Кейс: как селлер снизил ДРР с 25% до 12% за 3 месяца на Wildberries

Этот кейс — реальная история селлера из ниши постельного белья (средний ценовой сегмент, 1 800–2 500 ₽ за комплект). На старте работы с ним ДРР составлял 25%, рекламный бюджет съедал почти всю маржу, а масштабирование упиралось в неэффективные кампании.

Селлер вышел на Wildberries около двух лет назад. Ассортимент начинался с 5 SKU и со временем вырос до 24, выручка стабилизировалась на уровне 1,5 млн ₽ в месяц. Но при этом росла только «стоимость привлечения» — каждый новый запуск рекламы давал прирост заказов, но пропорционально увеличивал расходы. ДРР полз вверх: с 15% на старте до 25% на момент обращения. Казалось, что чем больше вкладываешь в рекламу, тем меньше остаётся в кармане.

При марже 30% такой ДРР означал, что чистая прибыль после рекламы составляла всего 5% от выручки, или ~75 000 ₽ в месяц. Дальше терпеть такую ситуацию было невозможно: любой сбой — сезонное падение спроса, рост логистических тарифов, повышение комиссии Wildberries — уводил бизнес в минус. Селлер пробовал отключать рекламу целиком, но тогда падали продажи и позиции в органической выдаче. Нужен был не «откат назад», а системное решение.

За 3 месяцев совместной работы мы снизили ДРР до 12%, увеличили выручку на 20% и сэкономили селлеру ~159 000 ₽ в месяц. Вот как это выглядело по шагам.

Исходные данные

На первый взгляд — обычный селлер с «работающей» рекламой. Продажи есть, реклама идёт, бизнес не в минусе. Но при детальном анализе вскрылись системные проблемы, из-за которых половина бюджета тратилась впустую. Селлер интуитивно чувствовал, что платит больше, чем должен, но не понимал, где именно теряет деньги и что менять в первую очередь.

Проблема: почему ДРР был высоким

Причина 1: неструктурированные кампании

Все 6 рекламных кампаний были собраны по одному шаблону. В одну кампанию добавляли все SKU подряд и 30–50 ключевых запросов без какой-либо группировки. Ставки — одинаковые для всех товаров. В результате дорогие SKU с высокой маржой (комплекты евро-размера, премиальные ткани) финансировали показы дешёвых позиций (отдельные простыни и наволочки), которые давали много кликов, но мало заказов. Селлер не видел этого, потому что смотрел только на общий ДРР по всем кампаниям, а не на разбивку по товарам.

Типичная картина: по запросу «постельное бельё» показывались все 24 SKU одновременно, включая позиции по 800 ₽ с маржой 15% и премиум-комплекты по 3 500 ₽. Первые давали много кликов за счёт низкой цены, но конверсия в заказ у них была ниже, а ДРР — выше. Рекламный бюджет таял на нерелевантных для покупателя показах.

Причина 2: слабые минус-слова

Минус-слова либо отсутствовали, либо были собраны хаотично. По факту реклама показывалась по запросам вроде:

• «дешёвое постельное бельё» (цена 800–1 000 ₽ — не наш сегмент, такие покупатели не конвертируются в заказ);
• «постельное бельё оптом» (B2B-запрос, разовая покупка с долгим циклом принятия решения и высокой вероятностью возврата);
• «простыни на резинке» (отдельный тип товара, которого не было в ассортименте, — клик впустую);
• «детское постельное бельё» (товар есть, но цена и позиционирование отличаются от основного ассортимента);
• «постельное бельё с рисунком» — слишком широкая группа, внутри которой терялся конкретный товар.

Пока селлер не убрал такие запросы, примерно каждый четвёртый клик уходил на человека, который заведомо не купит наш товар.

Причина 3: неоптимальные ставки

Селлер использовал фиксированные ставки: для всех ключей — единая стоимость клика. При этом часть запросов стабильно конвертировала (ДРР 10–12%), а часть давала только расход без заказов. Деньги с эффективных запросов субсидировали неэффективные. Если бы ставки управлялись по ДРР, селлер мог бы на те же деньги получать в 1,5–2 раза больше заказов.

Дополнительно выяснилось, что ставки не корректировались под время суток и дни недели. В выходные конверсия была на 20% выше, но ставки стояли те же. В ночное время реклама работала с той же интенсивностью, хотя заказов в этот период было на 60% меньше.

Шаг 1: Аудит текущих кампаний

Первым делом мы выгрузили данные по каждой рекламной кампании за последние 30 дней и разбили по запросам и SKU. Использовали штатную аналитику Wildberries и сводные таблицы — без внешних сервисов, только внимательный разбор цифр.

Ключевая находка: 40% рекламного бюджета уходило на запросы, которые ни разу не привели к заказу за месяц. Это 150 000 ₽ в месяц чистых потерь. Причём проблема была не в том, что товар плохой — просто реклама показывалась не той аудитории.

Также выяснили, что 3 SKU из 24 «съедали» 35% рекламного бюджета, но давали только 8% выручки. Это были позиции с низкой маржинальностью — их следовало либо вывести из активной рекламы, либо пересмотреть ценообразование. Один из этих SKU (комплект из бязи начального уровня) имел ДРР 38% — мы его сразу приостановили и порекомендовали селлеру либо поднять цену, либо уйти из этой ценовой категории.

Шаг 2: Чистка семантики и минус-слова

На основе аудита мы собрали аккуратную минус-словную базу и перераспределили ключевые запросы. Главный принцип: оставить в рекламе только те запросы, по которым покупатель осознанно ищет товар нашего ценового сегмента.

Что исключили из рекламы

• Дешёвые запросы — всё, где есть слова «дешёвый», «бюджетный», «эконом», «дешево», «до 1000», «недорогой», «распродажа», «скидка», «акция». Покупатели с таким запросом ищут товар до 1 000 ₽ — наш средний чек 2 100 ₽, конверсия по этим запросам была ниже 1%.
• B2B-запросы — «оптом», «для гостиниц», «для отелей», «гостиница», «база отдыха», «хостел», «sale», «hoReCa». Это корпоративные закупки с единичными заказами — для масс-маркета они неэффективны.
• Не наш тип товара — «простыни на резинке», «пододеяльник 1.5», «наволочки 50х70», «евро-простыня», «пододеяльник-трансформер» — эти позиции либо были в ассортименте с другой ценой, либо требовали отдельного подхода.
• Брендовые триггеры — если в запросе есть название бренда (Ivanovo Textile, «Монолит», «Василиса»), которого нет у нас.
• Географические запросы — «постельное бельё Москва», «доставка СПб» — для Wildberries неактуально, но такие запросы встречались и расходовали бюджет.
• Общие запросы без интента — «постельное бельё фото», «как выбрать постельное бельё», «какой размер постельного белья» — информационные запросы без намерения покупки.

Всего исключили 47 запросов — 26% от общего объёма. Это сразу дало экономию ~40 000 ₽ в неделю.

Кластеризация запросов

Оставшиеся 140 запросов разбили на смысловые кластеры по типу ткани, размеру и назначению. Каждый кластер получил свой уровень ставок и бюджет:

Кластеризация позволила не просто отсечь мусор, а увидеть структуру спроса. Например, запросы «постельное бельё сатин» давали вдвое лучший ДРР, чем «постельное бельё поплин», хотя товары были сопоставимы по цене. Причина — разная аудитория: сатин покупают более платёжеспособные клиенты, которые меньше чувствительны к цене.

Шаг 3: Настройка ставок по конверсии

Вместо фиксированных ставок внедрили управление по ДРР. Принцип: для каждого кластера определили целевой ДРР и выставили ставки, которые этот ДРР обеспечивают. Раз в 3–5 дней корректировали ставки на основе свежих данных по конверсии.

• Для конверсионных кластеров (ДРР 8–14%) — ставки держали на уровне, достаточном для топ-5 позиций. Это основные драйверы продаж. Здесь важно было не экономить, а удерживать охват. Потери на этих запросах обошлись бы дороже, чем небольшое повышение ставки.
• Для средних кластеров (ДРР 14–20%) — снизили ставки на 15–20%, оставив в топ-10. С них брали дополнительный объём без переплаты. Если кластер «съезжал» — не повышали ставку, а проверяли карточку и цену.
• Для дорогих кластеров (ДРР 20–35%) — либо отключали, либо оставляли с минимальными ставками для сбора данных. Исключение — запросы категории «в подарок»: по ним ДРР выше, но чек тоже выше (комплекты по 2 500–3 000 ₽), повторная покупка случалась чаще, а возвратов было меньше. Здесь высокий ДРР был оправдан пожизненной ценностью клиента.

Дополнительно настроили корректировку ставок по времени и дням недели. Конверсия на Wildberries неравномерна в течение суток, и это нужно учитывать:

Такая корректировка позволила перераспределить бюджет на самые конверсионные часы. Днём ставки снижали — и часть бюджета переносилась на вечер, когда люди активнее покупают. При этом общий дневной бюджет не вырос — просто траты стали эффективнее.

Шаг 4: Разделение рекламных кампаний

Вместо 6 «каш» сделали 14 целевых кампаний по принципу горячие / тёплые / холодные запросы. Это ключевое изменение, которое дало прозрачность: теперь по каждой кампании было видно, сколько она тратит и сколько приносит.

Каждую кампанию привязали к конкретным SKU: для дорогих комплектов из сатина — свои кампании, для бюджетных позиций (бязь, отдельные простыни) — отдельные, с умеренными ставками. Смешивание SKU разных ценовых категорий в одной кампании — одна из самых частых ошибок селлеров, и её исправление дало быстрый прирост эффективности.

Также мы ввели правило: не более 5–7 ключевых запросов на кампанию, строго по тематике. Если запрос не подходит к тематике кампании — он идёт в другую кампанию или в минус-слова.

Результаты через 1 месяц

Уже через месяц ДРР снизился на 7 процентных пунктов, а экономия составила почти 100 000 ₽. Выручка не упала, а немного выросла — за счёт того, что бюджет перераспределили на эффективные запросы. Самый заметный эффект дали минус-слова и отключение неэффективных SKU: 40% экономии бюджета без потери выручки.

На этом этапе селлер увидел первые результаты и поверил в системный подход. Самое сложное в такой работе — убедить селлера, что снижение ставок и сокращение бюджета не убьют продажи, а наоборот — сделают их более рентабельными.

Результаты через 3 месяца

К концу третьего месяца система полностью отстроилась, и мы вышли на плато. Дальнейшее снижение ДРР потребовало бы работы с карточкой товара, ценой и ассортиментом — это уже следующий этап.

Итог: выручка выросла на 20%, рекламный бюджет сократился на 42%, ДРР снизился более чем в 2 раза. Экономия за 3 месяца — ~380 000 ₽. Чистая прибыль выросла в 4 раза — с 75 000 ₽ до 324 000 ₽ в месяц.

Важный нюанс: выручка росла не только за счёт рекламы — когда мы перестали тратить бюджет на нерелевантные запросы, органические позиции по конверсионным ключам тоже подросли. Алгоритм Wildberries увидел, что товар покупают по целевым запросам, и стал чаще показывать его в органической выдаче. Доля органических продаж выросла с 55% до 68%.

Выводы

Системный подход окупается

Этот кейс — классический пример того, как хаотичное управление рекламой «съедает» маржу. 60% результата дала чисто организационная работа: разделение кампаний, минус-слова, кластеризация запросов. Никаких «секретных» инструментов — только аккуратность и анализ, доступные любому селлеру с доступом в рекламный кабинет Wildberries и базовым пониманием Excel или Google Sheets.

Оставшиеся 40% результата — это дисциплина: регулярный мониторинг, корректировка ставок, отключение неэффективных запросов. Без этой рутины даже идеально настроенные кампании за 2–3 недели «расползаются» обратно.

Что сработало лучше всего

1. Минус-слова — убрали 40% нецелевого расхода на старте. Самый быстрый и дешёвый способ снизить ДРР. Многие селлеры пренебрегают минус-словами, считая это мелочью, — и переплачивают десятки тысяч рублей в месяц.
2. Группировка кампаний — горячие запросы перестали субсидировать холодные. Каждая кампания работала в своей зоне ответственности. Прозрачность метрик позволила принимать решения на основе данных, а не интуиции.
3. Ставки по ДРР — вместо «ставка на глаз» управляли ставками по факту конверсии. Это дало плавное снижение без потери объёмов. Главный принцип: не бороться за топ-1 по каждому запросу, а находить оптимальную позицию, где цена клика соответствует конверсии.
4. Корректировка по времени — перераспределение бюджета на вечерние часы дало +15% к конверсии без увеличения бюджета. Простой, но эффективный приём.

Роль автоматизации

Ручное управление ставками — трудозатратно. На поддержание 14 кампаний с ежедневной корректировкой уходило ~1 час в день. Это приемлемо для трёх месяцев настройки, но в долгосрочной перспективе — нерационально.

Логичным продолжением стало внедрение автобиддера — инструмента, который автоматически управляет ставками на Wildberries в зависимости от заданного целевого ДРР. MP Manager как раз предоставляет такой функционал: вы задаёте целевой ДРР (например, 12–15%), и система сама корректирует ставки под каждый ключевой запрос. После внедрения автобиддера селлеру оставалось только контролировать общие показатели раз в неделю.

Автобиддер особенно полезен в периоды высокой конкуренции (сезонные распродажи, Чёрная пятница, предновогодний ажиотаж), когда ставки скачут каждый день. Ручное управление в таких условиях просто не успевает за рынком.

Заключение

Снижение ДРР с 25% до 12% — не «чудо-кейс», а закономерный результат системной работы с рекламой. Каждый шаг давал измеримый эффект:

1. Аудит выявил 40% нецелевых трат — 150 000 ₽ в месяц уходило на запросы без единого заказа.
2. Минус-слова и кластеризация убрали семантический мусор и структурировали запросы по конверсии.
3. Группировка кампаний перераспределила бюджет между горячими, тёплыми и холодными запросами.
4. Управление ставками по ДРР с корректировкой по времени суток закрепило результат.
5. Автобиддер MP Manager автоматизировал поддержание целевого ДРР в долгосрочной перспективе.

Ключевой вывод: ДРР снижается не магией, а структурой. Если ваш ДРР на Wildberries превышает 18–20% — скорее всего, проблема не в товаре и не в конкуренции, а в том, как настроены кампании. Начните с аудита: выгрузите данные по запросам за 30 дней, найдите «чёрные дыры» бюджета и последовательно их закройте. Первые результаты появятся уже через 2–3 недели.

Хотите попробовать автоматическое управление ставками? В MP Manager есть бесплатный тестовый период — настройте целевой ДРР и следите, как система оптимизирует рекламу в реальном времени, без ежедневной ручной работы.