Чтобы увеличивать конверсию в заказ из объявлений, «Читай-город» оценивает вероятность покупки у посетителей сайта и на основе этих данных корректирует рекламные ставки.
+56% к выручке с клика. «Читай‑город» корректирует ставки в Директе с помощью ML‑сегментов
«Читай-город» — федеральная сеть книжных магазинов
Масштаб бизнеса.
700 розничных точек в 200 городах России, собственный интернет-магазин
Задача
Растить выручку и конверсию в заказ от рекламы в ДиректеСохранять ДРР
Решение
Корректировать ставки в рекламных кампаниях с помощью инструмента «ML‑ретаргетинг» Mindbox
ИТ.
Сайт собственной разработки, собственная CRM-система сети «Читай‑город», Яндекс Директ, Яндекс Метрика, платформа автоматизации маркетинга Mindbox
Результат
В рекламных кампаниях Яндекс Директа:+56% к выручке с клика+1,4 п. п. к конверсии в заказДРР не выше 16%
Срок.
5 месяцев
4 августа 2026
«Читай-город» с помощью рекламы привлекает новых покупателей, повышает средний чек у текущих и возвращает тех, кто ушел с сайта без покупки. А чтобы растить конверсию в заказ из объявлений, корректирует ставки, например в зависимости от пола, возраста и устройства. Однако вручную не всегда получалось отделить «горячую» аудиторию, которая с наибольшей вероятностью закажет, от тех, кто пока не планирует это делать. В результате часть рекламного бюджета использовалась неэффективно.
Чтобы решить эту проблему, стали оценивать вероятность покупки у посетителей сайта и на основе этих данных корректировать ставки. В кейсе — подход сети «Читай‑город», который помогает сфокусироваться только на перспективной аудитории.
Результаты в Яндекс Директе
-
+56%к выручке с клика
-
+1,4 п. п.к конверсии в заказ
-
<16%ДРР
Данные в сравнении с контрольной группой за май 2026 года. Модель атрибуции — последний значимый переход с учетом кросс‑девайса
Чтобы растить доход от рекламы без дополнительного бюджета, повышаем качество трафика. Для этого формируем сегменты, которым нужно показывать рекламу, и корректируем ставки в кампаниях. Однако не все идеи срабатывали: у некоторых групп была низкая конверсия в заказ, а доля рекламных расходов превышала 16% — это наше целевое значение.
Чтобы это исправить, тестировали несколько предиктивных сервисов, но у себя не видели значимого эффекта. У каждой книги свои читатели и мотивы к покупке, а инструменты не учитывали эти различия — строили прогноз сразу по всей аудитории. Решили внедрить ML-ретаргетинг — инструмент Mindbox для оптимизации онлайн-рекламы. Он оценивает вероятность покупки для каждого посетителя сайта и на основе этих данных формирует сегменты. Их используем, чтобы корректировать ставки в кампаниях.
Мы добавили ML-сегменты во все рекламные кампании и таким образом удерживаем ДРР ниже 16% и растим доход с каждого клиента. Рекламу чаще видят заинтересованные покупатели, а значит, нам удается эффективно использовать рекламный бюджет.
Для каких бизнес-задач «Читай-город» формирует рекламные сегменты
В Яндекс Директе запускают несколько типов объявлений: текстово-графические, товарные по фидам, смарт-баннеры. Их показывают в поисковой системе Яндекса и в РСЯ. Эффективность рекламы повышают многоуровневой сегментацией — объединяют данные Яндекс Метрики и своей CRM-системы. Аудиторию группируют, чтобы решать четыре бизнес-задачи:
Растить средний чек. Отбирают тех, кто интересовался книгами, но не оформил заказ. Например, добавил в корзину товары больше чем на 2000 рублей, что выше среднего чека, и не вернулся за покупкой в течение трех дней. Отдельные сегменты — пользователи, которые смотрели категории «Новинки» и «Бестселлеры» или книги определенного жанра: такие издания в среднем дороже остальных.
Допродавать и растить LTV. Тем, кто за последний год заказывал литературу определенного жанра, предлагают книги смежной тематики: любители детективов видят подборку психологических триллеров, а купившие первую книгу серии — ее продолжение. Покупателям подарочных изданий показывают рекламу накануне Нового года или 8 Марта, а клиентам, которые в августе заказывали учебники, — перед 1 сентября. Отдельный сегмент — те, кто регулярно покупает в офлайн-магазинах, но ни разу не заказывал в интернет-магазине: им показывают рекламу, чтобы перевести покупки в онлайн.
Возвращать «спящих» и удерживать лояльных. Выделяют две группы: клиентов, которые не покупали больше полугода, и лояльных — с тремя и более заказами за год. Лояльным напоминают о магазине: у них выше конверсия в заказ, чем у других сегментов. Для «спящих» запускают триггерные механики возврата — удержать такого клиента дешевле, чем привлечь нового.
Привлекать на распродажи. В период крупных акций, например «черной пятницы», рекламу показывают тем, кто покупал во время таких же кампаний в прошлом году. Для ML-алгоритма такой заказ — маркер сезонного спроса, а не признак «охотника за скидками». Эти люди уже доверяют магазину и с высокой вероятностью вернутся в дни распродаж, чтобы пополнить домашнюю библиотеку или выбрать подарки. Если не напомнить им об акции, это сделают конкуренты. В другие периоды на эти группы рекламу не запускают: без скидок у них низкая конверсия в заказ.
Параллельно ведут негативную сегментацию: в CRM-системе видно, кто заводит несколько аккаунтов ради повторной скидки по промокоду. Таких пользователей передают в Яндекс Аудитории, а в Директе ставят для них понижающую корректировку ставок −100%. Так экономят бюджет и удерживают ДРР на целевых 16%.
Как корректировали рекламные ставки и почему часть бюджета уходила не на тех
Обычно «Читай-город» запускает сразу несколько рекламных кампаний, каждая из которых настроена на определенную группу клиентов. А чтобы внутри сегмента объявления чаще видели те, кто купит с наибольшей вероятностью, корректировали рекламные ставки.
Сначала две недели алгоритм Яндекса обучался и анализировал, как аудитория реагирует на объявления. Затем директолог еженедельно анализировал показатели по разным группам клиентов: смотрели на пол, возраст и устройство, с которого пользователь перешел на сайт. После этого выделяли подсегменты покупателей и назначали для них коэффициенты:
- Понижающий — если ДРР был выше 16% и группа имела низкую конверсию в заказ по сравнению с другими пользователями. Таким образом могли исключить из показов, например девушек младше 18 лет.
- Повышающий — если ДРР опускался ниже 16%, а конверсия в заказ выше, чем у других клиентов. К примеру, к таким пользователям периодически относились мужчины в возрасте от 35 до 44 лет.
Если у определенного сегмента покупателей одновременно были высокими доля рекламных расходов и конверсия в заказ, ставку не меняли. В такой аудитории видели потенциал — еженедельно продолжали отслеживать те же метрики и по результатам аудита назначали коэффициенты.
Корректировки рекламных ставок по социально‑демографическим признакам и устройству, с которого пользователь видит рекламу
Чтобы эффективно распределять рекламный бюджет, мы сужали аудиторию и корректировали ставки. Однако действия, которые пользователь совершил на сайте, не всегда позволяли точно понять, насколько он на самом деле готов оформить заказ. Другая проблема касалась тех, кто у нас уже покупал. Хотя мы настраивали повышающие и понижающие коэффициенты, рекламу все равно в том числе видели клиенты с низким потенциалом. В результате у некоторых сегментов ДРР оказывался выше целевого значения, а конверсия в заказ — ниже ожидаемой.
Как подключили ML-ретаргетинг и убедились, что он работает
Оптимизировать рекламные кампании решили с помощью инструмента «ML-ретаргетинг». Чтобы его подключить, донастроили трекер Mindbox, который уже был установлен на сайте «Читай-город». Параллельно модель интегрировали с Яндекс Метрикой, чтобы автоматически передавать сегменты клиентов, сформированные по покупательскому потенциалу.
Использовать инструмент во всей рекламе сразу не стали: хотели проверить его эффективность. Для этого ML-ретаргетинг протестировали на 12 кампаниях. Их отобрали по двум условиям:
- ДРР около 16%, так как у таких объявлений видели потенциал для оптимизации;
- достаточное количество конверсий в заказ, чтобы обучить модель и получить статзначимые результаты.
Вначале запустили АА-тест, который длился две недели. Так «Читай-город» убедился, что выборки имеют одинаковое распределение, а значит, результаты будут достоверными. Во время эксперимента одна половина посетителей сайта случайным образом попала в тестовую группу, другая — в контрольную. Для обеих одновременно работали 12 кампаний с идентичными условиями. В них рекламировали весь ассортимент интернет-магазина.
Общую тестовую группу ML-ретаргетинг поделил на 10 сегментов по вероятности заказа: от 1 до 10%, от 11 до 20%, от 21 до 30% и так далее. Такое деление не влияло на условия эксперимента: все клиенты продолжали видеть одинаковую рекламу. Подробнее о том, как алгоритм определяет покупательский потенциал, рассказываем в отдельном разделе.
Когда убедились, что показатели тестовой и контрольной группы совпадают, АА-тест завершили. Затем у каждого из 10 сегментов модель проанализировала среднюю стоимость заказа и конверсию в покупку. На основе этих данных ML-ретаргетинг рассчитал, какой аудитории настроить понижающий или повышающий коэффициент рекламных ставок. Эти значения использовали в АВ-тесте.
Гипотеза. Если с помощью корректировок ставок сфокусировать показы на аудитории, готовой к покупке, ДРР снизится, а конверсия в заказ и выручка с клика вырастут.
Механика. Для тестовой группы ML-ретаргетинг предсказал вероятность покупки и рекомендовал коэффициенты рекламных ставок после АА-теста. В контрольной — кому и по какой цене показывать рекламу, решал аукцион.
Срок. 13–25 января 2026 года.
Гипотеза подтвердилась. У всех 10 тестовых сегментов показатели были лучше, чем в контрольной группе: ДРР оказался ниже, а выручка с клика и конверсия в заказ из рекламных кампаний выше.
ДРР
Выручка с клика
Средняя конверсия в заказ
Контрольная группа без корректировки ставок
X
Y
Z
Тестовые группы с рекомендованными ставками
X − 1,2 п. п.
Y + 67,3%
Z + 1,5 п. п.
Статистическая значимость теста — 95%
После теста мы добавили ML-сегменты во все кампании, чтобы корректировать рекламные ставки. Помимо этого, продолжаем настраивать повышающие и понижающие коэффициенты в зависимости от пола, возраста, устройства. А еще используем аудиторию, которую отбираем сами. Например, корректируем ставки для постоянных клиентов или тех, кто покупал в офлайн-магазинах. Это помогает расходовать бюджет эффективнее и повышать конверсию в заказ из объявлений, так как рекламу чаще видят заинтересованные пользователи.
Как ML-ретаргетинг предсказывает вероятность покупки
Модель анализирует поведение каждого, кто заходил на сайт. На основе этой информации ML-ретаргетинг находит закономерности: какие действия чаще заканчиваются заказом, а какие нет. Учитывается более 200 признаков, включая:
- рекламную кампанию, с которой пришел пользователь;
- число и содержание посещенных страниц, категорий и товаров;
- время, проведенное на сайте;
- добавление товаров в корзину и избранное;
- указание адреса доставки;
- наличие оформленных заказов;
- устройство, с которого пользователь заходил на сайт.
Собрать данные и обучить модель удалось за 10 дней. Срок зависит от цикла сделки: например, в «Читай-город» от первого визита пользователя до покупки проходит в среднем 7 дней, и к ним добавляется еще 3–4 дня на то, чтобы алгоритм проанализировал результаты.
Ежедневно для каждого посетителя сайта ML-ретаргетинг предсказывает вероятность покупки. Пользователям присваивается оценка от 1 до 100, где 1 — не планирует покупку, 100 — почти наверняка оформит заказ. Затем модель делит аудиторию на 10 сегментов по вероятности покупки. Эти данные передаются в Яндекс Метрику.
Параллельно для каждого сегмента модель рассчитывает повышающий и понижающий коэффициент ставок. Чем больше вероятность покупки, тем выше ставка. По этим данным директолог корректирует рекламные ставки в Яндекс Директе.
ML-ретаргетинг ежедневно пересчитывает вероятность покупки для каждого посетителя сайта и отправляет значения в Яндекс Метрику. Дополнительно в Директ передают сегменты, которые строят по данным из CRM-системы
Планы
- Внедрить ML-ретаргетинг в VK Рекламе, так как это один из основных каналов платного трафика.
- Оптимизировать рекламу дальше. Для этого тестируют отдельную кампанию, в которой показ настроили только на ML-сегменты. В объявлении предлагают скидку, размер которой зависит от покупательского потенциала пользователя. Сейчас конверсия из такой рекламы в заказ больше 10%, однако ДРР все еще выше 16%. Чтобы это изменить, сегментам с низкой вероятностью покупки планируют давать промокод, действующий на любой чек, а «горячей» аудитории — оффер, который сработает только от определенной суммы. Таким образом рассчитывают сохранить конверсию в заказ, увеличить средний чек и оптимизировать ДРР.
- Мотивировать посетителей сайта совершить первую покупку. Для этого планируют настроить рекламу на тех, кто ранее не заказывал, но с высокой вероятностью это сделает. Дополнительно исключат из показов текущих клиентов.
- Корректировать рекламные ставки у look-alike-аудитории. «Читай-город» запускает кампании на «холодный» трафик, чтобы привлекать новых клиентов. Например, объявления показывают пользователям, которые похожи на покупателей книг определенного жанра. Если клиент из look-alike-аудитории уже заходил на сайт и модель посчитала, что он, скорее всего, купит, ему назначат повышающий коэффициент. Механику тестируют в смарт-баннерах и динамических объявлениях на поиске.
P. S. В этой истории мы рассказывали о нашем продукте ML‑ретаргетинг. Узнайте о нем подробнее на его странице или в разговоре с консультантом.
Часто задаваемые вопросы
Как работают корректировки ставок в Яндекс Директе?
Чтобы сфокусировать показы на целевой аудитории, можно настроить повышающие и понижающие коэффициенты для отдельных групп. Например, «Читай-город» корректирует ставки по полу, возрасту, типу устройства или собственным признакам. Параллельно для этого же используют и ML-сегменты — группы, которые алгоритм собирает из посетителей сайта по покупательскому потенциалу.
Какие признаки можно использовать для сегментации аудитории в Яндекс Директе?
Чтобы формировать группы, которым нужно показывать рекламу, можно использовать клиентские данные из CRM‑системы, CDP или Яндекс Метрики. «Читай‑город» собирает аудиторию по четырём типам признаков: поведение на сайте, история покупок, число заказов и участие в промо. Такое сегментирование клиентов помогает персонализировать рекламу. Например, любители детективов видят подборку психологических триллеров — таким образом стимулируют допродажи.
Зачем нужен АА-тест перед АВ-тестированием?
АА-тест — это эксперимент, в котором обе группы не отличаются по условиям и коммуникациям. Он помогает убедиться, что выборки получаются однородными и имеют одинаковые показатели, а значит, результаты тестов будут достоверными. Для этого пользователей случайным образом делят на тестовую и контрольную группы, а затем показывают им одни и те же рекламные кампании.
Почему высокая конверсия в заказ не гарантирует окупаемость рекламы?
Показы на аудиторию с высокой вероятностью покупки могут обходиться дорого. Например, в одной из тестовых кампаний у «Читай-город» конверсия из объявления в заказ выше 10%, а ДРР — больше целевых 16%, поэтому механику дорабатывают. «Горячим» пользователям планируют давать скидку только от определенной суммы, чтобы поднять средний чек.
