×
Россия +7 (495) 139-20-33

Как рассчитать вероятность конверсий, если статистики слишком мало. Инструкция для начинающих

Россия +7 (495) 139-20-33
Шрифт:
2 19796

Все любят красивую статистику, когда можно, опираясь на цифры, сказать: «Да, реклама работает эффективно!». Сделать такой вывод просто, если вы смотрите статистику на уровне кампаний. А что делать, когда результат есть, но хочется выжать из имеющегося бюджета еще больше? Или когда результат не устраивает, все явные недоработки вы уже устранили, а KPI все равно не выполняются?

Почему без прогноза конверсии не обойтись

В таких ситуациях, естественно, нужно копать глубже, до уровня групп объявлений и ключевых слов. Но если в семантическом ядре много низкочастотных фраз, то с высокой долей вероятности выяснится: вы тратите деньги на клики, а проверить целесообразность расходов не можете. Ведь каждая отдельная ключевая фраза привлекает лишь несколько кликов и конверсий, и для корректного расчета коэффициента конверсии (CR) обычно не хватает данных.

При грамотной перекрестной минусовке каждая из низкочастотных фраз получает небольшой объем трафика

В качестве примера такой нехватки данных можно взять статистику одного из проектов нашего агентства. Для наглядности мы сгруппировали ключевые фразы по количеству полученных кликов и для каждой группы рассчитали фактический коэффициент конверсии.

Группировка ключевых фраз по количеству кликов  (рекламная кампания одной товарной категории, месячный бюджет около 50 000 руб., сводные данные за полгода)

Если взять общую статистику по проекту, то в среднем мы получаем одну конверсию на 52 клика (CR составляет 1,93%). При этом больше половины рекламного бюджета тратится на первую и вторую группы ключевых фраз, по которым мы не можем подсчитать фактический CR из-за недостатка данных о кликах и конверсиях. Кроме того, статистика многих ключей из третьей и четвертой групп также может оказаться нерепрезентативной. Ведь даже у ключевой фразы, получившей много кликов, может оказаться слишком мало (или совсем не быть) конверсий для того, чтобы судить о ее эффективности.

Теперь представим, что у нас есть CR для каждого из ключевых слов в аккаунте. В этом случае мы можем назначать ставки исходя из заданных KPI. А значит, снизить расходы на фразы, по которым KPI предположительно не будут выполняться, и перенаправить бюджет на потенциально более успешные ключевые слова.

Вернемся к нашему проекту. KPI по нему выполняются, клиент всем доволен, но это вовсе не значит, что ставки не требуют оптимизации. Мы рассчитали прогноз конверсии для каждого из ключевых слов. Затем разделили все ключи на 10 групп таким образом, чтобы на каждую из них приходилось примерно 10% от общего числа кликов. Для всех групп добавили данные о расходах и доходах – и получили вот такую занимательную диаграмму.

Распределение расходов и доходов по группам ключевых слов  (на основании прогнозируемой конверсии ключевых слов)

Легко заметить, что ключевые слова из группы с самым низким прогнозом конверсии приносят меньше всего денег, а ключи из группы с наиболее высоким – самые доходные. Если же посмотреть на зеленые столбцы, становится понятно, что расходы на каждую группу держатся в рамках 10%. Таким образом, доля рекламных расходов (ДРР) явно выше в тех группах, где прогноз конверсии низкий.

Что из этого следует? Что ставки необходимо скорректировать таким образом, чтобы расходы на каждую из групп примерно соответствовали доходу, который она приносит. Для этого нужно минимизировать затраты в группах с низким прогнозом конверсии и перераспределить бюджет в пользу потенциально более эффективных ключевых фраз. Результатом будет уменьшение показателя ДРР по проекту в целом.

После оптимизации ставок распределение расходов и доходов по группам ключевых слов должно выглядеть примерно так

Немного теории

Посмотрим, как происходит расчет прогноза CR – сначала в теории, а потом на конкретном примере. Сразу оговоримся, что в статье рассматривается наиболее тривиальный метод вычисления прогнозируемой конверсии (существуют автоматизированные методы с более сложной математикой, которые обычно используются в оптимизаторах конверсий, но о них мы здесь говорить не будем).

В первую очередь нам нужно разобраться с понятием сущности. Сущность – это любой элемент, для которого мы можем собирать и анализировать статистику (то есть группировка в случае Яндекс.Метрики и параметр в Google Analytics). Применительно к интернет-рекламе сущностями будут:

  • аккаунт (высшая сущность);
  • кампания;
  • группа объявлений;
  • группа ключевых слов, собранных по определенному признаку;
  • объявление;
  • элемент объявления (текст, заголовок, посадочная страница и т. д.);
  • ключевое слово (низшая сущность).

Это распределение условно, и вы вольны использовать или не использовать любые сущности из приведенного списка. Важно лишь понимать, что их иерархия определяется количеством агрегированной статистики. У высшей сущности статистики больше всего, в то время как для низших сущностей доступен лишь небольшой объем данных.

При расчете вероятности конверсии мы будем использовать метод многоуровневого пулинга. Он предполагает, что если данных по какой-либо сущности недостаточно, то используются данные по более высокой сущности. Например, если для прогноза CR не хватает данных по ключевым словам (низшей сущности), то можно взять статистику по группе объявлений (сущности уровнем выше), в которую эти ключевые слова входят.

В обобщенном виде формула прогноза коэффициента конверсии выглядит так:

Базовая формула подсчета прогнозируемой конверсии

В формулу подставляются данные о кликах и конверсиях для текущей сущности и CR – для высшей, а также степень пулинга (А). Степень пулинга указывает на степень однородности сущностей, которыми мы оперируем (ключевых слов, групп объявлений, кампаний и так далее). В нашем случае А = 1.

Чтобы получить прогноз конверсии для ключевых слов, нужно подставить в формулу клики и конверсии по ключевой фразе, для которой у нас слишком мало данных, и CR по группе объявлений.

Подсчет прогноза конверсии на уровне ключевой фразы

Если вы захотите больше узнать про многоуровневый пулинг и другие методы расчета вероятности конверсии, то легко найдете в рунете развернутые статьи на эту тему. Теория прогноза конверсий объясняется в них очень подробно, хоть и довольно сложным языком формул и доказательств.

Проверяем на практике

Представим, что мы рекламируем интернет-магазин мягких игрушек, в котором продаются плюшевые слоны и еноты. В семантическом ядре 16 ключевых фраз, распределенных между двумя кампаниями («Слоны» и «Еноты»).

Статистика ключевых слов интернет-магазина «Слоны и еноты»

Поскольку пример вымышленный, значения кликов и конверсий подобраны так, чтобы охватить разные ситуации:

  • достаточно кликов – достаточно конверсий;
  • достаточно кликов – нет/мало конверсий;
  • мало кликов – много конверсий (по отношению к кликам);
  • мало кликов – нет/мало конверсий.

В первых двух ситуациях можно определить эффективность ключевых фраз, подсчитав фактический CR. В третьей и четвертой ситуациях коэффициент конверсии может кардинально поменяться, как только число кликов вырастет.

Чтобы получить прогноз коэффициента конверсии для ключевых слов, мы должны рассчитать CR (фактический или прогнозируемый) для каждой сущности, находящейся выше в иерархии.

Первая итерация (аккаунт ––> кампания)

Начнем с высшей сущности – аккаунта. Чтобы убедиться, что формула работает, рассчитаем прогноз коэффициента конверсии для кампании «Слоны» и сравним полученный результат с фактическим CR.

Подставим в нашу формулу количество кликов и конверсий текущей сущности (кампании), а также CR сущности выше (аккаунта). Как видим, прогнозируемый коэффициент конверсии оказался равен фактическому CR (минимальное расхождение между прогнозным и фактическим показателями скрадывает округление до сотых процента).

Подсчет прогнозируемой конверсии на уровне кампании

Вторая итерация (кампания ––> признаки)

Переходим к следующей сущности в иерархии. Если вы используете структуру аккаунта «1 группа – 1 ключ», то выбирать в качестве следующей сущности группу объявлений нет никакого смысла, но всегда можно разделить ключевые фразы по признакам. Выбирая признаки для кластеризации, нужно учитывать намерения пользователя (что побуждает его вводить тот или иной запрос) и примерно понимать, на каком этапе воронки продаж он находится.

В зависимости от ситуации семантическое ядро можно сегментировать по:

  • наличию ключевой характеристики («генератор 5 квт», «ДГУ 10 киловатт»);
  • наличию слов, придающих запросу коммерческий оттенок («купить», «заказать», «цена», «прайс» и т. д.);
  • наличию географических элементов («в москве», «метро аэропорт», «ул ленина»);
  • запросы в форме вопроса;
  • и другим признакам.

В нашем случае ключевые слова будут делиться по двум признакам: указание на цвет игрушки и наличие слов с коммерческим оттенком («купить», «заказать» и прочих).

Разбивка ключевых фраз по признакам (коммерческому оттенку и указанию на цвет)

При отборе по признакам некоторые фразы обычно попадают сразу в несколько «корзин» (даже в нашем коротком списке есть, к примеру, запросы «стоимость розового слоника» и «купить зеленого енота»). Чтобы решить эту проблему, необходимо объединить все столбцы с признаками в один («Все признаки»). Сводную статистику из этого столбца уже можно использовать в качестве текущей сущности.

Сводная статистика по всем возможным комбинациям признаков

Подставив в формулу количество кликов и конверсий для группы признаков (текущая сущность) и CR кампании (сущность выше), мы получаем прогнозные коэффициенты конверсии. Самостоятельной ценности эти показатели не имеют, но очень пригодятся нам на следующем этапе расчетов.

Фактические и прогнозные значения CR по комбинациям признаков

Третья итерация (признаки ––> ключевое слово)

Кульминация! Наконец-то мы можем получить прогноз CR для каждой из ключевых фраз. Подставляем в формулу количество кликов и конверсий по ключевой фразе (текущая сущность) и прогнозируемый CR уникальной группы признаков (сущность выше), в которую эта фраза входит.

Прогнозные значения CR для ключевых фраз

Как видно из таблицы выше, прогнозы коэффициента конверсии «сглаживают» аномально высокие CR у ключевых фраз с небольшим количеством кликов. Например, у запроса «алешка слоник» прогнозируемые 10,05% явно ближе к истине, нежели фактический коэффициент конверсии в 75%, рассчитанный на основе всего четырех кликов. Полученную прогнозируемую конверсию мы можем использовать при расчете базовых ставок или их оптимизации.

Вместо заключения

Прогнозные значения CR, полученные таким методом, всегда будут иметь некоторую погрешность. Но даже такой прогноз – куда лучше, чем его полное отсутствие. Погрешность в прогнозах всегда будет, но ее нужно минимизировать.

Подсчет прогноза конверсии, описанный в статье, можно выполнить с помощью Excel или Power BI, однако для крупных проектов это займет слишком много времени. Если вы хотите улучшить эффективность вашей рекламы, лучшим решением будут стратегии назначения ставок на основе конверсий в Яндекс.Директе и Google Ads, а также сторонние оптимизаторы конверсий. Работа всех этих инструментов автоматизирована, поэтому, если вы решили их использовать, контролируйте изменения эффективности рекламы и не стесняйтесь обращаться в поддержку сервисов за помощью или советом.

(Голосов: 19, Рейтинг: 4.58)
Читайте нас в Telegram - digital_bar

Есть о чем рассказать? Тогда присылайте свои материалы Ане Макаровой


Новые 
Новые
Лучшие
Старые
Сообщество
Подписаться 
Подписаться на дискуссию:
E-mail:
ОК
Вы подписаны на комментарии
Ошибка. Пожалуйста, попробуйте ещё раз.
Отправить отзыв
  • Яна Багаева
    1
    комментарий
    0
    читателей
    Яна Багаева
    4 месяца назад
    Не очень понимаю, почему вы не указали автора метода пулинга - это Андрей Белоусов. И статья его о методе написана ещё в далёком 2015 году вот тут www.searchengines.ru/prognoz_veroyat.html
    Для меня она сложновата, наверно, поэтому до сих пор никто не описывал серьезно практическое применение:) Ваш вариант вполне достойный, понятный и применимый:)
    -
    0
    +
    Ответить
  • Гость
    1
    комментарий
    0
    читателей
    Гость
    6 месяцев назад
    Полезно, спасибо!
    -
    5
    +
    Ответить
ПОПУЛЯРНЫЕ ОБСУЖДЕНИЯ НА SEONEWS
#SEOnews14: мы празднуем – вы получаете подарки!
Анна Макарова
0
комментариев
0
читателей
Полный профиль
Анна Макарова - Гость, добрый день! С победителями мы связывались сразу после розыгрыша. Если мы вам не написали, значит, ваш номер не выпал. Но не расстраивайтесь, у нас обязательно будут новые розыгрыши!
Что скрывает «Прогноз бюджета Яндекс.Директ»?
Михаил Мухин
9
комментариев
0
читателей
Полный профиль
Михаил Мухин - Дожидаться 100 попыток не будем - не дождемся :) Подведем итоги и опубликуем решение 13 Декабря
Как ускорить сайт на WordPress, чтобы получить 100/100 в Google PageSpeed Insights
Георгий
1
комментарий
0
читателей
Полный профиль
Георгий - Все что рекомендуется в этой статье есть у w.tools. Ни разу не пожалел что подключился. Своя CDN сеть, кеш статики и динамики, минификация js\css и кешируемого html, оптимизация всех типов картинок и еще куча всего полезного. Сайт летает и я не знаю проблем. Могу рекомендовать от души.
Война с дубликатами. Как нужно и как не нужно канонизировать URL
Ann Yaroshenko
5
комментариев
0
читателей
Полный профиль
Ann Yaroshenko - Дмитрий, добрый день! Если вы проставили на странице с автозапчастями rel=canonical ( а я вижу в коде, что не проставили) или в HTTP хедере, то бот, как правило: выберит ту страницу главной, которую вы указали в rel=canonical ссылке. Eсли же вы этого не сделали, то бот сам выберит оригинал (алгоритмы, по которым бот это делает, скрыты Googl-ом)
«Аудит, чтобы ты заплакала…», или Что делать, когда получил сторонний аудит сайта
Евгений
1
комментарий
0
читателей
Полный профиль
Евгений - Воообще, на самом деле здесь двоякое впечатление от таких аудитов. Конечно, для полного глубокого анализа и подготовки рекомендаций по сайту - нужны доступы к системам аналитики и инструментам вебмастера. Но если оценивать подобные аудиты с точки зрения чистого SEO (которое все больше и больше становится лишь малой частью digital-маркетинга, лишь одним из каналов) - они имеют место быть. Но с оговоркой, что они сделаны с учетом анализа конкурентов/отрасли. Современные инструменты и алгоритмы позволяют делать это маркетологам в автоматическом режиме, и даже давать рекомендации - возможностями машинного обучения уже никого не удивишь. Да, полное перечисление "мифического" списка ошибок, построенного по предикативным правилам, да еще и с учетом устаревших особенностей ПС - это явный признак некачественного аудита. В первую очередь потому, что эти "ошибки" следует рассматривать в качестве рекомендаций от ПС (как и говорится в справочнике вебмастера у Яндекса/Google). Однако если эти данные даются с отсылкой на данные о конкурентах, об отрасли, используются методы ML и Natural language processing для обработки исходных данных, кластеризации запросов, классификации страниц/запросов/сайтов, определения структуры документа - такие отчеты имеют право на существование. Но ключевым моментом является то, что подобные инструменты достаточно сложны в разработке, а значит требуют квалифицированных специалистов для их разработки. Которых просто нет у студий рассылающих подобные "сео отчеты". Подобные отчеты по "ошибках" тоже неплохой источник информации, но лишь на 0 этапе анализа сайта. И в принципе, теоретически, возможно почти полное составление "хороших аудитов" без участия маркетолога, на основе лишь открытых данных сайта/внешних источников, но только при соответствующем применении всех современных возможностей анализа данных и рекомендательных систем. И в любом случае подобный "хороший отчет" требует конечного заключения от эксперта.
От мечты стать юристом к собственному SMM-агентству. Как найти себя в современном цифровом мире
Виктор Брухис
5
комментариев
0
читателей
Полный профиль
Виктор Брухис - Статья выглядит так, как пожелали редакторы и интервьюер) Вопросы к интервью подбирал не я)) Хотя, в целом я согласен с вашим видением. А за пожелание удачи большое спасибо!
BDD 2019: Как перестать убивать время на сбор и обработку тонны данных для SEO-аудита
Kosta Bankovski
4
комментария
0
читателей
Полный профиль
Kosta Bankovski - Спасибо за приятные слова! Буду и дальше делиться наработками ;)
Как провести анализ содержания страниц товаров и категорий
Никита Седнин
3
комментария
0
читателей
Полный профиль
Никита Седнин - Спасибо!
Как вывести сайт в ТОП 10 Google в 2019 году
Ирина
8
комментариев
0
читателей
Полный профиль
Ирина - Работают. Как естественные, так и закупные. >Мои сайты в первую очередь заточены на яндекс Соболезную. >Насколько поисковые алгоритмы с гугловскими у него. Разница в 10 лет. Вон в Яше все долбят на ключи, на вхождения и прочий трэш из древностей. А у Гугла, вон почитайте про eat, ymyl Не все понятно но спасибо за ответы. Я так понимаю что с ссылками деть никто точно не знает) Ну это и хорошо вообщем. Самому разбираться как то интересней. Но не всегда. Есть к примеру 2captcha.com/ru и на него 100к ссылок есть. Ну а смысл какой?
Как я пытался купить CRM-систему, но мне ее поленились продать
Kristina
1
комментарий
0
читателей
Полный профиль
Kristina - Очень рекомендую CRM-систему польской фирмы Firmao. Все функции настраиваются в соответствии с индивидуальным потребностям компании! Советую попробовать бесплатную демо-версию, чтобы попробовать все необходимые функции, без лишних кнопок и траты дополнительных финансов! :) Сайт: firmao.ru/info
ТОП КОММЕНТАТОРОВ
Комментариев
910
Комментариев
834
Комментариев
554
Комментариев
540
Комментариев
483
Комментариев
373
Комментариев
360
Комментариев
262
Комментариев
249
Комментариев
171
Комментариев
156
Комментариев
137
Комментариев
121
Комментариев
107
Комментариев
97
Комментариев
97
Комментариев
96
Комментариев
80
Комментариев
79
Комментариев
77
Комментариев
67
Комментариев
60
Комментариев
59
Комментариев
57
Комментариев
55

Отправьте отзыв!
Отправьте отзыв!