Конференция Hero Conf прошла в Брайтоне, Великобритания, в апреле 2025 года; эта сессия состоялась в формате доклада со сцены. Спикером был Игорь Ивицкий, бывший учёный в области математического моделирования, который перешёл в PPC и Google Ads.
Доклад «A Scientist’s Approach to PPC Optimisation» был посвящён замене чужих лучших практик доказательствами из конкретного аккаунта. Научная логика связывала разные PPC-решения, от подбора ключевых слов до целевых показателей и сегментации кампаний, но ни один частный ответ не превращался в правило для всех.
Научный ответ всегда привязан к контексту
В начале доклада Игорь разобрал привычный слайд с рекомендацией, полученной из большой выборки аккаунтов. Среднее число может объединять разные страны, ниши, бизнес-модели, устройства и ценовые сегменты. Корреляцию легко принять за причинную связь, а важные переменные оставить под поверхностью. Такой бенчмарк способен верно описывать выборку и при этом не отвечать на вопрос конкретного рекламодателя.
То же различие важно для подсказок платформы. Google называет показатель оптимизации оценкой того, насколько хорошо аккаунт настроен для эффективной работы. Кейс из доклада показал, почему эту оценку всё равно нужно проверять бизнес-результатом: после применения рекомендаций показатель стал лучше, но CPA вырос почти вдвое, а ROAS почти вдвое снизился. Сигнал интерфейса и коммерческий итог измеряют разные вещи.
Отсюда не следует, что автоматизацию или широкое соответствие нужно отвергать заранее. В справке Google Ad Strength описан как обратная связь о релевантности, качестве и разнообразии материалов. Научный подход превращает такую подсказку в гипотезу и сверяет её с прибылью аккаунта. Игорь видел эффективные объявления с низкой оценкой и не обнаружил надёжной причинной связи между её ростом и улучшением результата бизнеса.
Бинарный выбор проверяется на данных конкретного аккаунта, бизнеса и рынка.
Полезная цель связана с максимумом прибыли, а не с самым комфортным показателем.
За убыточным итогом могут скрываться устройства, регионы или аудитории с другой экономикой.
Мой критерий полезного PPC-ответа
Я не принимаю настройку только потому, что она популярна или повышает оценку платформы. Ответ нужно искать в данных проекта, а проверять по прибыли бизнеса.
Такая логика меняет и работу с минус-словами, ставками и структурой кампаний: каждое решение требует проверки, а не ритуального копирования. На той же дисциплине работы с доказательствами строится обучение Google Ads в нашей школе.
На бесплатном мастер-классе показываю пошагово, как превратить рекламу в предсказуемый поток клиентов.
Смотреть мастер-класс →Ключевые выводы
- Среднее стирает контекст решения. Страна, ниша, устройство, тип соответствия и другие скрытые переменные могут объяснять результат за аккуратным бенчмарком.
- Корреляция не доказывает причинность. Улучшение метрики рядом с изменённой настройкой ещё не означает, что именно настройка дала эффект.
- Оценка платформы не равна результату бизнеса. В кейсе Игоря применение рекомендаций улучшило показатель оптимизации, но CPA почти удвоился, а ROAS почти вдвое упал.
- Целевое значение нужно искать на кривой прибыли. Выручка, объём конверсий и низкий CPA по отдельности способны привести к неверному выводу.
- Сегментация открывает скрытую прибыль. Разбор одной кампании по значимым измерениям обнаружил ROAS 290% внутри общего результата 85%.
Ключевые моменты доклада
Почему убедительные бенчмарки могут обмануть
Игорь начал выступление с необычного профессионального перехода. Он защитил PhD по математике, занимался вычислительными моделями течения неньютоновских жидкостей, а затем перенёс научные идеи в маркетинг. С Google Ads он познакомился ещё в 2006 году, когда пытался продавать игровые товары через крошечный интернет-магазин. Первая рекламная попытка оказалась неудачной, поэтому вывод был быстрым: канал не работает. После книги Перри Маршалла вторая попытка принесла продажи. Этот контраст и задал главный вопрос доклада: проблема действительно была в рекламной системе или один неудачный эксперимент породил слишком широкий вывод? За 18 лет работы и при заявленных расходах около 700 миллионов долларов по всем аккаунтам накопилось много наблюдений, но Игорь не превращал их в универсальный рецепт. Он показывал, как точнее формулировать вопрос к данным.
Первой мишенью стали слайды с уверенными средними значениями. Рекомендация по идеальному количеству заголовков в адаптивном поисковом объявлении может опираться на огромный массив данных и оставаться бесполезной для отдельного аккаунта. Проблему среднего Игорь объяснил шуткой о суммарном состоянии известного миллиардера и самого спикера: арифметика делает обоих мультимиллиардерами, хотя не описывает ни одного. Затем он отделил корреляцию от причинности и показал эффект айсберга. Под одной цифрой могут скрываться устройства, динамические вставки, типы соответствия, закреплённые заголовки и другие условия. Если убрать их из поля зрения, красивый вывод предлагает копирование, но ничего не говорит о причине результата. Альтернатива прозвучала так: «Учитесь вылавливать собственные ответы из собственных данных».
Три принципа вместо набора настроек
Первый принцип относится к бинарным решениям. Поисковые партнёры, автоматические функции и параметры объявлений часто обсуждают как вечные правила с ответом «да» или «нет». У Игоря были проекты, где поисковые партнёры давали лучшую отдачу, хотя популярный совет требовал их отключать. Это не аргумент в пользу постоянного включения опции. Это доказательство того, что аккаунт, бизнес и рынок способны дать ответ, которого нет в общей рекомендации. Кейс с показателем оптимизации сделал различие особенно наглядным. До применения рекомендаций CPA составлял около 26 долларов. После них интерфейс показывал почти идеальную оценку, однако CPA вырос почти вдвое, а ROAS почти вдвое снизился. Платформа поздравляла рекламодателя, пока экономика ухудшалась. К диагностике креативов относилось то же правило: «Ad Strength не равен успеху объявления».
Второй принцип касается непрерывных значений, например целевого показателя кампании. Владелец бизнеса может проверить доступный уровень, затем резко перейти к гораздо более высокому, увидеть исчезновение прибыли и решить, что исходный предел был правильным. В докладе была реальная кривая кампании, на которой максимум прибыли находился между двумя крайними точками. Игорь назвал научный метод поиска в таком диапазоне, но переносимая идея проще его процедуры: нужно сравнивать прибыль в содержательных альтернативах, а не считать один неудачный скачок описанием всего рынка. Так меняется и взгляд на масштабирование. Более широкий рынок обычно дороже, поэтому самый низкий CPA не обязательно означает максимум прибыли. Больший объём при более высокой стоимости привлечения иногда выгоднее, но подтвердить это могут только данные конкретного бизнеса.
Прибыль, спрятанная внутри среднего
Последний кейс показал силу сегментации. На общем уровне кампания имела ROAS 85% и выглядела подходящим кандидатом на остановку. Однако её трафик не был единым рынком. Результаты заметно отличались между устройствами, два штата США забирали большую долю расходов без сопоставимой отдачи, а одна из наблюдаемых поисковых аудиторий работала лучше остальных. Анализ этих измерений открыл прибыльную часть с ROAS 290%. Урок не сводился к списку исключений или фиксированной настройке аудитории, потому что они относились только к одному аккаунту. Каждая новая граница анализа оставалась гипотезой, а не готовым правилом для следующего проекта. Ценность кейса была в смене масштаба наблюдения: вопрос об остановке всей кампании превратился в вопрос о том, какая её часть создаёт результат, а какая его уничтожает. Важнее не позволять общему итогу вынести решение до изучения частей. Сегментация способна показать ошибочность диагноза кампании, даже если агрегированный расчёт формально верен. Игорь сформулировал вывод предельно коротко: «Никогда не доверяйте общему ROAS».
Полная запись этого доклада входит в бонусный пакет для учеников.
Сторонние подтверждения
Главное
Чужой бенчмарк остаётся гипотезой, пока его не подтвердили данные конкретного аккаунта.
Полезное значение определяет прибыль, а не оценка платформы или отдельная метрика эффективности.
Сегментация обнаружила ROAS 290% внутри кампании с общим результатом 85%.