Nike: как перестроили платный поиск после обновлений воронки в Google (и почему это сработало)

Nike: как перестроили платный поиск после обновлений воронки в Google (и почему это сработало)

Контекст
За последнюю неделю несколько платформ усиливали контроль качества трафика и точнее связывали события пользователя с целями рекламодателя. Для Head of Performance это обычно означает одно: привычные «клик-метрики» начинают хуже отражать ценность, а модели атрибуции — меньше прощать “дырки” в структуре аккаунта и событиях на сайте.

В похожей логике и разворачивается кейс Nike: в ритейле и DTC-брендах платный поиск и Shopping начинают терять эффективность, если:
— кампании живут вокруг SKU, а не вокруг ценности (purchase intent / loyalty)
— события конверсий размечены “не теми” целями (например, оптимизация на add_to_cart вместо реального purchase по сегментам)
— рекламные группы не соответствуют реальным сценариям (поиск “купить кроссовки” vs “размер/наличие” vs “возврат/обмен”)

Задача
Нужно было вернуть рост ROMI в платном поиске и Shopping при ожидаемом давлении со стороны платформ: больше сигналов нужно собирать правильно, меньше можно “компенсировать” бюджетом. Конкретно Nike поставили цель:
— повысить долю продаж из performance-трафика без увеличения доли брендового оверспенда
— стабилизировать CAC/CPA при колебаниях спроса
— сократить просадку в периодах, когда атрибуция и модель приоритизации платформ начинают “расходиться” с фактическим доходом

Решение
Перестройка заняла не один шаг, а связку изменений:

1) Разделили цели оптимизации по воронке
— часть кампаний обучали на событиях ближе к покупке (purchase по стране/каналу оплаты)
— отдельно выделили mid-funnel (например, engaged browsing) только там, где есть валидация качества трафика
Ключевой момент: оптимизация стала опираться на события, которые отражают деньги, а не действия “в моменте”.

2) Пересобрали структуру на уровне намерения, а не “категория = группа”
Вместо плоской модели “кроссовки/одежда” сделали группы под сценарии:
— high intent (купить, цена, доставка)
— размер/наличие (query-драйвер)
— уход и стайлинг (косвенный спрос, но с маржинальными категориями)
Так платформа лучше понимает, какой тип пользователя соответствует креативу и посадке.

3) Привели посадочные страницы к соответствию запросу
Для high intent — страницы с карточкой товара и быстрым путем к покупке. Для “информационных” запросов — контентные страницы, но с релевантными CTA (подписка/поиск по каталогу/подбор размера).
Это снижает долю случайных кликов и улучшает “post-click signals”, что критично, когда алгоритмы сильнее полагаются на качество после перехода.

4) Пересобрали feed/каталог и правила показа в Shopping
— убрали позиции с нестабильным доступом (out-of-stock) из приоритетов
— выровняли наличие и цены в фидах под фактическую витрину
— усилили персонализацию по сегментам (например, по истории покупок/бренда внутри экосистемы Nike)
Для бренда, где ассортимент и наличие меняются часто, этот шаг обычно сильнее всего влияет на стабильность CPA.

5) Добавили контроль “бренд vs non-brand”
Внутри аккаунта выстроили защиту от ситуации, когда платформа “продает” бренд, где бюджет можно было бы оптимизировать иначе: брендовые запросы — отдельные контуры, non-brand — отдельная оптимизация на прибыльность.

Результат
После изменений Nike зафиксировали эффект, который согласуется с логикой платформ: когда оптимизация и сигнал совпадают с ценностью, рост идет не только за счет объема, но и за счет качества.

Что важно в отчете: эффект был не “в целом по аккаунту”, а в разрезе сценариев:
— в high intent сегменте доля покупок из performance-трафика увеличилась, а стоимость привлечения стала стабильнее
— mid-funnel кампании перестали размывать конверсионную статистику, потому что их роль стала точнее (не “вытягивать” purchase, а готовить качественный спрос)
— стабилизация при изменениях рынка проявилась именно в периодах, когда раньше CPA скачал из‑за расхождения между событием оптимизации и фактической ценностью
…