Рекламной системе можно поручить выбор аудитории, ставки и размещения — и всё равно получить кампанию, которая отлично выполняет план по заявкам, но почти не приносит продаж. В этом нет обязательного противоречия: алгоритм мог научиться именно тому, чему его учили. Чем больше решений он принимает самостоятельно, тем сильнее результат зависит от того, какие данные рекламодатель объявил признаком успеха.
Так было не всегда заметно. В начале 2000-х значительная часть оптимизации происходила в таблицах: специалист сравнивал запросы, менял ставки и исключал невыгодные переходы. Затем эту работу начали забирать внешние биддеры и сами площадки. Каждое поколение инструментов расширяло масштаб решений — от ключевого слова до отдельного показа, от факта заявки до будущей ценности клиента.
При этом между участниками рынка сохранялось разделение. Площадка лучше видела предстоящий аукцион. Рекламодатель лучше знал, чем закончилась заявка и сколько денег принёс клиент. История оптимизации интернет-рекламы во многом выросла из попыток соединить эти знания: сначала через отчёт и ручную ставку, затем через автоматическую закупку, а теперь — через прогноз, который поступает в рекламу раньше окончательного результата.
#2000-е: за первое место уже недостаточно заплатить больше
В поисковой модели GoTo.com, позднее переименованной в Overture, рекламодатель назначал цену за переход по выбранному запросу. Пользователь уже сформулировал потребность; оставалось решить, сколько стоит возможность привести его на сайт. В отчётности Overture за 2002 год видна эта ранняя конструкция paid search: оплачивается измеримое действие, а доступ к нему распределяется через ставки.
В 2002 году Google запустил AdWords Select с оплатой за клик. В оригинальном анонсе есть деталь, которая хорошо объясняет дальнейшую историю рекламных алгоритмов: позицию определяли ставка и кликабельность объявления. Самая высокая цена за клик сама по себе не обеспечивала первое место.
Причина видна в экономике площадки. Возьмём условный пример и для простоты будем считать ставку ценой клика. Объявление за 100 рублей с кликабельностью 1% даёт в среднем рубль на показ. Объявление за 40 рублей с кликабельностью 4% — 1,6 рубля. Предложение с меньшей ценой клика приносит площадке больше денег, потому что на него чаще нажимают. Поэтому умение оценивать отклик имело финансовый смысл ещё до распространения современных автостратегий.
В России Яндекс.Директ появился в 2001 году; позднее вокруг него также выросли инструменты аналитики и автоматического управления рекламой. Ретроспектива Яндекса
Рекламодатель считал с другой стороны. Допустим, из ста переходов два заканчиваются продажей, а с каждой остаётся 5 000 рублей до рекламных расходов. Ожидаемый заработок с перехода — 100 рублей, ещё до прочих затрат. Так у ставки появлялся экономический предел. Но вероятность продажи приходилось оценивать по небольшой истории, причём отдельно для множества запросов, регионов и устройств.
Ручная работа давала понятную отдачу. Исключение нецелевого запроса сразу прекращало соответствующие расходы. Разделение регионов позволяло увидеть разницу в окупаемости. Посадочная страница под конкретный запрос могла улучшить конверсию. Специалист выделял различия, измерял их и переносил вывод в настройки.
Пределом становилась сама строка отчёта. По запросу «авиабилеты в Стамбул» могли прийти и человек с точными датами поездки, и тот, кто лишь прикидывал отпуск на следующий год. Средняя ставка по фразе объединяла их в одну экономическую оценку. Чем сильнее различалось намерение пользователей, тем больше терялось при таком усреднении.
Чтобы оценивать эту разницу, требовалось узнать хотя бы, какие переходы заканчиваются покупкой. Статистика кликов сама по себе этого не сообщала.
#Конверсионный пиксель: маленькое событие с большими последствиями
Отслеживание конверсий появилось в AdWords ещё в 2001 году. Код на сайте позволял связать рекламный переход с последующим действием — заказом, регистрацией или обращением. Теперь рекламодатель мог сравнивать запросы по тому, что произошло после клика. Google об истории отслеживания конверсий.
В отчёте становились видны запросы, которые давали много посетителей и мало заказов: по ним можно было снижать ставки. Тот же набор данных подходил и для обучения модели: признаки перехода становились входными данными, а зарегистрированная покупка — известным исходом. Когда таких примеров накапливалось достаточно, машина могла искать закономерности, которые специалист вручную уже не замечал.
Что считать конверсией, определял рекламодатель. Отправленная форма видна сразу; оплата, отмена и возврат могут появиться позже, в другой системе. Пока кампанию вёл человек, он мог учесть эту разницу вне рекламного кабинета. Для автоматического управления её требовалось выразить в данных.
Специалист мог услышать от отдела продаж, что с определённого запроса приходят неподходящие обращения, и снизить ставку. Алгоритму требовалось передать тот же результат данными. Разговор в коридоре в обучающую выборку не попадал. Эта небольшая организационная деталь позднее стала одной из главных задач рекламного ML.
#Биддеры: бизнес на том, что человек не успевает менять ставки
Управлять несколькими десятками запросов можно вручную. Сотни кампаний, тысячи фраз и несколько рекламных кабинетов превращали ту же работу в непрерывный пересчёт. Агентства и крупные рекламодатели платили внешним системам за возможность применять правила ко всему этому объёму, не увеличивая команду пропорционально числу ставок.
Среди таких систем были Marin и Kenshoo, позднее переименованная в Skai. Kenshoo начинала с поискового маркетинга в 2006 году. В России знакомый пример — eLama с внешним управлением ставками. Продукты различались по сложности: от исполнения заданных правил до прогнозирования результата и распределения бюджета между множеством фраз. История Skai пример автоматического назначения ставок Marin
Такой сервис называют бид-менеджером: он меняет ставки или их пределы в рекламном кабинете по расписанию, правилам и статистике. Специалист задаёт условия, программа следит за их исполнением. Если запрос перестал окупаться, она может снизить ставку; если в определённые часы отдача лучше — поднять. Качество этой автоматизации зависело от правил и данных, на которых строился расчёт.
У более развитых систем управления поисковой рекламой задача тоже выходила за пределы одного слова. Представим, что на ещё сто дорогих переходов денег хватает, но те же деньги можно потратить на несколько менее популярных запросов. Выиграть больше аукционов по каждому слову по отдельности — совсем не то же самое, что получить больше заказов на весь бюджет. Так управление ставками переходило к оптимизации портфеля кампаний.
Этот более широкий рынок хорошо виден на примере Efficient Frontier. В январе 2012 года её приобрела Adobe; в годовом отчёте речь шла уже о прогнозировании, закупке и оптимизации рекламы между каналами. Крупному рекламодателю продавали возможность управлять расходами сразу в нескольких местах, где он встречается с покупателем.
Медийная реклама требовала другой инфраструктуры: доставить объявления на множество сайтов, учесть показы, сопоставить отклик. Эту работу выполняли рекламные серверы, в том числе DoubleClick и Atlas. Atlas входила в aQuantive, о приобретении которой Microsoft объявила в 2007 году. Данные о размещениях давали основу для следующей задачи — автоматического выбора, какие из них покупать. Microsoft об Atlas и aQuantive; продукты DoubleClick.
Была и третья ветка: выбирать не только место и цену, но и само объявление. В 2009 году Google объявил о приобретении Teracent. Её технология подбирала элементы медийного креатива — изображения, текст, цвета — с учётом контекста, в том числе географии и времени суток. Баннер постепенно превращался из одного файла в набор вариантов, между которыми могла выбирать машина. Анонс Google о Teracent
За одним словом «оптимизация» уже стояло несколько самостоятельных технологий: управление ставками, распределение бюджета, учёт размещений, подбор креатива. Они могли работать вместе, но у каждой оставался свой масштаб решения. Пересчитывать ставку по группе запросов — не то же самое, что оценивать человека, которому сейчас доступен конкретный показ.
#RTB: пока открывается страница, за её посетителя торгуются
В медийной рекламе таким шагом стали аукционы отдельных показов в реальном времени — real-time bidding, или RTB. Вместо покупки большого пакета размещений на сайте рекламодатель получил возможность оценивать отдельные доступные показы. В 2010 году участники рынка начали совместную работу над проектом, из которого вырос стандарт OpenRTB: покупателям и продавцам требовался общий способ обмениваться запросами и ставками. История OpenRTB
Со стороны рекламодателя в таком аукционе участвует платформа закупки — DSP. Она получает доступные сведения о показе, оценивает его для кампании и предлагает цену. Здесь тоже работает биддер, но решение принимается за миллисекунды внутри отдельного аукциона. Внешний поисковый бид-менеджер меняет настройку в кабинете; DSP-биддер непосредственно решает, сколько предложить за данный показ.
Причём одного хорошего прогноза клика недостаточно. Если ставить слишком мало, модель будет верно оценивать пользователей, но почти никого не покупать. Если слишком много — выигрывать убыточные показы. Если выкупить всё подходящее утром, на вечерний спрос не останется бюджета. Так вокруг прогноза отклика выросли модели цены победы, распределение расходов во времени и управление частотой. Эти задачи подробно разобраны в обзоре Wang, Zhang и Yuan о RTB.
В ретаргетинге для такой оценки имелась особенно полезная информация: человек уже посещал сайт, просматривал определённые товары, проявлял интерес к категории. Теперь нужно было решить, стоит ли снова обращаться к нему, с каким предложением и по какой цене. Одинаково покупать показы всем бывшим посетителям означало игнорировать значительную часть собранных данных.
Criteo развивала именно сочетание прогноза намерения, рекомендаций товаров и назначения ставки. RTB House работала с поведенческими последовательностями и моделями отклика; в исследовании user2vec история действий пользователя преобразуется в представление, которое помогает предсказывать конверсию. Оба примера показывают, почему ретаргетинг постепенно превратился в гораздо более сложный продукт, чем «догонять баннером всех, кто был на сайте». Механика Criteo; исследование RTB House
У Criteo и RTB House прогноз был связан с действием на доступном им рекламном инвентаре: система оценивала пользователя, выбирала предложение и участвовала в закупке. Поэтому дополнительное знание о просмотренных товарах можно было сразу использовать в цене и содержании следующего показа.
Доступ к OpenRTB при этом не давал сторонней DSP права самостоятельно покупать любой показ в поисковой выдаче Google или ленте Facebook*. Там закупкой управляли собственные системы платформ. Поэтому рынок развивался по двум параллельным направлениям: внешние покупатели оценивали доступный им инвентарь, а закрытые площадки строили собственные механизмы отбора и доставки рекламы.
В социальной ленте эта задача дополнительно усложнялась: пользователь не вводил поисковый запрос, прямо сообщающий о намерении. Платформе приходилось выбирать подходящее предложение по доступной истории интересов и поведения. Долгий просмотр ролика, переход по ссылке и последующая покупка могли требовать разных прогнозов.
Отсюда значение рекомендательных технологий для Meta*, TikTok и VK. При выборе цели кампании рекламодатель фактически задаёт, какой из возможных откликов система должна считать полезным. Интерес к содержанию объявления ещё не равен готовности совершить нужное действие.
В материалах TikTok World 2022 эта разница уже сформулирована на уровне продукта: App Event Optimization ищет пользователей, склонных совершить нужное действие, Value Based Optimization учитывает высокую ценность действий. Рекламодатель выбирает, какой результат нужен, и передаёт события, по которым его можно распознать. TikTok о performance-оптимизации
Именно внутри платформ оказалось выгодно соединить знание пользователя с управлением ставкой. Внешнему инструменту, который периодически обновлял цену по поисковому слову, стало трудно конкурировать с решением, принимаемым для каждого аукциона
#Как площадки забрали управление ставками
Google открыл бета-версию Conversion Optimizer ещё в 2007 году: рекламодатель задавал предельную стоимость привлечения, а система управляла ценой клика. В 2016 году конверсионное автоматическое назначение ставок получило общее название Smart Bidding, с акцентом на расчёт в момент каждого аукциона. Сообщение Google о Conversion Optimizer анонс Smart Bidding.
Для внешнего бид-менеджера это был серьёзный сдвиг. Он мог пересчитывать среднюю ставку по фразе несколько раз за час. Площадка же принимала решение для конкретного аукциона, используя признаки, которые не попадали в отчёт внешнего сервиса. Более частое обновление одной общей цены не устраняло это различие в информации.
В России аналогичные задачи развивались в Яндекс.Директе и рекламных продуктах VK. Один из ранних примеров — стратегия Директа «Средняя цена конверсии», анонсированная в 2014 году. Цели аналитики становились данными для автоматического управления рекламой.
Потом автоматизация начала поглощать уже не только ставку. Google запустил Performance Max для всех рекламодателей в 2021 году: одна кампания могла работать с несколькими типами инвентаря. Всё больше решений — какой формат, какая аудитория, какая ставка — переходило рекламной системе. Google о Performance Max.
У внешних сервисов оставались задачи, для которых одной площадки недостаточно: учёт маржи, сопоставление каналов, ограничения бизнеса. Но у простого поддержания ставки становилось меньше самостоятельной ценности. Специалист переходил к настройке целей и условий, при которых алгоритм будет тратить бюджет. Следующий вопрос возникал уже к самой модели: что именно она предсказывает и как её оценка превращается в ставку?
#Почему автостратегия может улучшить CPA и не улучшить продажи
Особенно хорошо это видно в B2B-лидогенерации. Заявка на демонстрацию программы появляется сегодня. Через несколько дней отдел продаж понимает, подходит ли компания по размеру и задаче; ещё позже возникают договор и оплата. Если основной целью оставить отправку формы, стратегия будет искать людей, склонных её отправить. Качество будущего клиента сможет стать частью обучения, когда система получит сведения о последующих этапах.
Оптимизация сразу по оплатам кажется естественным решением, но для длинного цикла сделки она обходится дорого по времени. Пока договор согласовывают, реклама уже приводит следующую группу посетителей. При небольшом числе сделок полезная обратная связь приходит редко. Отсюда выбор между частым приблизительным сигналом и более точным исходом, которого приходится ждать.
Отсюда популярность микроцелей. Если покупок мало, можно обучаться на корзинах, просмотрах контактов или заполнении формы. Такой шаг действительно способен помочь кампании набрать данные. Риск появляется, когда частое действие слишком слабо связано с финальным результатом.
Представим условную кампанию: раньше из ста заявок двадцать становились квалифицированными, а после оптимизации дешёвых заявок стало двести, из которых подходят те же двадцать. В кабинете вдвое больше конверсий. У продаж прежний результат и вдвое больше работы. Если расходы остались прежними, CPA снизился вдвое, а стоимость квалифицированного лида не изменилась. Подробнее о микроцелях в нашем блоге.
Ранняя оценка качества обращения могла бы сократить это ожидание. Однако любая новая цель ещё и меняет состав закупаемого трафика. Прежде чем оценивать результат дополнительной модели, нужно отделить её вклад от изменений, которые и без того создаёт автоматическая стратегия.
#Почему оптимизация смещает трафик — и когда это становится проблемой
Автостратегия не просто наблюдает аудиторию: её ставки влияют на то, каких пользователей рекламодатель получит завтра. Поэтому после изменения настроек меняются и результаты кампании, и данные, по которым предстоит судить о её работе. Здесь легко перепутать несколько разных процессов.
Начнём с состава трафика, или user-mix. Возьмём два условных сегмента с конверсией 8% и 1%. При равных долях средняя составляет 4,5%. Если доля первого сегмента выросла до 80%, средняя достигнет 6,6%, хотя в каждом сегменте вероятность покупки осталась прежней. Такой отбор может быть выгоден. Но рост средней конверсии ещё не показывает, улучшился ли прогноз, сколько стоит более результативная аудитория и хватит ли её при увеличении бюджета.
Есть и обратное влияние закупки на обучение. О результатах система узнаёт прежде всего у тех пользователей, которым действительно показала рекламу. Если некоторую аудиторию почти перестали покупать, сведений о ней становится меньше. Прогноз меняет закупку, закупка меняет выборку, а на ней обучается следующий прогноз. Такие петли обратной связи описаны в исследовании Google Hidden Technical Debt in Machine Learning Systems.
Другой источник ошибки — исходы, которые ещё не успели наступить. Вчерашняя регистрация может стать платной подпиской через две недели. Если считать отсутствие оплаты окончательным отрицательным результатом, модель начнёт недооценивать людей с более долгим выбором. Рекламные системы учитывают такую задержку: Google публикует исследования delayed feedback и рекомендации по оценке стратегий с учётом поздних конверсий. Но для этого исходы должны поступать в систему, а период наблюдения — соответствовать задаче. Исследование Google; обучение Smart Bidding.
На практике эти эффекты приходится разделять. Сначала сравнивают группы посетителей, для которых уже прошло выбранное время ожидания покупки. Затем смотрят, изменились ли доли аудиторий и конверсия внутри каждой. Модель проверяют на более поздних данных, чем те, на которых её обучали. Перевзвешивание наблюдений иногда помогает учесть различие выборок, но для сегмента, который почти не наблюдали, всё равно остаётся высокая неопределённость.
Поэтому ранний прогноз полезен именно как дополнительная информация. Его тоже предстоит проверить на новых посетителях и на покупках, которые появятся позднее. Чем активнее сигнал меняет закупку, тем важнее эта повторная проверка.
#Предиктивный сигнал: когда результат ещё не наступил, а рекламу уже нужно обучать
Данные бизнеса раскрываются постепенно. До подписанного договора могут быть повторные визиты, просмотр условий, заполненная анкета, звонок или уточнение потребности. Если связать эти наблюдения с окончательными исходами, можно оценивать будущий результат раньше его наступления. Важна именно эта связь: раннее действие полезно не само по себе, а потому, что помогает предсказывать выбранную цель.
Предсказание будущего исхода отличается от моделирования пропущенных конверсий. Во втором случае система оценивает уже произошедшие результаты, которые не смогла наблюдать напрямую, например из-за ограничений измерения. В первом она пытается заранее оценить ещё не наступившее событие. Google о моделировании конверсий при неполном измерении.
У внешней предиктивной модели появляется смысл, когда бизнес располагает сведениями, которых не хватает в обучении рекламной площадки. В CRM видны квалификация и отказ; в учёте заказов — отмены, маржа и повторы. Их можно связать с ранними действиями и получить оценку нужного исхода. Площадка со своей стороны использует собственные признаки аукциона и пользователя. Две модели решают разные части задачи и могут обмениваться результатом, не передавая друг другу все исходные данные.
Однако прогноз в CRM или аналитической базе ещё не влияет на закупку. Его нужно преобразовать в принимаемое платформой событие или ценность и связать с целью кампании. Частота отправки, правила повторов и шкала значений определяют, какой обучающий материал получит автостратегия. Поэтому качество предиктивной оптимизации зависит и от модели, и от способа использования её ответа.
Здесь время может оказаться дороже части точности. Прогноз через три недели строится на богатой истории, но большая часть рекламных решений к тому времени уже принята. Более ранняя оценка может приносить больше пользы, если позволяет вовремя изменить закупку. Поэтому качество модели проверяют именно в тот момент, в который собираются использовать её результат, без будущих признаков, случайно попавших в обучение.
Важна и калибровка: насколько численная оценка соответствует частоте результата. На большой проверочной выборке среди визитов с прогнозом около 10% покупки должны происходить примерно в одном случае из десяти. Если модель сохраняет порядок «более перспективный — менее перспективный», но завышает все вероятности вдвое, метрика ранжирования ROC AUC может почти не измениться. А рассчитанная по этим вероятностям допустимая цена привлечения окажется завышенной. Для рекламы это разные ошибки с разными последствиями.
Voyantis выделяет эту часть работы в signal engineering: прогноз будущей ценности нужно преобразовать в события и значения, с которыми работают алгоритмы Google, Meta* и TikTok. В кейсе Rappi компания описывает прогноз ценности клиента за 90 дней по ранним данным после первого заказа и передачу оценки в Google App Campaigns. Заказ уже случился, но основные различия между будущими разовыми и повторными покупателями ещё только предстоит увидеть. Voyantis о передаче прогнозов, кейс Rappi
Так внешняя оптимизация вернулась в рекламный кабинет с другой стороны. Биддер менял ставку, пытаясь лучше распорядиться деньгами. Поставщик предиктивного сигнала передаёт новую оценку результата; ставку по-прежнему выбирает площадка. Сервису уже не обязательно видеть всё, что она знает об аукционе. Ему нужно сообщить полезное о бизнесе, чего в её обучающих данных пока нет.
#Как Sales Ninja возвращает данные бизнеса в обучение рекламы
В Sales Ninja мы работаем именно с этим разрывом между данными бизнеса и обучением рекламы. Моделируемые конверсии позволяют передавать оценку перспективности визита до фактического целевого события. Она строится по наблюдаемым признакам поведения и известным исходам, а её результат поступает в рекламную систему через подключённую интеграцию.
Рассмотрим сайт образовательного проекта: посетитель может изучать программу, проверять требования к поступлению и несколько раз возвращаться к расписанию. У тех, кто позже оплатил обучение, в истории остаются ранние наблюдения. По ним можно учить прогноз; при применении он получает только сведения, уже известные на момент оценки.
Продолжительность визита сама по себе здесь ненадёжна: программу могут долго читать и будущий студент, и человек, которому не подходят условия. Предиктивная модель должна различать такие визиты по совокупности признаков и проверяться на последующих исходах. Иначе кампания получит усложнённую версию микроцели «провёл пять минут».
Для обучения важна связность данных. Если часть оплат не удаётся сопоставить с посетителями или менеджеры по-разному фиксируют квалификацию, метки становятся неполными и противоречивыми. Увеличение сложности алгоритма не восстанавливает автоматически потерянную связь между визитом и результатом. Документация Sales Ninja.
Моделируемая цель может быть основной для обучения или дополнять уже работающую стратегию. Выбор зависит от задачи и доступных фактических конверсий. Но этим настройка не ограничивается: у разных частей рекламного портфеля могут различаться сам целевой исход, горизонт и ценность. Режимы моделируемых конверсий.
Проверка заканчивается на фактических продажах. Увеличить число модельных событий можно настройкой отправки; получить больше оплаченных заказов при сопоставимых расходах удастся только в том случае, если новый сигнал действительно изменит закупку в полезную сторону.
В кейсе МТС SHOP подход сравнивали A/B-тестом; в кейсе JustFood разбирали работу с длинным выбором и недостатком конверсий. Проверка по фактическим результатам связывает прогноз с экономикой. Но даже при надёжной модели остаётся выбор: какую задачу поручить каждой части рекламы?
#Оптимизация по воронке: у разных кампаний могут быть разные задачи
LTV можно учитывать и при привлечении, и при работе со средней частью воронки; повторные заказы — одна из составляющих этой ценности.
Две кампании могут рекламировать один продукт, но выполнять разную работу. Одна знакомит с предложением людей, которые ещё сравнивают способы решения задачи. Другая возвращает тех, кто уже начал оформление. Если обеим передать один и тот же сигнал ближайшей покупки, они могут сосредоточиться на одной узкой группе с высокой готовностью, оставив предыдущие этапы без достаточной обратной связи.
Здесь есть два разных решения. Одно касается конечного исхода: считать ли успехом обращение, квалификацию или оплату. Другое — работы кампании: знакомить с ассортиментом, возвращать к выбору или помогать завершить заказ. Кампания средней части воронки тоже должна окупаться продажами, но её полезный ранний сигнал может отличаться от сигнала для человека с готовой корзиной.
#Почему сто заявок могут стоить меньше сорока
Сначала разберёмся с глубиной исхода. Для пути, в котором оплата обязательно проходит через заявку и квалификацию, итоговая доля оплаченных заказов раскладывается на последовательные переходы:
Доля оплат среди визитов = доля заявок × доля квалифицированных среди заявок × доля оплат среди квалифицированных.
Все доли здесь должны относиться к одной группе посетителей и согласованному периоду наблюдения. Если клиент может купить сразу, минуя заявку, для таких заказов нужен отдельный путь.
Пусть два источника привели по тысяче посетителей по одинаковой цене. Источник А дал 100 заявок, десять квалифицированных обращений и две оплаты. Источник Б — 40 заявок, двадцать квалифицированных и шесть оплат. Оптимизатор по заявке предпочёл бы А: там форма обходится дешевле. По числу оплат при тех же расходах впереди Б — втрое. Изменение целевого этапа меняет предпочтительный источник даже без изменения цены трафика.
Передать все этапы полезно, но их ценности нужно согласовать. Если один клиент оставил заявку, прошёл квалификацию и заплатил, три события ещё не означают три заработка. При назначении каждому этапу полной стоимости заказа реклама получит завышенную оценку. Можно учитывать наиболее ценный достигнутый этап, использовать отдельные цели для разных задач или передавать только приращение ожидаемой ценности — в зависимости от того, что поддерживает выбранный способ учёта.
В Sales Ninja можно описывать последовательность целей и правила их учёта; отдельно задаётся, какие исходы должны обучать модель и рекламу. Само создание воронки ещё не подключает её автоматически к стратегии. Это важное разделение между описанием пути клиента и действующим сигналом оптимизации. Документация по воронкам
#Как поддержать разные части воронки
Различать этапы нужно не только ради отбраковки плохих лидов. Это позволяет давать обратную связь кампаниям с разными задачами: перформансу — о ближайшем целевом действии, средней части воронки — о перспективном интересе, который ещё не завершился сделкой. В этом смысле оптимизация становится более равномерной: полезный сигнал появляется на разных стадиях. Расходы при этом распределяются по экономике и ёмкости аудиторий, а не поровну.
В Sales Ninja перформанс может работать с вероятностью ближайшего целевого действия, а брендформанс — с отдельным сигналом для средней части воронки. В описанном сценарии брендформанса создаётся своя цель и отдельная кампания: это позволяет задавать ей другую задачу, сохраняя рабочую перформанс-стратегию. Как устроена брендформанс-оптимизация.
Такое разделение оправдано, когда меняются задача, горизонт или способ передачи ценности. Дробить кампании ради самой схемы невыгодно: каждая получает меньше наблюдений, и обучение становится менее устойчивым.
Различия могут проходить и внутри одной рекламной программы: новые и действующие клиенты, разные категории, регионы, типы сделок. В Sales Ninja можно ограничивать работу LTV-модели категорией, источником или сегментом и вести несколько моделей под разные задачи. Это даёт возможность выбирать исход и горизонт там, где единая средняя оценка скрывала бы существенные различия.
Однако у более частой обратной связи есть цена ошибки. Если каждому повторному визиту назначить полную ценность будущей покупки, активный посетитель окажется переоценён. Если отправлять прогноз только самым горячим пользователям, остальные стадии снова останутся без сигнала. Поэтому частота событий, правила повторов и шкала ценности настраиваются вместе с целью модели.
Проверять такую работу удобно по группам привлечённых клиентов: сколько из них позже купило, сколько денег принесло и сколько стоило привлечение. Это показывает, появился ли дополнительный объём за пределами прежнего горячего спроса. Одинаковые расходы на разные этапы сами по себе ничего не говорят об их полезности.
Отдельные цели также не разделяют аудитории автоматически. Перформанс и брендформанс могут претендовать на одних людей. Поэтому нужны настройки, исключения и проверка фактического состава трафика. У разделения появляется экономический смысл, если кампании действительно выполняют разные задачи и добавляют результат, а не дублируют закупку уже готового спроса.
#От первой покупки к LTV: меняется не только горизонт, но и порядок клиентов
Оптимизация по воронке различает путь до результата. LTV-оптимизация расширяет сам результат во времени. Для подписочного сервиса первый платёж и несколько продлений имеют разную ценность; для приложения разница между пользователями может раскрыться только после нескольких недель активности. В обоих случаях раннее платное действие слишком мало сообщает о будущей экономике привлечения.
Возьмём условный пример с маржой после переменных затрат, до рекламы. Клиент А даёт 1 500 рублей на первой оплате, и прогноз почти не ожидает повторных платежей в следующие 90 дней. Клиент Б даёт сначала 600 рублей, но ожидаемая дополнительная маржа составляет 1 800. По первому платежу впереди А; по прогнозу суммарной маржи за период — Б с 2 400 рублями. Если передавать в рекламу только первую сумму, это различие останется вне выбранной цели.
До первого платежа к оценке добавляется вероятность того, что человек вообще станет клиентом. Если посетитель типа А платит с вероятностью 50%, ожидаемая маржа визита — 750 рублей. Для типа Б при вероятности 20% она составит 480 рублей. Порядок снова поменялся. Поэтому LTV среди состоявшихся покупателей и ожидаемая ценность ещё не купившего посетителя — разные ответы для разных рекламных решений.
За сокращением LTV — lifetime value, ценность клиента за время отношений — в практической модели всегда стоит конкретный расчёт. Нужно выбрать выручку или маржу, горизонт и учитываемые расходы. Возвраты, скидки, стоимость обслуживания и доставки могут поменять сравнительную привлекательность клиентов. Чем дальше прогноз, тем дольше ждать его проверки.
В Sales Ninja для LTV-оптимизации выбирают выручку или прибыль и окно от 3 до 90 дней. Передаваемая оценка может использоваться в разных рекламных задачах, включая перформанс и среднюю часть воронки. Тем самым в раннее решение о привлечении включается ожидаемая экономика последующих действий клиента. LTV-оптимизация Sales Ninja
Для такой задачи есть несколько классов моделей. Можно напрямую прогнозировать денежный результат, отдельно оценивать вероятность события и сумму, моделировать повторные события или время до следующего платежа. Выбор зависит от устройства дохода и истории наблюдений. Например, регулярные продления дают одну задачу, редкие крупные сделки — другую; одной надписи «LTV» недостаточно, чтобы определить подходящий метод.
Особенно легко ошибиться при проверке. Клиента, которого привлекли неделю назад, нельзя сравнивать по накопленным покупкам с клиентом трёхмесячной давности как двух полностью наблюдённых клиентов. Для 90-дневной цели нужны созревшие когорты или корректная работа с неполным наблюдением. Большие чеки тоже требуют внимания: несколько редких заказов могут определять значительную часть ошибки денежной модели.
Проверять полезно не только общий средний прогноз, но и суммы по когортам, каналам и диапазонам предсказанной ценности. Если модель в среднем угадала доход, но систематически завышает его в одном канале, стратегия способна направить туда лишние деньги. Именно здесь калибровка становится частью управления расходами.
#Последний вопрос: какую продажу действительно создала реклама
Высокая вероятность покупки ещё оставляет открытым вопрос о необходимости рекламы. Например, человек вводит точное название сервиса, которым уже пользуется, чтобы войти в аккаунт и продлить подписку. Модель может совершенно верно предсказать оплату. Но дополнительный платный контакт с таким пользователем мог вообще не повлиять на его решение.
Если купить такой показ, реклама может получить зачёт за заказ, который состоялся бы и без неё. Модель правильно распознала покупателя, а рекламодатель всё равно заплатил за лишний контакт. Чем лучше система находит готовый спрос, тем важнее отличать его обнаружение от влияния на решение.
Для этого сравнивают результат с тем, что произошло бы без дополнительной рекламы, — например, в корректно организованной контрольной группе. Такой прирост называют инкрементальным эффектом. Он отвечает на другой вопрос, чем вероятность покупки: сколько результата добавило наше действие. Обычная модель конверсии не получает этот ответ автоматически из наблюдаемых заказов.
Это возвращает нас к исходному противоречию автоматизации. Система может безошибочно выполнять выбранную задачу, а бизнес — всё ещё недополучать результат. В начале истории таким ограничением была средняя ставка по запросу. Позднее — нехватка данных о конкретном показе. Теперь всё чаще приходится уточнять сам исход: квалифицированный ли это клиент, какова его будущая ценность и какую часть результата действительно добавила реклама.
Поэтому после автоматизации ставок у внешней оптимизации осталась содержательная работа. Она переместилась к тому, что рекламодатель знает о своих клиентах и способен вовремя сообщить площадке. Биддер управлял ценой закупки; предиктивный сигнал помогает определить, какой результат этой закупки стоит денег. А проверка дополнительного эффекта показывает, где даже хороший прогноз ещё не даёт основания увеличивать расходы.
*Meta Platforms Inc., владеющая Facebook, признана экстремистской организацией; её деятельность по реализации Facebook и Instagram запрещена на территории Российской Федерации. Компания включена Росфинмониторингом в перечень террористов и экстремистов
