О проекте
Ниша: Высшее коммерческое образование.
ГЕО: Москва, Санкт-Петербург и регионы.
Каналы: Яндекс.Директ, VK Реклама, Google Ads (тест).
Задача: Продвижение высокомаржинальных направлений (магистратура, второе высшее) в конкурентный осенний сезон
Результат (за 3 месяца): 1 473 лида, 200 квалифицированных заявок, 43 продажи.
Главная победа: Снижение стоимости целевого лида (CPL квал.) почти в 2 раза - с 16 874 ₽ до 8 670 ₽
Московский университет имени А.С. Грибоедова — крупный частный вуз с 30-летней историей, специализирующийся на качественном коммерческом образовании. Университет предлагает востребованные программы бакалавриата, магистратуры и второго высшего образования, сочетая классические академические традиции с актуальными дистанционными форматами обучения.
Проблематика
Работа началась в середине сентября 2022 года. На входе мы обнаружили три узких места, которые мешали достигать KPI проекта:
- Технический “зоопарк”
Связки между Tilda, VK, Envybox и Roistat постоянно сыпались. Из-за ошибок в интеграциях данные терялись, а Marquiz периодически отключался, из-за чего терялись заявки с рекламы. - Хаос в настройках
Инхаус рекламщик параллельно с нами правил рекламные кабинеты. Это сбивало обучение автостратегий: система просто не понимала, какой стратегии следовать. Пришлось договориться: либо мы ведем проект полностью, либо не гарантируем результат. - Слепая зона в CRM
Отдел продаж в CRM валил все заявки (и бакалавров, и тех, кому нужно второе высшее) в одну кучу под тегом «бакалавриат». Маркетинг не видел, сколько реально стоит привлечение лида по конкретным факультетам, бюджет распределяли туда, где больше лидов, а не где лучше цена и качественнее
Наша задача была навести порядок в аналитике, «лечить» настройки и к 1 ноября подготовить всё для запуска зимнего набора, чтобы привлечь новых студентов.
Наша стратегия
Мы разработали и внедрили комплексную стратегию подготовки и оптимизации из пяти шагов.
Шаг 1. Технический аудит и выстраивание сквозной аналитики
Были устранены ошибки интеграции Tilda, Envybox и Marquiz, настроена передача данных Roistat и UIS в Яндекс Метрику. В рекламных кабинетах настроены корректные конверсионные цели, что позволило перевести кампании на автостратегии.
Шаг 2. Разработка сегментированных офферов
Совместно с клиентом были сформулированы офферы под зимний набор:
Шаг 3. Оптимизация контекстной рекламы (Яндекс.Директ)
Для повышения эффективности контекста мы провели реструктуризацию кампаний, сместив фокус с охвата на качество трафика:
- Брендовые запросы
Расширили семантическое ядро (с 18 до 72 фраз) и вывели запросы с названием вуза в отдельные группы с повышенными ставками. Это позволило занять максимум целевого трафика и ограничить активность конкурентов. - Второе высшее
Отказались от общих запросов в пользу транзакционных и профильных (например, «второе высшее юридическое дистанционно»). Это отсекло «холодную» аудиторию, изучающую рынок, и сфокусировало бюджет на готовых к поступлению кандидатах. - Магистратура
Перенастроили таргетинг на запросы с конкретными параметрами (формы обучения, направления подготовки), повысив релевантность объявлений.
Также внедрили систему регулярного контроля, исключили из РСЯ неэффективные площадки и мобильные приложения, скорректировали ставки по устройствам и отключили геозоны с низкой конверсией. Это позволило сделать расход бюджета более целевым и управляемым.
Шаг 4. Смена формата работы по таргету в VK
Мы пересмотрели подход к работе с социальными сетями, отказавшись от прямого трафика на сайт в пользу использования лид-форм в VK Рекламе и квизов (Marquiz).
- Повышение качества лидов
Отключение автозаполнения контактных данных в лид-формах заставило пользователей вводить номер телефона вручную. Это отсекло “случайные” заявки и спам, существенно снизив нагрузку на отдел продаж. - Релевантный креатив
Вместо стоковых изображений мы внедрили “живые” фото учебных пространств и реальных студентов, а также запустили видеоролики с демонстрацией преимуществ дистанционного формата.
Такие изменения позволили кардинально улучшить экономику канала, повысив качество поступающих заявок
Шаг 5. Систематизация работы с отказами и настройка CRM
Чтобы повысить качество лидов, мы провели реформу работы с CRM и внедрили глубокий анализ причин отказов.
- Настройка CRM
В систему добавили обязательные поля для фиксации факультета и формы обучения. Это обеспечило прозрачность данных для оценки эффективности каждого направления. - Анализ отказов
Анализ данных за сентябрь-октябрь показал, что основными причинами отказов были планы абитуриентов на долгосрочную перспективу (не в этом году), невалидные контакты и запрос специальностей, отсутствующих в программе. - Оптимизация
На основе полученных данных мы скорректировали семантику в Директе, исключив нерелевантные запросы, и перераспределили бюджет в пользу наиболее конвертируемых направлений — юриспруденции, психологии и экономики.
Результаты работы
- Яндекс.Директ - основной драйвер объема, обеспечил 88,5% квалифицированных лидов и 95% продаж.
- VK Реклама - показала лучшую экономику с CPL квал. 5 912 ₽, что в 2,5 раза дешевле Яндекса.
- Google Ads - канал для тестов: при минимальном бюджете показал самую низкую стоимость первичного лида (523 ₽), требует масштабирования.
- Рост эффективности - при сокращении бюджета на 55,6%, количество квалифицированных лидов снизилось минимально (с 73 до 63).
- Оптимизация стоимости - CPL квал. снизился почти в 2 раза (с 16 874 ₽ до 8 670 ₽) за счет чистки трафика и работы с лид-формами.
- Фактор лага - высокий CPO в ноябре обусловлен длинным циклом принятия решения: лиды ноября конвертируются в продажи в течение 2–3 месяцев.
Выводы
- Длинный цикл сделки.
В этой нише нельзя смотреть только на стоимость продажи сразу. Главный показатель успеха — снижение стоимости качественного лида, так как решение о поступлении принимается долго. - Системный подход.
Без порядка в CRM и сквозной аналитики алгоритмы рекламы не могут обучаться. Только когда мы дали системам чистые данные, реклама начала работать эффективно. - Качество заявок.
Мы не стали гнаться за количеством заявок и сфокусировались на их качестве. Глубокий анализ причин отказов в CRM позволил нам очистить воронку: мы оперативно отключали нецелевые запросы и перенаправляли бюджет на те направления, где абитуриенты были наиболее лояльны и заинтересованы.