Ситуация и проблема
Аспро.Cloud — универсальный продукт, который подходит компаниям из самых разных сфер: от дизайн-студий и строительных организаций до сервисного бизнеса и IT-команд. Но именно универсальность стала одной из сложностей в контекстной рекламе. Когда продукт решает задачи сразу нескольких рынков, привлекать платежеспособных пользователей одними и теми же объявлениями становится невозможно.
Изначально контекстной рекламой Аспро.Cloud занималось внешнее агентство. Команде партнеров не хватало знания продукта и ниши, что приводило к ситуации, когда трафик есть, но стоимость регистрации остается непредсказуемо высокой. Кампании привлекали пользователей с разной мотивацией, а оптимизация под общую цель «регистрация» не позволяла алгоритмам точно отделять целевых клиентов от случайных.
Мы изменили подход — выделили на проект одного специалиста из нашей команды, которой хорошо разбирался в продукте. Поставили задачу снизить стоимости регистрации и выстроить систему, где каждая аудитория видит свои сценарии использования сервиса и уникальные рекламные сообщения.
Результаты
В рамках проекта конверсией считалась регистрация аккаунта в сервисе. Для сравнения результатов мы берем 2 периода: 2024 — год до глубокой оптимизации и 2025 год — после полного внедрения новой стратегии.
За это время нам удалось добиться следующих результатов:
- средний месячный бюджет вырос на 75%;
- количество кликов увеличилось на 300%;
- регистрации в сервисе выросли на 267%;
- стоимость регистрации снизилась на 70%.
Главное: стоимость стала стабильной и прогнозируемой, а реклама начала приводить более качественных пользователей, которые готовы изучать продукт и работать с сервисом.
Решение: пошаговая стратегия
Шаг 1. Глубокий аудит и сегментация
Сначала мы разобрали старые рекламные кампании и нашли ключевые узкие места. Главным инсайтом стало то, что в рекламе не задействовались ниши с высокой конверсией:
- CRM для дизайн-студий;
- CRM для строительных организаций;
-
Система управления проектами.
Мы выделили эти направления в отдельные тестовые кампании, собрали уникальные семантические ядра и написали отдельные объявления под каждый сегмент.
Шаг 2. Цифровой портрет клиента и работа с воронкой
Дальше мы подключили аналитику: изучили данные CRM и Яндекс.Метрики. Благодаря этому составили портрет платящего клиента, который чаще всего:
- находится в возрасте 25–45 лет;
- использует десктопные устройства;
- перед регистрацией посещает минимум 3 страницы;
- почти всегда заходит на страницу с ценами и в базу знаний.
Важно: аудитория 18–24 года активно регистрировалась, но редко доходила до оплаты. Поэтому мы осознанно не стали масштабировать рекламу на эту возрастную группу, несмотря на высокий процент регистраций.
Главное решение: мы не стали оптимизировать кампании просто под регистрацию. Вместо этого настроили цели, которые повторяют поведение пользователя, максимально близкого к будущему клиенту. Алгоритмы Яндекс Директа начали обучаться не на любых регистрациях, а на тех действиях, которые чаще всего совершают платящие пользователи. Это позволило отсечь случайный трафик и повысить качество конверсий.
Шаг 3. Техническая оптимизация под результат
На следующем этапе мы выстроили сквозную связку: CRM → Метрика → Директ. Данные об оплатах из CRM передавались в Метрику по первому источнику трафика, чтобы система могла учитывать реальный вклад рекламы в бизнес-результат.
Кампании перевели на стратегию «Оптимизация цены конверсии», где конверсией по-прежнему считалась регистрация, но с учетом дополнительных сигналов качества.
Чтобы усилить обучение алгоритмов, мы добавили повышающие коэффициенты для пользователей, которые:
- Посещали страницу с ценами.
- Заходили в базу знаний.
По сути, мы дали алгоритму понять, что такие действия ценнее обычной регистрации. Дополнительно усилили эффективность благодаря корректировкам по устройствам: повысили ставки на десктопы как основной источник продаж и снизили долю мобильного трафика.
Шаг 4. Системная работа и контроль
Чтобы результат не был разовым, мы внедрили регулярный контроль и оптимизацию.
Для каждой ниши составили детальные списки минус-слов и развели кампании так, чтобы они не пересекались между собой. Это помогло избежать внутреннего аукциона, ситуации, когда рекламные объявления одного и того же рекламодателя конкурируют друг с другом и искусственно повышают стоимость клика.
Также мы ввели еженедельный анализ статистики: оперативно отключали неэффективные ключи и масштабировали гипотезы, которые показывали лучший результат.
В итоге реклама перестала быть набором разрозненных кампаний и превратилась в управляемую систему.
На старте реклама приносила регистрации, но их стоимость была слишком высокой, а объема не хватало для масштабирования. К тому же аналитика не давала полной картины: мы не видели, какие действия на самом деле связаны с оплатами. Когда мы выстроили аналитику и изменили логику оптимизации, ситуация начала меняться.
Вывод
Этот кейс показывает, что в B2B SaaS масштабирование рекламы через формальные цели возможно, но оно быстро упирается в потолок. Устойчивый рост начинается тогда, когда маркетинг учитывает поведение будущего клиента, связывает рекламу с CRM-данными и обучает алгоритмы не на дешевые регистрации, а на реальную ценность для бизнеса.
