ИИ в закупке медийной рекламы раскрывается только тогда, когда он видит ваши бизнес-сигналы. Расскажу, какие данные стоит отдавать в торги и как настроить контроль, чтобы снижать CPA без закупки мусора.
Я отношусь к ИИ в медиазакупке прагматично: он экономит деньги только тогда, когда знает, что для вас ценность. Если в торгах ИИ видит любые клики и любые заявки, он будет покупать дешёвый инвентарь и «легкие» конверсии. Если вы кормите его правильными сигналами — он начинает находить аудиторию, которая приносит деньги. Ниже собрала рабочий набор сигналов, правил и тестов, который по моим наблюдениям помогает снижать CPA и держать качество.
Сразу договоримся о терминах. DSP — это платформа закупки рекламы (инструмент, который покупает показы на разных площадках). RTB — аукцион в реальном времени (когда система за миллисекунды решает, стоит ли покупать конкретный показ этому человеку). Модель машинного обучения — алгоритм, который из ваших событий учится предсказывать, какой показ с большей вероятностью приведёт к нужному действию.
ИИ учится на ваших сигналах. Если передавать только «заявка отправлена», вы обучаете модель гнаться за количеством форм без учёта качества. Я рекомендую подключать несколько уровней ценности: конверсия в оплату, факт доставки или активации услуги, отказ/возврат, а также любые признаки качества лида — проверенный номер, пройденный скоринг, квалификация менеджером. Чем ближе сигнал к деньгам, тем полезнее он для оптимизации.
Хорошо работают числовые сигналы: ценность заказа, маржинальность категории, приоритетные SKU (товарные позиции), статус клиента (новый/возвратный), стадия воронки. Если маржа отличается по товарным группам, имеет смысл отдавать в торги эту разницу, чтобы ИИ учился покупать показы под те категории, которые выгоднее бизнесу.
Не забывайте о негативных сигналах. Отмены, фродовые лиды, возвраты и жалобы — такие же важные события для обучения. Модели быстрее перестают «качать» источники, где много мусора, когда видят эти метки. Плюс технические признаки: задержка между кликом и действием, глубина просмотра, повторные визиты. Эти маркеры помогают отрезать арбитраж и клик-фермы.
Правило конфиденциальности простое: передавайте агрегированные значения и хешированные идентификаторы. На стороне сервера можно маппить события к анонимным ID, а в торги отдавать только то, что нужно модели. Личные данные клиентов в аукцион не уезжают.
ИИ в DSP учится на том, что вы называете ценной конверсией. Если ценность не передать — модель вырастит вам дешёвые клики.
По моему опыту, самый стабильный способ — серверный постбек (сервер-к-сервер) из CRM (система учёта клиентов и сделок) или аналитики. Событие оплаты, отказа или возврата фиксируется в вашей системе, превращается в постбек и уходит в DSP с нужными атрибутами: тип события, ценность, категория, маржинальность, таймстемп, анонимный ID. Так вы избегаете потерь данных из-за блокировщиков и задержек в браузере.
Сделайте карту событий. Например: просмотр карточки, добавление в корзину, оплата, возврат, апсейл. Для услуг — заявка, квалификация, договор, оплата. Для B2B — лид, MQL (оценённый маркетингом), SQL (подтверждённый продажами), выигранная сделка. Модель может оптимизироваться на событийную комбинацию, а не только на одну метку «конверсия».
Продумайте окна атрибуции (правила, как вы приписываете конверсии источникам). Не все оплаты происходят в день клика. Если цикл сделки длинный, передавайте отложенные конверсии по мере наступления статусов. DSP это умеют, вопрос в дисциплине: дубли не допускать, статусы не перескакивать, в логике постбеков не путаться. Заведите понятные правила дедупликации, чтобы одно событие не считалось несколько раз разными системами.
Ещё один важный момент — нормализация ценности. Если одно событие стоит для бизнеса кратно дороже другого, передавайте этот вес. Тогда модель научится менять ставки в аукционе RTB под реальную экономику, а не под «среднюю температуру». В интерфейсе это выглядит как оптимизация под ценность, а не под количество.
ИИ прекрасно масштабирует то, что вы ему разрешили. Если инвентарь открыт полностью, он найдёт самый дешёвый способ бить по CPA — и туда стечётся фрод и низкое качество. Я задаю рамки на уровне площадок и показов до оптимизации модели: белые списки доменов и приложений, типы инвентаря, форматы, гео и временные окна. Это ограничивает риск и делает обучение осмысленным.
Добавьте префильтры: вьюабилити (какая доля показов реально видна), анти-бот проверки, ограничения частоты (frequency cap — максимум контактов на человека за период), кросс-девайс-объединение (склеиваем одного человека на разных устройствах), чтобы один пользователь не «клонировался» в отчётах. Эти правила не про красоту отчёта, они про экономию бюджета.
Креатив — ещё одна защита. Ротация нескольких концептов, выравнивание частоты по креативам, срез по плейсментам (места размещения/показа). Если один плейсмент везёт заявки, но потом растёт доля отмен, это видно в разрезе «площадка × постбек статуса» и лечится исключениями. Включите регулярный аудит площадок и авто-паузы источников при всплесках фрода или аномалиях по отложенным негативным событиям.
Ставьте контрольные максимумы: дневной и недельный бюджет, ставка-потолок для холодных сегментов, пороги качества лидов. Это предохранители, которые срабатывают до того, как ИИ разгонит закупку в ущерб марже.
Чтобы видеть реальную пользу, держите в каждом эксперименте контроль. Самый понятный способ — гео-сплит (делим регионы между тестом и контролем) или выделенная часть аудитории, которая не попадает под новые настройки. Тогда сравнение идёт по вашим бизнес-метрикам: CPA по оплате, доля возвратов, маржа. Данные из интерфейса DSP остаются дополнительной плоскостью анализа.
Чётко формулируйте цель оптимизации. Если цель — оплата, промежуточные события остаются сигналами, но не становятся KPI. Если цель — LTV (совокупная выручка от клиента за период), вам нужно передавать повторные покупки и апсейлы, иначе модель будет приводить разовые чеки. Цель и сигнал должны совпадать с экономикой продукта.
Стартуйте по этапам. Сначала узкий инвентарь и жёсткие рамки, модель собирает базовую статистику. Затем — расширение плейсментов и look-alike сегменты (похожие аудитории, найденные по паттернам лучших покупателей). После — подключение оптимизации под ценность. Такой ритм даёт предсказуемость: команда понимает, что происходит в каждой фазе, а бюджет не разъезжается.
И ещё про прозрачность. Договоритесь о доступах к логам постбеков и к разрезам по площадкам. Если агентство или площадка дают сводные отчёты без событийной детализации, вы теряете управляемость. В моих проектах мы фиксируем таблицу сигналов, карту исключений и регламент реакций на аномалии — это снимает споры и ускоряет исправления.
Вывод простой. ИИ в DSP начинает приносить деньги, когда вы кормите его экономикой бизнес-решений и ограничиваете пространство для «дешёвых побед». Данные о качестве, строгие правила инвентаря и честные тесты — три опоры, на которых держится снижение CPA без мусора. Если хотите разобрать вашу карту сигналов и правила закупки, напишите в gerasimova.tut — покажу, где добавить ценность и где подтянуть контроль.
Диалоги с ассистентами уже влияют на выбор товара. Если это не видно в атрибуции, вы теряете контроль над бюджетом и рискуете двойным учётом.
На днях попалось исследование: более половины зрителей готовы отменить подписку, если нужный контент не находится. Меня это не удивляет — «находимость» контента напрямую бьёт по удержанию и LTV.
ИИ ускорил рутину в дизайне, но решения по-прежнему принимает человек. Задача маркет-директора — перестроить роли, брифы, процессы и метрики так, чтобы команда выпускала больше сильного креатива и сохраняла брендовую целостность.
Расскажите о задаче — разберём, что и как автоматизировать.
Написать в Telegram