Как настроить рекламу, чтобы увеличить доход на 157 миллионов рублей при стагнирующем рынке | Sales Ninja x SF.RU

Задачи и контекст

Наш клиент — федеральный российский ретейлер электроники с десятками тысяч наименований товара, с которым SF.RU работает уже несколько лет (из-за NDA мы не можем его называть).

К 2025 году проект столкнулся с двумя ключевыми барьерами.

• Общая потребительская активность на рынке снизилась (по отдельным категориям вроде смартфонов падение составило 20–25%), а конкуренция со стороны маркетплейсов усилилась. При изначально низкой маржинальности электроники любой застой в продажах критически бил по экономике бизнеса.

• Стандартные автостратегии Яндекс Директа уперлись в потолок эффективности. Они обучаются только по факту совершенных покупок, поэтому оптимизировались под дешевые массовые товары, в то время как огромная часть каталога — дорогие маржинальные товары — оставалась без рекламного трафика.

Классические методы оптимизации — работа с семантикой, фидами, перебор базовых стратегий — тоже исчерпали свой ресурс. Стало понятно: чтобы выполнить план продаж в условиях проседающего рынка, нужно кардинально изменить сам принцип обучения рекламных алгоритмов.

Для этого в пилотном режиме на 20% бюджета были внедрены виртуальные (предиктивные) конверсии Sales Ninja. Они прогнозировали вероятность покупки на основе поведения пользователя на сайте еще до момента оплаты. Это дало Директу необходимый массив данных для обучения, позволило оживить «слепые зоны» каталога и на пилоте увеличило выручку тестового направления на треть, а количество заказов — на 22%.

Убедившись, что технология справляется с проблемой, летом 2025 года мы занялись масштабированием — перенесли выигрышную стратегию на весь аккаунт.

Как мы растили доход

Чтобы достичь поставленных целей, от агентства требовалось параллельно решить две задачи: операционную и стратегическую.

Операционная — поэтапное масштабирование системы. На первом этапе необходимо было перенести предиктивную оптимизацию с 20-процентного пилотного бюджета на весь аккаунт клиента, включая Поиск, Рекламную сеть Яндекса (РСЯ), динамические кампании, смарт-баннеры и товарную галерею.

На проектах федерального масштаба любые резкие изменения исключены, так как сбой в алгоритмах может сорвать месячный план продаж розничной сети, поэтому процесс шел поэтапно. Каждый шаг сопровождался анализом промежуточных данных, пересчетом юнит-экономики и подготовкой планов отката. К середине года весь рекламный кабинет был полностью переведен на предиктивную оптимизацию без потери текущей эффективности.

Стратегическая — оптимизация «длинного хвоста». Основной прирост выручки был достигнут за счет перераспределения рекламного давления на маржинальные и дорогостоящие товары, которые стандартные автостратегии обычно не учитывают.

В электронной коммерции наибольший объем транзакций приходится на массовый сегмент с товарами стоимостью 5–12 тысяч рублей. Алгоритм видит постоянный поток конверсий, оптимизируется под него и направляет трафик преимущественно на эти позиции. В результате реклама концентрируется в высококонкурентной зоне с минимальной маржой.

До нишевых позиций стоимостью 50–200 тысяч рублей автостратегия не доходит, так как штучных покупок по каждой отдельной карточке мало и алгоритму не хватает данных для обучения. Поэтому фокус оптимизации был смещен на «длинный хвост».

Виртуальные конверсии Sales Ninja прогнозировали вероятность покупки на основе поведенческих факторов пользователя на сайте, независимо от стоимости конкретной позиции. Мы настроили передачу предиктивных данных в Директ и обеспечили алгоритмы качественным обучающим сигналом из категорий каталога, которые ранее оставались для них невидимыми.

Что из этого получилось

В течение года Sales Ninja регулярно обновлялась и в конце концов научилась автоматически определять оптимальную форму обучающего сигнала на основе математического ожидания для каждой отдельной кампании и сегмента. Со стороны агентства потребовалось сопоставить автоматические сценарии платформы с юнит-экономикой разных категорий товаров, а после скорректировать цели. В результате структура входящего трафика изменилась, и доля аудитории с высоким средним чеком увеличилась.

Помимо масштабирования базовой механики моделируемых конверсий, команда агентства протестировала и внедрила два дополнительных технологических модуля Sales Ninja:

• «Антибот», который отсек бот-трафик в РСЯ, ухудшающий качество обучающей выборки для предиктивных моделей;

• предиктивные аудиторные сегменты, с помощью которых пользователей распределяли по вероятности совершения покупки для более точной корректировки ставок и ретаргетинга.

И всё же, несмотря на эффективность предиктивной оптимизации, мы перестраховались и оставили одну рекламную кампанию на классических целях электронной коммерции. Она служит для нас своего рода лакмусовой бумажкой — показывает, растёт ли рынок в целом, или всё же Sales Ninja демонстрирует хорошие результаты.

Особенности управления внешними ИТ-решениями

Инструменты Яндекса доступны всему рынку, а техническая документация профильных платформ открыта. Однако в перформанс-маркетинге конечный результат зависит от того, как именно выстроены процессы управления технологиями. При стандартном подходе часто используются шаблонные настройки, чтобы минимизировать риски. Такая стратегия обеспечивает стабильный, но средний результат, и на стагнирующем рынке ведет к потере позиций.

Недостаточно просто подключить внешний сервис — нужно еще адаптировать внутренние процессы под логику алгоритмов (например, Sales Ninja за последний год выпустили около 10 крупных обновлений) и контролировать систему на этапе стабилизации данных.

Год назад мы просто проверяли, работает ли предиктивный подход на ограниченном пилоте. Итог первого квартала 2026 года — рост выручки на 154% и снижение ДРР почти в 2 раза при неизменном годовом бюджете — показывает, что дело было не в разовой удаче, а в системной интеграции технологии с бизнес-метриками клиента.