Снижение расходов на рекламу в digital, повышение качества лидов, отсечение нецелевого трафика с помощью Machine Learning и предиктивной аналитики.

Гипотеза, которая взяла серебро премии «НПБК.Эффективность» в категории «Лучшее применение технологических и/или инновационных инструментов в маркетинге» в 2024 году.

Крепкий кейс из хардкорного B2B.

Для начала подсвечу, что есть «НПБК.Эффективность», а потом уже перейду к тактикам, цифрам и прочему.

«НПБК.Эффективность» — Национальная премия бизнес-коммуникаций. Наверное, одна из топовых премий по маркетингу в России, если не самая топовая. С кучей номинаций, мощным экспертным советом, который определяет номинантов и победителей. За «металл», т. е. награды, рубятся крутые рекламодатели и digital-агентства.

Этот кейс в номинации «Лучшее применение технологических и/или инновационных инструментов в маркетинге» уступил первое место Яндексу, который внедрил ИИ в свой Маркет для привлечения новых клиентов.

Навязать конкуренцию Яндексу и уступить совсем не зазорно, как мне кажется.

Теперь от лирики к сути.

Исторически сложилось, что в компании получаем значимое количество нецелевого трафика в силу специфики бизнеса.

Под нецелевым трафиком подразумеваю не привычных всем ботов от Яндекс. Директа, а вполне себе реальных людей, которые никогда не принесут денег компании. Имя им — физические лица и участники.

За 2024 год их доли составили примерно 32% и 40% соответственно от всего входящего трафика, а «потрачено» на эти когорты около 6 500 000 рублей.

И если наличие физических лиц среди лидов — естественное состояние рынка, то от участников в платном трафике стоило избавиться.

Чтобы стало совсем уж понятно, участники — это посетители клиентских мероприятий. После завершения ивентов эти ребята вываливаются в рынок и пытаются найти наш же сервис, но уже для своих задач. Или хотят получить доступ к записи. Переходят по платной рекламе, оставляют бестолковые заявки, нагружают телемаркетинг и портят мне статистику. Сценариев несколько.

Параллельно этим задачам мы всегда искали способ прирасти в лидах от крупных компаний со штатом более 500 сотрудников. В реалиях Яндекс. Директа провести такую оптимизацию практически нереально, т.к. с одних и тех же запросов могут приходить и физики, и ИП, и корпоративные крупные лиды.

Основных задач в рамках этого кейса две:

1. Снизить долю нецелевого трафика, т. е. участников и физиков. А до кучи и малого бизнеса;
2. Прирасти в доле целевых лидов от крупного бизнеса.

Если уж быть совсем честным, то внедрение решения корнями уходит где-то в 2020—2021 год. В то время мы запартнерились с коллегами из Tomi. ai и применили их сервис в Facebook Ads.

Tomi.ai — сервис предиктивной аналитики. ML, Ai и вот это все. Придумал сервис Константин Баяндин, ex. директор по маркетингу Ozon.

Если упростить, то мы кормим Tomi. ai данными о лидах и продажах из CRM. Tomi переваривает их, оценивает более чем по 200 параметрам, формирует модель поведения юзеров, которые с наибольшей вероятностью совершат покупку.

А на выходе мы получаем «синтетические» цели для оптимизации рекламы в Яндекс. Директе, Google Ads, Facebook Ads. Модель старается привлекать юзеров, которые похожи на наш эталонный сегмент с высокой конверсией в сделку.

Дополнительно, мы учим модель исключать сегменты с наименьшей конверсией в сделку и с небольшими чеками, т. е. физиков, участников, ИП и малый бизнес. В силу реалий, используем Tomi. ai для привлечения лидов из Яндекс.Директ.

Важно еще раз подсветить! Мы около 5 лет непрерывно кормим Tomi данными и обучаем модель Tomi.ai. Сделали несколько итераций, дали Tomi больше информации. Помимо имейлов, телефонов и сумм сделок собираем еще около 10 параметров. Делаем это с одной целью — чем больше информации есть у Tomi о платящих клиентах, тем эффективнее работает реклама.

Т.е. внедрение Tomi. ai — не решение проблемы с трафиком в моменте. Это не подорожник, который приложил к ране и побежал дальше. Бизнесу придется потратить минимум год на обучение модели на своих данных и проверку первых гипотез. Ну и подойдет не каждому бизнесу, конечно.

Но результат может приятно удивить на долгой дистанции.

Что же получилось на цифрах. Покажу примеры парочки рекламных кампаний.

Период А — контрольный период, когда рекламная кампания работала без оптимизации по Tomi.ai.
Период Б — тестовый период, когда внедрили оптимизацию Tomi.ai.

Каждый период равен двум календарным месяцам.

Что видим:

• Тестовая кампания привлекла меньше трафика, но изменилось качество. CTR вырос с 7,17% до 19,72%;
• Тестовая кампания потратила в 9,5 раз меньше средств;
• Тестовая кампания сгенерировала сопоставимое количество лидов, marketings qualified lead, sales qualified lead;
• Тестовая кампания сгенерировала меньше физических лиц.

После раскатки гипотезы на боевую рекламную кампанию, мы провели оптимизацию на уровне семантики с целью снизить количество участников.

Выгрузили семантику, сопоставили с данными из CRM. Определили ключевые слова, которые генерировали участников с долей более 30% от всех лидов. Эта семантика также генерировала и целевые лиды, но затраты на участников были слишком велики.

Предполагаем, что высвобожденный бюджет сможет компенсировать количество лидов, которые давали отключенные запросы.

Что же получили после оптимизации? Исторический минимум доли участников среди лидов в 8,78%, не считая января 2024 года.

Итого:

• В 9,5 раз снизили инвестиции в трафик;
• В 4,5 раза снизили долю участников до 8,78%;
• На 5,8 п.п. снизили долю физиков среди лидов;
• Не просели в количестве целевых лидов.

Поделюсь еще одним красноречивым набором данных, который подтверждает превосходство оптимизации Tomi. ai над обычными настройками Яндекс.Директа.

На скриншоте данные по двум рекламным кампаниям, которые работают параллельно:

• В «желтенькой» используется хоть и навороченная, но доступная практически всем рекламодателям настройка. Еще эта рекламная кампания была локомотивной с лета 2024 года по февраль 2025.
• В «синенькой» эта же навороченная настройка усилена моделью Tomi.ai.

Что видим:

• За один и тот же период тестовая кампания потратила на 3 500 000 рублей меньше контрольной;
• Стоимость заявок от тестовой кампании в 2,4 раза ниже результата контрольной кампании;
• Стоимость MQL, квалифицированного маркетингом лида, от тестовой кампании в 2,4 раза ниже результата контрольной кампании;
• Стоимость SQL, квалифицированного продажами лида, от тестовой кампании в 2,2 раза ниже результата контрольной кампании;
• Конверсии на всех этапах лида выше у тестовой кампании.

Можно отметить, что количественные результаты у тестовой кампании меньше, чем у контрольной. Но цель эксперимента — проверить качественные метрики. Масштабировать кампанию и нарастить количественные результаты не проблема.

Добавлю еще такой тейк.

Наверное, может сложиться впечатление, что «Вот она, панацея. Сейчас мы заплатим Tomi денег и результаты улетят в космос». Это не совсем так.

За всей этой футуристической штукой, Machine Learning, Ai и классными результатами стоит ручная работа. Оптимизация, настройка обмена данными, корректировки, эксперименты.

Инструмент, безусловно, крутой и классный. Но наличие умелых рук, которые будут крутить гайки этой вундервафлей — обязательное условие.