El e-commerce de alimentación es uno de los sectores más despiadados para un especialista en performance marketing. Aquí no hay márgenes del 80 % como en los infoproductos ni espacio para equivocarse: la rentabilidad neta rara vez supera el 10–15 %, el ticket medio es inestable y gran parte del catálogo son productos perecederos con fechas de caducidad estrictas. Si tu ratio de gasto publicitario sobre ventas (DRR) sube apenas 3 o 5 puntos porcentuales por encima del objetivo, todo el negocio entra en pérdidas operativas netas.
Exactamente en esa situación se encontraba el supermercado online «Nashenka». El proyecto ya tenía historial acumulado y campañas activas, pero el rendimiento daba bandazos de un mes a otro: el DRR rompía los techos críticos una y otra vez y las estrategias automáticas quemaban presupuesto en búsquedas sin intención real. Artem Makurin, especialista en publicidad en buscadores de la agencia Media Insight (socia de eLama), tomó las riendas junto a su equipo para reconstruir la cuenta de forma sistemática. En cinco meses de trabajo metódico —de abril a agosto de 2026— lograron reducir el DRR en un 37 % (del 13 % al 8,23 %), aumentando al mismo tiempo el volumen total de pedidos y la conversión del carrito en un 22 %. Vamos a desmontar paso a paso esta optimización de ingeniería.
Revisión total del feed: por qué no puedes anunciar todo el catálogo
El primer error —y el más letal— de la mayoría de las tiendas online es subir a Yandex un feed único con 10.000 referencias y activar una campaña automática por coste medio de conversión. El algoritmo no optimiza por tu beneficio neto, sino por volumen de clics y conversiones. Al final, el sistema empieza a empujar productos básicos baratos: pan, leche o azúcar en oferta. Los clics entran, los carritos se llenan, pero el margen de esos artículos tiende a cero y el coste por pedido (CPA) se come toda la ganancia.
El equipo empezó con una clusterización estricta del feed según una matriz de margen y rotación:
- Categoría A (productos de alto margen): delicatesen, productos de granja, quesos especiales y cocina propia. Ahí se dirigió el foco principal del tráfico de pago con pujas objetivo más altas.
- Categoría B (margen medio): despensa, conservas de calidad, frutas y verduras de temporada. Se compró tráfico con control estricto del DRR máximo.
- Categoría C (bajo margen y productos gancho): cerillas, cereales básicos, agua. Estas referencias quedaron TOTALMENTE excluidas de la captación de primer clic. Deben funcionar como venta cruzada dentro del carrito, pero pagar publicidad en buscadores para atraer a alguien por un paquete de azúcar es el camino directo a la quiebra.
Este filtrado del feed saneó la economía al instante: subió el ticket medio de las campañas y cada rublo invertido empezó a generar beneficio real en lugar de agrandar el agujero de caja. Para afinar aún más la demanda se pueden activar herramientas de las propias plataformas; por ejemplo, los códigos promocionales para selecciones de productos en Yandex Market: cómo configurar descuentos específicos para tráfico externo permiten impulsar cestas con la composición que más te conviene.
Separar entornos: cómo domar el autotargeting y limpiar la red publicitaria
El segundo paso fue desenredar la estructura de campañas. Al principio, Búsqueda y la Red Publicitaria de Yandex (RSYA) estaban mezcladas, así que el algoritmo repartía impresiones de forma caótica. La demanda en búsqueda para alimentación es caliente: alguien busca entrega a domicilio ahora mismo para la cena. En las redes de display, en cambio, se impacta al usuario con estímulos visuales y ofertas puntuales.
Búsqueda y RSYA se separaron de raíz en campañas independientes con presupuestos propios. La gran batalla se libró contra el autotargeting, que Yandex intenta imponer por defecto. Sin filtrado manual, el autotargeting en alimentación atrae al instante basura irrelevante: recetas de sopa, reseñas de dietas o tablas de calorías. Se añadieron cientos de palabras negativas a nivel de campaña y grupo, y se desactivaron las categorías amplias, dejando solo búsquedas comerciales concretas geolocalizadas en las zonas de entrega rápida de la tienda.
En paralelo, se lanzaron anuncios dinámicos de búsqueda (DSA) y smart-banners. Los smart-banners se segmentaron por intereses: a quien miraba carne y barbacoa se le mostraban salsas y marinados; a los amantes de la comida saludable, snacks orgánicos. Eso generó un salto inmediato en la conversión de vistas abandonadas a pagos reales.
Entrenar estrategias automáticas: la magia del DRR objetivo
Una vez ordenados la cuenta y el feed, llegó el momento de conectar el aprendizaje automático de Direct. Intentar entrenar estrategias automáticas sobre una cuenta «en crudo» es la receta clásica para quemar dinero: el robot aprende con basura y reproduce más basura. Pero cuando en el sistema solo quedaron clústeres rentables y términos limpios, los algoritmos de Yandex empezaron a rendir de verdad.
Las campañas pasaron a la estrategia de «Optimización de conversiones» con límite de gasto publicitario sobre ingresos. Los objetivos de DRR se fijaron de forma diferenciada: para categorías con un 40 % de margen se permitió un DRR de hasta el 15–18 %, mientras que en nichos más ajustados el techo se clavó en el 6–8 %. Así, la puja automática pudo subir ofertas para usuarios con alta probabilidad de ticket grande y bajarlas cuando el pedido estimado era pequeño. En fases de escalado así resulta especialmente útil apoyarse en programas de cofinanciación: cuando Yandex Direct triplica el presupuesto publicitario de los vendedores para impulsar sus propias tiendas online, puedes multiplicar la base sin asfixiar tu capital circulante.
Escollos técnicos y calibración estacional
El mayor riesgo técnico que todo especialista en retail debe tener presente son los vaivenes estacionales y el retraso en el reentrenamiento de las estrategias automáticas. En alimentación la demanda cambia de golpe: la llegada de festivos primaverales dispara la carne de barbacoa y el carbón, y los primeros fríos multiplican los pedidos de sopas calientes y platos preparados.
El problema de las pujas automáticas en Direct es que tardan entre 7 y 14 días en acumular datos nuevos y recalibrar ofertas. Si cambias de golpe el surtido o los precios en el feed, el algoritmo sigue pujando durante una semana con los patrones viejos, lo que provoca o una caída brusca de impresiones o un repunte puntual del DRR del 30–50 %. La experiencia de Media Insight demostró que el paso a surtidos de temporada exige ajustes graduales y lanzar campañas paralelas con antelación mientras la base principal sostiene los objetivos.
Bajar el DRR un 37 % no es fruto de marcar una casilla secreta en el panel. Es el resultado de un trabajo metódico: agrupar el feed por margen neto, podar sin piedad el autotargeting y entrenar a los algoritmos con dinero real, no con clics vacíos.
