Первое решение в запуске кампании – это цель. Она определяет, как алгоритм будет оптимизировать показы и на какую аудиторию ориентироваться, поэтому таргетинг и креативы настраивают уже под неё.
На старте, когда нужно быстро набрать объём и получить первые данные для обучения алгоритмов, кампанию оптимизируют на установки: это самый дешёвый способ получить нужный объём трафика, а собранные данные потом пригодятся для более точной настройки.
Когда поток пользователей стабилизировался, установка перестаёт быть показательной метрикой: она показывает только факт скачивания, а не то, остаётся ли человек в приложении. Поэтому кампанию переводят на более глубокие события: регистрацию, завершённый онбординг, достижение определённого уровня, первую покупку. Эти действия точнее показывают, действительно ли приходит целевая аудитория.
Когда конверсий накопилось достаточно и приоритетом становится окупаемость, кампанию оптимизируют по покупкам или по ROAS (Return on Ad Spend, показатель окупаемости рекламных затрат).
Одновременно минимальный CPI (Cost Per Install, стоимость установки), максимум установок и высокий ROAS не получить – это разные цели с разной логикой оптимизации: снижение CPI требует широкого и дешёвого трафика, а рост ROAS, наоборот, более узкой и качественной аудитории, готовой платить. Поэтому цель фиксируют один раз, до запуска, и не дёргают алгоритм в разные стороны в процессе обучения.
Базовые параметры простые: гео Россия, платформа Android, исключение нерелевантных устройств и пользователей, которые уже установили приложение. Показывать им рекламу смысла нет: они и так уже здесь.
Если кампания идёт через Яндекс Рекламу, на старте лучше оставить автотаргетинг и не перегружать её вручную. У площадки прямая интеграция с RuStore, поэтому алгоритмам хватает сигналов для поиска нужных пользователей без дополнительных ограничений. Узкий таргетинг работает в обратную сторону: чем меньше аудитория, тем меньше данных получает алгоритм на каждом шаге, а значит, дольше идёт обучение и меньше охват.
На старте стоит сразу тестировать несколько гипотез параллельно, а не полагаться на одну: широкую аудиторию без сужений, look-alike-сегмент от пользователей, уже установивших приложение, и отдельные группы по жанру или поведению. Так проще увидеть, какая аудитория в принципе откликается, не теряя время на переключение между гипотезами по очереди.
Если данные о пользователях уже накоплены, look-alike лучше строить не от всех, кто поставил приложение, а от тех, кто платит, возвращается и показывает высокий LTV (Lifetime Value, совокупная ценность пользователя за всё время использования приложения). Такой трафик обычно качественнее, потому что алгоритм ищет похожих не на любого установившего, а на того, кто уже показал ценность для бизнеса.
Здесь легко сделать то, что интуитивно кажется правильным, а на деле мешает: раздробить кампанию на много узких групп объявлений, отдельно под каждый сегмент, каждый креатив, каждую гипотезу. Представим гипотетический пример. Агентство запускает кампанию с бюджетом 300 тысяч рублей в месяц и сразу делит его на семь узких групп: под каждый сегмент аудитории свою. На каждую группу остаётся в среднем чуть больше 40 тысяч рублей, статистики за месяц набирается мало, и обучение алгоритма буксует по всем группам сразу. Та же кампания с теми же гипотезами, но собранными в две-три более крупные группы, набрала бы достаточно данных заметно быстрее: просто потому, что каждой группе достаётся больше показов и кликов для анализа. На старте эффективнее работают более крупные кампании с достаточным объёмом данных на группу, а количество сегментов для тестирования можно наращивать позже, когда объём трафика это позволит.