Рост общих продаж через умное планирование матрицы продвижения товаров в электронной полке
Ранее управление товарным продвижением (продвижение карточек товаров) бренда ECCO на Ozon, Wildberries строилось на классическом подходе: оптимизация кампаний производилась на базе показателя ДРР (доля рекламных расходов) из рекламных кабинетов площадок.
Однако при анализе эффективности удалось выявить системный изъян метода: оптимизация на основе ДРР приводила к тому, что автоматизированные алгоритмы продвижения распределяли основной объем бюджета на усилении текущих хитов — товаров с органически высокими объемами продаж. Возник вопрос: зачем инвестировать в продвижение позиций, которые отлично продаются сами по себе?
Исходя из этого появилась гипотеза, что ориентироваться на данные только в рекламном кабинете не вполне корректно, т.к. высока вероятность каннибализация органики рекламным продвижением.
Отсюда возникла необходимость качественного изменения подхода: переход от оценки эффективности по внутрикабинетной атрибуции к системному анализу реального роста общих продаж.
Переход к этой модели требовал:
Разработать методологию оценки инкрементальности:
Создать инструмент, показывающий, как инвестиции в товарное продвижение влияют на общие продажи бренда (с учетом органики).
Найти точки максимального ROI:
Определить, продвижение каких именно сегментов товарной матрицы дает наибольший рост общих продаж.
Перестроить стратегию:
Перейти к data-driven распределению рекламных бюджетов между площадками и товарами на основе доказанного влияния рекламного продвижения на общие продажи.
Однако при анализе эффективности удалось выявить системный изъян метода: оптимизация на основе ДРР приводила к тому, что автоматизированные алгоритмы продвижения распределяли основной объем бюджета на усилении текущих хитов — товаров с органически высокими объемами продаж. Возник вопрос: зачем инвестировать в продвижение позиций, которые отлично продаются сами по себе?
Исходя из этого появилась гипотеза, что ориентироваться на данные только в рекламном кабинете не вполне корректно, т.к. высока вероятность каннибализация органики рекламным продвижением.
Отсюда возникла необходимость качественного изменения подхода: переход от оценки эффективности по внутрикабинетной атрибуции к системному анализу реального роста общих продаж.
Переход к этой модели требовал:
Разработать методологию оценки инкрементальности:
Создать инструмент, показывающий, как инвестиции в товарное продвижение влияют на общие продажи бренда (с учетом органики).
Найти точки максимального ROI:
Определить, продвижение каких именно сегментов товарной матрицы дает наибольший рост общих продаж.
Перестроить стратегию:
Перейти к data-driven распределению рекламных бюджетов между площадками и товарами на основе доказанного влияния рекламного продвижения на общие продажи.
Описание кейса / решения
Поскольку маркетплейсы не предоставляют встроенного инструментария для достоверной оценки влияния товарного продвижения на общие продажи, мы отошли от стандартных практик и разработали собственную модульную аналитическую систему, которая была реализована в 4 последовательных этапа:
Этап 1. Разработка модели A/B-тестирования
В связи с отсутствием необходимой модели А/В тестирования на рынке, мы разработали собственный алгоритм, суть которого в следующем:
производится анализ прошлых продаж с целью поделить товары на две идентичные по выручке, стокам, среднему чеку, количеству SKU группы — тестовую и контрольную. Это решение позволило нам проводить чистые эксперименты, где на результаты не влияют сезонность или другие внешние факторы.
Этап 2. Разработка модели умной сегментация товаров
Далее мы разработали собственную метрику для поиска скрытых лидеров продаж — товаров, у которых высокая конверсия в покупку и высокая кликабельность (CTR), но мало показов аудитории. По этому принципу мы разделили весь ассортимент бренда на 3 группы: 1- SKU, которым необходимо продвижение в тех же бюджетах, что и ранее, 2 – SKU высокого потенциала, которым необходимо было усилить инвестиции в продвижение, 3 – SKU, которым необходимо отключить продвижение, т.к. они либо сами себя продают (хиты) либо инвестиции в продвижение не оказывают влияния на продажи.
Этап 3. Расчет реальной пользы от рекламы (инкрементальность)
Опираясь на новую сегментацию, мы запустили тесты на Ozon и Wildberries. В каждой категории товаров мы включили товарную рекламу для тестовой группы, а для контрольной — полностью отключили. Через две недели мы сравнили общие продажи в обеих группах. Это позволило точно в рублях посчитать, сколько дополнительных продаж принесла именно реклама, исключив влияние внешних факторов.
Этап 4. Прогнозирование результатов
Анализ прошлых кампаний — это только половина задачи. На основе собранных данных мы создали модель прогнозирования. Она анализирует связь между расходами на продвижение и реальными продажами каждого товара. Теперь инструмент позволяет с высокой точностью рассчитать: сколько инвестиций необходимо для рекламы конкретного товара, чтобы получить требуемый объем общих продаж для выполнения коммерческих планов.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
Новая система оценки позволила бренду перестать распределять бюджеты вслепую и начать управлять реальными дополнительными продажами. Мы получили следующие результаты:
1. Повышение окупаемости рекламы до 7 п.п. Мы перераспределили бюджет в пользу товаров с высоким потенциалом. Это позволило снизить долю рекламных расходов (ДРР) на привлечение именно дополнительных общих продаж:
Каждый вложенный рубль стал приносить больше новых продаж, перестав тратиться на покупателей, которые купили бы товар и без рекламы.
2. Рост дополнительной выручки до 2,3 раза Понимая реальную отдачу, мы смогли масштабировать инвестиции в рекламу без потери эффективности. Объем дополнительных общих продаж значительно вырос:
В чем полезность и уникальность кейса?
Уникальность проекта заключается в создании независимого аналитического инструмента для точной оценки влияния рекламы на выручку на этапе планирования.
Ключевые аспекты уникальности:
1.Отказ от продвижения «только хитов».
Мы изменили подход к сегментации ассортимента. Метод находит товары с высокой конверсией в покупку, но низким охватом аудитории. Вкладывать бюджет в них выгоднее, чем тратить деньги на популярные товары, которые продают себя сами.
2.Математически чистые данные.
Мы разработали алгоритм, который собирает статистически идентичные тестовые группы товаров. Это исключает влияние сезонности и акций маркетплейса на результат. Мы даем бизнесу точный ответ на вопрос: «Насколько упадет выручка, если завтра полностью отключить рекламу?».
3.Расчет реальной рентабельности.
Мы перевели фокус с классического показателя ДРР (который часто присваивает рекламе заказы, которые произошли бы и без рекламы) на ДРР исключительно дополнительных общих продаж.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Решение универсально и легко встраивается в бизнес-процессы любого крупного retail-media проекта.
Факторы масштабируемости:
1.Независимость от платформы.
Алгоритм тестирования и оценки метрик не привязан к конкретному маркетплейсу. Модель работает на Ozon, Wildberries, Lamoda, Яндекс Маркете и других площадках.
2.Модульность.
Инструменты можно внедрять и использовать частями: от базовой сегментации товаров по конверсии до запуска сложной предиктивной модели оценки бюджета.
3.Работа с любыми категориями.
Подход одинаково эффективен как для товаров повседневного спроса (FMCG) с высокой частотой покупок, так и для ниш с долгим циклом выбора (одежда, электроника).
Поскольку маркетплейсы не предоставляют встроенного инструментария для достоверной оценки влияния товарного продвижения на общие продажи, мы отошли от стандартных практик и разработали собственную модульную аналитическую систему, которая была реализована в 4 последовательных этапа:
Этап 1. Разработка модели A/B-тестирования
В связи с отсутствием необходимой модели А/В тестирования на рынке, мы разработали собственный алгоритм, суть которого в следующем:
производится анализ прошлых продаж с целью поделить товары на две идентичные по выручке, стокам, среднему чеку, количеству SKU группы — тестовую и контрольную. Это решение позволило нам проводить чистые эксперименты, где на результаты не влияют сезонность или другие внешние факторы.
Этап 2. Разработка модели умной сегментация товаров
Далее мы разработали собственную метрику для поиска скрытых лидеров продаж — товаров, у которых высокая конверсия в покупку и высокая кликабельность (CTR), но мало показов аудитории. По этому принципу мы разделили весь ассортимент бренда на 3 группы: 1- SKU, которым необходимо продвижение в тех же бюджетах, что и ранее, 2 – SKU высокого потенциала, которым необходимо было усилить инвестиции в продвижение, 3 – SKU, которым необходимо отключить продвижение, т.к. они либо сами себя продают (хиты) либо инвестиции в продвижение не оказывают влияния на продажи.
Этап 3. Расчет реальной пользы от рекламы (инкрементальность)
Опираясь на новую сегментацию, мы запустили тесты на Ozon и Wildberries. В каждой категории товаров мы включили товарную рекламу для тестовой группы, а для контрольной — полностью отключили. Через две недели мы сравнили общие продажи в обеих группах. Это позволило точно в рублях посчитать, сколько дополнительных продаж принесла именно реклама, исключив влияние внешних факторов.
Этап 4. Прогнозирование результатов
Анализ прошлых кампаний — это только половина задачи. На основе собранных данных мы создали модель прогнозирования. Она анализирует связь между расходами на продвижение и реальными продажами каждого товара. Теперь инструмент позволяет с высокой точностью рассчитать: сколько инвестиций необходимо для рекламы конкретного товара, чтобы получить требуемый объем общих продаж для выполнения коммерческих планов.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
Новая система оценки позволила бренду перестать распределять бюджеты вслепую и начать управлять реальными дополнительными продажами. Мы получили следующие результаты:
1. Повышение окупаемости рекламы до 7 п.п. Мы перераспределили бюджет в пользу товаров с высоким потенциалом. Это позволило снизить долю рекламных расходов (ДРР) на привлечение именно дополнительных общих продаж:
- На Ozon: показатель снизился с 26% до 19% (на 7 п.п.).
- На WB: показатель снизился с 20% до 16% (на 4 п.п.).
Каждый вложенный рубль стал приносить больше новых продаж, перестав тратиться на покупателей, которые купили бы товар и без рекламы.
2. Рост дополнительной выручки до 2,3 раза Понимая реальную отдачу, мы смогли масштабировать инвестиции в рекламу без потери эффективности. Объем дополнительных общих продаж значительно вырос:
- На Ozon: рост на 230%.
- На WB: рост на 136%.
В чем полезность и уникальность кейса?
Уникальность проекта заключается в создании независимого аналитического инструмента для точной оценки влияния рекламы на выручку на этапе планирования.
Ключевые аспекты уникальности:
1.Отказ от продвижения «только хитов».
Мы изменили подход к сегментации ассортимента. Метод находит товары с высокой конверсией в покупку, но низким охватом аудитории. Вкладывать бюджет в них выгоднее, чем тратить деньги на популярные товары, которые продают себя сами.
2.Математически чистые данные.
Мы разработали алгоритм, который собирает статистически идентичные тестовые группы товаров. Это исключает влияние сезонности и акций маркетплейса на результат. Мы даем бизнесу точный ответ на вопрос: «Насколько упадет выручка, если завтра полностью отключить рекламу?».
3.Расчет реальной рентабельности.
Мы перевели фокус с классического показателя ДРР (который часто присваивает рекламе заказы, которые произошли бы и без рекламы) на ДРР исключительно дополнительных общих продаж.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Решение универсально и легко встраивается в бизнес-процессы любого крупного retail-media проекта.
Факторы масштабируемости:
1.Независимость от платформы.
Алгоритм тестирования и оценки метрик не привязан к конкретному маркетплейсу. Модель работает на Ozon, Wildberries, Lamoda, Яндекс Маркете и других площадках.
2.Модульность.
Инструменты можно внедрять и использовать частями: от базовой сегментации товаров по конверсии до запуска сложной предиктивной модели оценки бюджета.
3.Работа с любыми категориями.
Подход одинаково эффективен как для товаров повседневного спроса (FMCG) с высокой частотой покупок, так и для ниш с долгим циклом выбора (одежда, электроника).
Результат
Умное планирование матрицы для продвижения увеличило объем доп. продаж (очищенных от органики): в 2,3 раза на Ozon и на 1,4 раза на Wildberries
Описание кейса / решения
Поскольку маркетплейсы не предоставляют встроенного инструментария для достоверной оценки влияния товарного продвижения на общие продажи, мы отошли от стандартных практик и разработали собственную модульную аналитическую систему, которая была реализована в 4 последовательных этапа:
Этап 1. Разработка модели A/B-тестирования
В связи с отсутствием необходимой модели А/В тестирования на рынке, мы разработали собственный алгоритм, суть которого в следующем:
производится анализ прошлых продаж с целью поделить товары на две идентичные по выручке, стокам, среднему чеку, количеству SKU группы — тестовую и контрольную. Это решение позволило нам проводить чистые эксперименты, где на результаты не влияют сезонность или другие внешние факторы.
Этап 2. Разработка модели умной сегментация товаров
Далее мы разработали собственную метрику для поиска скрытых лидеров продаж — товаров, у которых высокая конверсия в покупку и высокая кликабельность (CTR), но мало показов аудитории. По этому принципу мы разделили весь ассортимент бренда на 3 группы: 1- SKU, которым необходимо продвижение в тех же бюджетах, что и ранее, 2 – SKU высокого потенциала, которым необходимо было усилить инвестиции в продвижение, 3 – SKU, которым необходимо отключить продвижение, т.к. они либо сами себя продают (хиты) либо инвестиции в продвижение не оказывают влияния на продажи.
Этап 3. Расчет реальной пользы от рекламы (инкрементальность)
Опираясь на новую сегментацию, мы запустили тесты на Ozon и Wildberries. В каждой категории товаров мы включили товарную рекламу для тестовой группы, а для контрольной — полностью отключили. Через две недели мы сравнили общие продажи в обеих группах. Это позволило точно в рублях посчитать, сколько дополнительных продаж принесла именно реклама, исключив влияние внешних факторов.
Этап 4. Прогнозирование результатов
Анализ прошлых кампаний — это только половина задачи. На основе собранных данных мы создали модель прогнозирования. Она анализирует связь между расходами на продвижение и реальными продажами каждого товара. Теперь инструмент позволяет с высокой точностью рассчитать: сколько инвестиций необходимо для рекламы конкретного товара, чтобы получить требуемый объем общих продаж для выполнения коммерческих планов.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
Новая система оценки позволила бренду перестать распределять бюджеты вслепую и начать управлять реальными дополнительными продажами. Мы получили следующие результаты:
1. Повышение окупаемости рекламы до 7 п.п. Мы перераспределили бюджет в пользу товаров с высоким потенциалом. Это позволило снизить долю рекламных расходов (ДРР) на привлечение именно дополнительных общих продаж:
Каждый вложенный рубль стал приносить больше новых продаж, перестав тратиться на покупателей, которые купили бы товар и без рекламы.
2. Рост дополнительной выручки до 2,3 раза Понимая реальную отдачу, мы смогли масштабировать инвестиции в рекламу без потери эффективности. Объем дополнительных общих продаж значительно вырос:
В чем полезность и уникальность кейса?
Уникальность проекта заключается в создании независимого аналитического инструмента для точной оценки влияния рекламы на выручку на этапе планирования.
Ключевые аспекты уникальности:
1.Отказ от продвижения «только хитов».
Мы изменили подход к сегментации ассортимента. Метод находит товары с высокой конверсией в покупку, но низким охватом аудитории. Вкладывать бюджет в них выгоднее, чем тратить деньги на популярные товары, которые продают себя сами.
2.Математически чистые данные.
Мы разработали алгоритм, который собирает статистически идентичные тестовые группы товаров. Это исключает влияние сезонности и акций маркетплейса на результат. Мы даем бизнесу точный ответ на вопрос: «Насколько упадет выручка, если завтра полностью отключить рекламу?».
3.Расчет реальной рентабельности.
Мы перевели фокус с классического показателя ДРР (который часто присваивает рекламе заказы, которые произошли бы и без рекламы) на ДРР исключительно дополнительных общих продаж.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Решение универсально и легко встраивается в бизнес-процессы любого крупного retail-media проекта.
Факторы масштабируемости:
1.Независимость от платформы.
Алгоритм тестирования и оценки метрик не привязан к конкретному маркетплейсу. Модель работает на Ozon, Wildberries, Lamoda, Яндекс Маркете и других площадках.
2.Модульность.
Инструменты можно внедрять и использовать частями: от базовой сегментации товаров по конверсии до запуска сложной предиктивной модели оценки бюджета.
3.Работа с любыми категориями.
Подход одинаково эффективен как для товаров повседневного спроса (FMCG) с высокой частотой покупок, так и для ниш с долгим циклом выбора (одежда, электроника).
Поскольку маркетплейсы не предоставляют встроенного инструментария для достоверной оценки влияния товарного продвижения на общие продажи, мы отошли от стандартных практик и разработали собственную модульную аналитическую систему, которая была реализована в 4 последовательных этапа:
Этап 1. Разработка модели A/B-тестирования
В связи с отсутствием необходимой модели А/В тестирования на рынке, мы разработали собственный алгоритм, суть которого в следующем:
производится анализ прошлых продаж с целью поделить товары на две идентичные по выручке, стокам, среднему чеку, количеству SKU группы — тестовую и контрольную. Это решение позволило нам проводить чистые эксперименты, где на результаты не влияют сезонность или другие внешние факторы.
Этап 2. Разработка модели умной сегментация товаров
Далее мы разработали собственную метрику для поиска скрытых лидеров продаж — товаров, у которых высокая конверсия в покупку и высокая кликабельность (CTR), но мало показов аудитории. По этому принципу мы разделили весь ассортимент бренда на 3 группы: 1- SKU, которым необходимо продвижение в тех же бюджетах, что и ранее, 2 – SKU высокого потенциала, которым необходимо было усилить инвестиции в продвижение, 3 – SKU, которым необходимо отключить продвижение, т.к. они либо сами себя продают (хиты) либо инвестиции в продвижение не оказывают влияния на продажи.
Этап 3. Расчет реальной пользы от рекламы (инкрементальность)
Опираясь на новую сегментацию, мы запустили тесты на Ozon и Wildberries. В каждой категории товаров мы включили товарную рекламу для тестовой группы, а для контрольной — полностью отключили. Через две недели мы сравнили общие продажи в обеих группах. Это позволило точно в рублях посчитать, сколько дополнительных продаж принесла именно реклама, исключив влияние внешних факторов.
Этап 4. Прогнозирование результатов
Анализ прошлых кампаний — это только половина задачи. На основе собранных данных мы создали модель прогнозирования. Она анализирует связь между расходами на продвижение и реальными продажами каждого товара. Теперь инструмент позволяет с высокой точностью рассчитать: сколько инвестиций необходимо для рекламы конкретного товара, чтобы получить требуемый объем общих продаж для выполнения коммерческих планов.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
Новая система оценки позволила бренду перестать распределять бюджеты вслепую и начать управлять реальными дополнительными продажами. Мы получили следующие результаты:
1. Повышение окупаемости рекламы до 7 п.п. Мы перераспределили бюджет в пользу товаров с высоким потенциалом. Это позволило снизить долю рекламных расходов (ДРР) на привлечение именно дополнительных общих продаж:
- На Ozon: показатель снизился с 26% до 19% (на 7 п.п.).
- На WB: показатель снизился с 20% до 16% (на 4 п.п.).
Каждый вложенный рубль стал приносить больше новых продаж, перестав тратиться на покупателей, которые купили бы товар и без рекламы.
2. Рост дополнительной выручки до 2,3 раза Понимая реальную отдачу, мы смогли масштабировать инвестиции в рекламу без потери эффективности. Объем дополнительных общих продаж значительно вырос:
- На Ozon: рост на 230%.
- На WB: рост на 136%.
В чем полезность и уникальность кейса?
Уникальность проекта заключается в создании независимого аналитического инструмента для точной оценки влияния рекламы на выручку на этапе планирования.
Ключевые аспекты уникальности:
1.Отказ от продвижения «только хитов».
Мы изменили подход к сегментации ассортимента. Метод находит товары с высокой конверсией в покупку, но низким охватом аудитории. Вкладывать бюджет в них выгоднее, чем тратить деньги на популярные товары, которые продают себя сами.
2.Математически чистые данные.
Мы разработали алгоритм, который собирает статистически идентичные тестовые группы товаров. Это исключает влияние сезонности и акций маркетплейса на результат. Мы даем бизнесу точный ответ на вопрос: «Насколько упадет выручка, если завтра полностью отключить рекламу?».
3.Расчет реальной рентабельности.
Мы перевели фокус с классического показателя ДРР (который часто присваивает рекламе заказы, которые произошли бы и без рекламы) на ДРР исключительно дополнительных общих продаж.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Решение универсально и легко встраивается в бизнес-процессы любого крупного retail-media проекта.
Факторы масштабируемости:
1.Независимость от платформы.
Алгоритм тестирования и оценки метрик не привязан к конкретному маркетплейсу. Модель работает на Ozon, Wildberries, Lamoda, Яндекс Маркете и других площадках.
2.Модульность.
Инструменты можно внедрять и использовать частями: от базовой сегментации товаров по конверсии до запуска сложной предиктивной модели оценки бюджета.
3.Работа с любыми категориями.
Подход одинаково эффективен как для товаров повседневного спроса (FMCG) с высокой частотой покупок, так и для ниш с долгим циклом выбора (одежда, электроника).
Результат
Умное планирование матрицы для продвижения увеличило объем доп. продаж (очищенных от органики): в 2,3 раза на Ozon и на 1,4 раза на Wildberries