Voyantis стала заметной компанией на западном рынке благодаря понятной, но технически непростой идее: рекламная система должна искать людей, которые принесут бизнесу деньги в будущем. Регистрация, заявка и первая покупка дают об этом лишь часть информации. Если научиться оценивать дальнейший результат заранее, рекламу можно обучать на более содержательных сигналах.
Для российских компаний эта задача столь же актуальна. Только вместо западного рекламного стека обычно нужно соединить Яндекс Директ и VK Рекламу с amoCRM, Битрикс24, retailCRM, коллтрекингом и собственным сайтом. Если вам нужен аналог Voyantis в России, эту задачу решает Sales Ninja. Причём с более широким набором инструментов вокруг предиктивной оптимизации: от LTV и сложной воронки до нескольких сессий, антибота, рекламных стратегий и персонализации сайта.
Чтобы понять, почему такое сравнение имеет смысл, стоит разобраться в самой истории Voyantis. Она показывает, как изменился рынок: рекламные алгоритмы взяли на себя всё больше решений, а преимущество рекламодателя переместилось в данные, которыми он эти алгоритмы обучает.
#Почему дешёвый клиент может оказаться дорогим
У рекламной платформы и бизнеса разный момент получения ответа. Платформа довольно быстро узнаёт, что человек зарегистрировался или оставил заявку. Бизнесу иногда нужны недели, чтобы выяснить, прошёл ли он квалификацию, оплатил ли услугу и остался ли клиентом.
Если обучать рекламу на регистрации, алгоритм получает ясное задание: приводить людей, склонных регистрироваться. Он может прекрасно выполнять это задание и одновременно ухудшать экономику компании. Быстрые регистрации вполне способны приходить от аудитории, которая редко платит.
С покупками ситуация тоньше. Представим два подписочных клиента с одинаковым первым платежом — 1 000 рублей. Один отменит подписку после первого месяца, другой будет продлевать её полгода. В момент первой оплаты они выглядят одинаково. На горизонте шести месяцев ожидаемая выручка различается в несколько раз. Это условный пример: в реальной модели нужно учитывать вероятность продления, скидки, возвраты и расходы на обслуживание.
Просто подождать полгода тоже неудобно. Кампания всё это время продолжит расходовать деньги. К моменту появления полной истории изменятся предложение, аудитория, конкуренция в аукционе и стоимость привлечения.
Отсюда возникает задача предиктивной оптимизации: по ранним данным оценить вероятность и ценность позднего результата, а затем передать эту оценку в рекламу достаточно быстро. Такой сигнал остаётся прогнозом. Реальную выручку и прибыль считают по состоявшимся платежам.
#2020 год: компания появляется на стыке маркетинга и машинного обучения
Voyantis основали в середине 2020 года Идо Визенберг — Ido Wiesenberg — и Эран Фридингер — Eran Friendinger. В рассказе о запуске Визенберг описывает разговоры с десятками руководителей роста и маркетинга: компания искала способ помогать бизнесу привлекать более ценных пользователей и улучшать экономику привлечения.
У обоих основателей был опыт, который хорошо объясняет выбранное направление. Визенберг ранее создал Tvinci, платформу интернет-телевидения, приобретённую Kaltura. Фридингер был сооснователем Adience — компании, занимавшейся машинным обучением для сегментации веб- и мобильной аудитории. Эти биографии приведены на странице команды Voyantis.
По оценке инвестора Square Peg, рыночная возможность состояла в доступности индивидуальных прогнозов. Продвинутые компании могли сами построить модели будущей ценности пользователя, но для многих остальных подобная инфраструктура оставалась слишком сложной. Voyantis предлагала превратить её в готовый продукт. В инвестиционных заметках Square Peg эта перемена описана как переход от анализа прошлого к использованию прогнозов в будущих решениях.
У такой идеи был естественный покупатель. Компания с существенными рекламными расходами уже видит, что пользователи неодинаковы, но не обязательно располагает командой, способной построить, внедрить и постоянно обслуживать собственную систему предсказаний.
В этой ситуации продаётся не математическая формула. Продаётся возможность регулярно использовать модель в маркетинге: получать данные, обновлять оценки и доводить их до систем, которые принимают решения о расходовании бюджета.
#2022 год: выход из скрытого режима и ставка на собственные данные
В июле 2022 года Voyantis публично объявила о запуске и привлечении 19 миллионов долларов seed-инвестиций. Square Peg и Target Global выступили соорганизаторами раунда. В числе клиентов, использовавших продукт ещё до публичного запуска, компания назвала Notion, Miro и Ipsy. Эти сведения содержатся в объявлении основателя и сообщении Square Peg.
Контекст запуска помогал идее стать понятнее. Рост ограничений рекламного отслеживания повышал значение собственных данных компании: событий продукта, платежей, активности и истории отношений с пользователем. В то же время покупателю рекламной технологии нужно было объяснять её влияние на окупаемость расходов.
Собственные данные здесь дают то, чего недостаточно в рекламном кабинете. Кабинет видит рекламное взаимодействие и переданные конверсии. Подписочный сервис знает, продлил ли клиент доступ; финансовый продукт — начал ли он пользоваться услугой; B2B-компания — дошло ли обращение до оплаченного договора.
Если результат остаётся внутри бизнеса, рекламный алгоритм не получает этого различия. Предиктивная система связывает раннее поведение с поздними результатами и превращает накопленную историю в новый сигнал для закупки трафика.
Это объясняет, почему поставщик такой технологии может быть полезен даже компании с сильной аналитикой. Отчёт обнаруживает, что вчерашняя аудитория была хорошей или плохой. Рабочая модель помогает изменить состав аудитории, которую реклама приведёт завтра.
2020 — основание; 2022 — публичный запуск и $19 млн seed-инвестиций; 2024 — расширение сценариев; 2025 — новый раунд на $41 млн. Это этапы развития компании, а не шкала доказанной эффективности её моделей.
#2024–2025 годы: от привлечения к дальнейшей работе с клиентом
В январе 2025 года основатели подвели итоги 2024-го. Они сообщили о развитии решений для привлечения, активации, дополнительных продаж и удержания. Для действий на этих этапах Voyantis могла использовать платформы взаимодействия с клиентами, например Braze.
В том же сообщении компания отдельно говорила о надёжности предсказаний: мониторинге входных и выходных данных моделей, оповещениях и процессах устранения проблем. Это существенная часть взросления продукта. Модель работает в меняющемся бизнесе: вчерашние закономерности могут перестать подходить после смены цены, продукта или источника трафика.
11 февраля 2025 года Voyantis объявила о привлечении ещё 41 миллиона долларов. Совокупное финансирование достигло 60 миллионов. Раунд возглавила Intel Capital. В сообщении инвестора также говорится, что компания утроила ARR — годовую повторяющуюся выручку — два года подряд. Абсолютную величину ARR этот релиз не раскрывает.
Инвестор описывал Voyantis уже как систему, которая соединяет оценку будущей ценности с рекомендациями о следующих действиях. Прогнозы могли использоваться для привлечения пользователей, а рекомендации — для стимулов и дополнительных предложений через Salesforce и Braze.
Для этой истории расширение закономерно. Если бизнес научился оценивать потенциал человека до первой покупки, тот же вопрос возникает после неё: кого стоит возвращать, кому предлагать дополнительный продукт и где скидка действительно изменит решение.
#Как устроена основная идея Voyantis
В центре продукта находится индивидуальный прогноз: что конкретный пользователь с некоторой вероятностью сделает дальше и какую ценность это принесёт. Возможный объект предсказания — долгосрочная выручка, переход к оплате или другой значимый результат.
LTV расшифровывается как lifetime value, то есть ценность клиента за время отношений с компанией. В практической модели обычно выбирают конкретный горизонт. Иначе обещание предсказать ценность «за всю жизнь» оказывается слишком неопределённым для проверки.
Полезно различать две задачи. Первая — вероятность результата. Например, какая доля похожих пользователей впоследствии оплатит корпоративный тариф. Вторая — величина результата: сколько денег принесёт тот, кто оплатит. Для оценки ожидаемой выручки эти части могут соединяться.
В условном расчёте у одного обращения вероятность оплаты равна 20%, а ожидаемая выручка при оплате — 100 000 рублей. Его ожидаемая выручка составляет 20 000 рублей. У другого вероятность оплаты — 50%, но ожидаемая сумма — 20 000 рублей: ожидаемая выручка составляет 10 000 рублей. Оптимизация только по вероятности сделки выберет второе обращение; оптимизация по ожидаемой выручке может предпочесть первое. Прибыль потребует ещё учёта затрат.
Ни одна из этих оценок не превращает неоплаченный договор в продажу. Они описывают различия между потенциальными клиентами, которыми рекламный алгоритм может воспользоваться раньше.
#Почему хорошего прогноза недостаточно
Передача оценки в рекламный кабинет — самостоятельная инженерная задача. Нужно решить, когда отправлять сигнал, как выразить его ценность и как рекламная платформа будет его учитывать. Если отправлять слишком рано, прогноз окажется шумным. Если слишком поздно — потеряет часть практического смысла для текущего обучения.
Voyantis называет эту работу signal engineering. В публикации компании выделены время передачи, калибровка ценности и формат сигнала. Компания описывает подключение к облачным данным, например BigQuery и Snowflake, и доставку подготовленных оценок через API рекламных систем.
Это помогает понять ценность продукта точнее, чем слово «AI». Результат зависит от всей цепочки: корректности данных, качества предсказания, пригодности сигнала для платформы и реакции кампаний. Улучшение одного звена не гарантирует улучшения остальных.
Сроки передачи и доступные окна различаются между платформами, типами кампаний и способами отправки конверсий. Здесь нет универсального правила, по которому любая рекламная система всегда учится ровно за семь дней.
Модель прогнозирует результат, инженерный слой готовит обучающий сигнал, рекламная система использует его в оптимизации. Поздние реальные исходы позволяют проверять и обновлять модель.
#Что Voyantis предлагает сегодня
В актуальном продуктовом описании у компании выделены два направления — Acquire и Engage.
Voyantis Acquire отвечает за привлечение: собственные данные бизнеса превращаются в прогнозы и сигналы для Google Ads, Meta* и TikTok Ads. Компания описывает постоянное уточнение пользовательских оценок и адаптацию сигналов к рекламной платформе. Для Google перечислены Search, Performance Max, App Campaigns и Demand Gen.
Voyantis Engage расширяет использование прогнозов на активацию, удержание, развитие клиента и возврат аудитории. Важная заявленная задача — находить ситуации, где действие компании способно дать дополнительный результат. Среди интеграций перечислены Braze, Iterable, Salesforce, Customer.io и Klaviyo.
Разница понятна на примере скидки. Высокая вероятность покупки сама по себе не означает, что человеку нужна скидка: возможно, он купил бы и без неё. Для выбора стимула нужно оценивать, как действие изменит результат. Это уже другая задача по сравнению с простым прогнозом оплаты.
Voyantis также описывает координацию нескольких моделей для разных сегментов, регионов и поведения, мониторинг, резервные механизмы и непрерывное обновление. Поэтому компанию корректно воспринимать как поставщика инфраструктуры предиктивных решений, а не как калькулятор LTV.
#Что показывают кейсы Miro и Lennar
У Miro между бесплатной регистрацией и платной корпоративной подпиской могло пройти несколько дней или недель. Регистрация была удобной ранней целью, но не сообщала Google, кто впоследствии станет платящим клиентом.
В кейсе Miro на сайте Voyantis описано тестирование пяти небрендовых поисковых кампаний в США. Бюджет разделили между контрольной группой со старой логикой и экспериментом с прогнозом перехода к оплате и value-based bidding. По данным опубликованного кейса, число платящих корпоративных клиентов увеличилось на 30% при прежних расходах. Также заявлен рост прогнозного ROAS на 33%; прогнозную окупаемость нужно отличать от уже полученной выручки.
Кейс девелопера Lennar показывает другой сценарий. Компания хотела отличать людей, просто заполнивших форму, от тех, кто запишется на встречу с консультантом по новому жилью. Voyantis использовала прогноз вероятности такой записи в пределах 90 дней. В описании проекта заявлены рост конверсии из лида в запись на 40% и снижение стоимости записи на 15%.
Это результаты, опубликованные поставщиком в конкретных проектах; они не задают ожидаемый эффект для любого нового клиента. Но вместе кейсы хорошо раскрывают механизм: раннее действие на сайте получает смысл через более поздний бизнес-результат.
Lennar важен и для сравнения с Sales Ninja. Было бы ошибкой утверждать, что Voyantis занимается исключительно повторными покупками и ничего не умеет в лидогенерации. У неё есть сценарии качества лидов и продвижения к следующему этапу. Различия нужно искать в составе рабочего решения, глубине настройки и окружающих инструментах.
#Если нужен Voyantis в России — это Sales Ninja
Российской компании обычно нужен ответ на вполне прикладной вопрос: как научить Директ или VK приводить клиентов, которые оплатят, пройдут квалификацию, выкупят заказ и принесут полезную экономику.
Заказчику недостаточно модели, которая хорошо выглядит на исторических данных. Требуется подключить реальные источники, разобраться в исходах сделок и доставить сигнал в используемую рекламную систему. Затем — увидеть результат в понятных показателях.
Sales Ninja закрывает этот класс задач как самостоятельная российская платформа предиктивного маркетинга. Общая с Voyantis идея — обучение рекламы на будущей ценности клиента. Наше расширение этой идеи — единая работа с LTV, сложными воронками, цепочками визитов и инструментами повышения эффективности рекламы и сайта.
Такое позиционирование опирается на устройство продукта. В Sales Ninja есть LTV-оптимизация, моделируемые конверсии, интеграции с российскими системами и дополнительные сервисы для рекламной закупки и конверсии сайта. Это более широкий функциональный контур, чем одна задача передачи предсказанного LTV.
#Voyantis и Sales Ninja: сравнение возможностей
Сравнение составлено по публичным страницам продуктов на 5 октября 2026 года. Отсутствие отдельного пункта в описании Voyantis не доказывает отсутствие соответствующей внутренней технологии. Таблица сравнивает заявленные возможности и рабочие сценарии; качество моделей на конкретных данных проверяют пилотом.
#LTV у нас есть — вместе с выбором выручки или прибыли
Если интерес к Voyantis возник из-за LTV, в Sales Ninja есть прямое соответствие этой задаче. Можно оптимизировать рекламу по ожидаемой выручке клиента или по ожидаемой чистой прибыли с учётом повторных событий. На странице LTV-оптимизации указан настраиваемый горизонт от 3 до 90 дней.
Выбор метрики имеет практический смысл. Высокая выручка не всегда означает высокую прибыль. Два клиента могут принести сопоставимые платежи, но потребовать разного объёма скидок, доставки, обслуживания или возвратов.
Для бизнеса это означает возможность обучать рекламу под свою экономику. Где-то нужен оборот, где-то — маржа, где-то — результат после повторных платежей. Состав учитываемых затрат зависит от данных, которые компания умеет передавать.
При этом LTV не обязан становиться единственной моделью на весь проект. Разные направления бизнеса могут иметь разные циклы и критерии ценности. Важно выбрать горизонт, на котором результат можно проверить: предсказанная ценность за 90 дней требует достаточно зрелой истории этих 90 дней.
#Сложная воронка: больше информации, чем одна итоговая сумма
Для многих российских компаний проблема начинается раньше повторной продажи. Они ещё не знают, какая из сегодняшних заявок превратится в первую оплату.
В проектной B2B-продаже человек может оставить обращение, пройти разговор, подтвердить технические требования, получить коммерческое предложение, согласовать договор и только потом оплатить. Часть обращений остановится на любом из этих этапов. Некоторые с самого начала окажутся нецелевыми.
У такого процесса несколько полезных сигналов. Квалификация сообщает больше, чем форма. Согласованное предложение сообщает больше, чем первый звонок. Оплата подтверждает результат, а отказ или спам уточняют, на каких примерах модели не следует строить положительное ожидание.
В Sales Ninja воронка и её отрицательные исходы входят в логику оптимизации. Значимые события из разных систем можно объединять под выбранную бизнес-цель. Возможности описаны в разделе воронковой оптимизации.
Смысл такого подхода — использовать информацию, которая появляется по дороге к финальному результату. Когда оплат ещё мало, промежуточные этапы помогают различать качество обращений. По мере накопления данных более глубокий результат позволяет уточнять эти оценки.
Отдельно нужно правильно учитывать время. Если вчерашняя заявка ещё не дошла до договора, это не означает отказ. А если заказ сначала был оплачен, а затем возвращён, ранняя положительная отметка не описывает окончательный результат. Для длинной воронки важны и положительные события, и подтверждённые отрицательные исходы, и незавершённые наблюдения.
Модель получает сведения о продвижении к результату и об отрицательных исходах. Наличие нескольких событий в одной сделке не означает несколько независимых продаж.
#Несколько сессий: будущая ценность начинается до последнего клика
Длинный цикл проявляется и на сайте. Потенциальный клиент сначала знакомится с продуктом, затем возвращается изучить условия, позднее разговаривает с менеджером и ещё раз заходит перед оплатой.
Если рассматривать только финальную сессию, теряется смысл предыдущих визитов. Реклама, которая привела первое знакомство, может выглядеть слабой: человек ещё ничего не купил. Канал, через который он вернулся в конце, получит гораздо более привлекательный отчёт.
В Sales Ninja есть отдельная многосессионная оптимизация — работа с цепочкой касаний до результата. Она дополняет односессионный сценарий, в котором оценивается конкретный текущий визит. Для разбора пути также доступна аналитика воронок и атрибуции.
Это расширяет постановку задачи. Можно оценивать не только человека, уже близкого к оплате, но и визиты, после которых развивается полезное продолжение пути. Такая работа особенно нужна, когда решение требует нескольких контактов и обычная оптимизация концентрируется на нижней части воронки.
Здесь важно различать атрибуцию и причинный эффект. Распределение ценности между касаниями помогает анализу и обучению, но само по себе не доказывает, сколько дополнительных продаж создал канал. Для этого нужны контролируемые эксперименты или другая обоснованная оценка прироста.
И ещё одно техническое условие: будущую ценность клиента нельзя бездумно повторять целиком в каждом из его визитов. Четыре касания не превращают ожидаемые 10 000 рублей в 40 000. Логика сигналов должна учитывать повторные взаимодействия и сохранять экономический смысл оценки.
Условный путь состоит из нескольких визитов. Одна итоговая ценность не должна многократно учитываться как независимые продажи. Схема объясняет принцип, а не задаёт универсальную модель атрибуции.
#Российские CRM — часть решения, а не приложение к нему
Во многих проектах самые ценные данные находятся за пределами сайта. amoCRM хранит стадии сделок и оплату. Битрикс24 — лиды, сделки и результаты работы отдела продаж. retailCRM — состояния заказа и его экономику. Коллтрекинг знает о звонке, которого веб-форма вообще не видела.
Sales Ninja подключает эти источники, чтобы результат мог участвовать в аналитике и оптимизации. В каталог также входят Calltouch, UIS / CoMagic, Smartis, Rick.ai и другие системы. Для собственных решений предусмотрены внешние выгрузки и API. Поэтому работа не ограничивается единственной стандартной CRM или событием «сделка создана».
Но подключение источника — только начало. Необходимо связать оплату или квалификацию с правильным визитом. Внешний результат может прийти позднее, без точного идентификатора, а у человека к этому времени уже будет несколько сессий.
Для таких задач в Sales Ninja есть ML Рематчер. При наличии точной связи она получает приоритет. В неоднозначных случаях модель оценивает кандидатов по доступным данным. Если информации недостаточно, результат может остаться несопоставленным: случайная связь испортила бы обучение.
Дальше разделяются два потока. Состоявшиеся результаты — оплата, квалификация, возврат — можно отправлять через стриминг данных в рекламную аналитику. Оценки будущего результата используются как моделируемые конверсии. В Яндекс-стеке реальные офлайн-конверсии передаются в Метрику для использования Директом; для VK Рекламы предусмотрена передача через API.
Так получается непрерывный процесс: бизнес сообщает, что произошло, модель уточняет, чего ожидать, реклама получает более содержательные данные. Качество заполнения CRM прямо влияет на качество этой обратной связи. Модель не восстановит надёжно квалификацию, которую менеджеры не фиксируют.
#Вокруг модели — полноценная рекламная экосистема
На этом различия с узкой LTV-задачей не заканчиваются. Предиктивный сигнал полезен, но результат ограничивают также качество закупленного трафика и происходящее на самом сайте. Sales Ninja работает с этими частями процесса.
#Антибот и качество исходных данных
Адаптивный антибот помогает распознавать подозрительный рекламный трафик. Это важно для расходов и для обучения: бот, активно имитирующий действия, не должен автоматически становиться образцом заинтересованного клиента. Антибот-сигналы дополняют понимание качества визита.
#Стратегии Директа и товарные фиды
ML-стратегии Директа работают с исключениями площадок и корректировками. Это отдельный рычаг: улучшение обучающего сигнала сопровождается пересмотром условий закупки трафика.
Для товарной рекламы в платформе также есть смарт-фиды. Их задача относится к составу и использованию товарного предложения в рекламе. Вместе эти возможности расширяют влияние платформы: от оценки ценности пользователя до работы с кампанией и ассортиментом.
#Конверсия сайта после рекламного клика
Персонализация позволяет адаптировать сайт под посетителя. A/B-тестирование помогает проверять гипотезы. Товарные рекомендации участвуют в подборе следующего предложения. Для повторной работы с аудиторией есть предиктивный ретаргетинг.
Эти инструменты отвечают на разные вопросы. Реклама решает, кого привести. Персонализация — что показать пришедшему человеку. Эксперимент — улучшило ли изменение результат. Рекомендации — какой товар предложить дальше. Их объединение позволяет работать с несколькими причинами потерь в одном продукте.
Voyantis тоже развивается за пределы привлечения: Engage использует прогнозы для дальнейших действий через маркетинговый стек. Особенность Sales Ninja — собственные инструменты рекламы, данных и сайта внутри одной платформы, вместе с глубоким применением к российской инфраструктуре.
Предиктивная модель — центр решения. Её практическое применение зависит от рекламы, CRM, сайта и сведений о реальном результате.
#Как выбирать решение под свой бизнес
Предиктивная оптимизация наиболее содержательна там, где ранняя конверсия заметно отличается от итоговой ценности. Если все обращения почти одинаковы, продажи происходят сразу, а кампания уже получает полные и качественные данные, пространства для дополнительной модели может быть меньше.
Другой случай — заявки идут, но большая часть не проходит квалификацию; платежи появляются спустя недели; первые покупки плохо описывают повторные; реклама приводит много заказов, которые отменяются или не выкупаются. Тогда полезные различия существуют, но автостратегия получает их слишком поздно или не получает вовсе.
Для такой компании оценка решения начинается с трёх вещей. Нужно определить настоящий бизнес-результат, проверить данные о нём и выбрать способ измерения эффекта. Например, для B2B это могут быть квалифицированные обращения и оплаченные договоры; для подписки — состоявшиеся платежи и продления; для торговли — выкуп, возвраты и прибыль.
Запуск модели не отменяет работу с данными. Понадобятся корректные статусы, идентификаторы, суммы и достаточно зрелая история. Понадобится и время: модель позднего результата нельзя полноценно оценить, пока у проверяемой группы не прошло выбранное окно наблюдения.
На пилоте полезно смотреть на фактические результаты бизнеса, а не только на количество отправленных моделью сигналов. Виртуальные конверсии нужны для обучения. Они не являются дополнительными оплатами и не заменяют проверку реальных продаж.
#Что в итоге изменила Voyantis — и что мы делаем в России
История Voyantis показывает, почему у предиктивного маркетинга появилась самостоятельная коммерческая роль. Рекламные платформы умеют быстро оптимизировать кампании, но бизнесу приходится объяснять им, какой клиент действительно ценен. Когда этот ответ приходит поздно, между данными компании и рекламным алгоритмом требуется прогнозный слой.
Voyantis превратила такой слой в продукт: от ранней ставки на индивидуальную будущую ценность до инфраструктуры сигналов и действий на разных этапах клиентского пути. Её развитие и опубликованные проекты показывают интерес рынка к этой модели работы.
Для российского бизнеса эту роль выполняет Sales Ninja — с более широким набором задач, чем только LTV. Мы соединяем предиктивное обучение рекламы со сложной воронкой, несколькими сессиями, российскими CRM, антиботом, ML-стратегиями Директа и инструментами сайта.
Поэтому искать «Voyantis для России» имеет смысл через реальную задачу: учить рекламу находить клиентов, которые пройдут нужный путь и принесут полезную экономику. В Sales Ninja можно начать с этого сигнала, а затем подключать другие части платформы по тем ограничениям, которые мешают росту.
