ГК «АВТОРУСЬ» внедрила ML-ретаргетинг — инструмент для оптимизации онлайн-рекламы от Mindbox. Теперь объявления показывают только пользователям готовым к покупке. А чтобы увеличить маржинальность заказов, на посадочных страницах используют товарные рекомендации. В кейсе — как вернуть пользователей с минимальными затратами и растить прибыль с их заказов.
−1,6 п. п. ДРР в Директе. Как ML‑ретаргетинг помогает ГК «АВТОРУСЬ» оптимизировать рекламу
ГК «АВТОРУСЬ» — поставщик автозапчастей в России
Масштаб бизнеса.
20 гипермаркетов в Москве и Московской области, 180+ тысяч SKU
Задача
Повысить маржинальность онлайн-заказовСократить расходы на ретаргетинг в Яндекс Директе
Решение
Внедрить ML-ретаргетинг и показывать объявления только тем, кто закажет с наибольшей вероятностьюДобавить на сайт товарные рекомендации с маржинальными позициями
ИТ.
Сайт собственной разработки, 1С: Предприятие, Яндекс Директ, Яндекс Метрика, экосистема персонализации маркетинга и цен Mindbox
Результат
27,9% средняя маржинальность заказов с товарными рекомендациямиВ сегменте ретаргетинга:−1,6 п. п. ДРР10,6% средняя конверсия в заказ после клика по товарным рекомендациям
Срок.
5,5 месяцев
19 июня 2026
Как снизить затраты на перформанс и вернуть больше клиентов, если рекламные ставки растут? ГК «АВТОРУСЬ» для этого внедрила инструмент для оптимизации онлайн-рекламы от Mindbox. Теперь ретаргетинг в Директе запускают только на «горячую» аудиторию — тех, кто с наибольшей вероятностью купит. А чтобы увеличить конверсию в заказ и маржинальность чеков, на посадочных страницах используют товарные рекомендации.
В кейсе — как удерживать клиентов с минимальными затратами и растить прибыль от их покупок.
Результаты ML-ретаргетинга
-
−1,6 п. п.ДРР
-
108%ROMI в первый месяц
-
+0,9 п. п.к конверсии в заказ из рекламных кампаний
Сравниваются показатели за ноябрь 2025 года в контрольной и тестовой группах. Данные из внутренней отчетности ГК «АВТОРУСЬ». Модель атрибуции — последний значимый переход с учетом кросс-девайса
Чтобы оценить эффективность ML-ретаргетинга, в контрольной группе не корректировали рекламные ставки в Яндекс Директе, для тестовой настроили повышающие или понижающие в зависимости от вероятности покупки.
Один из основных KPI маркетинга — ДРР, он не должен превышать 8%. Когда рекламные ставки выросли, расходы на перформанс увеличились и мы стали искать способ их снизить.
Внедрили Segmel (ML-ретаргетинг) — инструмент для оптимизации онлайн-рекламы. Он прогнозирует вероятность покупки для каждого посетителя и подсказывает, кто с большей вероятностью закажет. Благодаря предиктивной аналитике мы перераспределили рекламный бюджет в пользу аудитории с высоким покупательским потенциалом.
Чтобы оценить эффективность инструмента, провели тест с контрольной группой. Нам удалось снизить долю рекламных расходов: теперь она меньше 8%. При этом каждый вложенный в ML-ретаргетинг рубль принес 24,3 рубля выручки.
«Горячий» трафик дополнительно мотивируем купить с помощью товарных рекомендаций на сайте. Например, в карточке товара показываем подборку с выгодными ценами и большей маржинальностью. Так мы растим прибыль с заказа у тех, кого вернули с минимальными затратами.
Ретаргетинг в Яндекс Директе: почему реклама не окупалась
ГК «АВТОРУСЬ» использует текстово-графические и товарные объявления по фидам. Их видят в поисковой системе Яндекса и в РСЯ. Ретаргетинг настроили на всех посетителей сайта, которые ушли без покупки. Кому и по какой цене показывать рекламу, решал аукцион. Чтобы сузить аудиторию, исключали нецелевых пользователей:
- Несовершеннолетних. Они заходят на сайт из интереса, но покупать автозапчасти точно не будут. Поэтому для таких в Директе ставили корректировку ставок −100%.
- Случайных посетителей — тех, кто проводил на сайте меньше 10 секунд. Обычно это боты, которые не задерживаются дольше. Их выделяли в отдельный сегмент в Метрике и исключали из кампаний.
- Корпоративных клиентов, с которыми работают менеджеры по продажам. Таких не мотивируют к заказу с помощью ретаргетинга. Данные о тех, кто совершает оптовые покупки, передавали в Метрику из CRM-системы и не показывали им рекламу.
Хотя мы исключали нецелевых клиентов, бюджет все равно уходил не на ту аудиторию. На это влияли 2 причины:
Рекламные сегменты получались слишком широкими. В них одновременно попадали посетители, готовые заказать, и те, кто не планировал это делать. В итоге мы тратили рекламный бюджет на пользователей с низким потенциалом покупки.
Корпоративных клиентов не удавалось исключить полностью. Такие пользователи и так покупают без рекламы, поэтому дополнительно возвращать их нет смысла: стоимость привлечения только вырастет.
Несмотря на фильтры, на корпоративных клиентов приходилось 90% переходов из объявлений. У одной компании обычно несколько сотрудников заказывают автозапчасти, и каждому присваивался свой client ID. Когда покупатель оформлял корпоративный заказ, мы отмечали его в CRM‑системе и исключали из показа. Однако его коллеги, которые не совершали покупку ранее, продолжали видеть рекламу.
ML-ретаргетинг: как оптимизировали рекламный бюджет
Мы искали способ снизить затраты на перформанс и сфокусироваться на перспективных розничных покупателях. Хотели использовать сквозную аналитику: связать визиты на сайте с клиентскими данными из CRM‑системы. Планировали по определенным признакам отбирать пользователей для рекламных кампаний. Но для такой аналитики не хватало ресурса разработки.
Решили внедрить ML-ретаргетинг, так как с нашей стороны требовались минимальные доработки. На подключение ушло несколько минут. Понадобилось только добавить доступ в Яндекс Метрику, чтобы автоматически собирать сегменты клиентов по покупательскому потенциалу.
ML-ретаргетинг получает данные о клиентском поведении на сайте. Он анализирует более 200 признаков, например сколько страниц просматривал пользователь, добавлял ли товары в корзину или избранное, указывал ли адрес доставки. Затем модель находит закономерности: какие действия чаще заканчиваются заказом, а какие нет.
После обучения ML-модель предсказывает вероятность покупки у посетителей сайта. Каждому присваивается оценка от 1 до 100, где 1 — не планирует покупку, 100 — почти наверняка оформит заказ. Значение пересчитывается ежедневно. Если пользователь добавил товар в корзину, вероятность покупки автоматически вырастет. У тех, кто не возвращается на сайт в течение 7 дней, — снизится.
ML-ретаргетинг помог решить проблему с корпоративными клиентами. Чтобы исключить их из показов, передаем данные из CRM-системы напрямую в модель. По сути, мы используем ту же информацию о пользователях, что и раньше. Однако за 7 месяцев доля корпоративных клиентов в переходах из рекламы снизилась с 90 до 70%. В кампаниях с премиальными брендами она опустилась до 50%.
ML-ретаргетинг установлен на сайте ГК «АВТОРУСЬ» как трекер, поэтому модель видит не только client ID, но и IP-адрес каждого посетителя. Алгоритм исключит пользователя из оценки и показов, если он зашел на сайт с того же IP-адреса, что и уже известный корпоративный клиент.
Конечно, найти всех, кто заказывает оптом, так не получается. Но часть мы исключаем из ретаргетинга до того, как они совершат первую покупку.
ML-ретаргетинг собирает и анализирует действия пользователей на сайте, исключает корпоративных клиентов из оценки и рекламных кампаний, рассчитывает вероятность покупки и отправляет ее в Яндекс Метрику
Алгоритм отсеивает корпоративных клиентов, а затем делит остальных пользователей на 10 сегментов по вероятности покупки. Дополнительно для каждого рассчитывается коэффициент рекламных ставок: чем выше оценка, тем больше ставка. Это помогает сфокусировать бюджет на тех, кто, скорее всего, оформит заказ.
В первую группу попадают посетители с вероятностью покупки от 1 до 10%, во вторую — от 11 до 20% и так далее. В последний сегмент относят клиентов, которые оформят заказ с вероятностью более 90%. Затем модель передает их в Яндекс Метрику, а менеджер по контекстной рекламе корректирует ставки для каждой группы в Яндекс Директе.
Чтобы оптимизировать рекламный бюджет, мы не только используем ML‑ретаргетинг, но и вручную настраиваем объявления. В этом нам помогает агентство RED Digital. Теперь мы:
Сужаем аудиторию ретаргетинга. В товарных кампаниях Директ по умолчанию показывает рекламу всем, кто смотрел карточки товаров за последние 365 дней. Мы ограничили охват до 7–30 дней и исключили клиентов, которые уже сделали покупку.
Передаем в рекламный кабинет данные об офлайн-заказах. Так Директ учитывает покупки не только на сайте, но и в гипермаркетах. Это помогает направлять бюджет на пользователей, которые после клика оформляют заказ в магазине.
Запускаем AB-тесты на сегментах ML-модели. Делим «горячую» аудиторию случайным образом и показываем ей рекламу с разными настройками. Оставляем то, что приносит больше заказов.
Регулярно проверяем базовые настройки рекламы в Директе. Блокируем «мусорные» площадки в РСЯ, исключаем нерелевантные ключевые слова. Помимо этого, повышаем ставки по полу и возрасту основных покупателей и по-разному группируем кампании.
Ниже CPO и выше конверсия в заказ: как оценили эффективность ML-ретаргетинга
Результативность ML-ретаргетинга проверяли с помощью серии тестов. Сначала запустили AA-тест — эксперимент, в котором обе группы не отличаются по условиям и коммуникациям. Это помогает убедиться, что выборки получаются однородными и имеют одинаковые показатели.
Для AA-теста посетителей сайта поделили случайным образом на контрольную и тестовую группу. Обе видели одни и те же рекламные кампании. Дополнительно внутри тестовой группы аудиторию распределили на 10 сегментов по вероятности покупки. У каждого отслеживали конверсию в покупку и стоимость заказа (CPO). На основе этих данных в дальнейшем рассчитали рекомендованные коэффициенты ставок, которые использовали в AB-тесте.
Эксперимент проводили 2 недели. Когда убедились, что у тестовой и контрольной групп нет разницы в метриках, запустили AB-тест.
Гипотеза. Если чаще показывать рекламу сегментам с высокой вероятностью покупки, CPO снизится, а конверсия в заказ вырастет.
Механика. В тестовой группе были те, у кого ML-ретаргетинг предсказал вероятность покупки, — им после AA-теста назначили рекомендованные коэффициенты рекламных ставок. В контрольной — без ML-сегментации и корректировки ставок.
Срок. С ноября по декабрь 2025 года.
Метрики. Стоимость заказа (CPO), конверсия в заказ из рекламных кампаний.
Гипотеза подтвердилась. Средняя стоимость заказа во всех 10 сегментах тестовой группы оказалась ниже, чем в контрольной, а конверсия в заказ из рекламных кампаний выросла.
Средняя CPO
Средняя конверсия в заказ
Тестовые группы с рекомендованными ставками
X − 15%
Y + 0,9 п. п.
Контрольная группа без корректировки ставок
X
Y
Статистическая значимость теста — 95%
После теста ML-ретаргетинг стали использовать для всей аудитории в Директе. В итоге рекламные объявления стали чаще показывать «горячим» пользователям. Это помогло получить больше выручки при тех же затратах.
Товарные рекомендации: как конвертируют «горячий» трафик на сайте в заказ
-
10,6%средняя конверсия в заказ после клика по товарным рекомендациям у сегмента ретаргетинга
-
27,9%средняя маржинальность заказов с товарными рекомендациями. На 2 п. п. выше, чем у всех заказов с сайта
Данные из внутренней отчетности ГК «АВТОРУСЬ» за первый квартал 2026 года. Заказ атрибутируется к рекомендациям, если пользователь кликнул по ним и купил хотя бы один товар из подборки
ML-ретаргетинг возвращает на сайт пользователей с высокой вероятностью покупки. Из рекламных кампаний такие клиенты попадают на посадочные страницы — карточки товаров. В каждой используем товарные рекомендации, чтобы дополнительно мотивировать к покупке. За первый квартал 2026 года видим: у сегмента ретаргетинга средняя конверсия в заказ после клика по товарным рекомендациям 10,6%. Это на 3,5 п. п. выше, чем у других посетителей сайта, а значит, мы приводим с рекламы качественный трафик.
Параллельно с помощью рекомендаций в товарных карточках решаем сразу несколько бизнес-задач.
Повысить маржинальность. Покупатель видит на посадочной странице подборку с похожими продуктами из той же категории. В нее включают позиции с большей маржинальностью, которые при этом могут быть дешевле товара из карточки. В итоге заказ получается одновременно выгодным для клиента и прибыльным для бизнеса.
Чтобы пользователи видели подходящие им рекомендации, в Mindbox настроили алгоритмы. Они учитывают более 200 характеристик различных товаров. Например, в подборку с моторными маслами попадают только продукты для одного типа двигателя, со схожим составом и вязкостью.
Чтобы покупатель видел в рекомендациях, например только подходящее моторное масло, алгоритм учитывает 6 параметров
В подборку с похожими товарами могут включать позиции с меньшей стоимостью, но большей маржинальностью
Увеличить средний чек. В карточке товара рекомендуют сопутствующие позиции, которые могут заинтересовать пользователя. Например, если клиент планирует купить моторное масло, ему может потребоваться воздушный фильтр.
Алгоритм анализирует все заказы за последние 30 дней и находит позиции и категории товаров, которые чаще других оказываются в одном чеке. Такой период выбрали, чтобы учитывать сезонность и изменения в покупательском поведении.
Параллельно пользователю напоминают о товарах, которые он смотрел за последние 2 недели. Это также помогает увеличить средний чек.
Клиенты, которые покупают шины, обычно заказывают вместе с ними расходные материалы. Поэтому после блока с похожими товарами пользователям рекомендуют прокладки, вентили и пакеты для хранения
Подборку с последними просмотренными товарами видят только те, кто заходил на сайт за последние 2 недели
Удержать клиента. Товарные рекомендации работают не только в карточках товаров, но и на главной странице сайта.
В блоке «Вам может понравиться» показывают позиции, которые покупатель, скорее всего, захочет заказать. Чтобы создать подборку, алгоритм Mindbox учитывает клиентские действия на сайте. Например, какие карточки товаров просматривал пользователь, что он добавлял в избранное или корзину за последние 3 месяца. Дополнительно исключают позиции, которые покупатель заказывал ранее. Если данных не хватает, показывают те продукты, что в течение 30 дней чаще всего заказывали клиенты с похожим поведением.
Есть и другая подборка. В разделе «Рекомендуем вам» посетители видят популярные товары — те, что чаще других пользователи сайта покупали за последний месяц. Алгоритм ранжирует товары по количеству заказов за выбранный период, а при равных заказах учитывает просмотры.
На главной странице сайта выводят товары, которые с наибольшей вероятностью клиент захочет купить
Чтобы удержать клиента на сайте, ему показывают подборку с популярными товарами
Планы
- Привлекать новую аудиторию в рекламных кампаниях. Сейчас таргетинг в Директе настраивают по ключевым словам, сайтам конкурентов, интересам или географии. По топ-сегментам, которые отобраны алгоритмом, планируют построить look-alike-аудитории внутри Яндекса и запустить кампании на холодный трафик. Сначала такую аудиторию познакомят с брендом: покажут рекламу с общим позиционированием. Потом переведут пользователей в основную воронку с товарными офферами.
- Применять ML-сегментацию в CRM-маркетинге. Хотят использовать данные о покупательском потенциале и открываемости писем вместе. Например, если пользователь регулярно читает рассылки, но не заказывает, ему отправят персональный оффер. Для тех, у кого высокая вероятность покупки, но они не читают письма, настроят попапы на сайте.
P. S. В этой истории мы рассказывали о наших продуктах Рекомендации и ML и ML‑ретаргетинг. Узнайте о нем подробнее на его странице или в разговоре с консультантом.
Часто задаваемые вопросы
Что такое ДРР?
ДРР — это доля рекламных расходов. С помощью этой метрики отслеживают эффективность рекламной кампании или каналов по отдельности. ДРР считают по формуле: (Расходы на рекламу / Выручка от рекламы) × 100%.
Когда ставки в Яндекс Директе выросли, ГК «АВТОРУСЬ» сфокусировала бюджет на аудитории с высоким покупательским потенциалом. Это помогло снизить ДРР на 1,6 п. п. за месяц.
Как снизить затраты на ретаргетинг в «Директе»?
Чтобы оптимизировать рекламный бюджет, из показов исключают нецелевую аудиторию. ГК «АВТОРУСЬ» для этого подключила ML-ретаргетинг Mindbox. Модель анализирует вероятность покупки каждого посетителя сайта и запускает рекламу только на тех, кто готов оформить заказ. Это помогло получить больше выручки при тех же затратах.
Как увеличить средний чек с помощью товарных рекомендаций?
Чтобы увеличить средний чек, в рассылке или на сайте рекомендуют сопутствующие позиции, которые могут заинтересовать клиента. Например, ГК «АВТОРУСЬ» использует в товарных карточках алгоритм Mindbox. Он анализирует все заказы за последние 30 дней, находит позиции и категории товаров, которые чаще других оказываются в одном чеке.
Как оптимизация контекстной рекламы снижает стоимость заказа?
Один из способов оптимизировать рекламу — корректировать ставки. Например, ГК «АВТОРУСЬ» стала чаще показывать рекламу сегментам с высокой вероятностью покупки. По итогам AB-теста средняя стоимость заказа во всех 10 сегментах тестовой группы оказалась на 15% ниже, чем в контрольной.
