Предиктивная оптимизация рекламы: что это, кому нужна и где она реально работает
Проверили, как ведут себя рекламные кампании в «чистом» Директе, Sales Ninja и Rivox: результаты эксперимента и наблюдения
Если вы управляете маркетингом в e-commerce или B2B-секторе, то наверняка сталкивались с тем, что реклама приносит клики, но заявок все равно мало. Часто причина проста: алгоритмам не хватает данных, чтобы обучиться и работать эффективно. В таких случаях в игру вступает предиктивная оптимизация — технология, которая помогает находить потенциальных клиентов еще до того, как они оставят заявку.
В этой статье мы разберем, как устроены автостратегии, чем их дополняет предиктив, и покажем результаты эксперимента, где мы сравнили разные подходы на реальном бизнес-кейсе.
Автостратегии: магия машинного обучения?
Контекстная реклама сегодня держится не столько на креативах или ручной настройке, сколько на алгоритмах. Автостратегии анализируют, какие показы в прошлом завершились покупкой или заявкой, и на этой базе строят прогноз: если вероятность целевого действия высока, система повышает ставку в аукционе, если низка — снижает.
На первый взгляд это работает идеально. Но когда реальных конверсий мало, алгоритм просто не успевает набрать достаточное количество данных для обучения. Тогда модель сужает охват или начинает закупать трафик дороже. В этот момент бизнес получает нестабильный и плохо масштабируемый канал.
Предиктивная оптимизация: шаг назад, чтобы сделать два вперед
Предиктивные алгоритмы добавляют промежуточный слой между сайтом и рекламной платформой. Они не ждут реальных покупок, а учатся на поведенческих сигналах: добавлениях в корзину, глубине просмотра, истории запросов. Так появляются «виртуальные конверсии» — их в разы больше, чем настоящих, и этого достаточно, чтобы алгоритм разогнался и стал закупать трафик стабильнее.
Наибольший эффект предиктив дает там, где у бизнеса дорогой продукт и длинный цикл сделки. В e-commerce это особенно заметно: реальных транзакций немного, зато поведенческих сигналов достаточно, чтобы система поняла, как выглядит потенциальный покупатель. В рекламных сетях с холодным трафиком, например в Рекламной сети Яндекса (РСЯ), такая прослойка буквально становится топливом для автостратегий.
Но это теория. Бизнесу нужны не обещания, а цифры. Поэтому мы решили проверить, насколько ощутима разница в реальных условиях, и запустили эксперимент.
Как мы тестировали: проект и методология
К нам обратился производитель медицинского и косметологического оборудования. Это B2B-проект с высоким средним чеком и длинным циклом сделки. Основные цели — покупки, корзины, лиды с сайта, звонки и офлайн-конверсии из Calltouch.
Чтобы проверить, как поведут себя разные алгоритмы, мы сделали три копии одной и той же кампании в Яндекс Директе. Запустили их одновременно, распределили бюджеты поровну и использовали одинаковый таргетинг в РСЯ: по целевым запросам и автотаргетингу. Так мы исключили преимущества по времени или условиям запуска
В тесте участвовали три способа оптимизации:
- по стандартным целям в Яндекс Метрике;
- предиктивный Sales Ninja;
- предиктивный Rivox.
Для чистоты эксперимента мы предусмотрели дополнительные условия:
- скрипты Sales Ninja и Rivox была поставлены в одно время;
- сбор данным обоими сервисами также был начат в одно время;
- оба сервиса оптимизировали по одним и тем же конечным целям: «e-com-покупка» и «CRM: заказ оплачен»;
- после начала теста и старта рекламной кампании настройки РК и любые другие не менялись.
Рынок предиктивных платформ активно растет: за последние годы появилось несколько решений, которые помогают агентствам и рекламодателям обучать автостратегии на виртуальных конверсиях.
Мы остановились на Sales Ninja и Rivox неслучайно. Первый — один из самых востребованных в России сервисов предиктивного AI-маркетинга с богатым функционалом: перформансом, брендформансом, многосессионной оптимизацией Директа и VK, антиботом и так далее. Второй — новичок на рынке, который только набирает вес, но предлагает свежий взгляд на машинное обучение и экономику клика.Такой выбор позволил сравнить зрелое решение и амбициозного новичка, а заодно проверить, работает ли предиктив в целом.
Четыре фазы эксперимента
Эксперимент продолжался пять недель. Этого хватило, чтобы увидеть и стартовые различия, и этап обучения, и этап стабилизации, и то, как алгоритмы ведут себя при масштабировании бюджета.
Фаза 1: разгон. На старте классический Директ повел себя привычно: агрессивно вкладывался в трафик, чтобы быстрее собрать «жесткие» сигналы. Мы видели резкий всплеск кликов и первые корзины, но вместе с этим рос и процент отказов. Для бизнеса это похоже на сильный старт без фильтров: объем есть, но качество под вопросом.
Sales Ninja и Rivox начали аккуратнее. Их стратегии не стремились залить рынок деньгами, а собирали поведенческие данные. Конверсий было меньше, но уже чувствовалась разница: пользователи дольше оставались на сайте, чаще доходили до корзины. Алгоритмы словно закладывали фундамент на будущее.
Фаза 2: обучение. К середине второй недели кампании выровнялись по объему трафика. Директ все еще пробивал стену деньгами, но стоимость цели оставалась высокой. Sales Ninja к этому моменту накопил достаточно виртуальных конверсий и начал активнее находить сегменты аудитории, близкие к целевым. Rivox двигался тем же курсом, но медленнее, собирая меньше качественных сигналов.
На этом этапе ясно проявилась разница в подходах. Директ работает по принципу «дорого, но быстро», предиктивные платформы — «дольше, но точнее».
Фаза 3: стабилизация. К середине эксперимента Директ вышел на плато: кликов было много, но качество оставалось посредственным. Отказы держались высокими, CPL по-прежнему был невыгодным. К этому времени предиктивные оптимизации начали ощутимо обгонять классический Директ. Sales Ninja резко стал приносить больше конверсий с дешевым CPL. Rivox, хоть и отставал от Sales Ninja, но также превосходил Директ по всем параметрам.
Sales Ninja и Rivox начали аккуратнее. Их стратегии не стремились залить рынок деньгами, а собирали поведенческие данные. Конверсий было меньше, но уже чувствовалась разница: пользователи дольше оставались на сайте, чаще доходили до корзины. Алгоритмы словно закладывали фундамент на будущее.
На графике ниже видно, что предиктивные платформы начали «фильтровать шум», тогда как нативная стратегия продолжала тратить деньги без избирательности.
К концу четвертой недели эксперимента «чистый» Директ и Rivox вышли на плато, но последний приносил больше конверсий. С Sales Ninja реклама лучшие результаты, при том что все три кампании по-прежнему расходовали бюджет с примерно одинаковой интенсивностью.
Фаза 4: масштабирование. Самая показательна финальная стадия. Мы утроили бюджет для Sales Ninja, чтобы проверить, как он поведет себя на больших объемах. Ожидание было таким: рост бюджета размоет эффективность, CPL вырастет. На деле произошло обратное. Платформа быстро освоила средства, сохранила прежнюю стоимость цели и принесла почти половину всех корзин за эксперимент.
Для B2B-проекта с холодным трафиком это редкий результат. Sales Ninja показал, что способен не только стабильно работать, но и масштабироваться без потери качества. Rivox и Директ такого эффекта не достигли: первый держался стабильнее, чем базовая стратегия, но отставал по объему, второй при росте бюджета снова начал «расплываться» по качеству.
Сравнение стратегий: цифры и их смысл
Что мы получили? Нативный Директ хорош на старте, но дорог и нестабилен в долгой перспективе. Rivox дает ощутимый по сравнению с классическим Директом выигрыш по стоимости лида и качеству трафика. Но лучший результат все же показал Sales Ninja: больше корзин, дешевле лид и устойчивость даже при увеличенном бюджете.
Результаты эксперимента
Основные метрики кампании
Тест показал: универсального решения нет. Для быстрых кампаний хватает нативных автостратегий. Для стабильной работы на длинной дистанции предиктивные платформы дают ощутимый прирост. Rivox стал шагом вперед по сравнению с «чистым» Директом. Тем не менее, в нашем эксперименте Sales Ninja однозначно победил и по объему, и по стоимости конверсий, так что мы продолжаем работать с ним, масштабируя достижения.
Автостратегии не стоит идеализировать, а предиктивные платформы — демонизировать. Все зависит от контекста бизнеса. Один проект требует быстрого разгона, другой — стабильности при масштабировании.
Чек-лист: нужно ли вам тестировать предиктив?
Если совпадают три и более пункта из списка ниже, скорее всего, вашему проекту будет полезен пилотный запуск предиктивной оптимизации:
- длинный цикл сделки;
- средний чек выше рынка;
- в рекламном кабинете мало «жестких» конверсий;
- основной трафик — холодный;
- CPL по звонку или заявке растет месяц к месяцу.