Продуктовый e-commerce — это один из самых жестоких сегментов для performance-маркетолога. Здесь нет маржинальности инфобизнеса в 80% и нет простора для ошибок: чистая рентабельность редко превышает 10–15%, чек нестабилен, а значительная часть ассортимента — это скоропортящиеся товары с жесткими сроками реализации. Если твоя доля рекламных расходов (ДРР) подскакивает хотя бы на 3–5 процентных пунктов выше плановой планки, весь бизнес начинает генерировать чистый операционный убыток.
Именно в такой ситуации оказался интернет-магазин продуктов «Нашенька». Проект уже имел накопленную статистику и запущенные рекламные кампании, однако эффективность болтало от месяца к месяцу: ДРР регулярно пробивал критические отметки, а автоматические стратегии сливали бюджет на нецелевые запросы. Специалист по контекстной рекламе агентства Media Insight (участник партнерской программы eLama) Артем Макурин вместе с командой взялся за системную перестройку кабинета. За пять месяцев планомерной работы — с апреля по август 2026 года — им удалось снизить ДРР на 37% (с 13% до 8,23%), попутно увеличив общий объем заказов и конверсию корзины на 22%. Давай разберем по винтикам эту инженерную оптимизацию.
Тотальная ревизия фида: почему нельзя крутить весь каталог
Первая и самая фатальная ошибка большинства интернет-магазинов — скормить Яндексу единый товарный фид на 10 000 позиций и включить мастер кампаний или автостратегию по средней цене конверсии. Алгоритм устроен так, что он оптимизируется не по твоей чистой прибыли, а по объему кликов и конверсий. В итоге система начинает активно продвигать дешевые базовые позиции — условный хлеб, молоко или акционный сахар. Клики идут, корзины наполняются, но маржинальность таких товаров стремится к нулю, а стоимость привлечения заказа (CPA) сжигает всю выгоду.
Команда начала с жесткой кластеризации фида по матрице маржинальности и оборачиваемости:
- Категория А (высокомаржинальные позиции): деликатесы, фермерская продукция, редкие сыры, собственная кулинария. Сюда был направлен основной фокус платного трафика и выставлены повышенные целевые ставки.
- Категория B (товары средней маржи): бакалея, качественная консервация, сезонные овощи и фрукты. Трафик закупался с жестким контролем предельного ДРР.
- Категория C (низкомаржинальные и социальные товары): спички, базовые крупы, вода. Эти позиции были ПОЛНОСТЬЮ исключены из платной генерации первого клика. Они должны работать как кросс-сейл внутри корзины, но привлекать покупателя с контекстной рекламы на пакет сахара — верный путь к банкротству.
Такая фильтрация фида моментально оздоровила экономику: средний чек в кампаниях подрос, а каждый привлеченный рубль выручки стал приносить реальную прибыль, а не раздувать кассовый разрыв. Для еще более гибкого управления спросом можно подключать инструменты площадок — например, промокоды на подборки товаров в Яндекс Маркете: настройка целевых скидок для внешнего трафика позволяют точечно стимулировать корзины нужной структуры.
Разделение сред: как укротить автотаргетинг и расчистить РСЯ
Второй шаг касался распутывания структуры кампаний. В исходном состоянии поиск и Рекламная сеть Яндекса (РСЯ) были смешаны, из-за чего алгоритм распределял показы хаотично. Поисковый спрос в продуктах горячий: человек ищет доставку продуктов прямо сейчас к ужину. В сетях же пользователя догоняют визуальные образы и спецпредложения.
Поиск и РСЯ были жестко разведены по отдельным кампаниям с индивидуальными бюджетами. Главная битва развернулась с автотаргетингом, который Яндекс упорно пытается навязать рекламодателям по умолчанию. Без ручной фильтрации автотаргетинг в продуктовой нише мгновенно собирает мусорные околоцелевые запросы: рецепты борща, отзывы о диетах, калорийность продуктов. Были внедрены сотни минус-слов на уровне кампаний и групп, а широкие категории таргетинга были отключены, оставив только целевые коммерческие запросы с геопривязкой к зонам быстрой доставки магазина.
Параллельно были запущены динамические поисковые объявления (DSA) и смарт-баннеры. Смарт-баннеры были сегментированы по группам интересов: тем, кто смотрел мясо и гриль, показывались сопутствующие соусы и маринады; любителям здорового питания — органические снеки. Это дало моментальный прирост конверсии из брошенных просмотров в реальную оплату.
Обучение автостратегий: магия целевого ДРР
Когда структура кабинета и фид были приведены в идеальный порядок, пришло время подключать машинное обучение Директа. Пытаться обучать автостратегии на «сыром» кабинете — классический рецепт слива: робот обучается на мусоре и воспроизводит мусор. Но когда в системе остались только маржинальные кластеры и вычищенные поисковые фразы, алгоритмы Яндекса начали творить чудеса.
Кампании перевели на стратегию «Оптимизация конверсий» с ограничением по целевой доле рекламных расходов. Значения ДРР выставлялись дифференцированно: для категорий с наценкой в 40% допускался ДРР до 15–18%, а для более плотных ниш потолок жестко фиксировался на уровне 6–8%. Автостратегия получила возможность сама повышать ставки на пользователей с высокой вероятностью крупного чека и сбрасывать ставки для аудитории с низким прогнозным чеком. В такие периоды масштабирования особенно выгодно использовать программы софинансирования — когда Яндекс Директ утроит рекламный бюджет селлеров для развития собственных интернет-магазинов, это дает возможность кратно нарастить базу без нагрузки на собственный оборотный капитал.
Подводные камни и сезонная калибровка
Главный технологический риск, о котором обязан помнить каждый маркетолог в ритейле, — сезонные колебания и задержка переобучения автостратегий. В продуктовом секторе структура спроса меняется стремительно: наступление майских праздников взрывает спрос на шашлык и угли, а первые холода провоцируют скачок заказов горячих супов и полуфабрикатов.
Проблема автостратегий Директа в том, что им требуется от 7 до 14 дней на накопление новых данных и перекалибровку ставок. Если резко изменить ассортимент или цены в фиде, алгоритм в течение недели продолжает делать ставки по старым паттернам, что приводит либо к резкому провалу в показах, либо к локальному всплеску ДРР на 30–50%. Опыт Media Insight доказал: переход на сезонные линейки должен сопровождаться плавным изменением корректировок и заблаговременным созданием параллельных кампаний, пока основная база удерживает плановые показатели.
Снижение ДРР на 37% — это не результат одной секретной галочки в кабинете. Это результат методичной работы: кластеризация товарного фида по чистой марже, безжалостное вычищение автотаргетинга и обучение умных алгоритмов на реальных деньгах, а не на пустых кликах.