«ЛАБ Индастриз» и Easy Commerce: снизили ДРР вдвое в сезонный пик через смену стратегии

Easy Commerce помог «ЛАБ Индастриз» выиграть конкуренцию во время сезонного пика не через повышение ставок, а благодаря точной и быстрой реакции на микротренды в категории. Ключевым решением стал переход с ручного управления на автостратегию. Подробностями кейса команда проекта поделилась с Sostav.

Компания «ЛАБ Индастриз» работает на рынке бытовой химии и личной гигиены — в категориях с плотной конкуренцией и ситуативной лояльностью покупателей. Сила компании — в ее продуктовом портфеле.

В категориях «Средства для стирки» и «Средства для уборки» в «Яндекс Лавке» представлено больше 15 брендов, а уровень конкуренции регулярно меняется под влиянием сезонности и акций. Ежегодный пик активности приходится на периоды, когда покупатели закрывают сезонные бытовые задачи (генеральная уборка, смена гардероба) плюс сохраняется отложенный спрос после периода гендерных праздников, когда трафик на площадке стабильно выше, а конкуренция за внимание пользователя усиливается.

К сезонному пику бренду важно усилить видимость и стимулировать покупки, поэтому основной фокус приходится на промоформаты с прямым указанием выгоды. Но чем плотнее аукцион, тем дороже обходится каждый показ: попытки перебить конкурентов ведут к росту CPM, а вместе с ним и ДРР.

Задача

Бренд обратился к команде Easy Commerce перед сезонным пиком активности с задачами:

• повысить уровень конверсии в период высокой конкуренции;
• снизить ДРР без сокращения рекламной активности;
• адаптироваться к сезонному росту спроса и стоимости аукциона;
• найти масштабируемый подход вместо постоянного ручного управления ставками.

Реализация

Исторически компания «ЛАБ Индастриз» запускала рекламные кампании в «Яндекс Лавке» через ручные настройки в формате «Буст показов». Предложения размещались выше конкурентных ставок: на этих настройках ДРР составляла 8,2%, CR (конверсия из клика в покупку) — 91%, CPM — 554 руб.

Чтобы повысить эффективность продвижения, команда Easy Commerce проверила две гипотезы. Сначала в течение двух недель анализировали результативность SKU и аукциона, предполагая, что ручные корректировки ставок позволят точнее распределять бюджет. Однако в условиях сезонного спроса и высокой конкуренции ручное управление не успевало реагировать на изменения спроса и аукционной ситуации. Затем еще две недели ставки последовательно повышали — от минимального уровня до конкурентного и выше — в расчете на дополнительный объем заказов, но это не улучшило экономику кампании. По итогам тестов стало очевидно, что рост ставки сам по себе не гарантирует пропорционального роста заказов: для более эффективного распределения бюджета требовалась динамическая оптимизация с учетом конверсионности карточек, релевантности запросов и текущей конкуренции.

Ручное управление ставками и их оптимизация не улучшили экономику кампании по нескольким причинам. В период сезонного пика аукцион и спрос менялись слишком быстро, а последовательное повышение ставки увеличивало рекламное давление, но не гарантировало соразмерного роста заказов. Единая ручная ставка также не позволяет учитывать различия в вероятности покупки для отдельных SKU, а постоянный мониторинг уровня ставок требует значительных ресурсов команды. Поэтому кампанию перевели на автостратегию «Максимум заказов»: она позволяет в реальном времени перераспределять бюджет между высококонверсионными карточками и релевантными запросами, учитывать микротренды спроса и корректировать ставки с учетом текущей конкуренции.

При тестировании данной стратегии важно оценивать ее эффективность не в первые дни после запуска, а на сопоставимом временном отрезке с контролем внешних факторов — сезонности, наличия товаров, актуальности карточек и изменений в ассортименте. Чтобы корректно связать результат именно с работой алгоритма, в период теста желательно не менять одновременно цены, визуалы, промомеханики и другие параметры кампании. Для масштабирования необходимо комплексно отслеживать ДРР, объем заказов и выручку. При небольшом объеме данных или ограниченном бюджете алгоритму может потребоваться больше времени на обучение и стабилизацию результатов.

Важно уточнить, что рост эффективности был достигнут не только за счет подключения автостратегии «Максимум заказов», но и благодаря расширению инвентаря: размещения были подключены в поиске, каталоге, на главной и в рекомендациях. Это позволило увеличить число точек контакта с пользователем на разных этапах покупательского пути, а автостратегии динамически распределять бюджет между площадками, карточками и запросами с учетом вероятности их конверсии.

При интерпретации результатов стоит учитывать совместный эффект двух изменений: алгоритмической оптимизации ставок и расширения мест показа.

Результаты

Решение оказалось эффективным — по итогам тестирования удалось выполнить все поставленные задачи:

• ДРР снизилась с 8,2% до 4,2%;
• CR вырос с 91% до 98%;
• CPM снизился с 554 до 369 руб., на 185 руб.;
• CTR вырос на 0,3 п.п.;
• продажи за период выросли на 217%;
• выручка бренда выросла на 200%.

Выводы

Задача состояла не просто в снижении ДРР, а в поиске способа масштабировать продажи в условиях сезонного спроса и конкурентного аукциона, не жертвуя рентабельностью рекламных инвестиций. Эксперимент показал, что в данных условиях автостратегия дает более эффективную экономику, чем ручные настройки, — она точнее фокусируется на аудиториях с максимальной склонностью к покупке и эффективнее управляет бюджетом за счет динамической оптимизации ставок.

Автостратегии особенно целесообразно тестировать в периоды повышенного спроса, когда аукцион и покупательское поведение меняются быстрее, чем команда успевает вручную корректировать ставки. При этом оценивать результат стоит комплексно: не только по ДРР, но и по объему заказов, выручке, конверсии и стоимости рекламного контакта. Это позволяет избежать оптимизации ради низкой цены и находить баланс между рентабельностью и масштабом продаж.