Как мы привлекли более 17 000 кандидатов на работу в крупнейшую торговую сеть

2 этап включал в себя перезапуск кампаний на конверсионные типы реклам, работу с базой данных и оптимизацию рекламных кампаний, для улучшения эффективности объявлений

Подбор и подготовка каналов для запуска рекламы.

Перед стартом всех работ, мы определили рекламные каналы, по которым планировали привлекать людей на работу в Magnum. Провели оценку бюджета на выбранные каналы и составили примерный прогноз в количестве заявок и их цене.

Мы выбрали две рекламные площадки – Google и Facebook.

Google Ads:

В Google мы выбрали контекстно-медийную сеть, которая, по нашей оценке, имела определённый уровень спроса и должна была занимать 30% от общего количества заявок из нашего KPI.

КМС – это один из дешёвых способов привлечь внимание нужных вам людей. По нашей задумке, она должна была привлекать огромное количество людей, по низкой цене за показ. Основная часть работы здесь занимает составление семантического ядра, который и исходит из оценки спроса и многих других факторов.

Facebook Ads:

На Facebook Ads мы планировали запускать рекламную кампанию в два этапа. Первый этап – это рекламная кампания с целью “Трафик”, а второй – перетекание цели “Трафик” в рекламную кампанию с целью “Конверсия”. В первом случае, нашей задачей являлось в короткие сроки нагнать трафика на сайт, чтобы установленные нами Пиксель и системы аналитики получили достаточно данных, чтобы обучиться отслеживать нужных нам людей. А во втором случае, нашей задачей стояло оптимизировать нашу кампанию, о чем мы поговорим подробнее ниже.

В итоге, мы подготовили рекомендации по минимальному бюджету на каждую площадку, который отвечал требованиям реализованной нами стратегии и исходил из данных по анализу спроса.

Последними шагами в реализации этой задачи были:

• Создание пикселя Facebook, для отслеживания действий с рекламы, и добавление скрипта на сайт.
• Подтверждение домена на Facebook для дальнейшего запуска рекламы с типом “Конверсия”.
• Создание событий, которые записывают ценные для нас действия пользователями и используются для оптимизации рекламных кампаний.
• Создание аккаунта в Google Analytics и Яндекс.Метрике для подключения веб-аналитики.
• Создание событий на этих платформах для глобального отслеживания действий посетителей сайта.

Поиск аудиторий, соответствующих запросам HR отдела.

Для запуска нашей рекламной кампании мы подготовили 3 варианта аудиторий:

• По демографическим параметрам. Эта аудитория формировалась исходя из возраста, пола, локации и не включала в себя детальных интересов и поведения.
• По профессиям. Здесь аудитория формировалась исходя из интересов определённой профессии, в которой нуждались Magnum.
• По поведению. Включали в себя поведенческие таргетинги и узконаправленные интересы, такие как “поиск работы”, “биржа труда”, “собеседование” и т.д.

После сбора этих групп аудиторий, мы проверили их на пересечения между друг другом.

Такую работу мы проделываем для того, чтобы не конкурировать на рекламном аукционе между собственными объявлениями и, тем самым, не повышать дневную ставку на показ рекламы. Важно не превышать пересечение до 20%, по рекомендации самого Facebook.

 Работа над посылами для привлечения людей на работу.

Нам был предоставлен список вакансий, которых необходимо было привлекать: грузчики, продавцы, кассиры, повара и кухонные работники. Так как на рекламной площадке Facebook есть прописанные правила, которые ограничивают показ рекламы для найма на работу, мы очень деликатно подходили к созданию посыла. В итоге разработали 4 вида креативов, исходя из созданных аудиторий и посылов для коммуникаций:

• Аудиториям первого типа – по демографическим параметрам – мы разработали общие посылы, в 2 видах – векторные изображения и растровые. Каждый из которых мы адаптировали под 2 языка и 2 рекламные площадки. Итого: 49 креатива.
• Аудиториям второго типа – по профессиям – были изготовлены посылы с названием конкретных профессий. Каждый посыл был адаптирован под 5 профессий, 2 языка и 2 рекламные площадки. Итого: 86 креативов.
• Аудиториям третьего типа – по поведению – мы выделили 1 посыл, связанный с преимуществами работы в Magnum. Посыл также был адаптирован под 2 языка и 2 рекламные площадки. Итого: 26 креативов.

Всего было создано 161 креативов, которые входили в состав рекламных кампаний в Google Ads и Facebook Ads.

Правильный запуск рекламных кампаний на выбранных площадках и их оптимизация.
Google Ads:

Изучив статистику запросов в Google и Яндекс, по теме поиска работы, мы составили семантическое ядро, отсортировав его по частотности и конкуренции, чтобы не бороться за кандидата в поисковой выдачи с такими гигантами, как “hh.uz”, “Rabota.uz” и другими. Хоть мы и запускали в Google тип рекламы КМС, но семантическое ядро являлось для нас дополнительным фильтром и способом охватить нужных нам людей.

Для показа релевантных объявлений, мы создали более 10 адаптивных заголовков и 8 описаний, которые ранжировались относительно эффективности. Загрузили около 100 креативов, отображающих айдентику компании Magnum, чтобы повысить доверие и желание подать заявку. Добавили расширения и уточнения, для повышения эффективности наших объявлений, которые тезисно рассказывали о преимуществах работы в Magnum.

Запуск рекламной кампании КМС в Google включал в себя и подбор ранее выделенных аудиторий, которые были распределены по группам объявлений и на которые были выделены соответствующие креативы.

На втором этапе нашей стратегии, мы оптимизировали Контекстно-медийную рекламу с помощью Google Analytics и специально написанного скрипта:

• В Google Analytics были созданы события, которые, со временем, накопили достаточно данных для оптимизации. Мы связали аккаунты Google Analytics и Google Ads, чтобы передать эти события рекламной площадке, тем самым смогли оптимизировать наши объявления на поиск тех людей, которые действуют в соответствии с выбранным событием. Плюсом было и то, что теперь нам было понятно, с какого объявления и какой человек пришёл к нам на сайт, оставил ли он заявку и сколько нам это стоило.
• Скрипт же позволял нам автоматически чистить неэффективные площадки, на которых размещалась наша реклама от Контекстно-медийной сети Google. В скрипт были добавлены списки нежелательных площадок, таких как игровые приложения, приложения для детей и прочее.

Facebook Ads:

Запуск на площадке Facebook осуществлялся в два этапа, в соответствии с описанной ранее стратегией. Первый этап подразумевал запуск рекламной цели “Трафик”. Причина, по которой мы запускали “Трафик”, следующая:

Когда на вашем сайте за последние 90 дней не было никакого трафика или определённых действий, этот сайт считывается рекламными площадками и системами аналитики, как “мёртвый”. Из-за чего машинное обучение, которое позволяет оптимизировать рекламные кампании, происходит намного дольше и дороже. В связи с этим, у нас выработалась определённая методика, по которой мы сначала “разгоняем” сайт, а затем планомерно включаем конверсионные цели.

Ко всему прочему, Трафик позволял нам дёшево и быстро проверить, а какие рекламные посылы, аудитории и креативы лучше работают. То есть, мы одновременно с оптимизацией сайта, проводили A/B тестирование.

Ко второму этапу мы уже подходили вооружёнными всеми возможными методами:

• Настроили рекламную кампанию с целью “Конверсия” на настроенные ранее события, для получения лучшего результата и качественных заявок.
• Оптимизировали наши группы объявления, отключив нерабочие и перераспределив бюджеты.
• Определили посылы и креативы, отфильтровали их на те, которые стоит масштабировать, и те, которые стоит отключать. Тем самым провели ещё одну оптимизацию.

Мы протестировали 2 канала, как уже упомяналось выше. Выводы по тестам: С Facebook привели около 97% всех заявок. Ставка на Google не оправдалась, поэтому мы решили выключить Google на 2-ом месяце работы.

Сортировка кандидатов по разным группам с помощью сайта.

Данную функцию мы реализовали ещё на этапе создания сайта. Она позволяла человеку выбрать одну из доступных ему вакансий и оставить заявку. Основной проблемой для рекрутера было то, что он тратил определённое время на каждого человека, оставившего заявку, и когда попадались кандидаты, которые совсем не подходили Magnum, рекрутер тратил на него время впустую.

Мы предприняли решение, которое помогало и отделу HR, и нам, в сортировке соискателей и в работе с рекламными кампаниями:

• Для рекрутеров добавили фильтр, который позволял выбрать статус соискателя.
• Из этих фильтров нам становилось понятно, какие люди нам не подходят. Мы группировали этих людей в отдельную таблицу, откуда загружали данные об этих людях в Пиксель Facebook, чтобы исключить таких же людей от показа рекламы. Таким образом мы обучали наш алгоритм рекламы находить тех людей, которые нам нужны.
• Данные статусы помогли нам в формировании визуализированных данных, которые решали задачи HR отдела Magnum.

Далее речь пойдет как раз о финальной задаче – работе с данными.

Формирование визуального отчёта в Power BI.

У отдела HR сформировалось требование выводить статистику по рекрутингу и кандидатам в отчёты, которые будут показывать полноценную картину всей работы. Но отчёты в таблицах были сложны в чтении и их интерпретации.

Нашей инициативой была предложена правильно структуризация данных и сбор их в визуализированный отчёт, цифры которого складывались бы в понятные для сотрудников дашборды. С чем мы успешно справились:

• Дашборды собрали через Power BI, функционал которого помогает структурировать большие данные и затем визуализировать их в понятные графики.
• Мы связали через коннекторы наш проект Power BI и Google Таблицу, в которой хранились постоянно пополняемые данные с нашего сайта. Таким образом мы решили проблему актуальности данных.

На скриншоте выше представлен первый лист нашего дашборда, который отображал статистику по респондентам/кандидатам, по часто запрашиваемым вакансиям, количеству заявок, демографическим данным кандидатов и т.д. Этот дашборд был изготовлен специально для HR отдела и постоянно обновлялся, подгружая актуальную информацию через коннекторы.

На втором скриншоте вы можете наблюдать за интерактивным дашбордом, который предоставлял свежую информацию об используемых рекламных каналах и об успешности тех или иных креативов. Метрики предоставляли нам данные, на основе которых мы принимали различные решения:

• Какая из аудиторий лучше отрабатывает;
• Какой посыл лучше работает;
• Какой канал даёт больше лидов;
• Какой процент в квалифицированности лида даёт тот или иной канал;
• Какова была конверсия на нашем сайте;
• Какой был CTR у каждого объявления или у аудитории;
• Какая цена за заявку была у каждого объявления;
• Сколько затрат было на каждую кампанию.

И ещё множество других данных, которые можно вытаскивать аналитическими действиями.

В Аналитике, такой этап называют Диагностическим: когда, из собранных ранее данных, мы отвечаем для себя на вопрос “А что случилось?”. Таким образом мы можем понять, почему произошли те или иные события, приведшие нас к этим показателям. Именно так и работает “Маркетинг на основе данных”!