Аудиторії, що підривають продажі: Ігор Івіцький, Strategic Profits 2023

Strategic Profits відбулася у Флориді, США, у 2023 році; сесію записали у форматі експертної розмови. Спікером був Ігор Івіцький.

Доповідь «Audiences That Will Blow Your Sales» була присвячена поведінковим сигналам, за допомогою яких Google Ads шукає попит у відео, медійних і Performance Max кампаніях. Тема продовжує логіку добору ключових слів у Google Ads, але ставить ширше запитання: як висловити намір клієнта у формі, зрозумілій автоматизованій системі?

Дайте моделі чіткий сигнал і збережіть межі

Ігор пояснив ідею через аналогію між людськими асоціаціями та машинним навчанням. Пісня або запах можуть повернути людині цілий кластер пов’язаних спогадів. Google теж групує спостережувану поведінку в контекстні патерни. Це не технічний опис внутрішньої архітектури Google, а спосіб зрозуміти, чому сфокусований сигнал корисніший за набір слабко пов’язаних термінів.

Стратегічне завдання полягає в тому, щоб спиратися на поведінковий контекст, який платформа вже здатна розпізнати. В офіційній довідці Google сказано, що спеціальні сегменти можуть враховувати релевантні ключові слова, URL та застосунки, щоб знаходити людей із відповідними інтересами або купівельними намірами. На думку Ігоря, рекламодавець має зробити асоціацію цілісною, а не перетворювати поле введення на сховище всіх ідей із пошукових кампаній.

Такий контроль відрізняється від спроби продиктувати алгоритму кожне рішення. Подібний зсув відбувається під час роботи із широкою відповідністю: рекламодавець задає комерційні рамки, передає корисні дані й оцінює результат, а система досліджує попит усередині цих рамок. У Performance Max сигнали аудиторії також є підказками для ШІ, а не жорстким таргетингом. Згідно з офіційним роз’ясненням щодо Performance Max, показ можливий і поза заданим сегментом, якщо система прогнозує користь для мети кампанії.

Цей принцип корисний за межами одного типу кампаній, адже відокремлює стратегічне рішення від механіки інтерфейсу. У навчанні ми повертаємося до цієї відмінності й на повних кейсах показуємо, де проходить межа.

Ключові висновки

• Якість аудиторії змінила економіку. У SaaS-порівнянні вартість конверсії знизилася майже втричі, а конверсія лендингу залишилася на рівні 0,14%.
• Різницю виявив коефіцієнт взаємодії. Він зріс у 5 разів, тобто ще до переходу на незмінний лендинг оголошення бачили люди, більше готові до контакту.
• Автоматизації все одно потрібні межі. Бюджет, ставки, креатив, географія, мова, пристрої та демографія залишилися рішеннями рекламодавця.
• Важливий швидкий і правдивий зворотний зв’язок. Довга затримка до конверсії та фіктивні реєстрації погіршують дані для навчання.
• Цінність ліда важливіша за кількість. Ігор радив наскрізну аналітику, щоб бачити, чи стають залучені користувачі клієнтами, які платять.

Ключові моменти доповіді

Чому перевантажена аудиторія розмиває намір

Доповідь почалася з проблеми, знайомої фахівцям із performance-реклами. Поле спеціального сегмента ніби пропонує зібрати все правдоподібне: назви продуктів, старі пошукові ключі, інтереси та будь-які інші ідеї. Ігор визнав, що саме так учинив, коли вперше побачив інструмент. Людині такий список здається повним, але для системи він може не висловлювати жодного поведінкового контексту достатньо чітко. Аналогія з мозком робить проблему наочною. Влучний тригер повертає пов’язаний кластер асоціацій, а випадкова купа спогадів не допомагає зрозуміти ситуацію. Тому вхідні дані потрібні не для словесного опису всього ринку. Вони мають указати системі на впізнаваний патерн наміру. Формальна повнота тут здатна заважати змістовій ясності: що більше різних причин покупки змішано в одній конструкції, то важче пов’язати отриманий результат із конкретною гіпотезою про аудиторію.

Звідси виникла різниця між ярликами, вигаданими рекламодавцем, і поведінковими категоріями, які платформа вже, за спостереженнями Ігоря, уміє розпізнавати. Деякі запропоновані назви здавалися людині повторюваними або безглуздими. Але оцінювати машинну категорію за літературними нормами не варто: «Ніколи не зважайте на назви, які Google дає своїм аудиторіям». Цінність не в красивій назві, а у зв’язку категорії з поведінкою потенційного клієнта. У повному записі Ігор показує точну механіку та відмінності всередині інтерфейсу. Для статті важливий принцип: не можна перевантажити автоматичну систему багатьма конкурентними асоціаціями, а потім чекати, що вона сама вгадає комерційно значущу.

Порівняння, яке відокремило ефект аудиторії

Головним доказом став акаунт компанії, яка продавала програмне забезпечення як послугу. За попередньої роботи з аудиторіями вона витратила майже $1 млн і отримала близько 7 500 реєстрацій. Після зміни підходу порівнюваний період дав 24 000 конверсій за витрат $1,2 млн. Ігор сформулював економічний підсумок так: вартість однієї конверсії стала майже втричі нижчою. Витрати періодів різнилися, тому порівнювати слід ефективність, а не лише абсолютні підсумки. Акаунт не просто купив додаткові реєстрації завдяки більшому бюджету. Кожен вкладений долар став приносити помітно більше результату.

У доповіді був і корисний контрольний показник. Конверсія залишилася на рівні 0,14%, а сторінка й воронка не змінювалися. Ігор підкреслив: «Лендинг абсолютно той самий». Натомість коефіцієнт взаємодії з оголошеннями зріс у 5 разів. Таке поєднання підтримує його пояснення: зміна відбулася до кліку, бо рекламу побачила релевантніша група й частіше вирішувала вступити в контакт, а знайомий лендинг конвертував трафік зі звичною часткою. Це не доводить, що будь-який акаунт повторить результат, але причинний зв’язок тут сильніший, ніж у порівнянні з кількома одночасними змінами. Важливо й те, що сама здатність сторінки перетворювати візит на реєстрацію не поліпшилася. Змінилася частка людей, які захотіли взаємодіяти з рекламою ще до візиту. Другий кейс, проєкт для геймерів, показав інший тип ефекту: приблизно від 50 до 100 конверсій на день обсяг зріс до 750 за тієї самої вартості конверсії.

Автоматизації потрібні обмеження та надійний зворотний зв’язок

Ігор не закликав дозволити Google ухвалювати всі рішення. Він окремо перелічив важелі оператора: бюджет і ставки, поєднання аудиторій, відео, тексти та зображення, географія, мови, пристрої, стать, вік і рівень доходу. Модель шукає патерни всередині заданої рамки, але за рамку та бізнес-мету відповідає рекламодавець. Коротка формула з доповіді звучить так: «Не намагайтеся навчити штучний інтелект шукати вашого клієнта». У контексті це означає використовувати модель для розпізнавання закономірностей, заради якого вона створена, але не дозволяти їй самій визначати прийнятну економіку або цінність клієнта.

Користь такого розподілу ролей залежить від якості та швидкості зворотного зв’язку. Ігор обмежив підхід воронками лідогенерації з коротким шляхом від кліку до реєстрації й достатнім потоком реальних конверсій. Він також розповів про дейтинг-проєкт, де близько 40% урахованих конверсій містили вигадані адреси електронної пошти. Якщо повертати такі події системі як успіх, вона вчиться знаходити ще більше хибного результату. Тому перевірка даних буває важливішою за дотепну гіпотезу про аудиторію. Фінальний тест відбувається далі у воронці: наскрізна аналітика має показати, що люди купують після реєстрації та чи готові нові користувачі платити. Охоплення, взаємодії й обсяг конверсій залишаються проміжними свідченнями. Бізнес-результат з’являється лише з цінними клієнтами.

Повний запис доповіді входить до бонусного пакета для учнів.