше денег уходило на тех, чьё поведение было похоже на поведение будущих покупателей.
Для книжного магазина это особенно логично. Человек может долго выбирать, возвращаться к карточкам, собирать корзину и откладывать решение. Простое правило по одному действию видит лишь кусок этой истории. Модель умеет учитывать сразу несколько сигналов и их сочетания.
Но ML не угадывает мысли. Он ищет закономерности в прошлых данных. Если данные кривые, заказов мало или поведение аудитории резко изменилось, красивое слово в названии не спасёт результат.
Почему небольшому бизнесу трудно повторить этот кейс
У «Читай-города» большой сайт, огромный ассортимент, тысячи заказов и длинная история взаимодействий с клиентами. На таком объёме есть из чего обучать модель и на чём проверять гипотезу.
У небольшого бизнеса с несколькими заявками в месяц картина другая. Модель не получит достаточного количества примеров покупки и отказа. Она начнёт делать выводы по шуму, а тестовая и контрольная группы окажутся слишком маленькими для нормального сравнения.
Есть и экономика внедрения. Понадобятся сервис, настройка передачи данных, аналитика, поддержка сегментов и достаточно крупный рекламный бюджет. Если весь Директ тратит 50 тысяч рублей в месяц, сложная ML-схема легко обойдётся дороже возможной экономии.
Поэтому здесь нет универсального рецепта. Для крупного e-commerce это рабочий способ улучшить закупку ретаргетинга. Для малого проекта чаще полезнее сначала привести в порядок цели, электронную коммерцию, брошенные корзины и обычные сегменты Метрики.
Что можно взять из кейса без собственной ML-модели
Главная мысль полезна бизнесу любого размера: посетители сайта не равны друг другу. Ретаргетинг не обязан одинаково догонять всех, кто однажды открыл страницу.
Даже без машинного обучения можно разделить аудиторию по глубине визита, давности посещения, просмотрам ключевых страниц, добавлению в корзину и повторным заходам. Затем сравнить конверсию и ДРР у сегментов, убрать очевидно слабые группы и аккуратно повысить ставки для горячих.
Это будет проще и грубее, чем модель Mindbox, зато даст понятную проверяемую логику. А когда заказов, данных и рекламного бюджета станет достаточно, можно переходить к вероятностной оценке.
Ретаргетинг постепенно уходит от схемы «покажи рекламу всем, кто был на сайте» к более разумному вопросу: «кто из этих людей действительно ближе к покупке?» В кейсе «Читай-города» ответ искал Mindbox, а Яндекс Директ превращал его в разные ставки и показы. Именно связка двух систем дала результат, а не волшебный переключатель внутри рекламного кабинета.
Подробнее о том, как сервис рассчитывает готовность к покупке и передаёт сегменты в рекламные кабинеты, можно прочитать на странице ML-ретаргетинга Mindbox.
Нужна помощь с Яндекс Директом?
Проведу бесплатный аудит, найду точки роста или возьму настройку рекламы под ключ. Напишите удобным способом — отвечаю лично.
