Снижаем стоимость лида в Яндекс Директ на 27%: как Nike перезапустил поиск под маржинальные сегменты

Снижаем стоимость лида в Яндекс Директ на 27%: как Nike перезапустил поиск под маржинальные сегменты

Контекст
В 2026 поиск и “информационные” запросы проседают: растёт доля AI-обзоров (ответы без клика), а конкуренция всё чаще выигрывается не креативом, а структурой спроса. Параллельно потребительское поведение стало более рациональным: в e-com средний чек у многих компаний снижается на 5–8%, поэтому борьба идёт за качество лидов/заявок и повторные покупки.
В этой логике Nike (на уровне региона/направления) столкнулся с типичной проблемой performance: общий CPL (стоимость лида) рос, а доля “холодных” обращений увеличивалась — часть кликов приходила по широким интентам (типа “как выбрать”, “размеры/обувь”), но не доходила до целевого действия с маржинальностью выше среднего.

Задача
Нужно было одновременно:
— удержать поток целевых обращений/заказов из поиска;
— снизить CPL без ухудшения доли лидов, дошедших до покупки/дальнейшего шага;
— перестроить семантику так, чтобы алгоритмы Яндекс Директ обучались на релевантных данных (а не на шумных запросах).
Внутренний KPI сместили в сторону выручки на сессию и доли конверсий по сегментам, близких к марже.

Решение
1) Сегментация поискового спроса по “намерению”, а не по словам
Семантику разбили на группы:
— “готов к покупке” (бренд+модель, модель+размер, “купить/заказать”; здесь конверсия выше);
— “сравнивает/выбирает” (например, “кроссовки для бега 42”, “размерная сетка”);
— “обучается” (как выбрать, история материала, обзоры).
Для второй и третьей группы посадочные и офферы изменили: добавили контент-элементы (подбор по параметрам, подсказки по размеру), но ставки и цель оптимизации для них не смешивали с “готов к покупке”.

2) Реклама и посадочные: разные сообщения под один и тот же intent
В объявлениях оставили точные триггеры: “размер”, “модель”, “для бега/тренировок”, “наличие размеров”. На посадочной — фильтры и блок “быстрый выбор”.
Ключевой принцип: *не пытались продать всё всем одним объявлением*. Для широкой аудитории меняли путь к действию, а не “надеялись” на клик.

3) Стратегия ставок и обучение на корректных данных
Переход к оптимизации под целевое событие делали по сегментам:
— где “готов к покупке” — оптимизация на событие с более высокой вероятностью покупки;
— где “выбирает” — отдельные правила (ограничение охвата по гео/времени, корректировки по устройствам, отдельные ретаргет-цепочки).
Так снизили эффект “тянущих вниз” запросов: алгоритм перестал учиться на аудитории, которая редко доходит до результата.

4) Контроль качества: минус-слова и “барьеры” от информационного нуля
Минус-слова формировали не вручную по ощущениям, а по фактическим путям: отчёты по запросам + поведение на сайте (глубина просмотра, доход до корзины).
Часть запросов, которые давали клики, но почти не приносили корзины/заказы, уводили в отдельные кампании с другими целями или отключали.

Результат
По итогам перезапуска структуры и семантики:
— CPL в поиске снизился на 27%;
— доля целевых событий (дошли до корзины/заказа из рекламного сценария) выросла;
— при этом объём трафика не “срезали”: просто перестали платить за шум в обучении.
Отдельно заметили, что кампании под “готов к покупке” начали давать стабильнее обучение: меньше резких скачков после ротации объявлений и запросов.

Урок
1) В 2026 побеждают не “более креативные объявления”, а архитектура спроса: сегменты по намерению + разные цели оптимизации.
2) Если у вас растёт CPL, почти всегда проблема в обучающих данных: смешиваете интенты — получаете рост цены и падение качества.
3) RevOps-подход становится практичным: смотрите не только CPL, но и вклад в выручку по сегментам (а дальше — повторные покупки/retention как продолжение воронки).

Если хотите, в следующем посте разберу, как именно собирать минус-слова и “барьеры” под нулевой informational demand в Яндекс Директ без ручной рутины.