Як знайти підхід до алгоритмів і збільшити кількість лідів у 3,4 рази: кейс для UDRIVE

Купівля нового автомобіля — рішення не спонтанне. Людина може місяцями порівнювати моделі, читати огляди, повертатися до тієї самої сторінки знову й знову. Український сервіс UDRIVE побудував платформу саме під цей процес: зручний маркетплейс, де можна вибрати авто, порівняти комплектації та оформити покупку офіційно та прозоро.

Коли команда UDRIVE звернулась до Promodo, реклама вже працювала — але не так, як хотілось би. Ліди були, проте їх кількість не відповідала амбіціям бізнесу. Потрібно було масштабуватись, а алгоритми впирались у стелю.

В чому виклик?

Автомобільна ніша в digital — одна з найбільш перегрітих і як наслідок найдорожчих. За даними Google Ads Benchmarks 2025, середній CPL у цій категорії перевищує $70, вартість кліку зросла на 13% за рік, а клікабельність оголошень, навпаки, впала. Тобто платити доводиться більше — за менший результат.

У такому середовищі неправильно налаштована кампанія «з'їдає» бюджет швидко й непомітно. Натомість правильно налаштована — може стати серйозною конкурентною перевагою. Саме це ми й прагнули побудувати для UDRIVE.

Алгоритми без даних

Розпочали зі структурування кампаній у Google Ads та Meta Ads під повний цикл воронки. Найбільші очікування покладали на Google Search — логічно, адже людина, яка шукає «купити Toyota Camry Київ», вже знає, чого хоче.

Але одразу зіткнулися з реальністю: лідів було занадто мало для того, щоб алгоритм міг нормально навчатися. Кампанії постійно «перезапускали» цикл навчання, стабільності не було, як і масштабування.

Рішення знайшли в мікроконверсіях. UDRIVE — не класичний інтернет-магазин, і «додати до кошика» тут означає зберегти авто в обране. Ця дія відбувається в рази частіше, ніж фінальна заявка на тест-драйв чи покупку. Тому ми підключили її як додатковий сигнал для алгоритму — і за 30 днів кампанії стабілізувалися. Ту саму механіку перенесли в Meta Ads.

Search VS PMax

Коли накопичилось достатньо статистики, картина виявилась несподіваною: реальними драйверами конверсій були не пошукові кампанії, на які ми розраховували, а Performance Max.

Ми вирішили не сперечатись з даними — і почали масштабувати те, що спрацювало. Ключові рішення, які дали результат:

• Структура за марками. Окремі групи об'єктів для кожного автобренду — зі своїми сигналами, аудиторіями та ремаркетингом.
• Живі фото замість студійних. Реальні знімки з автосалонів виявились ефективнішими за ідеальні рекламні картинки. Вони краще передають реальну наявність авто та викликають більше довіри — особливо на тлі засилля АІ-контенту.

• Широкі PMax-кампанії для тих, хто ще не визначився з маркою, але вже думає про покупку нового авто.

Пастка алгоритмів

Під час масштабування PMax зіткнулися з класичною проблемою: алгоритм почав активно нарощувати мікроконверсії (збереження в обране), але кількість реальних заявок не зростала пропорційно. Система просто знайшла найдешевший спосіб «виконати план» — і оптимізувалася під нього.

Щоб виправити це, ми впровадили стратегію Максимальна цінність із присвоєнням статичної цінності мікроконверсії. Логіка проста: якщо середній лід коштує 1000 грн, а з 10 збережень у обране лише 2 перетворюються на заявку — реальна цінність одного збереження становить 200 грн. Саме це значення ми й передали алгоритму.

Тепер він мав і достатньо сигналів для навчання, і чіткий пріоритет: не мікроконверсії, а реальні ліди.

Що в результаті?

За 4 місяці кількість цільових лідів зросла в 3,4 раза при одночасному зниженні вартості залучення. Аналогічну динаміку вдалось відтворити й у Meta Ads — системний підхід до аналітики й оптимізації спрацював одразу на двох платформах.

Кейс UDRIVE підтверджує: точне налаштування кампаній на основі даних дозволяє не просто скоротити витрати, а кардинально змінити якість трафіку. Коли бізнес отримує не просто кліки, а реальних потенційних клієнтів — це і є справжній результат роботи з рекламою.