Как пакетная стратегия Google Ads помогает обучать алгоритмы и удешевлять рекламу — кейс Volkswagen и iProspect

Клиент и задача

Автомобильная компания Volkswagen в начале года выпустила новые модели Touareg, Tiguan и T-Cross. Под каждую модель создали специальный лендинг с описанием преимуществ автомобиля и контактной формой заявки на покупку.

Нам нужно было получить максимальное количество заявок на покупку автомобилей в рамках заданной CPA (cost per action, — ред.)

Какие инструменты использовали

Мы запустили отдельные поисковые кампании по брендовым ключевым словам, а также умные кампании в контекстно-медийной сети для каждой из моделей. Разберемся в возможностях и преимуществах каждого инструмента.

Поисковая реклама

Это тип рекламы, при котором объявления в выдаче Google видят те, кто сам ищет ваши товары или услуги в данный момент. Поэтому такая реклама — одна из самых релевантных и эффективных.

Оплата поисковой рекламы действует на основе ppc-модели (pay per click), то есть только за клики пользователей по объявлению. При этом мы сами можем определить цену за каждый клик.

Для достижения целей мы решили использовать брендовые ключевые слова — фразы, содержащие название бренда или модели). Например, «volkswagen touareg». Они приносят наиболее конверсионный и дешевый трафик.

Пример объявления поисковой кампании

Умная кампания в контекстно-медийной сети

Параллельно мы запустили умные кампании в контекстно-медийной сети Google. В нее входят более 2 млн партнерских сайтов, видеороликов и приложений, а также собственные площадки Google — YouTube, Gmail и Google Play Market. По данным Google, контекстно-медийная сеть охватывает более 90% пользователей интернета.

Умные кампании в контекстно-медийной сети объединяют в себе ремаркетинг и таргетинг на потенциальных клиентов, которые находятся в начале процесса покупки.

Мы не можем сами подобрать аудиторию, интересы, места размещения рекламы — их определяет система. Благодаря автоматическому таргетингу алгоритм сам находит пользователей, которые вероятнее всего совершат целевое действие.

В этом типе рекламной кампании используются адаптивные медийные объявления. За счет машинного обучения алгоритм сам создает релевантные объявления из изображений, видео, заголовков и описаний, которые мы ему задали. Чем больше элементов, тем больше объявлений алгоритм сможет создать для каждого отдельного аукциона.

Примеры адаптивно-медийных объявлений

В контекстно-медийной сети мы можем платить не за клики, а за полученные конверсии. Для этого в аккаунте за последние 30 дней должно быть минимум 100 конверсий. При этом 90% конверсий должны происходить в течение семи дней после клика по объявлению.

Данная модель оплаты доступна только при использовании стратегии «Целевая цена за конверсию». Сумма, которую мы будем платить за каждую конверсию, равна заданной целевой цене за конверсию. При этом, если задать слишком низкую СРА, то количество показов снизится или вообще упадет до нуля.

Для оптимальной работы рекламной кампании дневной бюджет должен быть не ниже, чем целевая цена за конверсию.

Первые результаты

По итогам месяца поисковые кампании по брендовым ключевым словам принесли немного лидов, а CPA превысила план на 125,55%. Объем полученных данных о конверсиях был слишком мал. Это осложняло обучение алгоритма интеллектуального назначения ставок, который должен был приносить лиды по заданной целевой CPA.

В то же время умные кампании в контекстно-медийной сети, наоборот, перевыполнили план. CPA оказалась почти вдвое ниже плана, а заявок на покупку поступило на 55% больше желаемого.

Благодаря машинному обучению система сама подбирала релевантный баннер. Его видела та аудитория, которая наиболее склонна совершить действие, в том числе аудитория ремаркетинга. Именно поэтому удалось достичь таких результатов.

Результатами «умных» кампаний в КМС мы были очень довольны, а поисковых — совсем нет. Нам нужен был способ их улучшить.

Наше решение

Поскольку стратегии интеллектуального назначения ставок не хватало данных для обучения, готовая к целевым действиям аудитория редко видела объявления. В результате стоимость конверсии была очень нестабильной.

Чтобы исправить эту проблему, мы решили использовать пакетную стратегию назначения ставок для всех поисковых кампаний.

Эта автоматизированная стратегия оптимизирует ставки одновременно для нескольких кампаний, которым задается общая цель. В нашем случае — это целевая цена за конверсию. Таким образом стратегия будет обучаться на основе всех данных, а не на отдельных кампаниях.

Так как у каждой из моделей была своя плановая CPA, в пакетной стратегии мы использовали среднее значение для целевой цены за конверсию.

Результаты

У алгоритма назначения ставок появилось в несколько раз больше данных. Процесс обучения закончился, и уже через неделю мы увидели положительную динамику в результатах кампаний.

Спустя полтора месяца после изменений мы перевыполнили план по количеству конверсий. Удалось понизить CPA на 30%, и теперь она ниже планового показателя более чем на 15%.

Результаты поисковых кампаний с использованием пакетной стратегии

Итог

Если вы работаете с несколькими кампаниями, направленными на продвижение похожих товаров/услуг, но объем данных по отдельности слишком мал для обучения алгоритма, используйте пакетную стратегию назначения ставок. Таким образом вы сможете объединить кампании одной целью и получить больше данных.

Важно, что продвигаемые товары или услуги должны быть в одном ценовом диапазоне. К примеру, не стоит использовать пакетную стратегию для объединения кампаний, нацеленных на покупку автомобиля и чехла для сидения в нем.

Также не ограничивайтесь только поисковыми кампаниями — тестируйте и другие инструменты, например, умные кампании в КМС. Этот инструмент максимально расширит охват потенциальных клиентов и принесет дополнительную недорогую конверсию.