Реклама проекту з пошуку роботи

Аналітика та розрахунок цінності конверсій

Ми побачили, що однією з основних конверсій є реєстрація на сайті. Після неї можливі різні сценарії. Людина може активно відгукуватися на вакансії (і таких відгуків може бути кілька) або завантажити резюме. Є й пасивні користувачі — вони реєструються, але не відгукуються активно, а лише розміщують своє резюме, щоб бути на зв'язку з роботодавцями.

На першому етапі ми взялися розрахувати співвідношення цінності цих дій. Ми виділили три ключові конверсії: реєстрація на сайті, відгук на вакансію і створення резюме. Потрібно було зрозуміти їх взаємозв'язок.

За історичними даними ми розрахували: в середньому людина в період активного пошуку роботи (наприклад, протягом місяця) відгукується приблизно на 10 вакансій. Отже, якщо реєстрація відбулася, то ймовірність того, що цей користувач почне відгукуватися, становить близько 50%. Тобто одна реєстрація в середньому приносить до 10 відгуків, а половина зареєстрованих користувачів дійсно проявляє активність.

Якщо прийняти відгук за умовну одиницю цінності, то реєстрація прирівнюється приблизно до п'яти одиниць (з урахуванням того, що половина реєстрацій призводить до відгуків). Вже з цим розумінням ми могли будувати систему «синтетичної цінності» конверсій.

Далі ми перейшли до резюме. Це окремий воронка. Тут у нас були конкретні дані: які компанії і скільки платять за доступ до бази резюме, які міста більш цінні, які напрямки фахівців затребувані. Ми розрахували, що в середньому створення резюме прирівнюється приблизно до 50 умовних одиниць цінності. Ця цифра варіювалася в залежності від міста і професійної категорії, але порядок був зрозумілий.

Таким чином, ми побудували внутрішню систему розрахунку «синтетичного доходу». Вона дозволяла оцінювати ефективність реклами не за кількістю реєстрацій або відгуків самі по собі, а за їхньою цінністю. Наприклад, одна кампанія могла приносити багато реєстрацій, але мало резюме, а інша навпаки. Ми могли врівноважити ці результати і зрозуміти, куди спрямовувати бюджет.

Після того як ми розрахували цінність кожної конверсії на сайті, ми отримали можливість оцінювати роботу кампаній вже з урахуванням «синтетичного доходу». Одні кампанії були заточені під відгуки і реєстрацію, інші — під створення резюме. Тепер ми могли бачити, які кампанії працюють краще, які гірше, і скільки можна витрачати на кожну з них.

Наступним кроком став аналіз по містах. Адже самі по собі відгуки і резюме не приносять дохід. Дохід компанії формується за рахунок роботодавців, які платять за доступ до бази резюме, за закриття вакансій, за перегляди відгуків. У підсумку ключовим фактором була зв'язка «місто + спеціальність». Десь ринок роботодавців платоспроможний і готовий платити за кандидатів більше, десь менше.

Відділ продажів, звичайно, працював зі своїм завданням: продавав доступ до бази, пропонував пакети розміщень, виділення вакансій, додаткові послуги, крос- і апсейли. Але нам, як маркетологам, було важливо інше: скільки фактично приносить дохід кожна категорія претендентів і з яких міст. І вже під ці дані ми коригували ставки і розподіляли бюджети.

Тут ми склали зведену таблицю: скільки доходу ми отримуємо, скільки вакансій є в регіоні, скільки в середньому потрібно відгуків, щоб закрити одну вакансію. Припустимо, ми знаємо, що для закриття вакансії в середньому потрібно 100 відгуків. Отже, ми можемо розрахувати, скільки приблизно відгуків необхідно по кожній спеціальності і в кожному регіоні. Звідси виводимо, скільки реєстрацій нових користувачів або реактивацій старих акаунтів потрібно отримати, і скільки ми готові витратити на це GEO і даний напрямок.

Після такого аналізу стало видно: в деяких регіонах при відносно невеликих витратах генерується значний дохід. В інших навпаки — компаній, що платять, небагато, але витрати на рекламу високі. Ми порахували умовний ROAS. Він був «синтетичним», оскільки прямого зв'язку між конкретним доходом і витратами не існувало. Але пропорцію цих величин можна було використовувати, щоб визначити, де варто збільшувати бюджет. Там, де було багато вакансій і мало відгуків, ми ризикували втратити роботодавців: якщо вони не отримають кандидатів, то підуть і перестануть платити за розміщення. У таких випадках ми були зобов'язані збільшити потік трафіку і відгуків. А там, де платних компаній майже не було, витрати можна було скорочувати і покладатися більше на органічний трафік і природні реєстрації.

Таким чином, ми закінчили аналітичну частину і могли коригувати бюджети за регіонами та типами кампаній. Наступним кроком стало моделювання «ідеальної картини світу». Це вже було більше бізнес-аналітика. Ми розрахували, скільки в цілому компанія готова витрачати на маркетинг, виходячи з частки від валового доходу. У більшості компаній це 5–10%, в рідкісних випадках до 15%. Ми орієнтувалися на ці рамки, але тепер могли застосовувати їх не тільки в середньому по бізнесу, а деталізувати: за напрямками, спеціальностями і містами. Це дозволило зберігати загальну пропорцію, уникаючи перекосів у більшу або меншу сторону.

Так ми змогли розрахувати, який «синтетичний дохід» приносить кожна конверсія на сайті, коректно налаштувати події, де вони були зламані або відсутні, і прогнозувати потенційний дохід. На цій основі ми вже встановлювали допустимі витрати і ціни за конверсію в розрізі міст і професій. Це дало нам нові вихідні дані, з якими стало зрозуміло, де і скільки можна витрачати, а де бюджети скорочувати.

У підсумку з'явилася максимально прозора аналітика по кампаніям, чіткі KPI і можливість гнучко управляти бюджетом. За необхідності ми могли його збільшувати, а могли залишати на колишньому рівні, просто перерозподіляючи між регіонами та напрямками. Наприклад, заходила нова компанія — великий гравець FMCG, якому потрібні співробітники для запуску супермаркету в певному регіоні. Ми знали, які кампанії потрібно посилити, як збільшити бюджети, щоб залучити більше реєстрацій і резюме саме з цієї локації. Те, що вчора було не актуальним, сьогодні ставало важливим, і рекламна система дозволяла швидко перебудовуватися.

Масштабні 360° кампанії та робота з партнерами

На окрему увагу заслуговує кейс із запуском performance-кампанії, який ми комбінували з кампанією на охоплення і подальшим post-view аналізом. Це була масштабна хвильова рекламна активність, що включала digital, зовнішню рекламу, ТБ і радіо. Але в рамках digital хотілося б окремо виділити два різних підходи.

Перший тип кампаній ми запускали через агентство, якому довіряли. Це досвідчені фахівці, які вміють грамотно проводити аналітику, очищати майданчики від неякісного трафіку, працювати з цільовою аудиторією, обмежувати кількість показів на одного користувача за IP або за User Agent. Тобто вони могли вибудовувати охоплюючі кампанії з чіткими KPI і контролем виконання.

З іншого боку, якщо ми говоримо про performance-маркетинг в медійній частині — будь то Google або Facebook, — то він частково також працює на знання бренду. Просто KPI в таких кампаніях інші: показники можуть зміщуватися в бік CTR, CPM та інших метрик. Але при цьому завжди є досяжна мета: реєстрація, створення резюме або відгук на вакансію. З одного боку, це перфоманс-завдання. З іншого — коли ми працюємо на бренд, кінцева мета все одно та сама: збільшення кількості органічного трафіку, зростання брендових запитів і, в результаті, зростання цільових дій на сайті — реєстрацій і відгуків.

Незважаючи на різницю в підходах до кампаній на performance і на знання бренду, бізнес в кінцевому рахунку цікавлять саме ті показники, які прямо або опосередковано впливають на дохід. А це завжди цільові дії на сайті — будь то реєстрація, створення резюме або відгуки, що прийшли як за брендовими запитами, так і за кліками на рекламу.

Цікавий висновок дав наш аналіз. Performance-кампанії показали кращий результат: так, вони не забезпечили величезних охоплень, аудиторія там була більш вузькоспрямованою. Але при менших бюджетах, у порівнянні з класичними охоплюючими кампаніями, вони принесли на 50%, а в деяких регіонах навіть удвічі більше цільових дій. І це з огляду на те, що охоплюючі кампанії додатково піднімали органіку і брендовий трафік.

Тому, коли багато хто говорить, що «нам потрібна охоплююча медійна кампанія», мені здається, в ряді випадків це звучить як лукавство. Так, охоплення і знання бренду важливі, без них не обійтися. Але так чи інакше бізнес буде оцінювати ефективність реклами виключно за бізнес-моделлю: скільки цільових дій вона принесла і який додатковий дохід згенерувала.

Окрема історія — робота з партнерським маркетингом. На початку статті ми писали про те, що зустрічалися дивні аномалії: за низкою ключових запитів в акаунті були задані «мінусові» коригування ставок на мобільних (-100%), або оголошення і зовсім ставилися на паузу. При подальшому розборі партнерського трафіку — через Google BigQuery, серверні логи та аналітику — ми побачили реальну картину.

Виявилося, що один з менеджерів відділу маркетингу домовився з партнерами, що власну рекламу ми зупинимо, а трафік передамо партнерам. По суті це виглядало так: ми відключаємо пряму закупівлю трафіку за брендовими і головними пошуковими запитами, партнери «переливають» цей трафік через свої інструменти і перепродають нам його назад за ціною в два рази вище. При перших підозрах це виглядало неправдоподібно, але після детального аудиту все стало очевидно — частина бюджету просто витікала по ланцюжку.

Ми були змушені вжити жорстких заходів: співробітника звільнили, провели реструктуризацію акаунтів, очистили всі підозрілі інтеграції та коди партнерів. У Google Tag Manager видалили кілька скриптів, які підміняли source/utm-параметри всередині сесії — при переході між сторінками у відвідувача змінювалося джерело трафіку на «партнерське», хоча початковий перехід був з пошукової рекламної кампанії. Після цього ми налаштували суворі правила атрибуції в Google Analytics і Google Ads: додали правила last non-paid channel і переглянули логіку пріоритету джерел.

Далі почалася робота по партнерських мережах: на початковому етапі ми витрачали близько 15-20% бюджету на партнерський маркетинг — частково для тестів, частково за старими контрактами. В ході аналітики і переговорів з чесними партнерами з'ясувалося, що коректні мережі дають стабільний, але незначний обсяг якісних реєстрацій. Після того як ми відсікли недобросовісні джерела, чистий обсяг реальних партнерських конверсій знизився, і ми скоротили частку бюджету на партнерів до 2-5%.

Як ми виявляли недобросовісні практики? По-перше, зіставляли ланцюжки атрибутів: якщо після переходу з пошукової реклами відбувалася реєстрація, а потім у логах фіксувався перехід з позначкою «партнер», це було підозріло. По-друге, дивилися тимчасові патерни: сплески реєстрацій, що збігалися з вивантаженнями партнерів. По-третє, перевіряли відповідність IP-діапазонів і user-agent — часто підміна відбувалася через скрипти партнерів, які запускали iframe або редиректи і змінювали referrer/UTM всередині сесії.

Після виявлення таких випадків ми ввели жорсткі критерії: партнерський трафік повинен приходити «чистим» — тобто без попереднього кліка по нашій платній кампанії; тільки в цьому випадку партнер отримує винагороду за лід. Також ввели тестову оплату за якісну реєстрацію (pay-per-lead) і додаткові KPI: утримання, конверсія в платіж/завершену угоду, частка повернення. Партнери, які не могли підтвердити чистоту трафіку, виключалися.

Технічно ми автоматизували частину перевірок: зробили щоденні звірки джерел у BigQuery, порівняння UTM-ланцюжків, детекцію аномалій за географією та часом, звіти за retention. Це дало можливість швидше реагувати: якщо якась мережа почала «накручувати» трафік сумнівним способом, ми миттєво призупиняли нарахування і запускали перевірку.

В результаті — економія бюджету і зростання ефективності. Ми усунули «злив» приблизно 15% рекламного бюджету, який до цього витрачали даремно, і повернули частину витрат у прозорі канали. Для бізнесу це означало підвищення рентабельності маркетингу і більш передбачувану модель окупності.

Практичні кроки, які дали ефект: ми ввели пороги тривоги — наприклад, якщо частка партнерського трафіку по регіону зростає більш ніж на 30% за добу, система позначає джерело на перевірку. Ввели KPI-пороги за якістю (CR партнерів не нижче 50% від прямих каналів, середній час на сайті і відмов в допустимих межах).

При онбордингу нових партнерів обов'язкові інтеграційний тест (до 200 візитів), аудит скриптів і підписання SLA з KPI і штрафами за шахрайство. Юридично прописали заборону на підміну UTM/рефералів і право на аудит.

Технічно впровадили server-side tracking і щоденну зведення в BigQuery, щоб швидко реагувати на аномалії. Щотижня — розбір результатів з комерцією і партнерськими менеджерами, щомісяця — перегляд бюджетів.

Для практичної реалізації ми підготували шаблони: SQL-запит для зіставлення UTM-ланцюжків між серверними логами і даними аналітики, шаблон SLA з формулою оплати (базова ставка + бонус за LTV) і дашборд в Looker/Looker Studio, де в режимі реального часу видно джерела, показники CR, середній LTV по каналах і список аномалій. Ці інструменти дозволяють не тільки виявляти шахраїв, але й розуміти, які партнерські мережі дійсно приносять довгострокову цінність — і відповідно перерозподіляти бюджет на користь найефективніших каналів.

Основні висновки

У будь-якому бізнесі можна розрахувати цінність конверсій, визначити загальний маркетинговий бюджет і розподілити його за регіонами, напрямками або товарами. Питання завжди зводиться до грамотної аналітики: потрібно виділити час і ресурси, щоб все правильно порахувати. Це реально зробити, тим більше що Google сьогодні рекомендує переходити на value bidding.

Партнерський маркетинг може приносити стабільний ефект, але тільки при суворому контролі, автоматичних перевірках і юридичному захисті. Це вимагає часу, інструментів і людини, яка буде цим займатися.

Якщо потрібно — проведемо аудит партнерських джерел, перевіримо ваші GTM-скрипти та налаштування атрибуції, підготуємо SLA та процедури, які виключать витоки бюджету та підвищать рентабельність маркетингу. Звертайтеся.