АТОЛ Онлайн снизил CPL на 25% через сегментацию и N-gram-анализ
АТОЛ Онлайн сократил расходы на привлечение и увеличил заявки на 38% за счет работы с аудиторией, CRM и семантикой. Рассказываем про data-driven подход
Задача
Снизить стоимость привлечения заявки (CPL) и увеличить количество конверсий без роста бюджета. Настроить автоматизированную работу с сегментами для устойчивого масштабирования рекламных кампаний.
Причина
Предыдущие шаги — в том числе отключение мобильного трафика — уже дали сильный эффект: CPL снизился вдвое, а заявок стало на 60% больше. Чтобы развивать результат и работать с бюджетом эффективнее, потребовалась глубокая сегментация, интеграция с CRM и пересборка воронки с акцентом на реальные данные пользователей.
1. Сегментация ретаргетинга
- Разделили аудиторию по срокам с момента первого визита. Собрали сегмент этих пользователей и разбили на 3 группы от 3 до 15 дней, убрав пересечение между ними. Это позволило точнее управлять ставками и эффективнее распределять бюджет.
- Исключили пересечения между ретаргетинговыми и новыми пользователями в сетевых кампаниях. Так избежали перегрева ставок и наслоения показов.
- Настроили ретаргетинг в поиске на аудиторию из медийных кампаний. Это дало снижение CPL более чем в два раза.
2. Анализ ключевых фраз с помощью N-gram
- Помимо ручной чистки нерелевантных запросов, провели анализ N-gram.
- Метод позволил выявить слова и даже отдельные буквы, которые увеличивали стоимость лида. Отключив их, снизили CPL. Мы пошли дальше и проанализировали, как именно поисковая система воспринимает наши ключевые запросы. Оказалось, что некоторые слова в фразах приводили к дорогим заявкам.
- Решение: переключиться на точное соответствие и отключить часть нерелевантного трафика. Для этого мы использовали оператор квадратных скобок [], который задает поиску четкие границы: каждое слово в запросе должно быть именно таким, как указано (исключая предлоги).
- Этот подход помог сократить расходы на неэффективные клики и снизить стоимость заявки.
3. Оптимизация ставок и групп объявлений
- Нашли группы с завышенным CPL. Если трафик был качественный, но дорогой, понижали ставки. Так автостратегия перераспределяла бюджет в пользу более дешевых лидов.
- Отключили низкоэффективные группы, которые тратили 10–15% бюджета без нужного результата.
4. Корректировка аудитории по соцдему и географии
- Проанализировали пол, возраст и регионы. Усилили охват на возраст 35–44, снизили для 45–54, а остальные аудитории оптимизировали под CPL.
Мы автоматизировали сегментацию, интегрировав Метрику с CRM. Это позволило создавать гибкие аудитории: повторные покупатели, отмененные заказы, спам-заявки и те, кто просто заходит в личный кабинет. Мы исключили нецелевые группы, чтобы не тратить бюджет на ненужные показы.
Для Look-Alike (LaL) сегментов выделили ключевые группы:
- Недавние покупатели (до 61 дня).
- Повторные клиенты.
- Покупатели с высоким чеком.
- Вся клиентская база.
После тестирования лучшие результаты дали сегменты повторных клиентов и недавних покупателей. Запустив на них рекламу, мы увеличили количество заявок на 38%.
Оптимизация проводилась в течение четырех месяцев, и результаты стабильно улучшались:
+38% заявок
-25% CPL
Из месячной динамики видно, как улучшились показатели рекламных кампаний.
Источники изображений:
Личный архив компании
Рубрики
Интересное:
Новости отрасли:
Все новости:
Публикация компании
Рубрики