Снижение стоимости привлечения заявки в Аспро.Cloud на 70%: как изменилась стратегия контекстной рекламы

Аспро.Cloud охватывает разные сегменты бизнеса, и это усложняет работу с рекламой. Единые кампании привлекают пользователей с разной мотивацией, из-за чего стоимость регистрации становится нестабильной. В кейсе разбираем, как изменение подхода к сегментации и аналитике позволило выстроить более управляемую систему.

Ситуация и проблема

Аспро.Cloud — универсальный продукт для управления проектами финансами и CRM. Его используют компании из разных сфер: от дизайн-студий и строительных организаций до сервисных компаний и IT-команд.

Такая универсальность расширяет аудиторию, но одновременно усложняет маркетинг. Когда продукт закрывает задачи сразу нескольких сегментов, невозможно эффективно привлекать платежеспособных пользователей через одинаковые рекламные объявления.

На старте контекстной рекламой занималось внешнее агентство. Команде не хватало глубокой экспертизы в продукте и понимания специфики ниши.

В результате сложилась ситуация: трафик идет, но управляемости нет.

Кампании привлекали пользователей с разной мотивацией. Часть аудитории действительно искала решение, часть попадала случайно. При этом оптимизация велась по общей цели — «регистрация».

Алгоритмы не различали, какие пользователи имеют потенциал стать клиентами, а какие нет. Все регистрации воспринимались одинаково.

Это приводило к двум последствиям:

1. стоимость регистрации оставалась высокой и нестабильной;
2. реклама не давала понимания, какие пользователи приносят бизнесу результат.

Мы пересобрали подход к проекту.

Выделили отдельного специалиста внутри команды, который хорошо знает продукт и понимает, как его используют разные сегменты бизнеса.

Перед ним поставили задачу:

1. снизить стоимость регистрации;
2. выстроить систему, в которой каждая аудитория получает релевантные сценарии и отдельные рекламные сообщения.

Результаты

В рамках проекта конверсией считалась регистрация аккаунта в сервисе.

Чтобы оценить изменения, сравнили два периода: 2024 год — до глубокой оптимизации и 2025 год — после внедрения новой стратегии.

За это время получили следующие результаты:

1. средний месячный бюджет вырос на 75%;
2. количество кликов увеличилось на 300%;
3. регистрации в сервисе выросли на 267%;
4. стоимость регистрации снизилась на 70%.

Важно не только снижение стоимости.

Главный эффект — результат стал предсказуемым. Стоимость регистрации стабилизировалась, а реклама начала привлекать более качественную аудиторию, которая изучает продукт и переходит к работе с сервисом.

Решение: пошаговая стратегия

Шаг 1. Глубокий аудит и сегментация

Сначала мы разобрали существующие рекламные кампании и проанализировали их структуру. Наша цель — понять, где теряется эффективность и какие сегменты не используются.

Ключевой инсайт — в рекламе отсутствовали ниши с высокой конверсией:

1. CRM для дизайн-студий;
2. CRM для строительных организаций;
3. система управления проектами.

Ранее эти направления не выделялись отдельно, поэтому реклама не учитывала их специфику и задачи пользователей.

Мы разделили их на отдельные тестовые кампании.

Для каждого сегмента:

1. собрали собственное семантическое ядро;
2. подготовили отдельные тексты объявлений;
3. адаптировали сообщения под конкретные сценарии использования.

Это позволило уйти от универсальной коммуникации и начать работать с точечными запросами аудитории.

Шаг 2. Цифровой портрет клиента и работа с воронкой

Дальше мы подключили аналитику.

Использовали CRM и Яндекс Метрику, чтобы понять, какие пользователи доходят до оплаты и как они ведут себя до регистрации.

На основе этих данных сформировали портрет клиента:

1. возраст 25–45 лет;
2. чаще использует десктопные устройства;
3. перед регистрацией посещает минимум 3 страницы;
4. почти всегда заходит на страницу с ценами и в базу знаний.

Возраст посетителей с долей в регистрациях

Возраст посетителей с долей в оплатах

Отдельно проанализировали молодую аудиторию. Пользователи 18–24 лет активно регистрировались, но редко переходили к оплате. Мы приняли решение не масштабировать рекламу на этот сегмент, несмотря на высокий процент регистраций.

Ключевое изменение — пересмотр цели оптимизации. Мы отказались от подхода, при котором система обучается на всех регистрациях. Вместо этого настроили цели, которые повторяют поведение пользователя, близкого к оплате.

Алгоритмы Яндекс Директа начали обучаться на действиях, характерных для платящих клиентов.

Это дало эффект:

1. сократился объем случайного трафика;
2. выросло качество регистраций;
3. усилилась связь между рекламой и оплатами.

Шаг 3. Техническая оптимизация под результат

Следующий этап — настройка сквозной аналитики. Мы выстроили связку: CRM → Метрика → Директ. Данные об оплатах из CRM передавались в Метрику по первому источнику трафика.

Теперь система учитывала не только регистрации, но и их вклад в реальные продажи. Кампании перевели на стратегию «Оптимизация цены конверсии».

При этом регистрация осталась основной целью, но алгоритмы начали учитывать дополнительные сигналы качества.

Чтобы усилить обучение, мы добавили корректировки для пользователей, которые:

1. посещали страницу с ценами;
2. заходили в базу знаний.

Таким образом мы показали системе, какие действия имеют больший вес.

Дополнительно усилили результат за счет работы с устройствами:

1. повысили ставки для десктопов как основного источника продаж;
2. сократили долю мобильного трафика.

Шаг 4. Системная работа и контроль

Чтобы результат не зависел от разовых изменений, мы выстроили регулярную работу с кампаниями.

Для каждой ниши:

1. подготовили детальные списки минус-слов;
2. развели кампании, чтобы исключить пересечения.

Это помогло избежать внутреннего аукциона — ситуации, когда объявления конкурируют между собой и увеличивают стоимость клика.

Также внедрили регулярный анализ:

1. каждую неделю проверяли статистику;
2. отключали неэффективные ключевые фразы;
3. масштабировали гипотезы с лучшими результатами.

В результате реклама перестала быть набором разрозненных кампаний. Она превратилась в систему с понятной логикой и управляемыми показателями.

Вывод

Этот кейс показывает: для облачных сервисов масштабирование через формальные цели быстро упирается в ограничения.

Устойчивый рост начинается в момент, когда маркетинг учитывает поведение будущего клиента, связывает рекламу с CRM и обучает алгоритмы не на дешевых регистрациях, а на действиях с реальной ценностью для бизнеса.

Такой подход позволяет превратить рекламу в управляемый инструмент роста и снизить зависимость от случайного трафика.