Обратный звонок

Настройка поисковых кампаний с помощью Power BI

Как сократить рутину при создании рекламных кампаний для интернет-магазинов в Яндекс.Директ
Настройка контекста по классическому методу “парсинг-чистка-создание кампаний” для крупных интернет-магазинов может стать настоящим вызовом. В этой статье расскажем о способе, который уже дважды помог нам заметно сократить время на настройку поисковых кампаний для больших проектов. Это не гайд с детальным описанием каждого шага и действия. Данный материал поможет понять суть метода, а применять его можно по-разному.

Введение

Мы планировали контекстную рекламу для крупного интернет-магазина косметики. Команда у нас небольшая, как и сроки на запуск кампаний.

Поисковые кампании необходимо создать для брендов-производителей товаров, по запросам типа “шампунь dr hauschka”, “дезодоранты botavikos” и т.д.

Брендов на сайте более 600. Всего товаров более 15 000. Парсить семантику по брендам и потом чистить, раскидывать по категориям - вариант очень долгий, мы положим все время и силы на эту работу. Создание DSA (динамических поисковых кампаний) не подходило, т.к. CR в покупку значительно выше у юзеров, которые пришли на витрину, а не в карточку товара. DSA-создается по фиду и ведет на карточку товара.

Реализация

Для работы использовали Power BI, товарный фид xml, редактор таблиц, Директ Коммандер/Google Ads Editor.

Появилась идея не парсить семантику, а получить ее сразу из фида, немного изменив его. А именно, добавить названия всех категорий, подкатегорий и H1 каждого URL товара. Для этого потребовалась помощь разработчика, но это довольно легкая задача.
Решили, что хотим из Power BI получать готовую к загрузке в Директ csv таблицу с рекламной кампанией.
Для этого нам еще необходимо корректно присвоить нужные параметры utm_campaign и добавить их к ссылкам.
Разделили H1 по словам
Сгенерировали столбцы для заголовков (категория + бренд), текста (категория + бренд + шаблон текста объявления), группы объявлений (категория + бренд) и 5 ключевых слов (категории 1-4 + бренд, 1-е слово H1 + бренд).
Добавили единые быстрые ссылки с utm-метками.
Получились такие данные:
Мы добавили еще 2 таблицы, в которых были URL всех категорий сайта, названия и условные обозначения для меток.
Связав таблицы между собой мы получили URL категорий для каждого товара и условные обозначения utm_campaign для нужных категорий. С этого момента началась кропотливая работа по сборке итоговой рабочей таблицы для импорта в Директ.

Это был самый сложный и трудозатратный этап. Много решений появлялось методом перебора. Мы понимали, что делается много ненужных костылей и можно сделать проще, но очень хотелось поскорее довести все до рабочих кампаний.
Мы получили 5 таблиц. Каждая их которых содержала необходимые для импорта данные - Ключевые слова, Заголовки, Тексты, URL + UTM-метки и Быстрые ссылки + UTM-метки.
Оставалось перевести написания брендов на латинице в кириллицу для ключевых слов. Делали это просто дублированием ключевых слов в группах и массовой заменой написания брендов уже в редакторе таблиц.

Еще один важный момент: если семантика не парсится из Wordstat, то и минус-слов не имеем для каждой конкретной кампании. Эту проблему решило наличие уже накопленного списка минус-слов за годы работы с контекстом.

Плюсы и минусы метода

Начнем с минусов:
  • Метод не универсальный. Для каждого проекта необходимо будет создавать новую систему в Power BI, т.к. структура сайтов у всех разная.
  • Генерация объявлений и ключевых слов из категорий и названий товаров оставляет мелкие косяки, которые исправить можно или допилом самих таблиц или уже на этапе импорта.
Плюсы:
  • Экономия времени. Рабочая система в Power BI создается один раз, далее остается только выгружать таблицы, проверять их на ошибки и импортировать в Директ.
  • Обновлять кампании легче. При появлении нового товара/категории/бренда мы просто обновляем данные в Power BI и импортируем в Директ новую семантику.
  • Семантика на выходе получается максимально целевая. Нет ничего лишнего для контекста.
Применяя метод на следующем проекте, мы уже действовали иначе. В итоге система получилась лучше: результат содержал меньше ошибок и кампании создали еще быстрее. В будущем расскажем о новом опыте создания таких кампаний и, конечно же, об эффективности в сравнении с классическими поисковыми кампаниями.