Аудитории, которые взрывают продажи: Игорь Ивицкий, Strategic Profits 2023

Strategic Profits прошла во Флориде, США, в 2023 году; сессия была записана в формате экспертной беседы. Спикером выступил Игорь Ивицкий.

Доклад «Audiences That Will Blow Your Sales» был посвящён поведенческим сигналам, с помощью которых Google Ads ищет спрос в видео, медийных и Performance Max кампаниях. Тема продолжает логику подбора ключевых слов в Google Ads, но ставит более широкий вопрос: как выразить намерение клиента в форме, понятной автоматизированной системе?

Дайте модели ясный сигнал и сохраните границы

Игорь объяснил идею через аналогию между человеческими ассоциациями и машинным обучением. Песня или запах могут вернуть человеку целый кластер связанных воспоминаний. Google тоже группирует наблюдаемое поведение в контекстные паттерны. Это не техническое описание внутренней архитектуры Google, а способ понять, почему сфокусированный сигнал полезнее набора слабо связанных терминов.

Стратегическая задача состоит в том, чтобы опереться на поведенческий контекст, который платформа уже способна распознать. В официальной справке Google сказано, что особые сегменты могут учитывать релевантные ключевые слова, URL и приложения, чтобы находить людей с соответствующими интересами или покупательскими намерениями. По мысли Игоря, рекламодатель должен сделать ассоциацию цельной, а не превращать поле ввода в склад всех идей из поисковых кампаний.

Такой контроль отличается от попытки предписать алгоритму каждое решение. Похожий сдвиг происходит при работе с широким соответствием: рекламодатель задаёт коммерческие рамки, передаёт полезные данные и оценивает результат, а система исследует спрос внутри этих рамок. В Performance Max сигналы аудитории тоже служат подсказками для ИИ, а не жёстким таргетингом. Согласно официальному разъяснению по Performance Max, показ возможен и вне заданного сегмента, если система прогнозирует пользу для цели кампании.

Этот принцип полезен за пределами одного типа кампаний, потому что отделяет стратегическое решение от механики интерфейса. В обучении мы возвращаемся к этому различию и на полных кейсах показываем, где проходит граница.

Ключевые выводы

• Качество аудитории изменило экономику. В SaaS-сравнении стоимость конверсии снизилась почти втрое, а конверсия лендинга осталась на уровне 0,14%.
• Разницу проявил коэффициент взаимодействия. Он вырос в 5 раз, то есть ещё до перехода на неизменный лендинг объявления видели более готовые к контакту люди.
• Автоматизации всё равно нужны границы. Бюджет, ставки, креатив, география, язык, устройства и демография остались решениями рекламодателя.
• Важна быстрая и честная обратная связь. Длинная задержка до конверсии и фиктивные регистрации ухудшают данные для обучения.
• Ценность лида важнее количества. Игорь рекомендовал сквозную аналитику, чтобы видеть, превращаются ли привлечённые пользователи в платящих клиентов.

Ключевые моменты доклада

Почему перегруженная аудитория размывает намерение

Доклад начался с проблемы, знакомой специалистам по performance-рекламе. Поле особого сегмента словно предлагает собрать всё правдоподобное: названия продуктов, старые поисковые ключи, интересы и любые другие идеи. Игорь признал, что именно так поступил, когда впервые увидел инструмент. Человеку такой список кажется полным, но для системы он может не выражать ни одного поведенческого контекста достаточно ясно. Аналогия с мозгом делает проблему наглядной. Хороший триггер возвращает связанный кластер ассоциаций, а случайная куча воспоминаний не помогает понять ситуацию. Поэтому входные данные нужны не для словесного описания всего рынка. Они должны указать системе на узнаваемый паттерн намерения. Формальная полнота здесь способна мешать содержательной ясности: чем больше разных причин покупки смешано в одной конструкции, тем труднее связать наблюдаемый результат с конкретной гипотезой об аудитории.

Отсюда возникло различие между ярлыками, придуманными рекламодателем, и поведенческими категориями, которые платформа уже, по наблюдениям Игоря, умеет распознавать. Некоторые предложенные названия выглядели повторяющимися или бессмысленными для человека. Но оценивать машинную категорию по литературным нормам не стоит: «Никогда не обращайте внимания на названия, которые Google даёт своим аудиториям». Ценность находится не в красивом имени, а в связи категории с поведением потенциального клиента. В полной записи Игорь показывает точную механику и различия внутри интерфейса. Для статьи важен принцип: нельзя перегрузить автоматическую систему множеством конкурирующих ассоциаций, а затем ждать, что она сама угадает коммерчески значимую.

Сравнение, которое отделило эффект аудитории

Главным доказательством стал аккаунт компании, которая продавала программное обеспечение как услугу. При прежней работе с аудиториями она потратила почти $1 млн и получила около 7 500 регистраций. После изменения подхода сравниваемый период дал 24 000 конверсий при расходах $1,2 млн. Игорь сформулировал экономический итог так: стоимость одной конверсии стала почти втрое ниже. Расходы периодов различались, поэтому сравнивать следует эффективность, а не только абсолютные итоги. Аккаунт не просто купил дополнительные регистрации за увеличенный бюджет. Каждый вложенный доллар стал приносить заметно больше результата.

В докладе был и полезный контрольный показатель. Конверсия осталась на уровне 0,14%, а страница и воронка не менялись. Игорь подчеркнул: «Лендинг абсолютно тот же». Зато коэффициент взаимодействия с объявлениями вырос в 5 раз. Такое сочетание поддерживает его объяснение: изменение произошло до клика, потому что рекламу увидела более релевантная группа и чаще решила вступить в контакт, а знакомый лендинг конвертировал трафик с прежней долей. Это не доказывает, что любой аккаунт повторит результат, но причинная связь здесь сильнее, чем в сравнении с несколькими одновременными изменениями. Важно и то, что в кейсе не улучшилась сама способность страницы превращать визит в регистрацию. Изменилась доля людей, которые захотели взаимодействовать с рекламой до визита. Второй кейс, проект для геймеров, показал другой тип эффекта: примерно от 50 до 100 конверсий в день объём вырос до 750 при той же стоимости конверсии.

Автоматизации нужны ограничения и надёжная обратная связь

Игорь не призывал разрешить Google принимать все решения. Он отдельно перечислил рычаги оператора: бюджет и ставки, сочетания аудиторий, видео, тексты и изображения, география, языки, устройства, пол, возраст и уровень дохода. Модель ищет паттерны внутри заданной рамки, но за рамку и бизнес-цель отвечает рекламодатель. Короткая формула из доклада звучит так: «Не пытайтесь учить искусственный интеллект искать вашего клиента». В контексте это значит использовать модель для распознавания закономерностей, ради которого она создана, но не позволять ей самой определять приемлемую экономику или ценность клиента.

Польза такого разделения ролей зависит от качества и скорости обратной связи. Игорь ограничил подход лидогенерационными воронками с коротким путём от клика до регистрации и достаточным потоком реальных конверсий. Он также рассказал о дейтинг-проекте, где около 40% учтённых конверсий содержали фиктивные адреса электронной почты. Если возвращать такие события системе как успех, она учится находить ещё больше неверного результата. Поэтому проверка данных бывает важнее остроумной гипотезы об аудитории. Финальный тест проходит дальше по воронке: сквозная аналитика должна показать, что люди покупают после регистрации и готовы ли новые пользователи платить. Охват, взаимодействия и объём конверсий остаются промежуточными свидетельствами. Бизнес-результат появляется только с ценными клиентами.

Полная запись доклада входит в бонусный пакет для учеников.