#Как редкие дорогие покупки теряют рекламный трафик, почему передача выручки не всегда исправляет перекос и что меняют моделируемые конверсии Sales Ninja.
В рекламе может быть всё настроено вполне добросовестно: электронная коммерция работает, реальные суммы заказов передаются, стратегия оптимизируется по доле рекламных расходов. Покупки идут, ДРР укладывается в план. Но постепенно меняется состав продаж: массовые недорогие товары получают всё больше внимания, а дорогие позиции, профессиональные линейки и редкие категории почти перестают получать трафик.
Для бизнеса это неприятный результат. Он рассчитывал продавать весь экономически интересный ассортимент, а получил кампанию, которая особенно хорошо продаёт небольшую его часть. При попытке увеличить бюджет растёт конкуренция за уже освоенных покупателей; остальные направления по-прежнему выглядят слишком слабыми для масштабирования.
Оптимизация по ДРР помогает учитывать стоимость покупок. Однако она сама по себе не гарантирует ни роста среднего чека, ни полноценного обучения на дорогом ассортименте. Здесь сходятся три разные проблемы: что именно максимизирует стратегия, насколько надёжен прогноз редких покупок и как распределяются обучающие сигналы между частями кампании.
Если разобраться в каждой из них, становится понятнее и поведение рекламы, и способ его изменить. В частности, почему дополнительный прогноз вероятности и ценности покупки способен помочь даже зрелым кампаниям, в которых реальных конверсий в целом достаточно.
#ДРР ограничивает расходы, но не задаёт структуру продаж
Доля рекламных расходов рассчитывается как отношение рекламных затрат к выручке:
При ДРР 20% покупка на 5 000 ₽ допускает 1 000 ₽ рекламных расходов, а покупка на 80 000 ₽ — 16 000 ₽. Уже поэтому нельзя сказать, что при корректной передаче дохода Директ считает любые две покупки одинаковыми: большая сумма даёт другую экономику привлечения.
Но дальше возникает менее очевидное различие. В официальном описании «Максимума конверсий» с ограничением по ДРР Яндекс формулирует задачу как получение максимального количества конверсий с соблюдением заданной доли расходов. Максимум покупок при ограничении по ДРР, максимум выручки и максимум среднего чека — разные задачи.
Допустим, при одном рекламном бюджете доступны два направления. Первое даёт много небольших заказов и проходит по допустимой ДРР. Второе приносит меньше заказов, но больше выручки и тоже проходит по ДРР. Ограничение допускает оба результата. Оно не содержит отдельного требования предпочесть второй только потому, что у него выше чек.
Это различие существует и в других рекламных системах. Например, Google отдельно описывает максимизацию количества конверсий и максимизацию их ценности. От бизнеса требуется решить, какая величина должна расти, а какая служит ограничением.
У среднего чека есть ещё одна особенность: его можно повысить простым сокращением дешёвых продаж. При этом суммарная прибыль иногда снизится. Поэтому разумная бизнес-задача звучит конкретнее: получать больше выгодных крупных покупок, сохраняя нужную выручку, прибыль и стоимость привлечения.
Выбор цели задаёт направление. Чтобы двигаться в этом направлении, рекламной системе всё равно нужны хорошие прогнозы — особенно по тем покупкам, которые случаются редко.
#Дорогая покупка может быть выгоднее, хотя происходит в десять раз реже
Рассмотрим условный расчёт. В каждом из двух сегментов реклама привела 1 000 кликов стоимостью 40 000 ₽. Вероятности покупки и чеки отличаются.
Второй сегмент конвертируется в десять раз реже. При этом его ожидаемая выручка на 60% выше при тех же расходах. Низкая частота покупок здесь совершенно не означает плохую экономику.
При ограничении ДРР 20% оба направления проходят по условию. Но первое выигрывает по числу покупок — 40 против четырёх, а второе по выручке — 320 000 ₽ против 200 000 ₽. Расчёт показывает, почему цель «больше конверсий при допустимой ДРР» может расходиться с задачей «больше денег от дорогого спроса» даже при правильной передаче суммы заказа.
Чтобы оценить потенциальную выручку от одного перехода, нужно учитывать оба множителя:
Ожидаемая выручка от визита = вероятность покупки × ожидаемый чек при покупке.
Для первого сегмента это 0,04 × 5 000 = 200 ₽, для второго — 0,004 × 80 000 = 320 ₽. Цена самого товара ещё не делает посетителя ценным: нужно, чтобы у него была соответствующая вероятность купить.
Сравнение количества покупок и ожидаемой выручки при одинаковых рекламных расходах
Если бы будущие вероятности и суммы были известны заранее, сравнение получилось бы довольно простым. В реальной кампании их приходится оценивать по данным. И в этом месте сорок регулярных покупок и четыре редкие покупки оказываются очень разными источниками информации.
В массовом сегменте каждый новый день приносит подтверждения: какие объявления, запросы и аудитории покупают. В дорогом сегменте между подтверждениями может проходить несколько дней. Одна покупка резко улучшает отчёт, её отсутствие так же резко ухудшает его.
Возьмём ту же вероятность 0,4%. Если клики независимы и вероятность постоянна, шанс не получить ни одной покупки после первых 500 кликов составляет около 13,5%: (1 − 0,004)^500. Для хорошего по экономике сегмента такой старт вполне возможен. В эти дни он выглядит как направление, которое уже потратило деньги и пока ничего не продало.
Чем меньше событий, тем труднее отличить слабый спрос от обычной случайности. А делить рекламный бюджет нужно сейчас, до того, как накопится идеально убедительная статистика.
#Большой чек становится известен поздно, а ставка нужна заранее
Фактическая выручка поступает после покупки. Решение об участии в аукционе принимается раньше. Между этими моментами находится прогноз: насколько вероятно, что конкретный рекламный контакт приведёт к целевому действию и какую ценность оно принесёт.
Для многих дорогих товаров этот промежуток длиннее. Человек сравнивает характеристики, читает обзоры, согласовывает покупку, возвращается с другого устройства, уточняет наличие или оформляет заказ через менеджера. Высокий чек сам по себе не гарантирует долгого выбора, но там, где он действительно сопровождается длинным циклом, возникает дополнительная трудность обучения.
В нашем условном дорогом сегменте четыре будущие покупки дают 320 000 ₽ выручки. Если к моменту промежуточной оценки произошла только одна, в отчёте видны 80 000 ₽. На уже потраченные 40 000 ₽ текущая ДРР равна 50%. После остальных трёх покупок отношение снизится до 12,5%.
Один и тот же трафик может выглядеть убыточным в незрелом отчёте и выгодным после завершения покупок. Поэтому сравнивать быстрые и медленные сегменты только по последним нескольким дням опасно.
Расходы уже понесены, но выручка дорогих покупок возвращается постепенно: промежуточная и зрелая ДРР различаются
Автостратегии используют прогнозы, а при оценке результата нужно учитывать отложенные конверсии. Однако прогноз не делает конкретный редкий сегмент автоматически хорошо изученным. Для оценки задержки и ценности тоже нужны данные, а ошибки передачи оплат дополнительно ухудшают картину.
Яндекс указывает зависимость точности прогноза от накопленных данных и для стратегии с оплатой за клики описывает ДРР как средний ориентир за календарную неделю. Там же среди причин отклонения названы недостаток конверсий и период обучения. Недельный ориентир в настройках и фактическая продолжительность выбора товара могут существенно отличаться.
Если дорогие заказы ещё и чаще завершаются вне сайта, проверка данных становится обязательной частью диагностики. Нужно установить, доходит ли в аналитику конечная оплата, правильно ли передаётся её сумма и связывается ли она с рекламным переходом. Прогнозировать ценность по неполному факту оплаты значительно труднее.
#Как регулярные небольшие покупки закрепляют перекос
Следующая проблема возникает из связи между трафиком и обучением. По сегменту, который получает больше переходов, обычно накапливается больше результатов. Больше результатов позволяет увереннее оценивать его поведение. Более уверенный прогноз помогает снова покупать трафик в этом сегменте.
У редкого направления может сложиться обратная последовательность: мало переходов → мало покупок → неустойчивая оценка → дальнейшее сокращение переходов.
Это статистическое объяснение возможного перекоса, а не описание закрытого алгоритма ставок Яндекса. Оно помогает понять, почему отдельные категории оказываются недоизученными даже в аккаунте с хорошей общей статистикой.
Представим кампанию с несколькими сотнями покупок в неделю. Для бизнеса это выглядит как достаточный объём. Но если большая часть покупок сосредоточена в двух категориях, по остальным направлениям может приходить одна-две покупки или вообще ни одной. Общее число конверсий не показывает, насколько хорошо изучены все значимые части ассортимента.
В справке Яндекса фигурирует минимум 10 конверсий в неделю. Его полезно понимать как базовое условие работы стратегии. Из него не следует, что десяти покупок достаточно для надёжной оценки каждой комбинации категории, региона, устройства и типа спроса.
Здесь встречаются две разные крайности. В одном случае небольшой тестовый бюджет распределяется тонким слоем по множеству позиций, и почти нигде не хватает наблюдений. В другом кампания закрепляется на нескольких понятных победителях и перестаёт достаточно исследовать остальные направления. Для большого неоднородного каталога обе ситуации могут ограничивать рост.
Работающая реклама вполне способна упереться в такой предел. Она продолжает находить покупателей там, где уже умеет это делать, но следующий рубль бюджета всё чаще приходится тратить в наиболее конкурентной части спроса.
#Почему простые способы исправления часто дают неполный результат
#Передать реальную выручку необходимо, но этого может не хватить
Если каждой покупке присвоена одна и та же фиксированная ценность, различия чека теряются уже на входе. Это нужно исправить прежде всего. Директ поддерживает передачу суммы заказа через электронную коммерцию и ценности через цели Метрики.
После исправления большая покупка становится денежно отличимой от маленькой. Но она по-прежнему может оставаться редкой и поздней. Правильные суммы решают ошибку ценности состоявшегося события; вопрос о том, как распознать перспективный дорогой визит до покупки, остаётся.
#Отдельные кампании дают контроль ценой меньшей статистики
Выделить дорогой ассортимент в отдельную кампанию — разумный вариант, когда ему нужен собственный бюджет и другая экономика. Но если внутри новой кампании покупок ещё меньше, обучение может стать менее устойчивым.
Получается неприятный выбор. В общей кампании редкая категория теряется на фоне массовых продаж. В отдельной ей не хватает конверсий. Меняется структура аккаунта, а дефицит обучающей информации сохраняется.
Разделение полезно там, где помогает управлять бизнесом. Его эффективность заметно выше, когда вместе с ним появляется достаточно качественный сигнал для обучения.
#Повышающая корректировка открывает возможности, но не создаёт знания
Можно разрешить рекламе больше тратить на интересную категорию. Это помогает, если её ограничивал слишком жёсткий порог стоимости привлечения. Однако разрешение потратить больше ещё не объясняет алгоритму, каких именно посетителей стоит приводить.
Если прогноз слабый, дополнительный расход может просто увеличить цену эксперимента. Поэтому изменение экономических ограничений и улучшение обучающего сигнала лучше рассматривать вместе.
#Корзина и просмотр карточки могут снова привести к дешёвым товарам
При нехватке покупок часто выбирают более частую цель: просмотр товара, добавление в корзину, начало оформления заказа. Данных становится больше, но цель меняется.
Корзину дешёвого товара тоже собрать проще. Если все корзины одинаково полезны для обучения, та же проблема возникает на более раннем этапе воронки. Кампания может научиться находить много удобных микроцелей, которые не дают нужной структуры оплаченных продаж.
Нужно оценить, насколько раннее действие связано с конечной покупкой и её ценностью именно в данном сегменте. Само количество срабатываний этого не показывает.
#Что меняют моделируемые конверсии
Покупка происходит один раз, но до неё пользователь оставляет гораздо больше информации: что рассматривает, к чему возвращается, как сравнивает предложения, на каком этапе останавливается. Эти наблюдения позволяют оценивать намерение раньше, чем появится транзакция.
Моделируемые конверсии Sales Ninja добавляют такой прогноз к обучению рекламы. Модель оценивает вероятность будущей конверсии и её ценность, а рекламная платформа получает отдельный обучающий сигнал. Важны обе оценки: посетитель с высоким шансом маленькой покупки и посетитель с умеренным шансом большой покупки могут по-разному влиять на экономику.
Удобно представить задачу так:
Ожидаемая ценность визита = вероятность конечной покупки × ожидаемая сумма при покупке.
Допустим, вероятность оплаченного заказа составляет 8%, а ожидаемый чек при покупке — 60 000 ₽. Потенциальная выручка этого визита равна 4 800 ₽. Передавать ему ценность 60 000 ₽ было бы неверно: такая сумма предполагает, что покупка уже практически гарантирована.
Рекламная система получает возможность раньше различать перспективные и слабые визиты. По дорогому направлению появляются полезные сигналы в промежутках между реальными покупками. Это помогает оценивать спрос по большему числу наблюдений, а не только ждать очередную редкую транзакцию.
Модель соединяет вероятность покупки и её ожидаемую ценность; фактические оплаты возвращаются для проверки и калибровки
Вместо универсальной цели «посмотрел три страницы» используется прогноз конкретного бизнес-результата. Один человек изучает несколько дорогих товаров с серьёзным намерением выбрать. Другой быстро открывает похожие страницы и уходит. Внешне оба выполнили микроцель; вероятность и ценность будущей покупки могут сильно отличаться.
Такой подход особенно полезен, когда дорогое направление уже получает визиты и оставляет достаточно поведения, но конечные покупки ещё слишком редки для устойчивой оптимизации. Чем точнее модель различает эти визиты, тем больше смысла в дополнительном сигнале.
#Больше событий должно означать больше информации
Если просто размножить конверсии, можно улучшить показатели обучающей цели и одновременно испортить экономику рекламы. Поэтому у моделируемого сигнала нужна калибровка относительно реальных результатов.
Например, у 50 разных посетителей с вероятностью покупки 8% ожидается около четырёх покупок. При условном чеке 60 000 ₽ это 240 000 ₽ ожидаемой выручки. Пятьдесят ранних наблюдений помогают различать посетителей; они не означают пятьдесят состоявшихся продаж по 60 000 ₽.
Расчёт объясняет принцип, а конкретная передача событий зависит от режима и настроек модели. Моделируемая ценность служит обучению; фактическую выручку бизнеса нужно считать по реальным заказам и оплатам.
Предсказанные события также не становятся независимыми новыми покупками. Несколько визитов одного человека могут относиться к одной будущей сделке. При работе с длинным путём важно учитывать эту связь и согласовывать вклад ранних и конечных сигналов, чтобы одна покупка не превращалась в несколько полных чеков.
В Sales Ninja предусмотрены основной и дополняющий режимы моделируемых конверсий. Роль прогноза можно подбирать под задачу: сделать его существенной основой обучения или добавить к работающему сигналу кампании. Выбор проверяют по конечной экономике проекта.
#Более равномерное обучение: дать шанс полезным сегментам
Когда мы говорим о более равномерной оптимизации, речь идёт о способности оценивать разные значимые части спроса. Распределять деньги поровну между всеми категориями обычно бессмысленно: у них разная ёмкость, конкуренция и окупаемость.
Массовой категории с большим числом реальных покупок может хватать сравнительно небольшого дополнения. Редкому дорогому направлению важнее плотный ранний сигнал. Для медленного спроса нужно учитывать будущий результат за подходящий срок, иначе его постоянно сравнивают с уже завершёнными быстрыми покупками.
Если для всего трафика использовать один грубый порог, часть этих различий потеряется. Условные 5% вероятности покупки могут быть низкой оценкой для горячей категории и сильной — для направления, где средняя вероятность составляет доли процента. При этом сравнивать экономику всё равно нужно с учётом цены привлечения и ожидаемой ценности, а не одной относительной «теплоты».
Sales Ninja учитывает контекст рекламной платформы, кампании и значимых сегментов внутри неё. Это позволяет лучше адаптировать прогноз к разным типам трафика и не заставлять редкое дорогое направление выглядеть точно так же, как массовое быстрое.
У модели появляется возможность раньше подсказать: этот сегмент пока дал мало оплат, но посетители здесь демонстрируют поведение, которое связано с будущими ценными покупками. Дальше результат проверяется по факту: увеличилась ли выручка, выросли ли выгодные заказы, соответствует ли зрелая ДРР допустимой экономике.
Если после достаточного наблюдения дорогая категория действительно не окупается, сохранение её бюджета не становится целью. Полезная равномерность помогает найти потенциал; итоговое распределение расходов определяется результатами.
#Разные части одной кампании можно оптимизировать с учётом их экономики
В одной кампании могут соседствовать аксессуары с быстрым решением, основная линейка со средним сроком выбора и профессиональные товары с редкими крупными покупками. Единый бюджет удобен для управления, но экономические условия у этих направлений могут различаться.
Здесь работают два дополняющих друг друга механизма. Первый — адаптация модельного сигнала к значимым сегментам. Второй — условия стоимости привлечения, которые задаются в рекламной платформе.
В ЕПК Яндекс позволяет изменять целевую ДРР на уровне группы объявлений. Для условной кампании с базовой ДРР 10% настройки могут выглядеть так:
Числа здесь выбраны для объяснения расчёта. Повышать допустимую ДРР дорогой группы стоит тогда, когда это позволяет её экономика. Высокая цена товара сама по себе не означает высокую маржу.
Корректировка меняет целевой показатель выбранной группы. В сочетании с адаптированным прогнозом можно дать рекламе и другую оценку потенциала посетителей, и соответствующее разрешение на стоимость их привлечения.
При этом бюджет и автостратегия кампании остаются общими. Корректировки групп не дают отдельного гарантированного бюджета каждой категории и не создают несколько независимых стратегий внутри одной кампании. Если направлению нужен жёстко закреплённый расход, для него потребуется соответствующая структура кампаний.
Следует учитывать и пересечение настроек. Например, при базовой ДРР 10%, корректировке группы +50% и применимой корректировке региона +40% целевой показатель может составить 10% × 1,5 × 1,4 = 21%. Эти правила описаны в справке Яндекса; смотреть только на базовые 10% в интерфейсе недостаточно.
Практический смысл подхода — сохранить общую кампанию там, где это удобно, но перестать задавать одинаковые условия существенно разным направлениям. Моделируемые конверсии помогают различать их перспективность, а настройки Директа — выразить ограничения бизнеса.
#Как это проявилось в наших проектах
В трёх публикациях ниже показаны разные стороны одной задачи: обучение малотрафиковых направлений, масштабирование предиктивного подхода и поиск роста в уже зрелой рекламе. Их результаты важно читать в контексте конкретных проектов.
#Sales Ninja × SF.RU: редкие категории и рост среднего чека
В кейсе интернет-магазина электроники команде требовалось отдельно управлять ключевыми категориями и улучшить рекламу нишевых высокомаржинальных товаров. Однако переход к более разделённой структуре уменьшал объём трафика отдельных кампаний, и они хуже обучались.
После тестирования моделируемых конверсий подход масштабировали. В публикации приведены рост конверсии на 21,85%, рост среднего чека динамической кампании по топовым запросам на 10,91% и увеличение выручки на 28,37%.
Здесь особенно полезна связь между управлением и обучением. Разделение категорий давало нужный контроль, но ему не хватало данных. Дополнительный прогноз помог совместить более управляемую структуру с обучением на редких событиях. Увеличение среднего чека стало одним из наблюдаемых результатов, наряду с ростом выручки.
#МТС SHOP: дополнительный рост при зрелой рекламе
В кейсе МТС SHOP исходная ситуация отличалась: у команды уже были сильная внутренняя экспертиза, сегментация, стабильные кампании и достаточное количество конверсий. Задачей стал поиск роста за пределами освоенного горячего спроса.
В A/B-тесте сравнили обучение на обычной e-commerce покупке и на сигнале Sales Ninja. На опубликованном слайде для группы B указаны снижение ДРР на 40%, рост конверсии в покупку на 140% и снижение стоимости заказа на 38%.
В проекте меняли плотность и архитектуру сигнала под разные кампании, чтобы обучение лучше распределялось между сегментами. Этот кейс подтверждает пользу подхода для зрелой рекламы; отдельный рост среднего чека в публикации не заявлен.
Результаты трёх публикаций: редкие категории, масштабирование и зрелая реклама; показатели относятся к разным срезам
Кейсы отвечают на разные вопросы. Ранний проект SF.RU показывает, что дефицит событий можно преодолеть при более детальном управлении рекламой. Масштабирование показывает рост выручки вместе с количеством и размером заказов. МТС SHOP показывает, что дополнительный обучающий сигнал может быть полезен и при достаточном общем числе покупок.
Для нового проекта эти цифры служат основанием проверить гипотезу на своих данных. Сила подхода определяется тем, насколько существующая реклама теряет полезный спрос и насколько точно модель умеет его распознавать.
#Как понять, что вашей рекламе мешает именно этот перекос
Начать стоит с разбивки реальных продаж и расходов, а не только с общей ДРР аккаунта. Сопоставьте ценовые диапазоны, категории и бренды: какую долю бюджета они получают, сколько приносят оплаченных заказов и как меняется их доля в выручке.
Особенно показательна комбинация признаков:
Общая ДРР приемлема, но средний чек рекламных заказов или доля дорогих категорий постепенно снижается. У ценных направлений мало переходов и покупок, хотя их зрелая экономика выглядит перспективной. Отдельные кампании по таким направлениям плохо набирают события для обучения. Увеличение бюджета в основном расширяет уже освоенный спрос и повышает стоимость привлечения. Дорогие покупки происходят позже, чем принято оценивать результат кампании. Отдельно проверьте передачу суммы заказа, оплат, отмен и возвратов. Заказ на 100 000 ₽, который отменён, не должен становиться доказательством успешной продажи. А покупка через менеджера не должна исчезать из результата только потому, что завершилась вне сайта.
Если маржинальность различается, одного чека и ДРР мало. При рекламной доле 15% товар с маржинальностью 8% и товар с маржинальностью 35% дают совершенно разную экономику. Для бизнес-решения нужны хотя бы выручка, доступная маржа и рекламные расходы в сопоставимых определениях.
У Директа есть и стратегия «Максимум прибыли»: в актуальном описании доступны средняя маржа и её расчёт как доли от дохода. Это другой способ сформулировать цель рекламы. Выбор более подходящей цели полезен, но вопросы редких событий, задержки результата и качества данных остаются существенными при любой такой оптимизации.
#Как проверять улучшение, чтобы модельные конверсии не стали красивым отчётом
Результат нужно оценивать по реальным деньгам и структуре продаж. Рост числа моделируемых событий означает изменение обучающего сигнала; коммерческий эффект устанавливают по оплатам и расходам.
Хороший пилот начинается с понятной гипотезы: например, дорогие категории недополучают полезный трафик, потому что у них редкие и запаздывающие покупки. Дальше выбирают направление для теста, фиксируют настройки ценности и сравнивают с контролем при сопоставимых условиях. Если объём позволяет, лучше использовать разделение аудитории и A/B-тест. Простое сравнение «до и после» сильнее зависит от сезонности, цен и изменения спроса.
В оценке понадобятся:
Длительность пилота должна позволять проявиться покупкам, на которые он нацелен. Если существенная часть дорогих заказов оплачивается через несколько недель, тест на несколько дней даст незрелое сравнение. При редких событиях одна крупная сделка тоже может сильно изменить среднее; устойчивость результата важнее эффектного краткосрочного скачка.
#Начните с того, что ваша кампания пока не научилась продавать
Когда ДРР укладывается в план, хочется считать задачу решённой. Но приемлемое отношение расходов к выручке ещё не показывает, насколько полно реклама использует потенциал бизнеса. Кампания может эффективно продавать массовую часть каталога и почти не участвовать в продажах более ценных направлений.
Здесь следующий этап роста связан с качеством информации, на которой принимаются рекламные решения. Дорогому спросу нужно дать более ранний сигнал ценности. Разным частям кампании — подходящие условия обучения и экономические ограничения. А результат подтвердить реальными покупками.
Sales Ninja помогает выстроить такую оптимизацию через моделируемые конверсии: прогноз вероятности и ценности покупки, адаптацию к кампаниям и значимым сегментам, работу с конечными результатами бизнеса. Это позволяет искать рост в тех направлениях, которые редкие транзакции делают недостаточно заметными для обычного обучения.
Если у вас широкий диапазон чеков, дорогой ассортимент получает мало трафика, а увеличение бюджета уже не даёт нужного роста, обсудите с нами оптимизацию среднего чека. На вашем проекте разберём распределение покупок и бюджета, проверим полноту данных и определим, какой сигнал стоит протестировать.
Начать можно с конкретного вопроса: какие выгодные покупки ваша реклама могла бы приводить чаще, если бы научилась раньше распознавать их потенциал?
