Конференція Hero Conf відбулася у британському Брайтоні у квітні 2025 року; це була доповідь зі сцени. Спікером був Ігор Івіцький, колишній науковець у галузі математичного моделювання, який перейшов у PPC та Google Ads.
Доповідь «A Scientist’s Approach to PPC Optimisation» стосувалася заміни запозичених найкращих практик доказами з конкретного акаунта. Наукова логіка поєднала різні PPC-рішення, від добору ключових слів до цільових показників і сегментації кампаній, але жодна окрема відповідь не подавалася як правило для всіх.
Наукова відповідь завжди залежить від контексту
На початку доповіді Ігор розібрав звичний слайд із рекомендацією, отриманою з великої вибірки акаунтів. Середнє число може поєднувати різні країни, ніші, бізнес-моделі, пристрої та цінові сегменти. Кореляцію легко сплутати з причинністю, а важливі змінні залишити під поверхнею. Такий бенчмарк здатен правильно описувати вибірку й водночас не відповідати на запитання конкретного рекламодавця.
Ця різниця важлива і для підказок платформи. Google називає показник оптимізації оцінкою того, наскільки добре акаунт налаштовано для ефективної роботи. Кейс із доповіді показав, чому цю оцінку все одно треба звіряти з бізнес-результатом: після застосування рекомендацій показник поліпшився, але CPA зріс майже вдвічі, а ROAS майже вдвічі знизився. Сигнал інтерфейсу та комерційний підсумок вимірюють різні речі.
Звідси не випливає, що автоматизацію або широку відповідність слід відкидати заздалегідь. У довідці Google Ad Strength подано як зворотний зв’язок щодо релевантності, якості та різноманітності матеріалів. Науковий підхід перетворює таку підказку на гіпотезу й перевіряє її за прибутком акаунта. Ігор бачив ефективні оголошення з низькою оцінкою та не знайшов надійного причинного зв’язку між її зростанням і поліпшенням результату бізнесу.
Бінарний вибір перевіряють на даних конкретного акаунта, бізнесу та ринку.
Корисна ціль пов’язана з найбільшим прибутком, а не з найкомфортнішим показником.
За збитковим підсумком можуть ховатися пристрої, регіони чи аудиторії з іншою економікою.
Мій критерій корисної PPC-відповіді
Я не приймаю налаштування лише тому, що воно популярне або підвищує оцінку платформи. Відповідь треба шукати в даних проєкту, а перевіряти за прибутком бізнесу.
Така логіка змінює й роботу з точною відповідністю, ставками та структурою кампаній: кожне рішення потребує перевірки, а не механічного копіювання. На такій самій дисципліні роботи з доказами побудоване навчання Google Ads у нашій школі.
На безкоштовному майстер-класі показую покроково, як перетворити рекламу на передбачуваний потік клієнтів.
Дивитися майстер-клас →Ключові висновки
- Середнє стирає контекст рішення. Країна, ніша, пристрій, тип відповідності й інші приховані змінні можуть пояснювати те, що стоїть за одним чітким бенчмарком.
- Кореляція не доводить причинності. Поліпшення метрики поруч зі зміненим налаштуванням ще не означає, що саме налаштування дало ефект.
- Оцінка платформи не дорівнює результату бізнесу. У кейсі Ігоря застосування рекомендацій поліпшило показник оптимізації, але CPA майже подвоївся, а ROAS майже вдвічі впав.
- Цільове значення треба шукати на кривій прибутку. Виторг, обсяг конверсій і низький CPA окремо можуть привести до хибного висновку.
- Сегментація відкриває прихований прибуток. Розбір однієї кампанії за суттєвими вимірами виявив ROAS 290% усередині загального результату 85%.
Ключові моменти доповіді
Чому переконливі бенчмарки можуть ввести в оману
Ігор почав виступ із незвичного професійного переходу. Він здобув PhD з математики, працював над обчислювальними моделями руху неньютонівських рідин, а згодом переніс наукові ідеї в маркетинг. Із Google Ads він познайомився ще 2006 року, коли намагався продавати товари для геймерів через крихітний інтернет-магазин. Перша рекламна спроба забрала гроші, тому висновок з’явився миттєво: канал не працює. Після книжки Перрі Маршалла друга спроба принесла продажі. Саме цей контраст задав головне запитання доповіді: проблема справді була в рекламній системі чи один невдалий експеримент породив надто широкий висновок? За 18 років роботи та за заявлених витрат близько 700 мільйонів доларів у всіх акаунтах накопичилося багато спостережень, однак Ігор не перетворював їх на універсальний рецепт. Він показував, як точніше ставити запитання до даних.
Першою мішенню стали слайди з упевненими середніми значеннями. Рекомендація щодо ідеальної кількості заголовків в адаптивному пошуковому оголошенні може спиратися на величезний масив даних і залишатися марною для окремого акаунта. Проблему середнього Ігор пояснив жартом про сукупні статки відомого мільярдера й самого спікера: арифметика робить обох мультимільярдерами, хоча не описує жодного з них. Потім він відокремив кореляцію від причинності та показав ефект айсберга. Під одним числом можуть ховатися пристрої, динамічні вставки, типи відповідності, закріплені заголовки та інші умови. Коли вони зникають із поля зору, красивий висновок запрошує до копіювання, але не пояснює причини результату. Альтернатива прозвучала так: «Навчіться виловлювати власні відповіді з власних даних».
Три принципи замість набору налаштувань
Перший принцип стосується бінарних рішень. Пошукових партнерів, автоматичні функції та параметри оголошень часто обговорюють як вічні правила з відповіддю «так» або «ні». В Ігоря були проєкти, де пошукові партнери давали найкращу віддачу, хоча поширена порада вимагала їх вимкнути. Це не аргумент за постійне ввімкнення опції. Це доказ того, що акаунт, бізнес і ринок можуть дати відповідь, якої немає в загальній рекомендації. Кейс із показником оптимізації зробив різницю особливо помітною. До застосування рекомендацій CPA становив близько 26 доларів. Після них інтерфейс показував майже ідеальну оцінку, однак CPA зріс майже вдвічі, а ROAS майже вдвічі зменшився. Платформа вітала рекламодавця, поки економіка погіршувалася. До діагностики креативів діяло те саме правило: «Якість оголошення не дорівнює успіху оголошення».
Другий принцип стосується безперервних значень, наприклад цільового показника кампанії. Власник бізнесу може перевірити прийнятний рівень, потім різко перейти до значно вищого, побачити зникнення прибутку та вирішити, що початкова межа була правильною. У доповіді була реальна крива кампанії, на якій найбільший прибуток містився між двома крайніми точками. Ігор назвав науковий метод пошуку в такому діапазоні, але ідея, яку можна застосувати в іншому контексті, простіша за його процедуру: варто порівнювати прибуток у змістовних альтернативах, а не вважати один невдалий стрибок описом усього ринку. Так змінюється й погляд на масштабування. Ширший ринок зазвичай дорожчий, тому найнижчий CPA не обов’язково означає максимум прибутку. Більший обсяг за вищої вартості залучення іноді вигідніший, але підтвердити це можуть лише дані конкретного бізнесу.
Прибуток, захований усередині середнього
Останній кейс показав силу сегментації. На загальному рівні кампанія мала ROAS 85% і здавалася слушним кандидатом на зупинку. Проте її трафік не був єдиним ринком. Результати помітно різнилися між пристроями, два штати США забирали значну частку витрат без порівнянної віддачі, а одна зі спостережуваних пошукових аудиторій працювала краще за решту. Аналіз цих вимірів відкрив прибуткову частину з ROAS 290%. Урок не зводився до списку винятків або фіксованого налаштування аудиторії, адже вони стосувалися лише одного акаунта. Кожна нова межа аналізу залишалася гіпотезою, а не готовим правилом для наступного проєкту. Цінність кейса полягала в зміні масштабу спостереження: питання про зупинку всієї кампанії перетворилося на питання про те, яка її частина створює результат, а яка його знищує. Важливіше не дозволяти загальному підсумку ухвалити рішення до аналізу складників. Сегментація здатна показати хибність діагнозу кампанії, навіть коли агрегований розрахунок формально правильний. Ігор сформулював висновок гранично стисло: «Ніколи не довіряйте загальному ROAS».
Повний запис цієї доповіді входить до бонусного пакета для учнів.
Зовнішні підтвердження
Головне
Запозичений бенчмарк лишається гіпотезою, доки його не підтвердили дані конкретного акаунта.
Корисне значення визначає прибуток, а не оцінка платформи чи окрема метрика ефективності.
Сегментація виявила ROAS 290% усередині кампанії із загальним результатом 85%.