Содержание
Facebook постоянно меняется. Обновления выходят все чаще и чаще. Алгоритм совершенствуется и становится все сложнее. В этих условиях очень важно всегда быть на шаг впереди, особенно учитывая такое обновление, как оптимизация бюджета кампании (CBO).
В этом кейсе я хотел бы рассказать, как мы заработали больше $380 000 за 49 дней, используя определенные стратегии, подходы и структуру рекламной кампании.
Общая информация
Средняя стоимость заказа: $84
Ниша: спортивный инвентарь и одежда
Бюджет на рекламу в месяц: $80 000 (чуть больше 2K в сутки)
Когда я получил доступ к аккаунту клиента, я увидел, что предыдущие адсеты приносили неплохие результаты. Креативы выглядели симпатично. Рекламный текст тоже не вызывал нареканий. Таргет был настроен на две-три проверенные аудитории, и при этом бренду никак не удавалось выйти в плюс при масштабировании кампаний.
Как только они пытались это сделать, цена за приобретение (cost per acquisition) взлетала до небес. Напротив, ROAS значительно снижался, и поэтому все средства сливались в минус.
Решили начать с создания пользовательских аудиторий (Custom Audiences) c учетом следующих параметров:
- WV: Посещение веб-сайта (Website Visits)
- VC: Просмотр контента (View Content)
- ATC: Добавление в корзину (Add to Cart)
- IC: Начало оформления заказа (Initiate Checkout)
- Pur: Покупка (Purchase)
- AEP: Взаимодействие со страницей (All Engagement Page)
- EAPOA: Взаимодействие с постом или рекламой (Engaged Any Post or Ad)
- VV 75%: Просмотр минимум 75% видео (Video View at least 75% Watched)
- VV 95%: Просмотр минимум 95% видео (Video View at least 95% Watched)
- VC (Просмотр контента) + [определенный продукт]
Мы создали аудитории, в которые вошли все пользователи, взаимодействовавшие с сайтом за последние 30 или 180 дней. Всего было создано 20 пользовательских аудиторий.
Затем настроили похожие аудитории на основе каждой пользовательской. Для похожих аудиторий были заданы следующие интервалы: 1%; 1%-5% и 5%-10%.
Изначально бюджет был настроен на уровне группы объявлений, и этот подход неплохо показал себя в работе. Клиент не использовал CBO, но, поскольку эта модель создания рекламы скоро станет обязательной для всех рекламодателей[1], мы решили испытать ее в деле.
Кроме того, сразу же приступили к оптимизации кампаний по покупкам. Результаты не обрадовали: средний ROAS в день составлял всего лишь 1.8x на вершине воронки. Знаю, что мы способны на большее.
Я разработал новую стратегию, после чего начали оптимизировать кампании по показателю добавлений в корзину. Это в корне изменило положение дел. Количество покупок резко возросло, при этом стоимость добавления в корзину была совсем невысокой. После того как мы провели ретаргетинг, средний ROAS поднялся до 6-7x и даже выше.
Подход к тестированию
Вот как выглядела структура кампании:
Вершина воронки. Холодная аудитория
Адсет 1 |
Адсет 2 |
Адсет 3 |
Адсет 4 |
|
Кампания 1 |
Аудитория 1: степень похожести 1% |
Аудитория 2: степень похожести 1% |
Аудитория 3: степень похожести 1% |
Аудитория 4: степень похожести 1% |
Рекламный формат: |
||||
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
|
Кампания 2 |
Аудитория 1: степень похожести 1-5% |
Аудитория 2: степень похожести: 1-5% |
Аудитория 3: степень похожести 1% |
Аудитория 4: степень похожести: 1-5% |
Рекламный формат: |
||||
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
|
Кампания 3 |
Аудитория 1: степень похожести: 5-10% |
Аудитория 2: степень похожести 5-10% |
Аудитория 3: степень похожести 5-10% |
Аудитория 4: степень похожести 5-10% |
Рекламный формат: |
||||
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
динамические объявления; 2 изображения; 2 видео; 4 заголовка; 3 рекламных текста |
Лучшие результаты показала динамическая реклама. Никаких тестов проводить не нужно — вы сразу же получаете самые эффективные комбинации. Каждый день в зависимости от бюджета и кампании я тестировал различные похожие аудитории, оставлял самые прибыльные и отключал нерабочие.
Самые эффективные похожие аудитории:
- Покупки 1%-5%
- Просмотр контента + [определенный продукт] 1%
- Добавление в корзину 1%
- Просмотр не менее 75% видео 1%
- Посещение сайта 1%-5%
Изначально я таргетировался на тех пользователей, которые взаимодействовали с сайтом на протяжении последних 30 дней, постепенно увеличивая этот показатель до 180 дней. (Не стоит воспринимать это как совет от эксперта, просто мне так удобнее работать.)
Какая аудитория получилась и как её “добивали”
По моим наблюдениям, маркетологи, работающие с электронной коммерцией, чаще всего используют короткие рекламные тексты. Однако в последнее время мы стали писать более длинные тексты, и это сработало.
Пример рекламного текста:
- Начало: отзывы
- Середина: определение «болей» аудитории и описание преимуществ продукта
- Конец: промокод + кнопка «Перейти в магазин»
Как я уже упомянул, именно здесь в ход вступает динамическая реклама, которая автоматически подбирает самые эффективные объявления.
Середина воронки
На этом этапе аудитория уже достаточно прогрета.
Показатели:
- Вовлеченность (как на Facebook, так и в Instagram)
- Просмотр как минимум 50% видео
- Просмотр как минимум 75% видео
- Просмотр как минимум 95% видео
Исключите такие параметры, как число покупок и просмотров страницы, чтобы избежать возможной путаницы.
В середине воронки я запустил динамическую рекламу и добавил карусели, слайд-шоу и изображения, предоставленные клиентом.
Нижняя часть воронки
На этом этапе я таргетировался на тех пользователей, которые взаимодействовали с сайтом, но так и не совершили покупку.
Ниже представлены аудитории, с которыми я работал:
- Пользователь добавил товар в корзину 3 дня назад, но не оплатил заказ
- Пользователь добавил товар в корзину 7 дней назад, но не оплатил заказ
- Пользователь добавил товар в корзину 14 дней назад, но не оплатил заказ
- Пользователь просматривал товары 3 дня назад, но ничего не добавил в корзину
- Пользователь просматривал товары 7 дней назад, но ничего не добавил в корзину
- Пользователь просматривал товары 14 дней назад, но ничего не добавил в корзину
- Пользователь просматривал товары 30 дней назад, но ничего не добавил в корзину
- Пользователь посещал сайт 3 дня назад
- Пользователь посещал сайт 7 дней назад
- Пользователь посещал сайт 14 дней назад
- Пользователь посещал сайт 30 дней назад
При настройке ретаргетинга я использовал два разных подхода:
- Динамическая реклама (DPA)
- Кампания с целью «Конверсии»
Обычно в таких случаях я запускаю карусель или слайд-шоу.
Если пользователи взаимодействовали с сайтом в течение последних трех дней, я рассказываю о бесплатной доставке от определенной суммы (скидки не упоминаю).
Если в течение семи дней — рассказываю о 10% скидке
В течение 14 дней — о 15% скидке
В течение 30 дней — об окончательной скидке в 20%
С помощью ретаргетинговых объявлений вы сможете добиться 5х-12х ROAS.
Как масштабировались
Именно здесь начинается самое интересное.
Все самые эффективные аудитории и интересы пользователей мы сохранили в отдельном Google Doc, чтобы ничего не потерять. Это экономит много времени и избавляет вас от необходимости все запоминать или возвращаться в Ads Manager.
Затем мы разделили все аудитории на разные адсеты и запустили тестовые кампании по модели CBO (4 или 5 адсетов в каждом тесте). Мы хотели проверить, будут ли кампании с оптимизацией бюджета более эффективными.
Одновременно с этим мы запустили тестовые кампании с использованием этих же аудиторий и настроили бюджет на уровне группы объявлений, чтобы сравнить результаты.
Также мы начали оптимизировать аудитории в зависимости от возрастной группы: 35-65+ или 45-65+ для каждого адсета. Как видите, таргетинг по возрасту довольно широкий. Дело в том, что, если вы работаете с Facebook Ads и используете пиксель, вам необходимо настраивать таргетинг на как можно более широкую аудиторию.
Если вы укажете слишком узкую возрастную группу, это может негативно сказаться на результатах. С другой стороны, все надо тестировать.
Получив первые результаты, мы продублировали каждый эффективный адсет или несколько адсетов в новую кампанию. На каждый адсет приходилась отдельная кампания, при этом в кампаниях с оптимизацией бюджета адсет дублировался пять раз, а бюджет увеличивался на 15%-25%.
Отмечу, что дублирование само по себе — это не ключ к успеху. Секрет эффективного масштабирования кампаний заключается в создании автоматических правил, которые помогут избежать чрезмерного повышения цены за приобретение (CPA) и остаться в плюсе.
При создании правил большинство маркетологов не идут дальше уровня покупок или цены за покупку, но есть и другой способ. Намного более эффективный. Обычно я ориентируюсь на следующие критерии: стоимость начала оформления заказа или добавления в корзину.
Например:
Если я потрачу X денег и получу X добавлений в корзину, я приостанавливаю рекламу.
Если стоимость добавления в корзину достигнет суммы X, я приостанавливаю рекламу.
Я совсем не хочу сказать, что надо отказаться от такого критерия, как покупки. Просто начните использовать и другие показатели, например, добавление в корзину и начало оформления заказа.
В долгосрочной перспективе вы сэкономите большую сумму, так как сможете быстрее понять, какой адсет является неудачным, и вовремя отключить рекламу.
Создание правил на основе ранних показателей — ключ к успеху при масштабировании кампаний.
Заключение
Если вы хотите масштабироваться до семизначных цифр и больше, помните — настоящие деньги всегда зарабатываются на ретаргетинге и LTV. Надеюсь, этот кейс оказался для вас полезным.
Автор: Bryan Fuentes
- кейс был опубликован 24 февраля 2020 года. Назад