💰 Как оценивать экономику такого трафика
💰 Как оценивать экономику такого трафика Допустим, продаём обувь со средним чеком: 7 500 руб. Маржинальный доход до внешней рекламы: 2 000 руб. Минимально хотим сохранить: 500 руб. Максимальный допустимый CAC: 1 500 руб. Теперь сравним две гипотетические кампании. Обычный таргетинг по интересам: Расход — 100 000 руб. Покупок — 50. CAC: 2 000 руб. Экономика не проходит. Таргетинг по подтверждённым покупкам: Расход — 100 000 руб. Покупок — 85. CAC: 1 176 руб. Экономика проходит. После рекламных расходов остаётся приблизительно: 824 руб. маржинального дохода на покупку. Это условный расчёт, а не финансовые результаты EKONIKA. Именно такую разницу я бы пыталась найти в тесте. ⸻ ⚠️ Но есть нюанс, который нельзя игнорировать В опубликованном кейсе учитывались post-view-конверсии. То есть покупки, совершённые после рекламного показа. Это не то же самое, что дополнительные покупки, созданные рекламой. Человек мог увидеть баннер EKONIKA, а через несколько дней купить обувь, потому что уже собирался это сделать. Рекламная система засчитает конверсию. Но сама реклама не обязательно стала её причиной. Поэтому я бы не ограничивалась красивым снижением CPA. Я бы проверяла Incremental CAC. Формула: Incremental CAC = рекламные расходы / количество дополнительных покупателей благодаря рекламе. Для этого нужна контрольная группа. Например, случайным образом разделяем сопоставимую аудиторию: 80% — получают рекламу. 20% — не получают. Через одинаковый период сравниваем доли совершивших покупку. Предположим: В рекламной группе — 8 000 человек, из них 240 купили. CR — 3%. В контрольной — 2 000 человек, из них 40 купили. CR — 2%. Разница: +1 процентный пункт. Следовательно, расчётный дополнительный результат среди 8 000 человек: 80 покупок. Если рекламные расходы составили 96 000 руб., получаем: Incremental CAC = 1 200 руб. А не 400 руб., которые получились бы при делении затрат на все 240 покупок. Эти числа приведены исключительно для демонстрации метода. Реальный эксперимент требует достаточного объёма выборки и корректного исключения контрольной аудитории из показов. ⸻ Как бы я внедряла это на практике Для начала взяла бы один товарный кластер с понятной экономикой. Например, верхнюю одежду стоимостью 7 000–12 000 руб. Проверила бы три аудитории: А — классические интересы. Fashion, одежда, покупки, конкурирующие категории. Б — подтверждённые транзакции. Покупатели сопоставимых товаров с нужным средним чеком. В — подтверждённые транзакции + подходящий период покупки. Например, покупательская история в сезонных категориях, если партнёр позволяет использовать такие параметры. Креативы и предложение делала бы максимально сопоставимыми. А затем оценивала бы: CPM → CPC → конверсию → CAC → дополнительный объём продаж → маржу после рекламы. Для сайта это можно проверить через собственную аналитику заказов. Для WB и Ozon сложнее: сам продавец обычно не располагает полной персональной историей покупателей маркетплейса, а подтвердить покупки после внешних показов непросто. Поэтому здесь понадобятся доступные инструменты атрибуции, данные партнёра и, по возможности, контрольный эксперимент. ⸻ Вывод Кейс EKONIKA показывает интересный сдвиг в рекламном таргетинге. Раньше мы часто задавали вопрос: «Кто потенциально интересуется нашим товаром?» Теперь появляется возможность задать более конкретный: «Кто уже регулярно тратит деньги на товары нашего ценового сегмента?» И это две разные аудитории. Особенно в категориях, где большой разрыв между желанием приобрести товар и финансовой готовностью совершить покупку. Но ещё важнее другое: Реальные покупки конкурентов — сильный сигнал для таргетинга, а не доказательство будущей конверсии. Поэтому задача маркетолога — проверить, действительно ли такая аудитория создаёт больше дополнительных прибыльных заказов, чем классический таргетинг. ⸻ 📌 Что сделать сейчас Возьмите три своих наиболее маржинальных SKU.