Чтобы оптимизировать рекламные расходы и не потерять выручку, Befree внедрили ML-ретаргетинг в «Яндекс Директе». Рекламу показывают только самым «горячим» сегментам аудитории и не тратят бюджет впустую. В тестах с контрольной группой ДРР снизился на 3 п. п., конверсии в заказ выросла на 0,4 п. п.
−3 п. п. ДРР: Befree внедрили ML-ретаргетинг в «Яндекс Директе»
Befree — российский бренд молодежной одежды. Принадлежит Melon Fashion Group, которая управляет брендами Zarina, Sela, Love Republic и Ìdol
Масштаб бизнеса.
268 магазинов в России и Беларуси
Задача
Сократить расходы на ретаргетинг в «Яндекс Директе»Повысить конверсию в заказ из рекламных кампаний
Решение
Внедрить ML-ретаргетинг
ИТ.
Сайт собственной разработки, рекламный кабинет «Яндекс Директ», платформа автоматизации маркетинга Mindbox, платформа Segmel
Результат
−3 п. п. ДРР в ретаргетинге+0,44 п. п. к конверсии в заказ из рекламных кампаний
Срок.
1,5 месяца
26 февраля 2026
Раньше Befree запускали ретаргетинг в «Яндекс Директе» на всех пользователей, которые ушли с сайта без покупки. Среди них были и те, кто уже готов купить, и те, кто заходил на сайт случайно — в итоге часть рекламного бюджета тратили зря.
В начале 2025 года рекламные расходы заметно выросли. Чтобы оптимизировать расходы, компания решила внедрить предиктивную аналитику в «Яндекс Директ». Теперь рекламу показывают только тем, кто с большей вероятностью купит. И при этом не тратят рекламный бюджет на тех, кто заведомо не готов к покупке.
В кейсе — история о том, как сегментировать аудиторию для ретаргетинга по вероятности покупки и управлять ставками в «Яндекс Директе», чтобы сократить ДРР.
Эра больших бюджетов закончилсь, и сегодня важно внимательно считать расходы на рекламу. Поэтому мы решили оптимизировать рекламные бюджеты и в апреле 2025 года внедрили инструмент предиктивной аналитики Segmel. Он прогнозирует вероятность покупки для каждого пользователя и подсказывает, на какие сегменты стоит тратить больше, а какие можно отключить.
С помощью Segmel мы перераспределили рекламный бюджет в пользу аудитории с высоким потенциалом покупки. И таким образом снизили долю рекламных расходов.
Результаты ML-ретаргетинга
-
−3 п. п.ДРР
-
+0,44 п. п.к конверсии в заказ из рекламных кампаний
-
727,54%ROMI
Сравниваются показатели за ноябрь 2025 года в контрольной и тестовой группах. Для контрольной группы настроили нулевые ставки в «Яндекс Директ», для тестовой — повышающие или понижающие в зависимости от вероятности покупки. Данные из внутренней отчетности Befree. Метод атрибуции — последний значимый переход
Как изменилась сегментация пользователей в «Яндекс Директе»
До ML-ретаргетинга
С ML-ретаргетингом
Аудиторию для ретаргетинга сегментировали по действиям пользователей. Например, показывали рекламу всем, кто был на сайте в последние 7 дней. В итоге часть рекламного бюджета тратилась на посетителей, которые не планировали ничего покупать
Сегменты для ретаргетинга строят по вероятности покупки. Рекламный бюджет расходуют на тех, кто с большей вероятностью дойдет до заказа. А заведомо не заинтересованным пользователям рекламу не показывают, и соответственно, не тратятся на нее
Ставку за показ рекламы назначали на весь сегмент целиком. Из-за этого рекламный бюджет тратился одинаково на пользователей с высоким и низким покупательским потенциалом
Аудиторию делят на 10 групп по вероятности покупки от 0–10 до 90–100. Для каждой группы назначают свою ставку за показ рекламы: при высокой вероятности покупки ставку повышают, при низкой — снижают. В итоге бюджет распределяется оптимальнее
Действия на сайте VS вероятность покупки: как нашли «горячую» аудиторию для ретаргетинга
Befree размещают текстово-графические и товарные объявления по фидам в рекламной сети «Яндекса» (РСЯ). Раньше аудитории для рекламы формировали двумя способами:
- Настройки таргетинга в «Директе» по ключевым словам, сайтам конкурентов, интересам или географии. Использовали, чтобы привлекать новых клиентов.
- Сегменты в «Метрике» по действиям посетителей сайта. Использовали для ретаргетинга, например выделяли посетителей за последние 7 дней или тех, кто добавлял товар в корзину.
В обоих случаях сегменты получались слишком широкими: внутри одной аудитории оказывались и готовые к покупке посетители и те, кто не собирается оформлять заказ. При таком подходе часть рекламного бюджета уходила на показы пользователям с низким покупательским потенциалом.
Когда доля рекламных расходов выросла, понадобилось эффективнее распределять бюджет. Для этого в Befree подключили Segmel — инструмент для ML-ретаргетинга на базе Mindbox.
Segmel подключили к сайту Befree как трекер: он собирает данные о действиях посетителей. На основе этих данных ML-модель оценивает вероятность покупки. Она учитывает:
- просмотренные страницы, категории и товары;
- число посещенных страниц;
- время, проведенное на сайте;
- добавление товаров в корзину и избранное;
- оформление покупки;
- добавление адреса доставки;
- устройство, с которого пользователь заходил на сайт;
- рекламную кампанию, из которой он пришел.
Модель анализирует, чем завершились действия пользователя — оформил ли он заказ или ушел без покупки. А дальше алгоритм находит закономерности: какое покупательское поведение чаще заканчивается покупкой, а какое нет.
После обучения ML-модель присваивает каждому посетителю предикт — числовую оценку вероятности покупки от 1 до 100:
- 1 — пользователь не планирует покупку. Возможно, он случайно зашел на сайт.
- 100 — почти наверняка оформит заказ.
С помощью ML-ретаргетинга стало возможным собирать сегменты пользователей с разной вероятностью покупки и настраивать для них разные коэффициенты ставок. Так рекламный бюджет удалось перераспределить в пользу аудитории с высоким покупательским потенциалом и сократить расходы на рекламу тем, кто не готов совершить покупку.
Segmel помогает ранжировать посетителей сайта по готовности к покупке и по-разному выкупать показы в рекламных кампаниях: на «горячие» сегменты повышать ставки, на «холодные» — снижать.
Чтобы использовать предикт в рекламе, аудиторию делят на 10 сегментов. Пользователей распределяют по этим группам в зависимости от вероятности покупки: от самой низкой к самой высокой. Например, в первую группу попадают пользователи с вероятностью покупки от 1 до 10%, во вторую — от 10 до 20%, в последней группе — клиенты с вероятностью покупки более 90%. Segmel передает эти сегменты в «Яндекс Метрику», а менеджер по контекстной рекламе корректирует ставки для каждой группы в «Яндекс Директе».
Корректировки ставок по сегментам Segmel в «Яндекс Директе». «sgml control» — контрольный сегмент с нулевыми корректировками. Для сегмента 40 — 50 установлена пониженная ставка, потому что в одной из рекламных кампаний его результаты оказались хуже, чем в контрольном сегменте
Segmel собирает и анализирует действия пользователей на сайте, рассчитывает вероятность покупки и отправляет в «Яндекс Метрику»
Эффект ML-ретаргетинга в «Яндекст Директе»: как на 7% снизили CPO и на 0,4 п. п. подняли конверсию в заказ
Чтобы оценить эффективность ML-ретаргетинга, Befree провели серию тестов. Сначала запустили АА-тест, чтобы собрать базовые показатели и убедиться, что они одинаковые у контрольной и тестовой групп. Затем провели AB-тест.
Подготовка к тесту: проверить однородность выборки и собрать статистику
Для эксперимента посетителей сайта случайным образом разделили пополам на контрольную и тестовую группы. Обе группы ничем не отличались по условиям и коммуникации. В AA-тесте было важно убедиться, что при одинаковых настройках между двумя случайными половинами аудитории нет разницы в метриках.
Параллельно пользователей внутри тестовой группы распределили на 10 сегментов по вероятности покупки. В каждом сегменте отслеживали конверсию в заказ и CPO, чтобы в AB-тесте установить разные коэффициенты ставок для каждого сегмента.
Через две недели, когда убедились, что между группами нет разницы в CPO и конверсии в заказ, собрали базовые показатели во всех подсегментах и запустили AB-тест.
После АА-теста рассчитали рекомендованные коэффициенты ставок для каждого сегмента. Для сегментов 30–40 и 40–50 ставку решили понизить на 10%, а для сегментов 60–70, 70–80 и 80–90 — повысить на 10%
AB-тест: ML-сегментация и корректировка ставок против их отсутствия
Гипотеза. Если в аукционе «Яндекса» выкупать больше показов на сегменты с высокой вероятностью покупки, и меньше — на сегменты с низкой, то CPO снизится, а конверсия в заказ вырастет.
В эксперименте было две группы пользователей:
- Контрольная — без ML-сегментации и корректировки ставок.
- Тестовая — с оценкой вероятности покупки от Segmel и корректировкой ставок.
Срок. AB-тест длился 6 недель, с июня по июль 2025 года.
Метрики. Стоимость заказа (CPO) и конверсия в заказ.
Гипотеза подтвердилась. Средняя стоимость заказа во всех 10 сегментах тестовой группы оказалась ниже, чем в контрольной, а средняя конверсия в заказ выросла.
Средняя CPO
Средняя конверсия в заказ
Тестовые группы
X − 7%
Y + 0,44 п. п.
Контрольная группа
X
Y
Статистическую значимость тестов проверяли с помощью p-value. Его значение было ниже 0,05 — это значит, что результатам теста можно доверять.
Так в Befree нарастили показы рекламы «горячим» пользователям, вместо того чтобы тратить бюджет на аудиторию с низкой вероятностью покупки. При тех же затратах — больше выручки от ретаргетинга.
Реклама на холодный look alike: неочевидное применение ML-ретаргетинга
Когда Segmel доказал свою эффективность в ретаргетинге, в Befree решили проверить ML-модель на привлечении новых клиентов. На основе четырех топ-сегментов Segmel построили look alike-аудитории внутри «Яндекса» и запустили кампанию на холодный трафик в РСЯ.
Рекламная кампания проходила с 18 по 29 декабря 2025 года. Ее результаты оценивали в середине января 2026 года, чтобы учесть выкуп и отложенные покупки, которые случились во время новогодних праздников. В итоге ДРР выкупа по кампании на look alike-аудиторию составил 33,77%. Это на 10,04 п. п. больше, чем в оптимизированной РСЯ-кампании со стандартным таргетингом за тот же период. Эксперимент проводили как пробный запуск, без AB-теста и оценки статистической значимости.
На первый взгляд может показаться, что эксперимент с сегментами Segmel на look alike-аудитории не удался. Ведь ДРР оказался выше, чем в обычной look alike-кампании. Но мы видим здесь большой потенциал: старая рекламная кампания на стандартном таргетинге работает давно, мы ее регулярно оптимизируем. А в новой сходу за пару недель получили сравнимые показатели, которые можно постепенно улучшать, оптимизируя ставки, креативы, форматы или места показа.
Планы: внедрить ML-сегментацию в CRM-маркетинг
Segmel встроен в платформу Mindbox, поэтому Befree планируют использовать ML-сегментацию не только в перформанс-, но и в CRM-маркетинге. Оценка вероятности покупки передается в Mindbox, сохраняется в профиле и помогает сегментировать клиентов по готовности к покупке. Например, в рассылках по «брошенным» сценариям можно давать клиентам скидки в зависимости от восприимчивости к офферам.
P. S. В этой истории мы рассказывали о нашем продукте Mindbox Ads. Узнайте о нем подробнее на его странице или в разговоре с консультантом.
