Виталий Долженко, эксперт e-commerce, автор Telegram-канала «Нетипичный E-com»
Как металлоторговая компания смогла снизить стоимость клиента с 24 до 5 тысяч рублей, сократив рекламный бюджет в три раза. Кейс внедрения платформы предиктивного AI маркетинга Sales Ninja на Ozinkovka.ru — с цифрами, выводами и разбором инструментов.
Контекстная реклама остаётся основным источником трафика для промышленных и строительных компаний, однако в большинстве случаев бюджет работает не на бизнес, а «на Яндекс». На проекте Ozinkovka.ru — сайте по продаже изделий из оцинкованной стали и металлопроката (профнастил, металлочерепица, водостоки, заборные элементы и т. д.) — мы столкнулись с типичной проблемой: цена сделки превысила прибыль с этой сделки.
При среднем чеке 50–55 тысяч рублей:
• цена лида доходила до 6 000 рублей,
• стоимость привлечённого клиента, оплатившего заказ — более 24 000 рублей.
Даже при большом обороте это приводило к отрицательной экономике — чем больше мы вкладывали в рекламу, тем выше становилась стоимость привлечения. И если раньше мы хотя бы надеялись при дорогой стоимости клиента отбить вложения за счёт повторных заказов, то в конце 2024 стало очевидно, а в 2025 стало еще хуже: при текущей экономике одного повтора уже недостаточно. Чтобы окупить привлечение, клиент должен был совершить 2–3 повторные покупки, причём не от 20–30 % базы, как раньше, а от 70–80 % клиентов, что для B2C и B2B сегмента строительных материалов практически нереально для нашей линейки товаров.
В e-commerce-сегменте металлопроката есть одна особенность — длинный цикл сделки и разнотипные целевые аудитории. С одной стороны — розничные клиенты, которым нужно всего пару листов профнастила. С другой — монтажные бригады и мелкий опт, которые закупают весь комплект материалов сразу и ищут надёжного поставщика с постоянным наличием по минимальной цене и гибкими условиями отгрузки. Плюс отдельный пласт — крупные оптовики с разным уровнем закупок и специфическими требованиями к цене и срокам в т.ч. тендерные заказы.
Для системы контекстной рекламы это создаёт ключевую сложность: при стандартном обучении алгоритм чаще всего оптимизируется на короткие, дешёвые сделки, где конверсий в десятки раз больше и цикл сделки самый короткий по времени - 1 день. В итоге раз за разом запуская и перезапуская рекламные кампании мы получали в результате одно - много покупок с маленьким средним чеком и высокой ценой привлечения клиента, которая ни в какую юнит-экономику не вписывалась даже близко. Однако, любая компания, особенно на рынке металлических изделий, хочет обратного - чтобы средний чек рос при этом маржинальность не снижалась, а стоимость привлечения окупалась с первой покупки по любому виду клиентов. И ещё один важный момент: рынок продаж изделий из металлопроката и оцинкованной стали сегодня не просто стагнирует — он снижается вслед за строительством. Геополитические ограничения, высокая ключевая ставка и инфляция давят на спрос. В таких условиях выживают либо компании с огромными бюджетами, которые могу себе позволить переждать плохие времена за счет накопленной подушки годами ранее, либо те, кто подошёл осознанно и технологично — перестроил воронку, внедрил предиктивную аналитику и начал работать с ML-инструментами. Мы выбрали второй путь.
Мы подключили Sales Ninja — платформу предиктивного AI маркетинга.. Это сервис, работающий на базе машинного обучения: он анализирует поведение пользователей, техническую и соц. дем. часть и на базе нее обучает предиктивные модели искусственного интеллекта и на основе их предсказаний помогает обучить рекламные кампании на качественно новом уровне. (в частности, Яндекс Директ, а также можно рекламные кампании VK ads) обучаться не на кликах, а на целевых действиях, которые коррелируют с реальными продажами.
На начальном этапе мы запустили пилотный проект — трёхмесячный этап, в течение которого система собирает данные, обучает собственные модели и адаптируется к конкретному бизнесу. За этот период Sales Ninja «научился» понимать, какие пользователи на нашем сайте действительно склонны к покупке, и как адаптировать контент под разные типы трафика и каким образом обучать рекламные кампании в Яндекс Директе.
Мы применили две ключевые функциональности:
• Персонализация контента на базе искусственного интеллекта — динамические блоки, тексты и кнопки адаптировались под источник трафика и поведение пользователя (Яндекс, SEO, Авито, соцсети). Мы тестировали разные варианты CTA, цвета кнопок, заголовки и акционные предложения, триггеры под основные целевые аудитории
• Синтетические конверсии — система передавала в Яндекс Директ дополнительные сигналы, позволяя автостратегии Яндекс Директа точнее определять аудиторию, похожую на покупателей, а не просто на кликающих пользователей, которые зашли посмотреть
На начальном этапе мы проанализировали, что больший средний чек приходит со звонков и отставленных лид форм, а через корзину интернет-магазина покупаю на небольшой средний чек, потому что потенциальному покупателю важно не ошибиться с расчетом объема и количества.Именно поэтому было принято решение в первую очередь обучить предиктивные модели искусственного интеллекта на квалифицированный звонок и заявку, потому что средний чек по ним был чуть выше, чем через корзину.
Аналогично этому мы обучали предиктивные модели в персонализациях сайта на квал звонок и заявку, чтобы максимизировать конверсию в нихВ среднем мы получили синтетических конверсий (предсказаний) по квал лиду в 4,4 раза больше чем у нас было квалифицированных заявок и звонков
После завершения пилотного проекта мы начали видеть первые ощутимые результаты уже к четвёртому месяцу работы. Стоимость лида снизилась в шесть раз — с 6 000 до 1 000 рублей. Стоимость привлечённого клиента сократилась почти в пять раз — с 24 000 до 5 000 рублей. При этом общий рекламный бюджет был уменьшен в три раза, но объём продаж, наоборот, вырос. То есть мы добились не просто экономии бюджета, а роста эффективности воронки при меньших вложениях. Ключевым изменением стало качество трафика: на сайт стали приходить пользователи с высокой вероятностью покупки, а рекламные алгоритмы начали работать на реальный бизнес-результат.
Важно, что пилотный проект пришёлся на самый разгар строительного сезона и завершился примерно за месяц до окончания его горячей фазы. К этому моменту рынок уже начал остывать, активность покупателей традиционно снижалась от недели к неделе, но показатели не падали, а продолжали расти, вопреки здравому смыслу и сезонной логике. Это говорит о том, что система научилась не просто удерживать эффективность, а накапливать качество данных и усиливать результат даже тогда, когда спрос на рынке начинает существенно снижаться.
Кроме того, изменился средний чек. Если в начале сезона он составлял 50–55 тысяч рублей, то к концу пилотного проекта средний чек превысил 100 тысяч рублей. Система начала приводить не только больше заказов, но и более платёжеспособных клиентов, что напрямую повлияло на рост прибыльности канала.
Главная причина успеха — обратная связь между рекламой и поведением пользователей на сайте. Раньше Яндекс Директ не понимал, кто из посетителей действительно покупает, а кто просто смотрит. С внедрением Sales Ninja от посетителей сайта стало передаваться Яндекс Директу больше «умных» сигналов, а реклама обучилась на них. Персонализация дала дополнительный рост за счёт:
• улучшения кликабельности внутренних блоков;
• увеличения времени на сайте;
• снижения доли отказов;
• роста микроконверсий (заявка, звонок, переход в каталог).
Ниже основные варианты персонализаций, которые дали существенный прирост, а всего их у нас работает на пути пользователя 24 штуки
• Sales Ninja — не волшебная кнопка. Это инструмент, который требует настройки, тестов и регулярной аналитики.
• Пилотный проект — обязательный этап. Да, это дополнительные расходы: и на сам пилот (до одного месяца системного обучения моделей), и 2 месяца на тестовые эксперименты с рекламным бюджетом. Но если всё изначально сделать правильно и вдумчиво — корректно задать цели, договориться о метриках, настроить передачу событий и дисциплину сплит-тестов — модели выходят на устойчивые результаты, которые многократно окупают вложения.
• Главная метрика — экономика клиента. Мы фокусировались не на CTR или CPC, а на том, сколько реально стоит платёжеспособный клиент.
Для компаний, которые работают в конкурентных отраслях (строительные материалы, металл, мебель, DIY), персонализация и синтетические конверсии — это не «эксперимент», а новый стандарт эффективности. Мы в ПКФ «Таврос» убедились, что сочетание Sales Ninja + аналитический подход к воронке позволяет кратно улучшить окупаемость рекламы, даже при снижении бюджета.
При этом потенциал технологии ещё не исчерпан. Мы пока не успели внедрить новые инструменты, которые появились у Sales Ninja — такие как предиктивные сегменты, позволяющие повторно показывать рекламу только тем пользователям, у кого высокая вероятность покупки через “умные” корректировки. Также готовится интеграция с Calltouch, чтобы виджет обратного звонка показывался не всем подряд, отвлекая посетителей от выбора товара, а только тем, кто с наибольшей вероятностью заполнит форму.Эти функции открывают возможности для ещё более точной персонализации и экономии рекламных бюджетов. К моменту написания этого кейса, у Sales Ninja вышел адаптивный ML антибот, которому нет аналогов на российском рынке.
Для нас этот проект стал не просто внедрением нового сервиса, а технологическим скачком. Благодаря таким инструментам, как Sales Ninja, мы можем масштабировать рекламу с прогнозируемым результатом — управлять не только креативами, ставками и баннерами, но и работать на уровне данных и алгоритмов. Это совершенно другой уровень зрелости маркетинга, когда бизнес понимает, как и за счёт чего растёт эффективность. При этом важно понимать: Sales Ninja — это всего лишь инструмент, а не волшебная кнопка. Его сила раскрывается только там, где есть понимание бизнес-логики, чёткие данные по стоимости лида и клиента, корректно настроенная веб-аналитика и культура экспериментов. Без этого никакая система не покажет результата. На своих лекциях и выступлениях я часто говорю коллегам и будущим клиентам: инструмент — это только половина успеха, вторая половина — эксперт, который умеет связать технологии с бизнес-целями. Именно в этом сегодня и заключается моя роль — помогать компаниям выстраивать такие процессы, где данные и алгоритмы работают на прибыль, а не ради отчётов.