Вопросы на собеседовании Performance-маркетолога

Пример сильного ответа

CAC — это стоимость привлечения одного клиента: весь бюджет канала делю на число новых покупателей за период. LTV — сколько прибыли клиент приносит за всё время работы с нами; считаю по когортам, а не по среднему чеку, иначе цифра обманчива. ROMI — возврат на маркетинговые инвестиции, то есть отношение прибыли к затратам. Связь прямая: если LTV заметно выше CAC, экономика сходится и ROMI положительный, а если наоборот — масштабировать нельзя. В моей практике на одном проекте CAC снизился на восемнадцать процентов после перераспределения бюджета, а LTV по когорте вырос на четверть — и ROMI канала вышел в плюс. Поэтому смотрю на эти метрики только вместе.

• Даёт определения через свои действия, а не заученные формулы
• Показывает связь метрик и вывод для масштабирования
• Есть конкретные проценты собственного результата

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Допустимый CPL вывожу от экономики, а не от среднего по рынку: беру доход с клиента, конверсию из лида в сделку и целевую маржу — получается потолок, выше которого лид приносит убыток. Дальше проверяю, реально ли уложиться в этот потолок: смотрю аукцион, ставки конкурентов и результаты первых тестов. На последнем проекте целевой CPL для одного направления держали с запасом десять процентов к потолку, и это оставляло место для манёвра. Если фактический CPL выше, сначала чищу воронку, оффер и креативы, и только потом обсуждаю повышение ставок.

• Логика расчёта идёт от юнит-экономики, а не от рынка
• Есть конкретный запас к целевому показателю
• Показан порядок действий при отклонении от плана

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Медиаплан строю от цели и воронки: сначала считаю, сколько сделок нужно бизнесу, потом — сколько лидов и кликов при исторических конверсиях. Прогноз делаю по фактическим CPC и CR прошлых периодов, а не по обещаниям площадок, и закладываю запас на обучение алгоритмов. В плане фиксирую каналы, бюджеты, ожидаемый CPL и точки контроля. На одном запуске прогноз по лидам сошёлся с фактом в пределах восьми процентов, потому что заранее заложили просадку конверсии в первые две недели. Дальше каждую неделю сверяю факт с планом и корректирую ставки.

• Прогноз строится на своих данных, а не на обещаниях площадок
• Названа точность прогноза в процентах
• Есть понятный ритм контроля и корректировки

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Бюджет делю так: основная часть идёт в каналы с доказанной экономикой, меньшая — в тесты новых связок и аудиторий. Переключаю деньги, когда канал две недели подряд выходит за границы по CPL или ROMI, либо когда упёрлись в потолок объёма и рост бюджета даёт только удорожание лида. Тогда срезаю долю на десять-двадцать процентов и отдаю туда, где есть запас по охвату. На практике такое перераспределение дважды за квартал дало снижение среднего CPL примерно на пятнадцать процентов без потери объёма заявок.

• Есть понятные триггеры для переключения бюджета
• Показан баланс между масштабированием и тестами
• Результат описан цифрами без потери объёма

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Работаю с Яндекс Директом, VK Ads, Telegram Ads и закупкой через партнёрские сети. Логика показа различается: Директ сильно опирается на поисковый спрос, поэтому там важны семантика, структура кампаний и корректно переданные конверсии, а автостратегии быстро подхватывают цель. VK Ads — про интерес и поведение: таргетинг по сообществам, интересам, похожим аудиториям, и результат сильнее зависит от креативов и частоты. Поэтому в Директе начинаю со структуры и целей, а в VK — с гипотез по аудиториям и визуалу. В одном проекте связка этих каналов дала падение стоимости заявки на двадцать процентов.

• Названы конкретные системы без лишних деталей
• Различие объяснено через логику спроса и интереса
• Есть пример совместного эффекта двух каналов

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

В Директе есть ручное управление ставками и автостратегии — на клики, на конверсии, на доход, с оплатой за конверсии. Логика выбора простая: ручное управление беру, когда данных мало, кампания новая, аудитория узкая или нужно вручную распределить бюджет по приоритетным запросам. Автостратегия — когда накоплена статистика, цель настроена корректно и набирается от нескольких десятков конверсий в месяц. На одном проекте переход с ручных ставок на оптимизацию по конверсиям при бюджете около миллиона рублей в месяц дал снижение стоимости заявки примерно на треть за два месяца. Перед запуском автостратегии всегда проверяю корректность целей и чистоту данных.

• Показано понимание инструментов и логики выбора
• Есть конкретный измеримый результат
• Видно внимание к качеству данных и целей

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Семантику собираю из нескольких источников: Wordstat, парсеры, подсказки поиска, отчёт по поисковым запросам в Метрике. Дальше кластеризация по интенту и посадочной странице, отсев нерелевантного и разбивка на группы. Минус-слова веду на уровне кампаний и групп: брендовые, информационные, бесплатные, вакансии, чужой бренд. Раз в неделю просматриваю отчёт по поисковым запросам и пополняю список. На одном проекте такой цикл помог снизить долю нецелевых кликов примерно на четверть и высвободить около 15% бюджета на рабочие запросы. Кросс-минусовку между группами тоже держу под контролем.

• Виден системный процесс, а не разовая чистка
• Названы источники и регулярность работы
• Есть цифра по экономии бюджета

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Начинаю с гипотез: разбираю боли и триггеры аудитории, формулирую три-четыре оффера и под каждый делаю несколько визуалов и текстов. Тестирую поэлементно, чтобы понимать, что именно сработало: отдельно заголовок, отдельно визуал. На тест даю небольшой бюджет и фиксированный срок, дальше смотрю CTR, CPM, стоимость конверсии и досматриваемость видео. Победителей масштабирую, слабые отключаю. На одном проекте после серии из 40 креативов CTR вырос примерно в полтора раза, а стоимость заявки снизилась почти на 20%. Креативы обновляю регулярно, чтобы не выгорали.

• Подход через гипотезы, а не перебор вариантов
• Названы метрики и конкретный рост CTR
• Упомянута работа с выгоранием креативов

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Сегментирую аудитории по глубине воронки и по действию: были на сайте без заявки, смотрели карточку, бросили корзину, оставили заявку, купили. Внутри делю по свежести визита и частоте, чтобы не показывать одно и то же месяцами. Покупателей исключаю из кампаний на привлечение или даю им отдельный оффер на повторную покупку. Каждому сегменту — свой креатив и посадочная. На одном проекте такая логика дала примерно вдвое более дешёвую заявку из сегмента брошенных корзин по сравнению с холодным трафиком. Слежу за размером сегмента и частотой показов.

• Сегментация по воронке — зрелый подход
• Есть сравнение эффективности сегментов
• Показано внимание к частоте и исключениям

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Look-alike — это аудитория, похожая по поведению и признакам на мой источник. Источником беру самое ценное: покупателей, повторные покупки, лиды с высоким чеком, реже — посетителей сайта. Чем чище источник, тем лучше результат, поэтому из базы заранее убираю мусор и случайные конверсии. Строю похожие сегменты на разном проценте охвата и тестирую их против интересов и широкого таргетинга. На одном проекте похожая аудитория по покупателям дала стоимость заявки примерно на 30% ниже, чем по холодной аудитории. Регулярно обновляю источник, иначе аудитория устаревает.

• Верно объяснена суть look-alike
• Акцент на качестве источника данных
• Есть пример снижения стоимости заявки

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

В Telegram смотрю не на охват, а на стоимость целевого действия и его качество. Для посевов делаю отдельную ссылку и промокод на каждый канал: так видно, откуда пришёл подписчик или лид, и можно сравнить площадки по CPV, стоимости подписчика и проценту отписок. Telegram Ads оцениваю по CPM, CTR и конверсии в бота или канал, а дальше считаю стоимость подписчика и окупаемость. В одном проекте ведение около пятнадцати каналов и трёх кампаний Telegram Ads: за два месяца стоимость подписчика снизилась примерно на треть, когда отключили площадки с дорогим подписчиком и слабым удержанием.

• Считает деньги, а не охваты
• Показывает конкретный инструмент разделения каналов
• Есть цифра результата и логика решения

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Начинаю с целей: что считаем конверсией — заявку, покупку, подписку. Все ключевые действия отправляю в систему аналитики и в рекламные кабинеты, чтобы оптимизация шла по нижней воронке, а не по клику. UTM-разметку делаю по единому шаблону: источник, канал, кампания, содержание — иначе отчёты не сходятся. Сквозную аналитику собираю через связку сайта, CRM и рекламных систем: вижу путь от клика до сделки и выручку по каналам. В одном проекте такая связка на четырёх источниках трафика дала понятную картину: получилось убрать около четверти бюджета с каналов без сделок и перераспределить его.

• Идёт от бизнес-цели, а не от инструмента
• Упоминает единый шаблон разметки
• Подтверждает эффект цифрой по бюджету

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Знаю основные модели: последний клик, первый клик, линейная, позиционная, с учётом давности и data-driven. Последний клик удобен и прост, но недооценивает верх воронки; линейная и позиционная честнее показывают вклад каналов, но сложнее в объяснении. В отчётности обычно опираюсь на две модели: последний клик как привычная для бизнеса метрика и data-driven или позиционную для решений по бюджету. Если расхождение большое, смотрю путь клиента целиком. В одном проекте переход на позиционную модель показал, что верх воронки в реальности давал около двадцати процентов сделок, и бюджеты сместились.

• Перечисляет модели и их ограничения
• Объясняет выбор двух моделей под задачу
• Есть пример влияния на бюджеты

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.

Пример сильного ответа

Сначала формулирую гипотезу и одну метрику, по которой принимаю решение: конверсия в заявку или стоимость лида. Дальше делю трафик случайным образом, меняю только один элемент — заголовок, оффер, кнопку или креатив, — и считаю, сколько нужно наблюдений, чтобы результат не был случайным. Тест держу до набора статистики, не останавливаю на первых удачных днях, смотрю не только среднее, но и разброс. В одном тесте лендинга смена оффера подняла конверсию с трёх до пяти процентов на сопоставимом трафике, и это дало около сорока дополнительных заявок за месяц.

• Одна гипотеза, одна метрика решения
• Учитывает объём выборки и разброс
• Есть измеримый результат теста

Возьмите структуру и подставьте свой опыт — заученный чужой ответ интервьюер слышит сразу.