252 → 36 часов работы команды в месяц: как мы оптимизировали процесс работы с Google Ads для OLX

Семь часов на одну итерацию. Шесть итераций в месяц. Шесть специалистов. Итого 252 часа, которые команда тратила только на то, чтобы решить, насколько изменить ставки в Google Ads для OLX Group.

Мы формализовали логику PPC-специалистов, преобразовали её в матрицу из 3600 сценариев и добавили ИИ в качестве дополнительного уровня проверки. В результате этот процесс сократился до 36 часов в месяц. В кейсе показываем, как работает такая гибридная система, почему расчет ставок мы не передали ИИ и где в процессе все еще требуется решение специалиста.

Кто наш партнер

OLX Group — международная группа онлайн-платформ для покупки и продажи товаров, услуг, автомобилей и недвижимости.

Контекст и цель 

Netpeak сотрудничает с OLX в направлении PPC с 2015 года. Изначально команда отвечала за рынки Украины, Казахстана и Узбекистана. В 2022 году к ним добавились европейские страны — Польша, Румыния, Болгария и Португалия.

В настоящее время основным рекламным каналом является Google Ads — на него приходится более 90% расходов. Остальная часть бюджета в основном распределяется между Meta Ads, а также тестовыми каналами, в частности Criteo, TikTok Ads и RTB House.

В Google Ads одновременно работают тысячи кампаний и десятки аккаунтов для разных рынков и категорий. Такая структура позволяет отдельно управлять даже небольшими сегментами, но в то же время существенно увеличивает объем данных, которые необходимо анализировать в ходе оптимизации.

OLX отличается от классического ecommerce-проекта тем, что цели и стратегии могут меняться в зависимости от рынка, категории и продукта. Одно из ключевых направлений работы — привлечение пользователей, которые ищут товары или услуги на платформе и формируют спрос на предложения продавцов. В то же время команда может работать и над другими задачами, например, привлекать частных и бизнес-продавцов или увеличивать количество установок приложения.

По мере масштабирования проекта ручной анализ такого количества кампаний и сегментов становился все более сложным. Особенно это касалось биддинга — процесса определения и корректировки ставок, который напрямую влияет на эффективность рекламных кампаний.

Как устроен процесс оптимизации ставок на OLX

Большинство кампаний в Google Ads оптимизируется под liquid replies — качественные действия пользователей после взаимодействия с рекламой, например, обращение к продавцу. Далее в кейсе будем называть их конверсиями.

Эффективность продвижения команда оценивает с помощью внутреннего аналитического инструмента, разработанного MarTech-командой OLX Group. Он показывает не только количество конверсий после взаимодействия с рекламой, но и их инкрементальность — то, какая часть произошла именно благодаря влиянию продвижения.

Структура Google Ads достаточно разветвленная. Кампании и сегменты разделены:

• по категориям сайта, например, «Запчасти», «Электроника», «Услуги»;
• типами кампаний — Search, Performance Max, Shopping;
• по платформам — App и Web;
• стратегиями — CPA и Max Clicks;
• устройствами — Desktop и Mobile;
• аудиториями — новыми и существующими пользователями OLX.

Благодаря такой структуре команда одновременно работает с большим количеством сегментов, а данные для оценки их эффективности поступают не только из Google Ads или GA4, но и из внутренней аналитической системы OLX.

Поэтому для каждого изменения ставки недостаточно просто посмотреть на один показатель в рекламном кабинете. Специалисту необходимо сопоставить данные из нескольких источников и определить, стоит ли менять ставку и насколько.

Чтобы упростить этот процесс, еще до внедрения нового алгоритма мы создали инфраструктуру для биддинга, которая собирала ключевые данные в одном месте:

• параметры сегмента;
• количество инкрементальных конверсий и их стоимость за две последние закрытые недели*;
• расходы за последние три недели;
• текущую ставку;
• отдельное поле для новой ставки.

*Данные о конверсиях мы брали именно за две последние закрытые недели из-за особенностей атрибуции во внутренней системе OLX: последние семь дней содержат неполные данные, поэтому их нельзя использовать для стабильной оценки.

Рабочая таблица для биддинга, где собраны параметры сегментов, ставки и ключевые показатели эффективности

Такая инфраструктура уже значительно упрощала работу: специалист видел все основные показатели в одном месте, мог сравнить эффективность сегментов и определить, где ставку стоит повысить, а где — снизить.

Зачем нам нужна автоматизация биддинга

Ориентироваться только на текущую стоимость конверсии было недостаточно. На решение влиял дополнительный контекст:

1. История изменений ставки. Если ставку корректировали несколько дней назад, новое изменение иногда стоит отложить или сделать меньшим, чтобы предыдущее решение успело повлиять на результат.
2. Темп расходов в категории. Если при текущей динамике категория может превысить месячный бюджет, ставки части сегментов нужно снижать, даже если по отдельности они демонстрируют хорошую эффективность.
3. Стратегия кампании. В Max Clicks ставки обычно значительно ниже, чем в Target CPA. Поэтому одинаковое изменение, например, на 10%, оказывает совершенно разное влияние на кампанию. В связи с этим для каждой стратегии мы определили отдельные пороги и шаги корректировки.
4. Размер сегмента. Один сегмент может составлять 20% от общего объема, а другой — менее 1%. Соответственно, одинаковое изменение ставки по-разному повлияет на общий результат, поэтому сила корректировки должна зависеть и от масштаба сегмента.

Таким образом, оптимальная ставка зависела не от одного показателя, а от комбинации нескольких факторов. Именно эту логику мы решили формализовать в алгоритме.

Ручной анализ всех данных по сегментам в зоне ответственности одного специалиста занимал от шести часов до полного рабочего дня — в зависимости от количества аккаунтов и кампаний.

Дело было не только во времени. Чем больше данных нужно проанализировать, тем сложнее каждый раз последовательно применять одну и ту же логику ко всем сегментам. Результат мог зависеть от загруженности специалиста, количества кампаний и времени, доступного для проверки.

Поэтому мы разработали алгоритм с заранее определенными правилами изменения ставок для различных сценариев. Он анализирует одни и те же факторы по единой логике и формирует рекомендуемые ставки для всех сегментов.

Новая система автоматизированного биддинга

Чтобы автоматизировать принятие решений, мы формализовали логику PPC-специалиста: определили, при каких условиях ставку нужно повышать или понижать и насколько сильно ее можно корректировать.

В основу алгоритма заложили шесть факторов.

1. Эффективность сегмента

Сначала система сравнивает стоимость одной конверсии (CPA) в конкретном сегменте со средним показателем в категории.

Если отклонение находится в пределах ±5%, ставка не меняется. Если сегмент, например, дешевле среднего значения на 15–25%, алгоритм рекомендует увеличить ставку на 10%. Для более дорогих сегментов логика работает в обратную сторону.

В целом мы определили девять диапазонов отклонения — от минимального до 40% и более в каждую сторону — и установили шаг изменения ставки для каждого из них.

2. Темп расходов

Далее алгоритм проверяет, насколько фактические расходы соответствуют запланированным.

Если отклонение находится в пределах от -10% до +10%, система использует стандартный шаг изменения ставки. Если расходы существенно опережают или отстают от плана, шаг увеличивается, чтобы быстрее скорректировать темп.

На основе эффективности сегмента и темпа расходов формируется базовая матрица, которая определяет направление и силу изменения ставки для каждой комбинации условий.

Базовая матрица изменения ставок для кампаний со стратегией Max Conversions

Для кампаний со стратегией Max Clicks амплитуду изменения мы дополнительно увеличили вдвое. Ставки в таких кампаниях обычно значительно ниже, поэтому одинаковый процентный шаг оказывает меньшее практическое влияние.

Базовая матрица изменения ставок для кампаний со стратегией Max Clicks

3. Время, прошедшее с момента предыдущего изменения

Алгоритм учитывает, сколько времени прошло после последней корректировки ставки.

Если ставка была изменена всего день назад, система применяет 35% от рассчитанного нового шага. Через два дня — 50%. Далее коэффициент постепенно растет, а через шесть и более дней может составить 100%.

Таким образом, мы не позволяем системе слишком быстро реагировать на результаты предыдущего изменения, эффект от которого еще не успел полностью проявиться.

4. Размер сегмента

Еще один фактор — доля сегмента в общем количестве конверсий.

Например, если кампания генерирует 25% всех конверсий, даже небольшая корректировка ставки может существенно повлиять на общий результат. Поэтому для крупных сегментов алгоритм действует осторожнее.

Для небольших, но эффективных сегментов шаг может быть больше, чтобы дать им больше возможностей для масштабирования.

5. Недельный лимит изменений

Для каждого сегмента мы установили максимальное суммарное изменение ставки в течение недели: не более +50% в сторону увеличения и -60% в сторону уменьшения.

Это дополнительный предохранитель, который не позволяет алгоритму слишком резко изменить работу кампании за короткий период.

6. Минимальный порог

Рекомендации с изменением ставки менее чем на 3% система отбрасывает. Мы считаем такие корректировки недостаточно существенными, чтобы они заметно повлияли на работу кампании.

В итоге логика учитывает:

Для Target CPA и Max Clicks мы используем отдельные матрицы, поскольку механика и масштаб ставок в этих стратегиях различаются.

Как алгоритм, ИИ и специалист работают вместе

Сам расчет ставки мы не передали ИИ. Его выполняет алгоритм с четко заданными правилами: при одинаковых входных данных он каждый раз дает одинаковый результат, а каждый шаг расчета можно проверить и объяснить.

Весь процесс состоит из четырех этапов:

1. Сбор данных. 

Система получает актуальные показатели аккаунта, историю предыдущих изменений ставок и проверяет данные на наличие разрывов.

2. Расчет.

Алгоритм определяет базовое изменение ставки по матрице, корректирует его с учетом размера сегмента и давности предыдущих изменений, а также проверяет недельные лимиты.

3. Проверка ИИ.

Рассчитанная рекомендация передается ИИ-модели, которая работает как дополнительный рецензент. Она не рассчитывает новую ставку и не изменяет полученное число, а проверяет, соответствует ли рекомендация контексту.

Например, модель оценивает:

• достаточно ли данных для принятия решения;
• согласуется ли направление изменения с динамикой сегмента; 
• не противоречат ли показатели друг другу. 

Если аргументация недостаточна или данные противоречивы, рекомендацию можно отклонить. Если все корректно, ИИ подтверждает ее и формирует краткое объяснение для специалиста.

4. Фиксация результата.

Все проверенные сегменты попадают в аудит-лог, в том числе те, для которых было решено не менять ставку. Для каждого решения система сохраняет причину.

Логику системы можно свести к трем ролям:

Как с системой работает PPC-специалист

Для нашей команды процесс состоит из трех шагов:

1. Запустить расчет. Специалист запускает его непосредственно в Google Таблицах. Обработка одной категории занимает несколько минут, после чего система формирует рекомендуемые ставки.
2. Проверить рекомендации. ИИ добавляет свою оценку и объяснения, а мы просматриваем результат. При необходимости можем отклонить рекомендацию и установить собственную ставку, хотя это скорее исключение.
3. Опубликовать изменения. После финальной проверки специалист переносит список кампаний и новых ставок в Google Ads Editor и публикует их.

Мы сознательно оставили «человеческую проверку» в качестве финального уровня контроля. При таком масштабе кампаний полностью передавать процесс ИИ без участия человека рискованно: в случае ошибки важно быстро обнаружить ее и понять, какая логика или набор данных привели к неправильному решению.

Результаты и эффект от автоматизации

Чтобы оценить эффект, мы сравнили ручной процесс с нашим гибридным подходом — алгоритмом, ИИ-проверкой и окончательным контролем специалиста.

1. До автоматизации: 252 часа и около $10 080 в месяц.

По накопленной статистике, полный анализ портфеля и подготовка ставок вручную занимают 6–8 часов за одну итерацию. Для расчета взяли среднее значение — семь часов.

В среднем команда проводит шесть таких итераций в месяц. Для шести специалистов это:

При расчетной стоимости рабочего времени в $40 за час такой процесс обходится примерно в $10 080 в месяц.

2. После автоматизации: 36 часов и около $1457 в месяц.

После внедрения системы специалист тратит на одну итерацию до часа: проверяет рекомендации и загружает новые ставки в аккаунты. Для расчета мы взяли верхний предел, хотя на практике процесс может занимать примерно 30 минут.

Для той же команды это:

Один полный запуск алгоритма стоит примерно $2,80. За шесть итераций это еще около $17 в месяц.

Итак, общая расчетная стоимость процесса после автоматизации составляет около $1457 в месяц против $10 080 при ручном выполнении.

Помимо экономии времени и ресурсов, алгоритм каждый раз применяет одинаковую логику к большому объему данных, снижает зависимость от нагрузки и индивидуального подхода специалиста, а итоговая проверка человеком остается частью процесса.

Выводы: что мы поняли в ходе разработки

1. Ключевой частью автоматизации стала не сама ИИ-модель, а формализация экспертизы PPC-специалиста. Сначала нам нужно было разложить процесс принятия решений на конкретные факторы, правила и ограничения — и только после этого переносить его в алгоритм.
2. Критический расчет ставки мы сознательно не передали ИИ. Его выполняет детерминированный алгоритм, результат которого можно воспроизвести и объяснить. Зато LLM используем как дополнительный уровень проверки: модель оценивает контекст, ищет противоречия в данных и может отклонить рекомендацию, если для нее недостаточно оснований.
3. Окончательное решение остается за PPC-специалистом. При таком масштабе кампаний ошибка автоматизации может иметь существенные последствия, поэтому возможность быстро проверить решение и понять его логику для нас важнее полной автономности системы.
4. В результате мы получили гибридную модель, в которой алгоритм расширяет экспертизу специалиста, ИИ помогает проверять решения, а человек сохраняет контроль там, где цена ошибки наиболее высока.