Я начинаю цикл статей о расстановке ставок. Из этой статьи вы узнаете о методах расстановки ставок и о их проблемах.

Что даст?

Начнем с очевидного. Почему-бы всем ключевым словам просто не поставить одинаковую ставку? Дело в том, что трафик с одних ключевых слов более качественный чем с других. Конверсия ключевика “купить чайник самсунг” будет больше чем с ключевика “чайник”.

Если бы все ключевики были бы одинаковыми, то ставки должны быть тоже одинаковыми. Чем более ключевики разные, тем больше можно получить благодаря расстановке неравных ставок.

Чем сильнее отличается конверсия у ключевых слов, тем больше может дать оптимизация ставок. Используя теорию вероятностей, можно оценить предельную эффективность оптимизации.

Предел

Если наша цель получить максимум конверсий при сохранении CPA (средней стоимости конверсий), то, почти всегда, улучшение будет меньше чем вдвое. Даже оптимальный набор ставок не принесет вдвое больше конверсий, чем равные ставки при том-же CPA.

Исключения случаются крайне редко и обычно говорят о серьезных проблемах в настройке рекламы. Например, о том, что часть ключевиков ссылаются на 404 страницу или многих рекламируемых товаров нет в наличии.

Более точно теоретический предел оптимизации можно вычислить как 2/(1+m), где m это средняя конверсия по сайту. Например, при 25% конверсии предел равен 2/1.25 = 1.6. Другими словами, при 25% конверсии невозможно превзойти эффективность равных ставок более чем в 1.6 раз.

Этот предел касается только оптимизации числа конверсий. При оптимизации дохода, можно вполне получить в 2-3 раза большую эффективность чем равные ставки. На моей практике не раз были такие случаи.

Студии

Некоторые студии интернет-маркетинга, к сожалению, не понимают, что оптимизация ставок увеличивает не только прибыль клиента, но и также повышает прибыль студии.

Допустим у клиента целевой CPA = 100 руб, мы до оптимизации получали 1000 конверсий, а после стали получать 1500. Расход до оптимизации был равен 1000*100 = 100.000 рублей, а после оптимизации 1500 * 100 = 150.000. Т.е. бюджет тоже вырос в 1.5 раза.


Поскольку студия получает процент от бюджета, то прибыль студии тоже возросла. Допустим студия получает 20% комиссии от расходов клиента. До оптимизации она получала 20%*100.000 рублей=20.000 рублей, после — 20%*150.000 = 30.000 рублей.

Снимок экрана 2017-03-17 в 20.30.33

Даже если у клиента фиксирован бюджет, а не CPA. То после снижения CPA, клиента очень просто убедить увеличить расход в контекстной рекламе.

Поэтому студиям выгодно оптимизировать ставки клиента.

Отключение ключевиков

Некоторые специалисты предпочитают удалять ключевики с низкой конверсией, а не снижать на них ставку. Но это неправильный подход.

Допустим наша цель получить максимум конверсий при CPA=10$. Допустим в среднем конверсия равна 10% у нас есть ключевое слово с конверсией в 1%, что в 10 раз ниже чем в среднем.

  • Если мы отключим этот ключевик, то не будем получать с него конверсий
  • Если мы выставим на него ставку в 0.1$, то CPA по этому ключу в среднем будет не более 0.1$/1% = 10$. Т.е. мы получим дополнительные конверсии по приемлемой цене.

Снижение ставки принесет нам больше конверсий, чем отключение ключевика. При этом средняя стоимость конверсий не возрастет.


Другая проблема отключения, в том, что , судя по статистике, мы никогда абсолютно точно не можем сказать, что ключевик плохой. Если мы подкинем монетку 10 раз, то вполне может выпасть 10 решек подряд. Это естественно не значит, что на 11 раз тоже будет решка.

Поэтому, ориентируясь на статистику, нельзя абсолютно точно сказать хорошее ли это ключевое слово или плохое. Всегда будет существовать вероятность того, что хорошему ключевику просто не повезет и мы его отключим.


Поэтому с через некоторое время, отключение ключевиков начинает приводить к уменьшению эффективности. С самого начала мы уже отключили большинство плохих ключевиков, после чего мы начинаем отключать ключи, которым просто не повезло. Поэтому через какое-то время, эффективность начинает снижаться:

Снимок экрана 2017-03-17 в 20.33.15

Проблемы:

  • Ниже эффективность, чем при расстановке ставок
  • Склонность к снижению эффективности во времени
  • Человеческий фактор

В общем, лучше снизить ставки чем отключать ключевые слова. Кроме редких исключений. Например, когда товаров нет в наличии.

Ручные ставки

На первый взгляд, у человека больше информации, чтобы принять решение. В отличии от машины человек понимает текст ключевого слова, может сопоставить его с текстом сайта и объявления, а также принять во внимание статистику и на основе этих данных дать точную оценку конверсии.

Самое очевидная проблема — большая трудоемкость этого процесса. Уже при 1000 ключевиках на еженедельное обновление будет тратится неоправданно много времени.

Однако, основная проблема в другом. Человеческий мозг не приспособлен для расстановки ставок. Человеку удобнее думать категориям или принимать однозначные решения. Например, такие как отключение ключевиков.

Во время закрытого тестирования в Bid-Expert был примечательный глюк. В моем сервисе есть динамическая защита. Ставки перед установкой, оцениваются независимым модулем системы. Если защите не понравятся ставки, то она их не будет выставлять.

Также система запоминает ставки, которые были до нее, чтобы пользователь мог их восстановить. Однако, восстановление старых ставок не работало в большинстве случаев. Оказалось, что причина в том, что ставки выставленные пользователем, не нравились динамической защите.

Детальный анализ показал, что в 90% случаев, ставки выставленные человеком даже менее эффективны, чем установка одной и той-же ставки всем ключевикам.

Копнув еще глубже, я понял, что человек хорошо “угадывает” какой ключевик лучше, но переоценивает различия между ключевиками. Ставки сделанные человеком имеют слишком большой разброс. Если машина, ориентируясь на статистику, поставит ставки 5$ и 7$, то человек интуитивно выставит 3$ и 9$.

Проблемы:

  • Трудоемкость
  • Человеческий фактор

Перебивка и бид-менеджеры

Я уже неоднократно писал, что перебивка цен входа в гарантию/спецразмещение контр-эффективна. Я даже провел численный эксперимент показывающий, что равные ставки почти вдвое лучше перебивки.

Ручная перебивка крайне трудоемкий процесс. Она требует намного больше времени, чем расстановка ставок. Чтобы это автоматизировать существуют программы — бид-менеджеры.

Однако, для настройки бид-менеджера тоже  требуется очень много времени. Для каждого ключевика нужно задать максимальную ставку. Поскольку бид-менеджер не учитывает статистику, то нужно постоянно корректировать максимальные ставки, в зависимости от данных ключевых слов.

В общем не перебивайте те циферки, которые вы видите в интерфейсе — они ничего не значат. Вы по сути устанавливаете случайные ставки. Также не следует использовать программы, которые делают это автоматически — бид-менеджеры. Это где-то вдвое снижает эффективность. Намного проще не отвечать на половину заявок.

Ставки по правилам

Другой класс автоматических решений для расстановки ставок — управление по правилам. Например, “если было в более 300 кликов и менее 3 конверсий — сократить ставку вдвое“.

Правила задаются человеком и поэтому, у них будет не намного выше эффективность, чем при ручном задании ставок. По сути правила задаются человеком с потолка, исходя из интуиции.

Кроме этого у ставок по правилам есть проблема ступенчатости. Допустим у нас есть 9 правил. Треть из них касаются ключевых слов с числом кликов от 300 до 900:

  • Если показатель конверсии меньше 0.5%: ставка = 0.5$
  • Если показатель конверсии от 0.5% до 1.5%: ставка = 1$
  • Если показатель конверсии  более 1.5%: ставка = 2$

 

Снимок экрана 2017-03-17 в 20.36.17

Мы получаем ступенчатый график. Из-за чего ставка при конверсии 0.51% такая-же как и при конверсии 1.49%. Аналогичный график можно построить для зависимости ставки от числа кликов — он тоже будет ступенчатым.

Поскольку у нас две размерности (клики и конверсии), то чтобы вдвое уменьшить размер шага нужно вчетверо увеличить число условий.  Например,  у нас есть 3 диапазона конверсий (0-0.5%, 0.5%-1.5%,1.5%+) и три диапазона кликов (0-300, 300-600 и 600+). Всего 3*3=9 условий. Чтобы увеличить точность, перейдем на 6 диапазонов конверсии и 6 диапазонов кликов, в итоге получим 6*6=36 условий.

Если мы снова захотим вдвое уменьшить шаг, то нам нужно будет ввести 12*12=144 правила. Из-за квадратичного роста числа правил, такой вид управления ставками по правилам всегда имеет высокую погрешность из-за ступенек.

Проблемы:

  • Человеческий фактор
  • Правила задаются с потолка
  • Высокая погрешность из-за ступенек

Оптимизаторы ставок

Оптимизаторы ставок/конверсии — это программы, которые устанавливают ставки в зависимости от данных и заданных в них целей. Они могут вписываться в целевой бюджет и/или CPA/ДРР/ROMI/ROAS.

Например, пользователь ставит перед оптимизатором задачу: “Получить максимум конверсий при CPA=10$”. И система увеличивает число конверсий, удерживая заданную пользователем среднюю стоимость конверсии.

У оптимизаторов есть одна проблема, в том что большинство пользователей не знает как они работают. Для них оптимизатор это черный ящик. Однако, из-за автоматизации, на эффективность это почти не влияет. Например, мало кто знает как работает процессор, но это не мешает эффективно пользоваться компьютером.

Однако, непонимание работы оптимизатора рождает недоверие. Поэтому опишу как устройство оптимизатора конверсий. В самом простом случае, система вычисляет ставку просто перемножая 2 числа:

  • Коэффициент вписки. Некоторое число одинаковое для всех ключевых слов. Оно нужно чтобы вписаться в условия заданные пользователем. Если наш CPA выше целевого, то система благодаря коэффициенту вписки снижает ставки, в противном случае — увеличивает.
  • Прогноз вероятности конверсии. Система по статистике оценивает эффективность каждого ключевика.

Вписка

Например, нам нужно вписаться в CPA=10$. Самые простой способ использовать метод последовательных приближений. Примерно также поступает и человек, когда ему нужно вписаться в CPA или бюджет. Например:

  • за последнюю неделю CPA=20$. Поскольку это вдвое выше чем целевой CPA, то мы снижаем все ставки вдвое
  • через неделю CPA=12$, снижаем ставки в 1.2 раза
  • через неделю CPA=9$, повышаем ставки в 10/9=1.11 раз
  • и так далее…

Прогноз

Нам нужно по статистике оценить вероятность конверсии ключевого слова. Не стоит путать показатель конверсии с вероятностью. Если у нас был 1 клик и 0 конверсий, то показатель был бы нулевым. Но это не значит что и вероятность тоже нулевая и никто никогда не сконвертируется по этому ключевому слову.

Чем больше кликов тем вероятность будет меньше отличаться от показателя конверсии.  Можно сказать, что вероятность примерно равна показателю. Чем больше кликов — тем меньше погрешность этой оценки.

Снимок экрана 2017-03-17 в 23.43.02

Поскольку на ноль делить нельзя, при нуле кликов показатель конверсии не определен. Какую оценку дать вероятности в этом случае? В самом простом случае можно использовать показатель конверсии сайта. Можно сказать, что вероятность конверсии ключевика примерно равна показателю сайта.

Снимок экрана 2017-03-17 в 23.43.34

Если бы все ключевики были бы одинаковыми и имели бы одинаковую конверсию, то точность этой оценки была бы очень велика. Введем некоторую меру “одинаковости” ключевиков и обозначим ее как t. Чем более разные у нас ключевики, тем меньшим будет t. Чуть позже я расскажу как посчитать t.

В некоторых видах спорта, например в фигурном катании, несколько судей выставляют участнику оценки и в качестве финальной оценки используется средняя. Чем больше судей, тем объективнее будет оценка. Например первый судья выставил 3, а второй — 5. Итоговая оценка =(3+5)/2 = 4.

Однако, если один из судей объективнее остальных, то можно придать его голосу больший вес. Например, считать голос такого судьи, как 2 голоса. (2*3+5)/(2+1) = 11/3 = 3.7. Мы берем не простое среднее, а среднее взвешенное:

Снимок экрана 2017-03-17 в 20.39.10

В общем, у нас есть 2 оценки: показатель сайта и показатель ключа. Чтобы повысить точность финальной оценки, скомбинируем их. Нужно учесть то, что точность наших оценок разная. Точность показателя ключа (r) зависит от числа кликов (n), а сайта (m) от меры однородности ключевых слов (t). Самый простой способ учесть это использовать число кликов и однородность как веса:

Снимок экрана 2017-03-17 в 20.39.56

  • n — число кликов ключевика
  • r — показатель конверсии ключевика
  • r — показатель конверсии сайта
  • t — некоторая мера одинаковости ключевых слова
  • k — число конверсий

В итоге, наша оценка всегда будет между показателями конверсии ключа и сайта. Чем больше кликов, тем сильнее наша оценка будет приближаться к показателю ключа. Например если показатель ключа равен 2%, а сайта 1% и t = 100, то зависимость прогноза от числа кликов будет иметь следующий вид:

Снимок экрана 2017-03-17 в 20.40.48

Чем больше кликов, тем прогноз больше приближается к показателю ключа.

Если мы возьмем бета-биномиальную модель из теории вероятностей, то после долгих расчетов мы получим ту-же формулу. Из этой модели понятно как посчитать t. Например, так работает Marin Software и бесплатная версия Bid-Expert.

Однако, расчет t очень сложен. Но при низкой конверсии, обычно, t не намного больше 1/m. Если мы подставим в формулу то получим:

Снимок экрана 2017-03-17 в 20.42.18

Например, при 1% конверсии сайта, 2 конверсиях и 100 кликах, мы получим:

Снимок экрана 2017-03-17 в 20.42.29

Вот таблица, показывающая адекватность этой формулы:

Снимок экрана 2017-03-17 в 23.22.17

Как мы видим, на малых данных наш прогноз намного адекватнее показателя конверсии, а на больших — они почти не отличаются.

Простейший оптимизатор

В итоге простейший оптимизатор конверсии имеет вид:

Снимок экрана 2017-03-17 в 23.23.28

V — это константа, которая подбирается методом последовательных приближений, чтобы вписаться в бюджет и/или CPA.

Реальные оптимизаторы

Эта формула, не руководство к действию, а простое описание оптимизатора. В оптимизаторах может использоваться более точная схема вписки в условиях. Простая схема хорошо работает только на больших сайтах.

Но основной упор при разработке сайтов делается на прогнозу. Более сложные оптимизаторы при прогнозе учитывают больше данных. Например, Bid-Expert учитывает:

  • Показатель объявления
  • Показатель кампании
  • Показатель URL
  • Показатель отказов
  • Сезонность
  • И другие факторы

Т.е. у нас есть показатель объявления, кампании, аккаунта и другие оценки, финальная оценка будет равна средневзвешенному этих оценок.

Итоговая оценка получается намного точнее чем исходные. Даже если исходные оценки будут не намного лучше случайных, то итоговая оценка будет намного лучше случайной.

В среднем оптимизатор дает на 50% больше конверсий при том-же CPA, чем равные ставки. При оптимизации дохода результаты, еще лучше.

Преимущества:

  • Менее трудоемкая настройка
  • Практически полное отсутствие человеческого фактора
  • Основаны на математике, а не на настройках взятых с потолка

Снимок экрана 2017-03-17 в 23.30.50

 

 

Будущие статьи цикла, я подробнее расскажу про оптимизаторы.