ML-ретаргетинг в Директе: как назначать ставки по вероятности покупки
В базовой настройке ретаргетинг в Яндекс Директе объединяет всех посетителей, которые ушли с сайта без заказа. В одной аудитории могут оказаться пользователь, добавивший товар в корзину, и человек, который зашел на главную страницу и закрыл ее через несколько секунд. При этом для всех действует одна ставка.
Такой подход не учитывает разную готовность пользователей к покупке. При высокой ставке часть бюджета уходит на посетителей, которых реклама вряд ли мотивирует оформить заказ. При низкой ставке объявление реже показывается тем, кто уже близок к покупке. Решением может стать ML-ретаргетинг — сегментация аудитории по рассчитанной вероятности заказа.
Почему обычного ретаргетинга бывает недостаточно
Стандартные сегменты обычно формируют по действиям в Метрике: посещению сайта, просмотру товара, добавлению в корзину или давности визита. Дополнительно используют корректировки по полу, возрасту и устройству, а ставки регулярно сверяют с целевой долей рекламных расходов.
Однако внутри каждого такого сегмента пользователи остаются неоднородными. Среди тех, кто положил товар в корзину, есть почти готовые оформить заказ и посетители, которые только сравнивают цены. Кроме того, в аудиторию могут попасть случайные пользователи, люди с несколькими аккаунтами и корпоративные клиенты, оформляющие покупки через менеджеров. Последних иногда удается исключить из рекламы после появления данных в CRM, но до первого заказа они остаются среди обычных посетителей.
Еще одна проблема связана с отложенными покупками. Если клиент в среднем оформляет заказ через неделю после первого визита, свежая статистика по ДРР будет неполной. Например, при расходах 150 000 рублей выручка с кликов первой недели может составлять 800 000 рублей, а ДРР — 18,75%. Через неделю те же клики могут принести уже 1 000 000 рублей выручки, а ДРР снизится до целевых 15%. Если скорректировать ставки по ранним данным, их можно снизить без реальной необходимости.
Как работает сегментация по вероятности покупки
ML-модель анализирует поведение посетителей и историю заказов, чтобы оценить готовность каждого пользователя к покупке. В расчет могут входить просмотры страниц и товаров, добавления в корзину и избранное, указание адреса доставки и наличие прошлых заказов. В примере с решением Mindbox используется более 200 поведенческих признаков, а оценка вероятности покупки пересчитывается ежедневно.
После расчета пользователи распределяются по группам — от тех, кто с наименьшей вероятностью оформит заказ, до наиболее перспективных посетителей. Количество сегментов выбирают под конкретный проект: например, используют пять или десять групп. Готовые аудитории передаются в Яндекс Метрику или Яндекс Аудитории, а затем применяются в Директе как условия ретаргетинга.
Настройка ставок в четыре шага
- Подключить данные и разметку. На сайт устанавливают трекер, передающий действия посетителей. Историю заказов подключают из CRM или CDP, размечают цели, главной из которых становится оформление заказа, и открывают доступ к Метрике для передачи сегментов.
- Провести АА-тест. Посетителей случайным образом делят на две группы и показывают им одинаковую рекламу на одинаковых условиях. Если результаты групп изначально различаются, их нельзя корректно сравнивать в последующем А/Б-тесте. В тестовой группе дополнительно считают конверсию в заказ и стоимость заказа по каждому ML-сегменту.
- Сформировать гипотезы по коэффициентам. Для групп с высокой конверсией и низким CPO ставку повышают. Для сегментов с низкой конверсией и высоким CPO ее снижают или устанавливают корректировку −100%, полностью исключая показы.
- Проверить настройки в А/Б-тесте. В контрольной группе ML-корректировки не применяют, а в тестовой используют коэффициенты, выбранные по итогам АА-теста. Если перераспределение показов улучшает показатели, настройки можно распространить на весь трафик.
В А/Б-тесте сравнивают ДРР, CPO, конверсию в заказ и выручку с клика. Гипотеза считается полезной, если показ рекламы пользователям с высокой вероятностью покупки снижает затраты на заказ и одновременно повышает конверсию. Если отдельные сегменты показывают результат хуже ожидаемого, коэффициенты для них меняют и тестируют повторно.
Как выбирать корректировки
Универсальных значений коэффициентов нет. Они зависят от ниши, среднего чека, конкуренции в аукционе, объема накопленных данных, стратегии компании и выбранной модели оплаты.
- Низкая вероятность покупки: ставку обычно снижают или полностью исключают показы, если конверсия ниже средней, а CPO выше.
- Средняя вероятность: коэффициент оставляют без изменений либо корректируют минимально.
- Высокая вероятность: ставку повышают, когда сегмент дает конверсию выше средней и более низкий CPO.
ML-коэффициенты также необходимо рассматривать вместе с другими настройками Директа, включая корректировки по полу, возрасту и устройствам. Перед запуском важно проверить качество данных, наличие достаточного объема заказов и влияние отложенных конверсий. Если бизнесу хватает простых сегментов по действиям, обычного ретаргетинга может быть достаточно. ML-подход оправдан, когда внутри аудиторий заметно различается готовность к покупке, а перераспределение ставок способно повлиять на эффективность бюджета.
