В этой статье – нюансы и хитрости, которые пригодятся при создании семантического ядра для контекстной рекламы.
Брендовая семантика
В идеале процесс работает так:
1) Вы ждете заявок из контекстной рекламы;
2) Собираете семантику по маркерным запросам откуда угодно: от Wordstat до поисковых подсказок.
Неважно, что вы используете при сборе. У всех сервисов разное качество, но принцип один: на входе вы вводите маркерный запрос, а программа выдает расширения, которые содержат фразу.
Задача, которую приходится решать вручную – определить те самые маркеры (базисы). Каждый из них отражает собственный спрос, ключевые фразы, расширения и охват. Для этого необходимо хотя бы минимальное знакомство с ассортиментом.
Когда речь идет о брендовой семантике, понятно, как искать маркеры. У бренда есть, как правило, русское или английское написание, названия серий, моделей. При этом важно учесть все ошибочные и синонимичные написания. О других случаях с примерами будет далее в статье.
3) Получаете десятки-сотни тысяч запросов, чистите их от «мусора» и получаете две группы: нужные запросы и минус-слова.
Рассмотрим брендовую семантику на примере интернет-магазина туристического оборудования и товаров «Моя планета».
У магазина около 70-80 брендов, один из них – Stanley. Это и инструменты, и мебель, и посуда, и много другого. Нет смысла собирать все расширения от слова stanley, иначе будет очень много «мусора». Поэтому оставляем запросы из 2-3 слов:
Чаще всего лучше брать трехсловники или двухсловники, в некоторых специфических случаях допустимы однословники.
Термосы – самый популярный товар, у него 3 написания названия бренда – станлей, стенли, stanley, – и есть маркеры по сериям: stanley mountain, стенли классик.
Чем больше базисов, тем шире охват. У нас получается 70 видов товаров, по каждому – 20-50 базисов. Общий объем «хвоста» – несколько сотен тысяч расширенных запросов. Они могут пересекаться, но частично: как правило, процент пересечения невысокий.
В итоге вы получаете 100% охват, но тратите очень много времени на обработку данных. Чтобы ускорить процесс, часто используют способ перемножения запросов в скрипте-перемножалке.
Для брендового семантического ядра такой метод ускоряет работу. Но что делать, когда вы предлагаете услуги на высококонкурентном рынке?
Семантика по сложным услугам
В этой ситуации – более неочевидные запросы, которые можно выявить только с помощью глубокого анализа.
Пример – «дизельный» автосервис, клиент агентства MOAB.
Исходные данные: прежний подрядчик перемножал стандартные названия услуг на транзакционные слова типа «цены», «купите» и прочие. В итоге получались базисы «ремонт форсунок», «ремонт ТНВД» и иже с ними.
Этот подход дает самые банальные формулировки. Точная копия ключа, перестановка слов, разные падежи и словоформы – не вариант для проявления креатива. Все – и подрядчики, и клиенты – мыслят одинаково, используют однотипные формулировки и транзакционные слова. Запросы «от фонаря» быстро перегреваются.
Результат – потеря охвата и, как следствие, недостаточная загруженность сервиса, так как нет показов по неочевидным запросам. Их и невозможно получить простым перемножением.
Парадокс ситуации в том, что трафика немного (до 10 посетителей в сутки), но аукцион жуткий (до 40 рублей за клик). Даже сервису с огромной материальной базой, низкой себестоимостью и большим потоком клиентов практически невозможно окупить ставки по конкретному ключу.
По результатам анализа мы нашли дополнительные базисы (указана частотность по Москве):
Большинство из них и для самого заказчика были откровением: он не подозревал, что потенциальные клиенты могут ТАК формулировать поиск, хотя давно работает в этой сфере.
Эти запросы далеко не очевидные и для конкурентов, а потому неперегретые. Прогнозный суточный трафик – около 400-500 пользователей, суммарно для всех систем. Средняя цена по ним гораздо ниже, чем по фразам типа «ремонт форсунок».
Как систематизировать, если маркеры не привязаны к бренду и содержат размытый спрос? Что ищет целевая аудитория – этого не придумать спонтанно и не услышать от заказчика.
Спрос не берется из воздуха – он базируется на физической проблеме. Каждый пользователь формулирует её в поисковике по-своему. Запросов выходит больше, чем можно представить, найти и обработать. Только Яндекс сообщает в одном из релизов блога для рекламодателей, что обрабатывает 280 миллионов запросов в день, каждый третий из них уникальный!
Одна проблема генерирует неизвестный большой массив запросов: дизель дымит черным, сизым, белым, не работает, стучит, гремит и т.д. Ваша задача – разбить этот массив на кластеры, чтобы разграничить на конечное количество потребностей.
Переменные спроса
В случае с брендом «якорь» спроса – само название. Товары Stanley не могут называться как-то иначе, это в любом случае нечто со словом «Stanley».
Для сложной услуги спрос распадается на несколько составляющих (переменных). Невозможно сформулировать проблему без одного из них:
- Проблема с агрегатом – пользователь знает или предполагает, что сломалось (форсунки, ТНВД, плунжера). И дальше начинается полет фантазий – «форсунка стучит», «форсунка гремит», «форсунка дымит» и т.д.
- Проблема с машиной – он не знает, что сломалось и не хочет это выяснять, просто пишет название марки своей машины (Scania, Камаз, Man). В нашем случае бензиновые машины – не наш профиль, отбираем только те, которые работают на дизеле;
- Через топливо – человек не указывает машину или агрегат, а указывает тип топлива – «дизельный двигатель», «дизель», «дизельный автомобиль ремонт»;
- Через проявление проблемы («дымит», «не едет»). Например, черный дым – характерная дизельная проблема, здесь не нужно уточнять, бензин это или дизель;
- Через код ошибки по автосканеру («ошибка 1235», «ошибка 0489»).
С большой вероятностью человек, у которого сломался дизель, употребит хотя бы одно из значений этих переменных в запросе. Это «якорь», вокруг которого вертится спрос по проблеме.
Далее берем переменную с конкретным значением. Например, топливо: «дизель», «дизельный». Внутри этой семантики ищем запросы, которые относятся к авторемонту.
Рекомендация: чтобы разбивать запросы на переменные и подбирать их значения, нужно представлять, как потенциальная аудитория говорит о проблемах. Для этого полезно изучать сайты конкурентов, тематические форумы, сообщества и т.д.
Чем это отличается от перемножения
Представьте, есть гора, внутри которой – золотые слитки, которые вам надо добыть. Стандартный способ – выкопать шахту в этой горе и собрать золото, которое попадется на пути исследования.
Другой вариант – вы срываете гору экскаватором и отвозите на горнообогатительный комбинат. Он более трудозатратный и требует больше компетенций, но зато из всей массы пород вы соберете всё золото.
По аналогии с этим мы берем весь спрос по запросу «дизель», «дизельный» и прорабатываем все расширения в глубину в Wordstat. Затем по каждому собираем поисковые подсказки. По полученному массиву пробиваем частотность, удаляем дубли и получаем итоговый объем запросов.
Допустим, у нас получилось 100 тысяч. Что дальше с ними делать? Отбираем нужные фразы.
Для этого загоняем каждый массив в «Анализ Групп» в Key Collector. Применяем частотный словарь запросов. В нем необходимо поставить группировку по фразам и залить во вкладку ключевые слова.
Что получаем:
Это запросы, про которые не расскажет клиент. Так практически никто не делает, поэтому и конкуренция по такой семантике минимальная.
На этом этапе не надо чистить массив от минус-слов и т.д. Нужно просто просмотреть частотный словарь и выявить двухсловники, которые явно указывают на авторемонт.
В чем преимущества? Часто употребляемые группы запросов привязаны к наиболее популярным проблемам. Программа сортирует группы по количеству входящих в них слов. Вы просматриваете все результаты и выявляете группы, которые подходят под вашу проблему.
Вы получаете всё, что вообще можно в этой тематике собрать. При этом нормально, если у вас исходно 100 тысяч запросов со словом «дизель» и только 10 тысяч после анализа.
Подобную работу проделываете со всеми значениями переменных.
Семантика для точного спроса
Для автотехцентра «ЯпиМоторс» агентство MOAB составило один из самых больших семантических планов за свою историю. Специфика клиента: ему необходимо обеспечить точный трафик.
Заказчик четко обозначил исходные условия: есть точный перечень работ (300 штук), которые он выполняет, и список марок (70 штук), с которыми работает.
На первом этапе мы искали всевозможные названия по списку работ:
- Ремонт тормозов – ремонт тормозной системы, замена тормозной системы, не работают тормоза и т.д.
- Ремонт двигателя – ремонт ДВС, замена ДВС, ремонт движка и т.д.
Японские названия сложные, их часто пишут с ошибками. В итоге 70 заданных марок / моделей превратились в 270 строк различных вариантов написания латиницей и кириллицей.
Разница с предыдущим кейсом: в нем мы пытались охватить всех пользователей, у которых проблемы с дизелем. Здесь напротив заказчика интересует только спрос на конкретные виды работ.
Рынок большой, поэтому компания не претендовала на весь целиком. Логично: один автосервис не может обслуживать всю Москву. Его цель – небольшая часть этого спроса, но максимально горячая, и за минимальные деньги. Поэтому мы определили запросы, которые уже сейчас имеют неотложную потребность.
Если пользователь пишет в поиске «черный дым дизель», он может еще неделю ездить на дымящем автомобиле, прежде чем тот совсем накроется. А «ремонт ходовой цена» – прямо сейчас может сконвертироваться.
Перемножаем 450 работ на 270 моделей и получаем список маркеров, по которому снимаем частотность.
Около 5 тысяч базисов показали ненулевую частотность и «хвост» расширений в 50 тысяч. В отличие от ядра по дизелю, в котором много «мусора», это содержит минимальное число минус-слов, практически все запросы целевые.
Семантика для фидов
Зачем её собирать
Реклама по фидам работает хорошо в соответствующих нишах – книги, автозапчасти, комплектующие для компьютеров, спецтехника, электронные запчасти и т.д. То есть там, где большое количество товаров, каждый содержит артикул или численный / буквенный индекс и направлен на небольшой спрос.
Семантика для фидов обеспечивает достоверный минус-файл и чистоту трафика.
Стандартного списка минус-слов недостаточно. В лучшем случае они закрывают 30-40% реальных минус-слов. В каждой тематике также есть запросы, которые содержат характерные слова и делают сам запрос нецелевым, нерелевантным для вас. Поэтому нужно собирать минус-слова для фидов на основе реальных запросов.
Когда вы рекламируетесь по большому массиву товаров, важно запретить показы по запросам, на которые вы не даете ответа – они снижают CTR и повышают цену. Например, в теме автозапчастей это «как установить своими руками». Вам, как продавцу, они вообще не нужны.
Пример – запросы по автозапчастям Bosch. Это массив в несколько сотен тысяч. Из него мы выделили те, которые содержат цифры – это запросы товарные, таких получилось 20-30 тысяч. Мы составили из них частотный словарь, чтобы найти группы с нерелевантным спросом. Важно брать реальные фразы по конкретному бренду.
Это дает более точный файл минус-слов, на основе которого можно запретить нецелевые показы. В итоге по России средняя цена клика составила 7-10 рублей, а цена заявки – 60-70 рублей. Мы добились высокой конверсии, так как привлекали только трафик, близкий к покупке.
Подводные камни рекламы на фидах
Это «фэйковые» артикулы и названия товаров.
Допустим, у вас 10 тысяч автозапчастей. В процессе важно проверить, нет ли среди артикулов двойные значения. Он может означать как товар, так и ГОСТ, инструкцию, которые не имеют отношения к вашей тематике. Или товар абсолютно из другой области.
Как это проверить? Берете список артикулов и пробиваете по ним частотность. Также вручную выявляете артикулы с двойным значением. По ним уточняете семантику – добавляете название бренда или уточняющие слова, чтобы исключить показы по нецелевому охвату.
Достаточно ли в объявление добавить артикул или нужно «%артикул + %купить (или другое транзакционное слово)»
Второй вариант не дает дополнительного трафика, но вы можете напрямую контролировать позицию объявления не только по запросу артикула, но и по запросу «%артикул + %купить» через подключение биддера.
Так было до недавнего времени. На очень больших товарных фидах не хватало баллов, чтобы загрузить много ключевых слов, и приходилось от этого отказываться.
Недавно Яндекс объявил о том, что позиции в рекламной выдаче можно персонализировать так же, как в поисковой выдаче. Каждому пользователю можно показать те результаты, по которым он с большей вероятностью кликнет. Яндекс уходит от торгов за позиции к торгам за аудиторию. Чем большая ставка, тем большую долю можно получить.
Вывод: нет смысла размножать семантику по фидам. Достаточно добавить одно самое широкое название артикула или индекс товара.
Что делать со статусом «мало показов»
В первую очередь смотрите не что и как выпало, а изменился ли трафик. Если нет, переживать не стоит. Значит, эти объявления не генерировали трафик.
Если заметно снизился – не плюс-минус 10% погрешность, а больше, – то нужно разбираться: скорее всего, ошибки в кластеризации по кампании, подборе семантики. Хотя, применительно к фидам, такое маловероятно.
SEO или контекст – что лучше
Как планировать маркетинг
Предприниматель / директор / коммерсант научился контексту или SEO на курсах. Он впервые узнал об этом и теперь применяет повсюду.
В современных условиях нужно окупаться на любых каналах. Принципиальной идеологической разницы между ними быть не должно.
Как это выглядит при нормальном планировании? Сначала мы определяемся с нишей, делаем HTML-макет сайта, движок, и тут же начинаем составлять семантику. При этом важно, чтобы структура зависела не от каталога и не от вашего видения разделов, а от семантики. То, что люди ищут чаще всего, разместите на видных местах.
После того, как собрали семантику и определились со структурой, создаем и наполняем контентом сайт.
Рекомендация: сначала контекст, потом SEO. Можно почистить и сгруппировать семантику и запустить контекст, чтобы бизнес зарабатывал деньги. Пусть не очень большие суммы (200-400 тысяч рублей), но быстро. За 2-4 месяца можно построить цепочку продаж, чтобы реинвестировать эти деньги под SEO.
В чем синергия процессов? Результаты, полученные при кластеризации в контексте, можно использовать при кластеризации в SEO. Не всё и не всегда будет одинаково, но многое можно взять из контекста для SEO.
Вывод: SEO и контекст скоро станут почти неразличимы, а экономия от их синергии растет.
Резюме
1) На начальном этапе более важен не сам сбор (всё автоматизировано), а поиск базисов;
2) Базисы могут быть простые и чистые (гироскутер) и мусорные и грязные (дизель);
3) Проверьте, все ли синонимы и переформулировки вы собрали: в помощь Wordstat и блок «похожие запросы» в SERP;
4) Если вы не успеваете обработать все запросы, выполните приоритезацию базисов по марже, частотности и количеству запросов;
5) Анализ частотных словарей полезен в 20-30% случаев, часто можно обойтись и без него. НО! Важно четко понимать, из каких переменных складываются нужные базисы и какие значения могут эти переменные принимать;
6) Учитывайте специфику задачи, размер компании, размер рынка, объем спроса и то, что хотите получить на выходе.
Эффективный сбор семантики требует креатива, нет универсальной схемы. Главное в любой ситуации соблюдать оптимальный баланс между трудозатратами, охватом целевой аудитории и личной эффективностью.
Высоких вам конверсий!
Статья подготовлена по материалам вебинара Ильи Исерсона.
Мы когда делаем крупным клиентам идем от SEO кластеризации топами, т.к. она учитывает потребность которую подразумевает пользователь (интент). Возможно с этим связана ситуация, что в нашу компанию после ввода "статуса мало" показов чаще стали обращаться за SEO кластеризацией всего пуля запросов именно ДИРЕКТОЛОГИ.