Контекстная реклама облачной платфомы immers.cloud: формируем поток новых заявок

immers.cloud — это облачная платформа, с помощью которой любой пользователь может взять в аренду высокопроизводительное «железо» и начать пользоваться им через интернет буквально через пару минут. 

Играть в требовательные игры, эффективно заниматься обучением нейросетей, рендерингом и 3D-моделированием, и даже майнить криптовалюту, — всем этим платформа позволит вам заниматься, имея даже простенький ноутбук.

Услугой компании является предоставление своих облачных серверов с индивидуальной конфигурацией оборудования в зависимости от типа решаемых задач. Это полноценные выделенные серверы, удаленные рабочие места, CPU- и GPU-серверы. 

На середину 2020 года платформа работает по модели Infrastructure-as-a-Service. При этом возможность быстрой регистрации и аренды серверов от 60 минут без договора, заявок и ожидания цен послужило полноценным конкурентным преимуществом и позволило считать услугу сравнительно новой и потенциально интересной многим IT-специалистам.

До начала сотрудничества клиент своими силами вел поисковую рекламу в Яндекс Директе, и стандартам эффективной настройки она не соответствовала.

1. Несмотря на то, что семантика была собрана хорошо, все запросы были объединены в одну группу. 
2. В группе присутствовало одно объявление с обобщенным нерелевантным заголовком. Это идет вразрез с одним из основных принципом успеха поисковой рекламы — единой по смыслу связкой «запрос - объявление - посадочная страница», а также ведет к повышению цены за клик.
   
3. Из дополнений присутствовали только быстрые ссылки. Такие объявления получаются малозаметными и менее кликабельными, что также напрямую влияет на цену клика.
   
4. Отсутствовали UTM-метки;
   
5. Отсутствовало разделение кампаний по регионам.

Не беря во внимание другие мелкие недоработки, перечисленные пункты в совокупности уже лишали смысла переделывать существующую рекламу, проще было начать с нуля.

1. Начинаем с качественной проработки семантики.

• Прорабатываем семантику в ширину и в глубину, т.е. дополняем ее недостающими и вложенными запросами. В данном случае тематика позволила обойтись без парсинга семантического ядра через Keycollector.
• Собираем минус-слова. Это те слова в запросах пользователей, по которым точно не стоит показывать рекламу. Они отсекаются как на начальных этапах (сбор и анализ семантики), так и регулярно при последующем ведении рекламы. Таким образом, реклама не показывается незаинтересованным в покупке людям, а мы экономим бюджет.

• Группируем семантику по смыслу и написанию. Здесь также сразу стоит сказать, что метод группировки «1 ключ - 1 объявление» неактуален уже несколько лет. В его пользу есть логичные аргументы, но с точки зрения удобства, времени и денег такой подход имеет низкий КПД. Но опять же все зависит от частотности запросов в конкретной тематике.

2. Составляем конкурентоспособные объявления.

• Для максимальной релевантности используем метод подстановки ключевого слова в главный заголовок – главную часть объявления. Потенциальный клиент делает запрос и сразу видит его в объявлении – БИНГО! Яндекс и Гугл дополнительно акцентируют жирным те слова в объявлении, которые содержатся в запросе пользователя, а это уже воздействие на уровне подсознания. Кликабельность (CTR) растет, а цена клика снижается.
• По возможности помещаем главное УТП в дополнительный заголовок или текст объявления.

• Используем по-максимуму все возможные расширения объявлений: быстрые ссылки, уточнения, визитку, отображаемую ссылку и т.д. Это стандарт эффективной настройки. Во-первых, объявление становится визуально больше и заметнее, растет CTR. Во-вторых, Директ начинает нас чаще показывать в рекламной выдаче.

• Используем правильные utm-метки, в нашем случае для того, чтобы корректно передавать данные в систему сквозной аналитики.

3. Делим рекламу на регионы. В этом плане единого стандарта нет, но по крайней мере Москву отделять нужно всегда.

4. Полностью готовую рекламу переносим через сервис Google Teleport в Google Ads, впоследствии «допиливая» и оптимизируя рекламу под требования этой рекламной площадки. Такой способ настройки используется в тех случаях, когда заказчику не принципиально, где сперва нужно настроить рекламу. Это решение позволяет экономить время студии и деньги заказчика, сокращая трудозатраты.

Цель ретаргетинга – напоминание о предложении, возврат пользователя к брошенной корзине, на сайт или в приложение, информирование об акциях и т.д. Показывать объявления следует не всем посетителям, а только тем, которые проявили интерес к товару или услуге.

В нашем случае для напоминания о себе были выбраны те посетители, которые совершили микро-конверсии – например, обращение в чат или просмотр нескольких страниц сайта, но не совершили макро-конверсий – например, регистрацию или оплату.

Технология look-alike находит потенциальных клиентов среди тех, кто по интересам или поведению похож на ваших существующих покупателей на сайте. Для этого в «Яндекс Аудитории» нужно загрузить список телефонов или email клиентов, либо в «Яндекс Метрике» создать сегмент пользователей, которые совершили на сайте ценные действия. 

По сути это та же реклама в РСЯ, только вместо таргетинга на ключевые слова используется таргетинг на сегмент пользователей, который сервис «Яндекс Аудитории» подбирает с помощью машинного обучения. 

Если данных по конверсиям у системы будет достаточно, то подбирать новую ЦА она будет довольно точно. Убедиться в этом можно как косвенно, проанализировав данные сегмента (например, обратив внимание на значение аффинити-индекса и шкалу схожести пользователей), так и напрямую – об этом в «Результатах».

Параллельно работе с основными рекламными кампаниями проводилось тестирование других рекламных гипотез, в частности рекламы по смежным запросам. Были выделены сегменты пользователей, которые находятся в вершине воронки продаж и ищут решение своей проблемы.

Пример запроса такого пользователя: “компьютер для машинного обучения”. В этом случае мы можем обратить его внимание на иной способ решения проблемы – не покупать компьютер, а арендовать облачный сервер, чтобы он продвинулся по воронке продаж ниже и проявил интерес к нам.

Тест не показал значимых результатов, но есть и плюс – клиент убедился в необходимости проработки сайта под сегменты таких пользователей, т.к. для них он малоинформативен.

Почти с самого начала сотрудничества клиент внедрил наиболее полный вариант аналитики трафика – базовая аналитика (Яндекс Метрика и Google Аналитика) в связке со сквозной аналитикой (UTMSTAT) и CRM-системой (Битрикс24). Такая связка позволяет видеть не только то, какие кампании или ключевые слова приносят заявки, но и наглядно демонстрирует окупаемость каждого рекламного канала.

Дополнительно мы помогли настроить базовые системы аналитики так, чтобы конверсии считались правильно, не искажая реальную картину. Для удобства поместили скрипты и теги всех систем и внешних сервисов сайта в Google Tag Manager.

Спустя 4 месяца тестирования рекламных каналов, объявлений и различных настроек был налажен стабильный приток новых заявок в бизнес клиента в необходимых KPI.

Несколько ключевых моментов:

• Наименьшая стоимость заявки (около 100 руб.) - у рекламы на look-alike аудиторию. Добиться этого удалось после накопления в системе значительного объема данных по конверсиям, а также не в последнюю очередь подбором наиболее удачных вариантов объявлений.
• Самый высокий показатель ROMI (737%) - у ретаргетинга.
• Вышеперечисленные показатели - не предел, т.к. по некоторым наблюдениям часть новых заявок и последующих оплат присваивается не рекламе, а прямым заходам. Это связано с использованием частью клиентов режима «инкогнито» после перехода с рекламы на сайт, при этом затирается client_id и система определяет пользователя как нового и пришедшего не с рекламы.

Начальный этап пройден, и впереди еще много работы. Как минимум нам предстоит еще:

• Повторный тест гипотез после проработки клиентом его сайта под смежные сегменты пользователей;

• Налаживание потока заявок на услуги в CPU-сегменте, и в дальнейшем во всех остальных.

Продолжение следует.