+71% конверсій у платній рекламі для найбільшої мережі магазинів іграшок «Будинок Іграшок»

Розширення асортименту в e-commerce створює більше можливостей для залучення попиту, але водночас ускладнює ефективне масштабування Google Ads. Більше товарів конкурують за той самий рекламний бюджет, а визначати, яким SKU варто надати більше рекламної видимості, стає дедалі складніше.

Будинок Іграшок зіткнувся з цим викликом після збільшення асортименту у 2,5 раза. Водночас попит у категорії знижувався, а конкуренція за онлайн-покупців посилювалася. Ритейлер конкурував не лише зі спеціалізованими магазинами іграшок, а й із маркетплейсами та великими мультикатегорійними ритейлерами. Платний трафік дорожчав, а увага аудиторії розподілялася між дедалі більшою кількістю продавців.

Перед командою постало питання: як збільшити онлайн-продажі зі значно більшого асортименту, не нарощуючи рекламні витрати такими ж темпами?

Performance-команда клієнта поєднала сегментацію на рівні окремих товарів, збагачення товарних даних і автоматизацію пошукових кампаній за допомогою G-MOS.

З квітня по грудень 2025 року цей підхід забезпечив:

• +71% конверсій

• +52% зростання частки онлайну в загальному доході компанії

Про клієнта

Будинок Іграшок — найбільша в Україні мережа магазинів іграшок із широким асортиментом в онлайн-магазині та розгалуженою мережею офлайн-магазинів.

Традиційно компанія орієнтувалася на батьків, які купують іграшки для дітей. У пошуку нових можливостей для зростання ритейлер розширив як цільову аудиторію, так і асортимент, додавши конструктори для дорослих, колекційні товари, настільні ігри, товари для геймінгу, комікси, манґу та інші категорії, цікаві дорослій аудиторії.

У результаті товарний асортимент збільшився у 2,5 раза.

Однак для реклами значно більший каталог створив новий виклик: сотні додаткових SKU тепер мали конкурувати за той самий рекламний бюджет.

Мета

Мета полягала в тому, щоб збільшити онлайн-продажі з пошукової реклами на 50%, зберігши ефективність рекламних інвестицій.

Performance-команда клієнта — агенція Promodo — відібрала для першого тестування шість великих, але недостатньо ефективних у рекламі товарних категорій. Їхній середній ROAS був на 35% нижчим, ніж в інших категоріях та акаунті загалом.

Замість того щоб однаково оптимізувати всі шість категорій, команда перейшла до прийняття рішень на рівні окремих товарів.

Виклик: більше товарів конкурують за той самий рекламний бюджет

Розширення асортименту саме по собі не гарантує додаткових продажів.

Коли в рекламній структурі з’являються сотні або тисячі додаткових SKU, товари, що вже давно рекламуються, мають накопичену історію та сигнали ефективності. Нові або менш помітні товари можуть отримувати надто мало трафіку, щоб продемонструвати, чи є на них реальний попит.

Тому рівномірно розподіляти бюджет між усім асортиментом було неефективно. Команді потрібно було визначити, у які товари варто інвестувати більше, які потребують додаткового тестування, а яким варто надати нижчий пріоритет.

Рішення: пріоритизація товарів на основі ефективності

Стратегія поєднала пріоритизацію товарів із більш деталізованим охопленням у пошуковій рекламі.

Замість однакового підходу до кожного SKU в межах категорії товари сегментували відповідно до їхньої рекламної ефективності та керували ними по-різному залежно від їхньої ролі.

Крок 1. Адаптація ABC/XYZ-аналізу для платної реклами

В основі підходу був ABC/XYZ-аналіз — метод, який традиційно використовують для управління асортиментом і запасами.

ABC-аналіз групує товари відповідно до їхнього внеску в бізнес-результат, а XYZ-аналіз оцінює стабільність і прогнозованість попиту. У класичному вигляді методологія передбачає дев’ять товарних сегментів.

Performance-команда клієнта адаптувала цей підхід для платної реклами та скоротила його до чотирьох практичних груп.

Для кожного сегмента застосовується окрема стратегія залежно від рівня попиту та ефективності продажів.

Докладніше про методологію цього підходу можна прочитати в матеріалі Promodo про ABC/XYZ-аналіз у PPC.

Крок 2. Дати товарам із низькою видимістю можливість проявити себе

Одним із найважливіших сегментів був Y/Z.

До нього входили товари, які отримували мало рекламного трафіку або не отримували його взагалі. Їх також називають Zombie SKU. Замість того щоб одразу виключати такі товари, команда дала їм окрему можливість накопичити дані про ефективність.

Якщо товар починав генерувати конверсії, він міг перейти до групи A/B та керуватися за іншою рекламною стратегією. Якщо продажі припинялися, товар міг повернутися до циклу тестування.

Таким чином, пріоритизація товарів не була одноразовим аналізом. Товари могли переходити між групами відповідно до змін у їхній фактичній ефективності.

В окремій статті G-MOS ми детальніше розбираємо, чому товари втрачають рекламну видимість та як за допомогою G-MOS виявляти й оптимізувати Zombie SKU в Google Ads.

Крок 3. Перетворення сегментації товарів на постійний процес

Для великого каталогу неможливо ефективно керувати товарами за допомогою статичних груп.

У межах проєкту товари отримували динамічні мітки A/B, B/C, X/Y або Y/Z відповідно до їхньої поточної рекламної ефективності. Коли результати змінювалися, товари могли переходити між групами та рекламними стратегіями.

Сьогодні таку сегментацію на рівні окремих товарів можна автоматизувати за допомогою маркування товарів у G-MOS.

G-MOS може використовувати рекламні дані на рівні окремих товарів для автоматичного присвоєння міток відповідно до заданих умов ефективності. Це дає e-commerce-командам масштабований спосіб структурувати великі асортименти та визначати групи товарів, для яких потрібні різні рекламні стратегії.

Замість постійного ручного аналізу тисяч товарів команди можуть використовувати мітки на основі даних про ефективність, щоб сегментація відповідала актуальним результатам реклами.

Крок 4. Збагачення товарного фіда для точнішого охоплення пошукового попиту

Розширений асортимент також включав товари, для яких реклама на рівні широких категорій не могла охопити весь спектр релевантних пошукових запитів.

Наприклад, користувач, який шукає колекційний товар, може вводити в пошуку конкретного персонажа, франшизу, серію, матеріал або видання, а не загальну назву категорії.

Тому команда збагатила товарний фід додатковими атрибутами зі структури фільтрів на сайті. Для колекційних фігурок, наприклад, це були всесвіт, персонаж, серія, матеріал і лімітоване видання. Для кожної категорії використовувався власний набір фільтрів. Розробка збагаченого фіда зайняла шість місяців.

У результаті окремі SKU отримали більш детальний набір даних, що створило основу для більш точного охоплення пошукових запитів.

Крок 5. Масштабування пошукових кампаній із G-MOS

Збагачений фід створив більше можливостей для зіставлення окремих товарів із конкретними пошуковими запитами. Однак ручне перетворення цих даних на пошукові кампанії для всього асортименту потребувало б років роботи та постійних оновлень.

Саме тут підключився G-MOS.

Використовуючи збагачений товарний фід, G-MOS генерував ключові слова, заголовки та описи оголошень для окремих товарів, що дозволило розширювати охоплення в пошуку без необхідності вручну створювати кожен елемент кампанії.

Це було особливо важливо для конкретних long-tail запитів. Детальні атрибути товарів дозволяли пов’язувати попит на певних персонажів, франшизи, колекції, серії та інші характеристики з більш релевантними товарами.

На практиці цей підхід поєднав пріоритизацію на рівні товарів із масштабованим охопленням у пошуку. Дані про ефективність допомагали визначати, які товари потребують більшої рекламної уваги, а G-MOS використовував збагачений фід для масштабування їхньої присутності в пошуку.

Коли асортимент змінювався, підхід на основі товарного фіда також скорочував обсяг повторюваної ручної роботи, необхідної для підтримки пошукового охоплення великого каталогу.

Крок 6. Адаптація пріоритетів товарів до змін попиту

Попит на товари змінюється з часом, тому початкова сегментація не могла залишатися статичною.

Команда тестувала переміщення товарів між групами вручну протягом чотирьох місяців, після чого встановила семиденний цикл переходу товарів між групами кампаній. Такий інтервал обрали, щоб зменшити ризик надто частого переналаштування алгоритмів кампаній.

У результаті сегментація перетворилася на постійний процес: товари можна було тестувати, переводити до більш пріоритетних груп після появи попиту та повертати до тестування, якщо ефективність змінювалася.

Результати

Кампанія тривала з квітня по грудень 2025 року та забезпечила зростання як загалом, так і серед товарних груп, які раніше демонстрували нижчу ефективність.

*при збільшенні витрат на рекламу всього на 26%

• +71% конверсій

За період кампанії кількість конверсій зросла на 71% паралельно з розширенням реклами на рівні окремих товарів і більш деталізованим охопленням у пошуку.

• +52% зростання частки онлайну в загальному доході компанії

Онлайн-канал збільшив свій внесок у загальний дохід компанії: його частка зросла на 52% протягом періоду кампанії.

Категорії з нижчою ефективністю стали новим джерелом зростання

Шість категорій, відібраних для проєкту, спочатку мали середній ROAS на 35% нижчий, ніж решта акаунта. Після впровадження нового підходу ці категорії принесли на 133% більше доходу при зростанні рекламних витрат лише на 26%, а ROAS збільшився на 85%.

Група Y/Z також продемонструвала потенціал товарів із низькою рекламною видимістю: вона згенерувала 81% доходу попереднього року, використавши лише 48% порівнюваного рекламного бюджету, а ROAS перевищив 2200%.

Для каталогу, який збільшився у 2,5 раза, ці результати показали цінність диференційованого підходу до товарів залежно від їхньої ефективності. Пріоритизація товарів, збагачені товарні дані та масштабоване охоплення в пошуку створили більш системний спосіб працювати з можливостями для зростання у великому асортименті.

Що це означає для великих e-commerce-каталогів

Зі зростанням асортименту однаковий підхід до кожного товару стає дедалі менш ефективним.

Деякі товари вже мають достатньо даних і попиту, щоб виправдати більші інвестиції. Іншим потрібне контрольоване тестування, перш ніж можна буде оцінити їхній потенціал. А для багатьох потрібне більш деталізоване охоплення в пошуку, ніж можуть забезпечити кампанії на рівні категорій.

Кейс Будинку Іграшок показує практичний спосіб поєднати ці завдання:

пріоритизувати товари на основі ефективності → змінювати групи відповідно до результатів → збагачувати товарні дані → використовувати ці дані для розширення охоплення в пошуку.

G-MOS може автоматизувати ключові частини цього процесу за допомогою сегментації товарів на основі даних про ефективність і створення пошукових кампаній із товарного фіда, допомагаючи e-commerce-командам керувати великими каталогами без пропорційного збільшення обсягу рутинної роботи з кампаніями.