Как формировать и тестировать много рекламных идей

В статье рассказываю, как с помощью конвейера гипотез я нахожу идеи для рекламы, тестирую самые перспективные и оцениваю результат до продаж. 

Обычные рекламные запуски отличаются от конвейера несистемным подходом. Стандартная ситуация в бизнесе: за рекламу в соцсетях отвечает один подрядчик, за рекламу в Директе – другой. В этом случае сложно оценить, что приносит каждая из кампаний, потому что у них настроены разные цели и все данные приходят в разных форматах. В результате рекламой управляют очень приблизительно, из-за чего компании часто сливают бюджет.

В конвейере гипотез мы синхронизируем запуски в разных каналах, приводим данные в единый формат и выводим результат в сквозную отчетность. Суть конвейера заключается в постоянном повторении последовательности «Выдвинули гипотезу – Проверили – Оценили результат – Выдвинули новую гипотезу».

Генерируем гипотезы – выдвигаем идеи, кому, где и как показывать рекламу

Под гипотезой мы понимаем комбинацию факторов, которые влияют на эффективность рекламы: аудиторий, каналов, площадок и так далее, вплоть до конкретных слов в объявлениях. Например:

• реклама на аудиторию брошенных корзин на сайте интернет-магазина запчастей; 
• медийно-контекстный баннер на поиске по группе запросов на тему «открыть карту UnionPay»; 
• ремаркетинг в Директе и во ВКонтакте на тех, кто читал в блоге компании статьи про открытие бизнеса. Им показывается продукт «бесплатное Открытие ИП или ООО с подключением расчетно-кассового обслуживания».

Вот что помогает нам с идеями:

• Данные прошлых рекламных запусков. Если они есть, можно убрать идеи, которые показали неэффективность. 
• Анализ конкурентов. Возможно, коллеги по нише уже потратили много времени и денег на сотни гипотез. Часть из них есть в открытом доступе. Эти гипотезы можно собрать, обработать и использовать в своих целях.
• Личный опыт специалистов по рекламе. Если перформанс-маркетолог уже запускал рекламу для одного банка, запустить рекламу для другого ему будет значительно проще. Например, у него уже будет информация о приоритетных комбинациях гипотез. 
• Мозговой штурм. Чаще всего в нем участвует команда маркетинга со стороны клиента и команда агентства. 
• Отдел продаж и продакт-менеджеры клиента. Специалисты, которые напрямую общаются с целевой аудиторией или собственноручно дорабатывают продукт, очень часто приносят неожиданные и ценные мысли.

Приоритизируем гипотезы — решаем, что запускать в первую очередь 

Методологий приоритизации много, мы часто используем RICE (Reach – охват, Impact – влияние, Confidence – достоверность, Effort – усилия): смотрим, насколько в гипотезе большая аудитория, сколько денег она может принести, насколько мы уверены, что аудитория купит, насколько дорого показывать этим людям рекламу.

Методология нужна для того, чтобы учитывать не только опыт специалистов и мнение клиента, но и систематизированные данные и возможности реализации.

Часто у клиента уже есть список продуктов, которые необходимо запустить в работу в первую очередь с лучшими гипотезами продвижения. 

Итоговая табличка с готовым списком гипотез может выглядеть так.

Пример сформированного списка гипотез со статусами запусков – что запускаем в первую очередь, а что во вторую и третью.

Тестируем гипотезы

Верхнеуровнево полный цикл тестирования у нас выглядит так:

1. Стандартизируем названия кампаний, групп и объявлений, создаем UTM-метки. 
2. Добавляем новые сущности в сквозную отчетность. 
3. Готовим креативы и тексты объявлений, согласовываем их с клиентом. 
4. Запускаем тест на конкретное время, устанавливаем KPI. 
5. Подводим итоги гипотезы. 
6. Проверяем веб-аналитику, если воронка нестандартная. Например, для отдельного продукта сделали дополнительную страницу и упрощенную форму заявки. Там могут быть нестандартные цели, и тогда нужно оптимизировать рекламу с их учетом. В этом случае можно сделать не стандартную форму заявки с 2–3 этапами, а быструю для обратного звонка.

Первый пункт в цикле тестирования особенно важен: если не стандартизировать все названия и UTM-метки, потом не получится полноценно проанализировать результаты. Правильные UTM-метки легко разобрать регулярными выражениями с помощью одинаковых запросов и собрать в отчетность. В правильно сгенерированных ссылках видны все важные параметры: содержимое объявления, таргетинги, регион, источники, площадки, модель оплаты.

Ниже для сравнения показаны два примера – с удобным и неудобным неймингом.

Удобный нейминг: видно источник, тип площадки, регион и тип таргетинга, продукт и категорию.

Неудобный нейминг: в отчетность можно вытащить только тип площадки и регион. Этого мало для принятия решений. 

Мы стандартизируем нейминг и UTM-метки с помощью справочника разметки. Физически это таблица в Google Sheets, в которую вводят адреса посадочных страниц и параметры, а на выходе получают размеченные ссылки.

Наш справочник разметки и правила его заполнения (чтобы воспользоваться, скопируйте к себе на Google Drive через Файл → Сделать копию)

Оцениваем эффективность рекламы с помощью аналитики

Без аналитики весь конвейер гипотез теряет смысл: реклама сжигает бюджет, генерирует какой-то результат, но соотнести его с действиями в рекламном кабинете невозможно. Аналитическая отчетность помогает отбросить неэффективные гипотезы и усилить эффективные.

Строить отчетность можно по-разному. Главное – иметь наглядную таблицу или диаграмму, на основе которой можно принимать решения. Ниже о том, какие варианты существуют.

Автоматическая передача данных в базу данных

Например, Google Big Query. Плюс этого варианта – в скорости и автоматизации: сырые данные из источников автоматически складываются в базу данных, откуда их можно вывести в любые отчеты. Минусы:

• Высокие требования к специалисту. Он должен уметь программировать, чтобы написать код и контролировать сервисы, или знать SQL, чтобы работать с данными.
• Стоимость зависит от объема данных, сложности атрибуции, частоты обновления. Например, вручную обновлять отчет каждый день дорого, дешевле один раз сделать коннектор.

Пример ежедневного отчета по эффективности на основе выгрузки из базы данных по API: бизнес потратил на канал 422 тыс. руб. за неделю и получил 329 заявок. Средняя цена продажи – 1167 руб., экономика сошлась, продолжаем работать 

Полуавтоматическая выгрузка с помощью Power Query Excel или Query Гугл Таблиц

Плюс: не нужно знать программирование и SQL, чтобы глубоко изучать полученные данные.

Минусы:

• Нужно разобраться в инструменте бизнес-анализа QUERY в Google Sheets или его аналоге – Power Query в Excel (не работает на Mac). 
• Требуется время на обновление данных.

Пример дашборда данных в Power BI, подключаемого к отчету в Excel

Ручная выгрузка с помощью Excel или Google Sheets

Плюс: доступна в любой операционной системе.

Минусы:

• может возникать большое количество ошибок, 
• ручное обновление занимает много времени, 
• нельзя связать принципиально разные источники данных по ключам.

Пример сводного отчета, собранного в Excel

В любом случае правильно настроенная отчетность позволяет оценивать эффективность каждой гипотезы и следить за ее результатами в динамике по месяцам, неделям и дням.

Выводы

На выходе конвейер гипотез дает положительные и отрицательные результаты. С помощью положительных легче управлять потоком заявок, положительные результаты – улучшаем.

Отрицательные результаты тоже улучшаем и забираем в тестирование, но если улучшить невозможно – отключаем.

Главное в комплексном запуске рекламы: видеть картину в целом, погружаться в специфику бизнеса, тщательно делать внутреннюю разметку и отчетность.