Оптимизация рекламных кампаний «до продажи» выглядит логичной, но в длинных циклах сделки это шаг в ловушку. Когда вы настраиваете автоставки под финальную продажу, платформа начинает реагировать не на качество лидов, а на то, как в конкретный период работала ваша коммерческая команда. Результат — алгоритм учится на людях, а не на аудитории.
Основные детали новости
Проблема проявляется в организациях, где этап закрытия сделки сильно зависит от сотрудников: топ‑продавцов, советников или менеджеров по работе с клиентами. В тексте привели типичный пример — «Дейв», сотрудник, закрывающий сделки вдвое чаще коллег благодаря опыту и умению вести клиента. Когда Дейв в отпуске или уволился, а его дела ведёт младший сотрудник, коэффициент закрытий падает. Алгоритм при этом фиксирует снижение конверсии и делает вывод, что «таргетинг перестал работать», перераспределяя бюджеты и отключая эффективные ключевые слова и аудитории.
Ещё один яркий кейс — так называемое «Santa Claus Rally». В декабре в финансовой сфере наблюался всплеск конверсий до 150% по сравнению с обычной неделей: коммерческая команда в преддверии окончания года агрессивнее работает с лидами, оперативнее перезванивает и закрывает сделки. Затем в праздники активность и конверсии падают до минимума — и алгоритм снова делает неверные выводы о качестве трафика.
Дополнительные факты
На снижение корреляции между трафиком и продажами влияют и другие операционные факторы: перегрузка команды в квартале закрытия, задержки в бюджетных утверждениях, изменения ассортимента, сезонные отпуска, сдвиги рыночных условий и задержки запуска проектов. Во всех этих случаях проблема — не в рекламных креативах или таргетинге, а в процессах, которые рекламная платформа не видит.
Исправление ситуации — не запрет на отслеживание downstream‑метрик, а разумное ограничение уровня оптимизации. Для долгих циклов разумная граница контроля — момент подачи лида. Но важно не просто считать лиды одинаковыми: их нужно оценивать по вероятности конверсии и по ожидаемой коммерческой ценности.
Как строить систему lead valuation
Процесс начинается с исторических данных — желательно 12 месяцев, но можно работать и с полугодом. Нужно понять, какие лиды закрывались, какова их средняя ценность и какие признаки на момент обращения коррелировали с успешным закрытием. Примеры признаков: сумма кредита и срок для финансовых услуг; размер компании или отрасль для B2B; объём и срочность проекта в строительстве.
Далее лиды группируют по вероятности закрытия и по типичному размеру сделки, присваивая каждой группе ожидаемую выручку. Контроль успешности модели прост: суммарная ожидаемая ценность лидов за период должна примерно совпадать с фактическим доходом. Если расхождение большое — модель требует доработки. Модель стоит пересматривать минимум ежеквартально.
Технически: настроить передачу ожидаемой ценности в конверсионное событие и включить value‑based bidding (например, target ROAS в Google Ads). Это даёт алгоритму сотни событий с ценностью вместо нескольких реальных продаж, улучшая обучение автоматических ставок и качество тестов кампаний.
Важно: импорт downstream‑конверсий полезен, но работает корректно лишь при достаточных объёмах данных, приемлемых задержках конверсий и стабильном процессе продаж.
Почему это важно для SEO и digital‑специалистов
Понимание границ контроля — ключевой навык в modern performance marketing. Если вы оптимизируете рекламные ленты до этапа, на который прямо влияет человеческий фактор, алгоритм начнёт делать выборы на основании эффективности команды, а не качества трафика. Для SEO‑специалиста и маркетолога это означает несколько практических выводов:
- Оптимизируйте автотаргетинг и кампании до точки передачи лида, а не до финальной продажи — особенно при долгих и персонализированных продажах.
- Стройте модель оценки лидов (lead valuation), чтобы давать платформам сигнал о реальной ценности каждого контакта.
- Продолжайте отслеживать downstream‑метрики ради аналитики процессов, но не превращайте их в единственную цель автоматизации, если объёмы и стабильность процесса не позволяют.
- Если видите резкие колебания конверсий при стабильном трафике — сначала проверяйте операционные факторы и состав команды, а уже затем кампании.
Алгоритмы хороши в распознавании аудитории и поиске похожих лидов, но они не видят отпусков, кадровых перестановок и перегрузок в отделе продаж. Дайте платформе то, что она может оптимизировать — качественно оценённые лиды — и оставьте «Дейва» делать то, что делает его лучшим: закрывать сделки.
