

АНТИШКОЛА — школа английского языка с несколькими направлениями обучения: онлайн-формат, офлайн-направления и детские курсы. Проект развивался в течение длительного времени, поэтому ключевая задача заключалась не только в запуске отдельных кампаний, а в построении системы, которая позволяет постоянно находить новые источники трафика, улучшать результаты действующих каналов и масштабировать то, что работает стабильно.
Масштабировать объем лидов без потери качества. Улучшать результативность действующих каналов, постоянно искать новые источники трафика, платформы и связки, а также строить систему, в которой каждый подтвержденный канал можно доводить до предела масштабирования при стабильной экономике.




На первом этапе основной фокус был на Meta Ads. В тот период лучше всего работали именно look-alike аудитории, поэтому большое внимание уделялось качеству исходных аудиторий, сегментации и постоянному тестированию видеокреативов.
Именно системное тестирование креативов позволило найти правильный формат видео, который хорошо работал в связке с look-alike аудиториями и давал лучшие результаты.
Со временем фокус расширился на Google Ads. Были протестированы поисковые кампании для офлайн-направлений, детских курсов и онлайн-курсов.
Отдельно тестировались разные подходы в поиске:
Поиск оставался стабильным источником горячего спроса, но главный прорыв дал именно YouTube.
В процессе тестирования Google-рекламы именно YouTube Ads начал показывать наиболее перспективные результаты. Благодаря большому количеству тестов удалось найти рабочие связки по аудиториям, интересам, целевым площадкам, типам конверсий, креативам и посадочным страницам.
В итоге YouTube-реклама начала давать лучшие результаты, чем Facebook, и позволила значительно увеличить как объем лидов, так и общую результативность системы.
Когда Meta, Search и YouTube уже стабильно работали, следующим этапом стало тестирование TikTok Ads. На тот момент платформа еще была новой и недостаточно изученной на рынке, поэтому большинство подходов приходилось проверять самостоятельно.
Через системное тестирование удалось найти правильное соотношение ставки, стоимости конверсии и пути пользователя на посадочных страницах. Это позволило подключить еще один канал роста и усилить общую систему привлечения лидов.
Последним важным этапом стали кампании Performance Max. Они помогли улучшить общий ROAS за счет оптимизации сразу через несколько форматов Google, среди которых КМС, Demand Gen, видеосети и другие инструменты экосистемы.
Ключевая стратегия была двухслойной.
Первая задача — максимально улучшать и масштабировать все, что уже работает, при стабильной экономике.
Вторая, не менее важная задача — постоянно искать новые источники трафика, платформы, форматы и рабочие связки, которые могут дать проекту следующий уровень роста.
Именно это позволяло не зависеть от одного источника трафика и постоянно находить новые точки масштабирования.
В итоговой оценке учитывались результаты из основных источников трафика: Meta Ads, Google Search, YouTube Ads, TikTok Ads и Performance Max.
Главный результат этого кейса — не один «волшебный» канал, а построение системы, в которой каждый новый рабочий инструмент усиливал общую performance-модель, увеличивал объем лидов и позволял управлять экономикой по каждому источнику отдельно.
В этом кейсе рост произошел не через один инструмент, а через постоянный цикл: найти рабочую связку → стабилизировать результат → масштабировать → искать новый канал роста.
Именно системное тестирование Meta, Google Search, YouTube, TikTok и Performance Max позволило построить более устойчивую и масштабируемую систему привлечения клиентов для АНТИШКОЛЫ.
Сильная работа с look-alike аудиториями в Meta Ads на этапе активного роста канала.
Постоянное тестирование видеокреативов — именно оно помогло найти форматы, которые работали лучше всего.
YouTube Ads как отдельный драйвер масштабирования — канал дал более высокую результативность, чем Facebook.
Системный поиск новых источников трафика: Search, YouTube, TikTok и Performance Max не заменяли друг друга, а усиливали систему.
Стратегия «оптимизировать то, что уже работает, и параллельно искать новые связки» дала стабильное масштабирование без потери качества.

