Корректировки в Директе легко принять за наследство другой эпохи. Когда специалист сам назначал ставки, всё было понятно: одному сегменту — повышение, другому — понижение. Теперь трафик закупает автостратегия. Она учитывает множество признаков, прогнозирует конверсии и пересчитывает ставки быстрее любого человека. Кажется, остаётся задать цель и дождаться, пока алгоритм найдёт лучший способ её достичь.
Но работающая автостратегия ещё не означает, что рекламный потенциал проекта раскрыт. Как и любая система машинного обучения, она зависит от количества и распределения наблюдений, качества обратной связи и условий, в которых принимает решения. Частые результаты дают много опыта. Редкие — мало. А решения о закупке определяют, какие новые данные появятся завтра.
Поэтому кампания может стабильно приносить конверсии и месяцами оставаться на уровне, который заметно ниже её возможностей. Даже если цели настроены корректно, а сведения о продажах передаются без ошибок.
Корректировки помогают автостратегии учиться и закупать трафик в более подходящих условиях: ограничивают направления с плохой экономикой и усиливают те, у которых есть обоснованный потенциал. Разберёмся, почему такая помощь нужна и почему рассчитать её гораздо сложнее, чем поставить несколько процентов в настройках.
#Десять конверсий в неделю: стратегия живёт, но насколько хорошо учится?
Представим проект, который получает около десяти реальных конверсий в неделю. Реклама работает, бюджет расходуется, обращения приходят. Снаружи всё выглядит нормально. Однако эти десять событий распределяются между разными регионами, устройствами, аудиториями и часами показа. На многие сочетания приходится одна конверсия или ни одной.
В рекомендациях Яндекса по пакетным стратегиям фигурирует ориентир не менее десяти конверсий в неделю. Это полезный ориентир для организации обучения. Он не означает, что при таком объёме система подробно изучила все сегменты и приблизилась к лучшему возможному результату.
Модель способна делать прогнозы и при небольшом количестве наблюдений: помогают общие закономерности и накопленные данные. Но оценка конкретного сегмента остаётся менее надёжной, если собственных исходов почти нет. Новая неделя не обязательно решает проблему: немногочисленные конверсии снова могут прийти из тех же привычных направлений, а остальные останутся слабо изученными.
Простое ожидание тоже не гарантирует выхода из этого состояния. Пока собирается статистика, меняются спрос, конкуренция, цены и поведение аудитории. Старый опыт постепенно теряет актуальность. Проект может долго существовать в режиме, где данных хватает для текущей закупки, но не хватает для уверенного освоения следующей области роста.
Это ограничение имеет вполне практическую цену. Чтобы получить опыт на менее изученном трафике, нужно купить показы и клики, часть которых не окупится. Яндекс прямо описывает этот компромисс в механике минимального бюджета: более низкие расходы в режиме обучения означают меньше трафика и более медленное обучение.
Поэтому вопрос «почему бы просто не дать стратегии ещё поработать» упирается в деньги и скорость накопления полезного опыта. Если бизнес уже располагает основаниями, какие направления стоит ограничить, а каким дать больше возможностей, это знание может помочь стратегии раньше.
#Почему основная масса покупок может тянуть оптимизацию влево
В электронной торговле неравномерность обучения особенно заметна. Во многих ассортиментах недорогие покупки происходят гораздо чаще крупных. Если расположить заказы по размеру чека, слева окажется плотная масса небольших покупок, а справа — редкий хвост дорогих.
Для модели это очень разные условия. О массовых покупках приходит много обратной связи: проще обнаруживать повторяющиеся закономерности и уточнять прогнозы. Крупных заказов меньше, они могут требовать более длинного выбора, а отдельная продажа сильнее меняет статистику сегмента.
При оптимизации количества заказов различие усиливается самой целью: покупка на 2 000 ₽ и покупка на 40 000 ₽ дают по одному достижению. Стратегии выгодно находить больше доступных конверсий. Но и после перехода к выручке редкие дорогие покупки не становятся столь же хорошо изученными, как массовые дешёвые. Правильно оценить результат и накопить достаточно опыта для его прогнозирования — две отдельные задачи.
Здесь может возникать замкнутый круг. У привычного направления больше подтверждённых результатов, поэтому закупка продолжает концентрироваться в нём. Оттуда приходит ещё больше наблюдений. Менее изученные направления получают меньше трафика и медленнее накапливают доказательства своей ценности. В итоге структура закупки способна закреплять структуру опыта, на котором учится стратегия.
Для проекта это риск устойчивого смещения к массовой части спроса. Кампания приносит заказы, отчёт выглядит приемлемо, но часть потенциально выгодной аудитории остаётся недораскрытой. При небольшом объёме конверсий такое состояние может сохраняться долго.
Передача выручки, ДРР и оптимизация по прибыли помогают точнее поставить задачу. Но сами по себе они не создают дополнительные наблюдения в редких сегментах. Насколько существенен этот перекос, зависит от ассортимента, бюджета, данных и настроек конкретной кампании.
Корректировки дают способ повлиять на условия, в которых стратегия ищет результат. Если история проекта и прогнозная модель показывают, что определённая аудитория с высокой вероятностью окупается, для неё можно разрешить более дорогую конверсию или большую ДРР. Это расширяет возможности её привлечения. Для направлений с устойчиво плохой экономикой условия, наоборот, можно ужесточить.
Так мы помогаем стратегии использовать бюджет там, где у бизнеса есть основания ждать отдачу. Дорогой чек сам по себе таким основанием не является: важны вероятность покупки, маржа, выкуп и стоимость привлечения. Повышение должно опираться на эту экономику, а затем проверяться по фактическим результатам.
#Как дешёвые конверсии становятся дорогими продажами
К ограничениям обучения добавляется ещё одна проблема: результат, удобный для оптимизации, может отличаться от того, что нужно бизнесу. Предположим, компания оптимизирует рекламу по двум целям: оформленному заказу и уникальному звонку. Заказы нужны непосредственно. Звонки добавили, потому что их больше, они происходят раньше и помогают стратегии получать обратную связь.
Это разумное решение. Однако слово «уникальный» сообщает только то, что звонок посчитан по определённому правилу уникальности. Оно ничего не говорит о готовности купить. Человек может уточнять условия, искать другую услугу, не подходить по бюджету или вообще звонить по поводу уже сделанного заказа.
Если в одном сегменте таких обращений много, а стоят они дёшево, стратегия получает привлекательное направление для закупки. Насколько сильно она туда сместится, зависит от целей, их ценности и ограничений. Но сам механизм понятен: дополнительный сигнал, введённый ради продаж, начинает влиять на распределение бюджета как самостоятельный результат.
Посмотрим на условный расчёт для двух сегментов с одинаковыми расходами на рекламу:
По обращениям первый сегмент вдвое лучше. По стоимости продажи — втрое хуже. Это не парадокс алгоритма: два показателя описывают разные задачи.
Можно уменьшить ценность звонка относительно заказа. Но единый вес не решает проблему полностью: в одном сегменте звонок почти всегда предметный, в другом — редко. Средняя ценность звонка скрывает эту разницу.
Отсюда появляется содержательная задача для корректировок: разрешать разную стоимость привлечения там, где одинаковая рекламная конверсия имеет разную вероятность превратиться в полезный результат.
#Что именно меняет корректировка в автостратегии
Название «корректировка ставки» несколько сбивает с толку. В конверсионных стратегиях меняется и экономическое условие, по которому алгоритм закупает трафик.
Согласно справке Яндекс Директа, действие зависит от настройки стратегии:
Например, при целевой CPA 2 000 ₽ корректировка +30% задаёт для сегмента ориентир 2 600 ₽. При ДРР 10% такая же корректировка означает 13%. Повышение расширяет допустимые расходы на результат — это должно оправдываться его большей ценностью. При оплате за конверсии корректировки влияют и на сумму списания.
Экономический смысл можно выразить ещё проще. Если компания готова тратить на состоявшуюся продажу 10 000 ₽, а в продажу переходят 10% обращений, допустимая цена обращения составляет около 1 000 ₽. При переходе в продажу 30% обращений — уже около 3 000 ₽. Здесь мы считаем ценность продаж одинаковой и отвлекаемся от прочих расходов.
Такое рассуждение даёт основание для разных условий привлечения. Корректировки задают автостратегии дополнительные ориентиры: здесь у бизнеса есть запас для более дорогого привлечения, а здесь расходы стоит сдерживать. Конкретный процент ещё нужно подобрать, потому что изменение закупки меняет состав трафика и его экономику.
#У конверсии есть продолжение, которого не видно в отчёте
Оформление заказа — удобный момент для измерения: событие конкретное, быстрое, легко передаётся в аналитику. Дальше заказ могут отменить, не выкупить или вернуть. Рекламная цель уже достигнута, а ожидаемый доход исчез.
То же происходит с лидами. Заявка может оказаться спамом, дублем, обращением из неподходящего региона или запросом на услугу, которую компания не оказывает. Иногда обращение вполне настоящее, но сейчас бесполезное: действующий клиент пытается связаться с поддержкой через рекламу, предназначенную для привлечения новых покупателей.
Дело не в том, что Директ принципиально не может получать сведения после заявки: Метрика поддерживает передачу офлайн-конверсий. Проблема появляется, если последствия не переданы, не связались с визитом или не вошли в выбранную цель оптимизации. Настроенная на заявку стратегия не начнёт автоматически оценивать её по правилам отдела продаж.
Есть и более тонкие различия:
- одинаковая выручка может оставлять разную прибыль из-за доставки и обслуживания;
- лиды из нового региона могут быть качественными, но отдел продаж пока не умеет с ними работать;
- одни клиенты покупают один раз, другие регулярно возвращаются;
- лишний звонок может занимать время менеджера, который из-за нагрузки пропустит действительно важное обращение.
Эти обстоятельства помогают определить желаемый результат. Не каждое из них нужно превращать в отдельную корректировку: часть лучше отразить в целях, часть — исправить в бизнес-процессе. Коэффициент полезен там, где различие можно обоснованно связать с доступным для управления сегментом.
И ещё одно различие принципиально: «пока не купил» и «отказался» — разные исходы. Клиент, который согласует договор две недели, не должен получать ту же оценку, что спам-заявка. Если судить о медленных сделках слишком рано, можно систематически занижать ценность самых перспективных направлений.
#Правильно рассчитать корректировки гораздо сложнее, чем их поставить
До этого момента всё выглядит управляемо: нашли недооценённые возможности и слабые направления, повысили коэффициенты для одних сегментов, понизили для других. Но сегменты почти никогда не существуют отдельно. Один и тот же посетитель может жить в городе с низким средним доходом, пользоваться Android и заходить в субботу вечером. Его визит попадёт сразу в несколько срезов отчёта, а при закупке могут одновременно применяться несколько настроек.
Предположим, по данным конкретного проекта часть таких городов даёт много обращений, но мало оплаченных сделок. Среди их посетителей велика доля Android. В общей статистике трафик с Android тоже выглядит слабым, и возникает желание поставить понижение сразу по географии и устройству.
Теперь ограничим только неокупающуюся географию. В оставшемся трафике с Android станет меньше визитов, которые ухудшали его средний результат. Показатели устройства могут заметно улучшиться: состав аудитории изменился. Если сохранить понижение для Android, рассчитанное по прежней смеси посетителей, мы рискуем ограничивать уже вполне выгодное направление.
То же изменение затронет статистику субботнего вечера, если существенная часть исключённых визитов приходилась на это время. Получается, что одна корректировка меняет основания для нескольких других. И наоборот: если сначала ограничить Android, состав трафика из тех же городов изменится, а первоначальный расчёт географии придётся пересмотреть.
На схеме — условный пересчёт одной выборки. Из 200 визитов с Android получено 10 продаж: конверсия 5%. На выбранные города приходится 100 визитов и одна продажа; на остальные — 100 визитов и девять продаж. Если убрать первую часть, в оставшейся выборке конверсия составит 9%. Это показывает изменение состава аудитории. Экономический эффект реального ограничения ещё зависит от расходов, потерянных продаж и того, какой трафик придёт вместо исключённого.
Результат сегмента зависит от того, с какими другими сегментами он пересекается и какие ограничения уже действуют. Поэтому хороший коэффициент нельзя рассчитать раз и навсегда по отдельной строке отчёта.
Поверх этих связей работают правила применения настроек. Однотипная корректировка группы может замещать корректировку кампании, а применимые корректировки разных типов — перемножаться. Например, +30% и +20% дают общий коэффициент 1,56. В одной группе посетитель получит общее сочетание коэффициентов, в другой часть настроек будет переопределена.
Так возникает целая сеть зависимостей: аудитории пересекаются, настройки наследуются по уровням, коэффициенты действуют совместно, а изменение закупки перестраивает статистику. Нужно различать две вещи: какие правила технически применятся к показу и какой экономический результат даст их сочетание. Верно перемножить проценты недостаточно — нужно понять, что станет с составом привлечённой аудитории.
Даже признаки, по которым строится расчёт, сложнее своих названий в отчёте. Города можно сопоставлять по размеру, доходам, структуре занятости или условиям доставки. Время описывает рабочее утро, вечер выходного и местный часовой пояс; 23:00 ближе к 00:00, чем к полудню. Такие связи помогают использовать опыт похожих ситуаций там, где собственных наблюдений мало. География и время здесь лишь два примера: сходным образом взаимодействуют устройства, аудитории, кампании и этапы воронки.
При этом значения постоянно устаревают. Меняются спрос и конкуренция, приходят отложенные оплаты и отказы. После очередной корректировки нужно снова оценить сочетания сегментов — и отличить устойчивое изменение от случайности в маленькой выборке.
Вручную можно исправить отдельный очевидный перекос. Постоянное управление требует совместного расчёта: какие сегменты ограничить, какие поддержать и как это изменит смысл остальных коэффициентов. Именно эту работу имеет смысл передавать машинному обучению. Оно позволяет оценивать множество взаимосвязей, использовать накопленный опыт проекта и регулярно пересматривать настройки как согласованную систему.
#Как Sales Ninja помогает автостратегии с двух сторон
В Sales Ninja мы связываем этот расчёт с прогнозом того, что бизнес получит от привлечённого посетителя. Для этого используются два дополняющих друг друга способа: моделируемые конверсии улучшают обучающий сигнал, а ML-стратегия регулярно пересчитывает условия привлечения через корректировки. Воронка и данные проекта задают им общий ориентир.
#Снизу — более содержательный сигнал для обучения
Моделируемые конверсии оценивают вероятность полезного результата по поведению посетителя и доступным данным проекта. На основе этой оценки формируются дополнительные сигналы для рекламной системы. Их задача — раньше показать, какие визиты близки к нужному исходу, в том числе когда самих исходов ещё мало.
Это особенно полезно при длинном цикле сделки. Покупка может произойти через неделю, две или три; прогноз её вероятности можно использовать раньше. Горизонт выбирается под задачу, а качество прогноза проверяется по последующим фактическим результатам. Виртуальная конверсия остаётся обучающим сигналом, реальная продажа — мерой эффективности рекламы.
Оптимизация по воронке помогает описать, к какому результату должен приближаться пользователь: заявка, квалификация, коммерческое предложение, договор, оплата. Ранний этап полезен своей связью с последующими. Если связь слабая, большое количество ранних событий не должно становиться самоцелью.
В модель можно включить и нежелательные исходы: например, спам или неквалифицированное обращение. Они уточняют оценку качества. При этом неизвестный итог незавершённой сделки необходимо отличать от подтверждённого отказа.
#Сверху — условия привлечения, рассчитанные по данным бизнеса
ML-стратегия корректировок Директа анализирует сегменты и рассчитывает изменения доступных настроек. Она может работать как с обычными целями кампаний, так и с моделируемыми конверсиями.
Расчёт учитывает взаимное влияние сегментов и настроек: как изменение одного направления отражается на оценке остальных, какие коэффициенты уже действуют и как они сочетаются. Общая модель проекта использует опыт связанных сегментов и кампаний там, где локальной статистики мало. Так стратегия может использовать опыт проекта, чтобы поддерживать перспективные направления ещё до накопления большой локальной выборки и ограничивать те, у которых устойчиво плохая экономика. При подготовке изменений учитываются сочетания признаков, действующие коэффициенты и настройки групп. Возможность применить конкретную корректировку определяется типом и настройками кампании.
Связь с моделируемыми конверсиями делает анализ чувствительнее к ранним признакам будущего результата: для оценки сегмента доступны не только уже состоявшиеся продажи, но и прогнозы. Например, обращения ещё проходят квалификацию, однако данные уже позволяют оценить, у каких из них выше вероятность дойти до оплаты.
Для этого мы синхронизируем сведения из внешних источников — CRM, коллтрекинга и других систем. Среди интеграций Sales Ninja есть amoCRM, Битрикс24, RetailCRM, Calltouch, UIS и другие сервисы. Статус сделки, результат звонка и оплата помогают связать поведение на сайте с тем, что произошло дальше.
В настройках бизнес-цели стратегии можно задать, каких результатов нужно больше, каких меньше и насколько они важны. Например, увеличивать квалифицированные обращения и оплаты, одновременно снижая долю неподходящих лидов. Изменения можно предварительно согласовывать или применять автоматически — в выбранном режиме работы.
Совместная работа требует согласования: разницу в ценности, уже отражённую в обучающем сигнале, нельзя механически усиливать ещё раз тем же коэффициентом. Поэтому качество всей настройки определяется тем, насколько согласованно работают цели, прогнозы и корректировки.
#С чего начать и как понять, что стало лучше
Начать стоит с двух вопросов. Насколько рекламная цель соответствует результату бизнеса? И насколько полно кампания использует доступный спрос: где она накопила опыт, а где перспективные сегменты до сих пор получают мало трафика и конверсий? Первый вопрос обнаруживает разрыв между заявкой и оплатой. Второй помогает увидеть ограничения обучения даже при правильно выбранной цели.
Затем нужно проверить передачу данных и посмотреть, различается ли этот переход между сегментами. При длинной сделке сравнивают группы, у которых было достаточно времени дойти до результата: свежие заявки нельзя оценивать наравне с теми, что поступили месяц назад.
После этого выбирают подходящий способ: точнее настроить реальные цели, добавить моделируемые конверсии, подключить ML-корректировки или использовать их совместно. Проверять результат следует по оплаченным сделкам, качеству лидов, прибыли и доступному объёму привлечения. Снижение CPA при падении продаж задачу не решает. Как и рост числа виртуальных событий сам по себе.
Автостратегия — сильный инструмент, но её рабочее состояние не равно пределу эффективности. Она может хорошо справляться с массовым спросом, медленно накапливать опыт в редких сегментах и закреплять уже сложившееся распределение трафика. Корректировки позволяют помочь ей выйти на более выгодное сочетание аудитории и условий привлечения.
Смысл этой помощи — сократить затраты на направления, чья слабая экономика уже достаточно понятна, и дать больше возможностей тем, у которых есть подтверждённый потенциал. Выбор конкретных показов и ставок по-прежнему остаётся за автостратегией Директа. Она продолжает учиться, получая более содержательные сигналы и дополнительные ориентиры от бизнеса.
Для команды это вполне практический выбор: сколько времени она готова постоянно тратить на анализ тысяч сочетаний и пересмотр настроек — и какую часть этой работы можно передать системе. ML-стратегии Sales Ninja берут на себя регулярный расчёт корректировок, а моделируемые конверсии добавляют ранний сигнал о качестве будущего результата.
Если кампания стабильно приносит конверсии, но рост остановился или её экономика не устраивает, стоит проверить и качество целей, и то, как распределяется опыт между сегментами. Подключите данные проекта к Sales Ninja, задайте бизнес-цель и оцените предлагаемые изменения. Так корректировки становятся постоянно работающим инструментом, который использует знания о вашем бизнесе при управлении рекламой.
