Toyota Центр × OMD OM Group: за четыре месяца снизили CPL и увеличили количество обращений из РСЯ

Кейс подготовлен Яндексом. Источник.

Автодилер Toyota Центр Измайлово регулярно использовал рекламу в Директе. Специалисты агентства решили оптимизировать рекламу клиента в РСЯ и запустили эксперимент с матричным подходом в управлении ставками. В рамках эксперимента настроили автоматическую корректировку в сервисе: трижды в неделю скрипт обновлял ставки по ключевым словам в зависимости от количества обращений и CPL.

Этап 1. Создали матрицу на основе статистики ранее запущенных кампаний

Главная задача матрицы — предусмотреть разные правила корректировки ставок для ключевых слов, учитывая их эффективность. Эффективность оценивали по двум показателям: количество обращений и CPL фраз в ранее запущенных кампаниях. В качестве обращений считали целевые звонки и заявки на сайте.

Первым шагом создали промежуточные варианты матрицы: отдельно для CPL и количества обращений. Каждая матрица отображала характерные значения этих показателей за 7 и 30 дней работы кампаний.

В случае с CPL выделили два состояния ключевых слов: когда CPL был ниже и выше плана. Так как рассматривалось два периода, получили четыре возможных сценария показа рекламы:

1. CPL выше плана за оба периода;
2. за 7 дней CPL ниже плана, за 30 — выше;
3. наоборот, за 7 дней CPL выше плана, а за 30 — ниже;
4. за оба периода CPL ниже плана.

Перенесли полученные сценарии на предварительную матрицу значений CPL:



Аналогичную работу провели с количеством обращений и вывели три типичных состояния ключевых слов:

1. по ключевому слову не было лидов;
2. был только один лид;
3. было два и более лида.

Итого — шесть разных сценариев показа рекламы за 7 и 30 дней:



Объединили промежуточные результаты в общую матрицу, которая отображала все возможные сценарии работы рекламы. Каждая ячейка матрицы — это состояние ключевого слова относительно CPL и количества обращений, которое оно может принимать во время показов.



Ключевая проблема, с которой мы столкнулись, заключалась в том, что изначально планировалось больше вариантов по объёму и количеству лидов. Но это раздувало количество сценариев, что увеличивало и количество правил, которые трудно было контролировать.

Этап 2. Установили коэффициенты корректировки ставок для каждого сценария

Следующим шагом нужно было понять, как изменять ставку ключевому слову в зависимости от сценария показов. Чтобы определить коэффициент корректировки для каждого правила, руководствовались следующими принципами:

• ключевые слова, которые принесли 2 и более обращений, должны получать больше показов и использовать 50% бюджета;
• фразы с 1 обращением так же должны выделяться из общего списка ключевых слов, но менее выражено, чем первая группа;
• ключевые слова, которые не принесли обращений, должны получать показы по минимально возможной ставке.

Итоговая версия матрицы с коэффициентами корректировки ставок выглядела так:

Этап 3. Настроили автоматическую корректировку ставок в сервисе

В сервисе K50 создали условия корректировки ставок для каждого сценария матрицы. Три раза в неделю скрипт обновлял ставки ключевым словам в зависимости от их CPL и количества обращений.



Кроме этого, несколько раз в неделю вручную перераспределяли бюджет между кампаниями. Каждые 3-4 дня проверяли CPL кампании и, если показатель был на 20-30% ниже плана, то назначали общий повышающий коэффициент. И наоборот: когда CPL был выше плана на 20%, снижали ставку всем ключевым словам кампании.

Результаты: количество обращений из РСЯ увеличилось на 73%, CPL снизился на 33%

Матричный подход в управлении ставками проработал четыре месяца: с сентября по декабрь 2019 года. Количество обращения из РСЯ в декабре по сравнению с сентябрём увеличилось на 72,9%, CPL снизился на 32,7%.


По данным сервиса K50, 01.09.2019 — 31.12.2019.

Ситуация в автомобильной отрасли недавно сильно изменилась — наш опрос автовладельцев показал, что на рынке существует значительный отложенный спрос. При этом покупательское поведение, возможно, ждут долгосрочные изменения, а роль онлайна на всех стадиях воронки, включая продажу, может вырасти. Это делает матричный подход актуальнее — рекомендуем активно тестировать разные способы повышения эффективности.

Ситуация с интернет-рынком автомобилей в России: исследование Яндекса

В марте 2020 интерес к отрасли значительно снизился и с начала апреля начал постепенно стабилизироваться.

По данным нашего опроса, в апреле больше половины респондентов планировали покупку автомобиля в ближайшее время, а 32% перенесли это решение на следующей год.


Исследование Яндекса «Авто: индустрия на пороге диджитал-трансформации». Все респонденты. Апрель 2020. Россия.

12% респондентов указали, что владеют полной сумой для покупки машины, а более трети планировали взять кредит. При этом больше половины опрошенных уже готовы частично или полностью оплатить эту серьёзную покупку онлайн. Хорошим стимулом может стать финансовая выгода:


Исследование Яндекса «Авто: индустрия на пороге диджитал-трансформации». Все респонденты. Апрель 2020. Россия.

Больше актуальных данных об индустрии можно узнать из нашего последнего исследования «Купить авто онлайн: отрасль на пороге диджитал-трансформации».

Отзыв клиента

Над проектом работали