В Яндекс Директе всё выглядит хорошо: заявки поступают, цена лида снижается, автостратегия «Максимум конверсий» находит всё больше целевых действий. В отделе продаж картина другая. У одного человека нет бюджета, второй хотел совсем другую услугу, третий оставил заявку из любопытства. Менеджеры заняты, а продавать некому.
Такой результат может возникнуть даже с нормальными объявлениями и настоящими посетителями. Рекламная система научилась находить людей, готовых оставить заявку. Бизнесу нужны люди, которым можно продать. Между этими двумя способностями гораздо больше расстояния, чем кажется по отчёту.
В Sales Ninja мы работаем с этим разрывом через моделируемые конверсии, минус-цели и ранковую оптимизацию. А ML-стратегии Директа помогают перенести оценку качества в настройки кампании: пересматривать корректировки и исключать площадки, которые расходуют бюджет, но не приносят квалифицированных лидов. Чтобы понять, зачем нужны оба уровня, начнём с того, чему вообще учится реклама.
#Почему автостратегии Яндекс Директа нужны быстрые конверсии
Автостратегия Яндекс Директа постоянно проверяет свои предположения. Она подбирает ставки, получает сведения о конверсиях из Метрики и пересматривает следующие решения. В описании стратегии «Максимум конверсий» Яндекс прямо объясняет: система стремится увеличивать долю кликов по объявлениям и ключевым фразам, которые чаще приводят к выбранному целевому действию. Прогноз конверсионности строится с помощью машинного обучения. Источник: справка Яндекс Директа.
На уровне управления это похоже на обучение с подкреплением: система совершила действие, получила результат, изменила поведение. Технически внутри могут работать модели с учителем, прогнозы вероятности конверсии и другие методы. Для рекламодателя существенно другое: результат становится обратной связью, а выбранная цель определяет, какое действие считается успехом.
Чем быстрее и регулярнее приходит эта связь, тем легче оценить свежий трафик. Заявка появляется через несколько минут. Квалификация — после звонка, иногда через несколько дней. Договор и оплата — через недели. Всё это время продолжаются показы, меняются конкуренты, ставки и состав аудитории.
Кампания, которая получает сто заявок в неделю, имеет сто быстрых наблюдений. Если из них только пять становятся квалами, а статусы возвращаются с задержкой, для более содержательной цели наблюдений уже мало. Яндекс рекомендует добавлять новые конверсии в файл для Центра конверсий в реальном времени или не реже раза в день и поддерживать актуальность данных за последние три дня. Так стратегия получает результат с меньшей задержкой. Источник: Центр конверсий Директа.
Возникает неприятный выбор. Передавать обычные лиды — значит давать системе частый, но поверхностный сигнал. Передавать только квалы — значит улучшать смысл сигнала, рискуя столкнуться с его нехваткой и задержкой. На практике это часто ощущается как «либо учимся на заявках, либо почти не учимся на результате бизнеса».
Особенно остро это проявляется в недвижимости, автомобильных проектах и B2B: один разговор ещё мало говорит о будущем договоре, а ждать окончательного решения клиента приходится долго.
Разная задержка обратной связи: заявка, квалификация и сделка
#Как оптимизация Директа по заявкам смещает рекламу в неквалов
Когда конверсией считается любая отправленная форма, квалифицированная и некачественная заявки дают одинаковое положительное подтверждение. Для алгоритма обе показывают: здесь удалось получить нужное событие.
Если в некоторой аудитории люди охотно оставляют контакты, но редко проходят квалификацию, оптимизация по заявкам может сделать эту аудиторию особенно привлекательной. Тем более если её легко и дёшево покупать. Расходы начинают смещаться туда, где форма заполняется чаще, а продажи могут становиться хуже.
Посмотрим на условный расчёт с одинаковым бюджетом.
По цене обычной заявки кампания А выглядит лучше. По количеству и цене квалов выигрывает Б. Если передавать в обучение только отправку формы, система получает подтверждение именно первого результата.
Дешёвые заявки могут давать дорогих квалифицированных лидов
Более того, возникает обратная связь: аудитория приносит дешёвые заявки, алгоритм покупает её чаще, получает ещё больше таких же заявок и укрепляется в своём выборе. Неквалы становятся устойчивой частью оптимизации. Это особенно болезненно, когда их доля растёт быстрее общего количества лидов.
Добавление квалификации в отчёт само по себе этот процесс не меняет. В Яндекс Директе важно проверить цели именно в настройках стратегии. Если кампанию продолжает вести цель «Отправка формы», а квалифицированный лид лишь появился в Метрике для аналитики, направление оптимизации осталось прежним. Яндекс описывает эту связь напрямую: цели Метрики нужно указать в настройках стратегии, чтобы ставки учитывали задачи сайта. Источник: целевые действия в Директе.
#Ключевые слова и минус-слова не заменяют обучение по качеству
Когда из Яндекс Директа приходят некачественные лиды, первым делом обычно чистят семантику: убирают нерелевантные поисковые запросы, добавляют минус-слова, уточняют ключевые фразы. Это полезная работа. Она сокращает показы людям, которым ваше предложение не подходит по самому запросу.
Но человек, который ищет «купить квартиру в новостройке», может иметь необходимый бюджет, а может только прицениваться без первоначального взноса. Запрос соответствует предложению в обоих случаях. Семантика помогает понять, что человек ищет; его пригодность для сделки выясняется дальше.
Кроме ключевых фраз, на поиске работает автотаргетинг: Директ сопоставляет запрос с объявлением и посадочной страницей. В РСЯ ситуация ещё шире — автотаргетинг учитывает интересы пользователя, а при нехватке информации ориентируется на тематику площадки. Ключевая фраза в сетях не означает, что человек прямо сейчас ввёл такой запрос в поиске. Источник: автотаргетинг Яндекс Директа.
Поэтому анализировать нужно не только цену заявки по ключевым словам, но и стоимость квалифицированного лида. На поиске — по реальным поисковым запросам и категориям автотаргетинга. В РСЯ — по площадкам и аудиториям. Чистая семантика и обучение по квалам решают разные части одной задачи: первая ограничивает нерелевантные показы, второе помогает выбирать более ценный трафик внутри подходящей тематики.
#Как передавать офлайн-конверсии в Яндекс Директ из CRM
Для Директа офлайн-конверсия — это результат, который произошёл за пределами сайта: менеджер квалифицировал заявку, согласовал встречу, заключил договор или получил оплату. Такой результат может возникнуть и при полностью дистанционной продаже. Его нужно вернуть рекламной системе, чтобы она увидела продолжение визита.
Базовая схема:** клик из Директа → визит в Метрике → заявка в CRM → квалификация → офлайн-конверсия в Метрике → цель автостратегии Директа.** Яндекс поддерживает передачу данных через CRM-коннекторы, Центр конверсий и API Метрики. Источник: офлайн-конверсии Яндекс Директа.
Сначала нужно сохранить связь между визитом и заявкой. Для этого вместе с обращением в CRM сохраняют ClientID Метрики или yclid — идентификатор клика по объявлению Директа. В API офлайн-конверсий также поддерживаются UserID и PurchaseId; нужен хотя бы один подходящий идентификатор. Для события передают идентификатор цели и время конверсии, при необходимости — ценность. Источник: API Яндекс Метрики.
Далее отдельным событием передают подтверждённую квалификацию. Её стоит отделить от обычной заявки и от оплаты: эти этапы отвечают на разные вопросы. Поступление формы означает, что человек обратился. Статус «Квалифицирован» — что обращение соответствует критериям бизнеса. Оплата — что состоялся денежный результат.
После настройки передачи проверяют появление события в Метрике, его связь с рекламным трафиком и доступность цели в Директе. Затем выбирают нужную цель в автостратегии. Особенно важно посмотреть, какие другие цели остались в оптимизации: если обычные заявки продолжают давать основной объём положительного сигнала, добавление редких квалов может изменить обучение слабее, чем ожидалось.
Синхронизация должна работать регулярно. Даже быстро обработанная заявка мало помогает текущей оптимизации, если квалификация неделю лежит в CRM и ждёт ручной выгрузки. При смене цели Директу потребуется время на обучение; оценивать результат нужно с учётом задержки квалификации и накопления новых данных.
#Почему даже быстрые офлайн-конверсии по квалам не решают всю задачу
После такого подключения Яндекс Директ получает более полезную обратную связь: какие обращения прошли квалификацию. Это большой шаг вперёд по сравнению с оптимизацией на любую форму.
Но даже если квалификация происходит быстро, остаётся более тонкая проблема: найти человека, который станет квалом, и отличить качественную заявку от некачественной — связанные, но разные задачи.
Представим человека, который внимательно изучал квартиры, открывал планировки, возвращался на сайт и оставил заявку. Во время звонка выяснилось, что у него нет первоначального взноса. Для отдела продаж он неквал. По наблюдаемому поведению он вполне может быть гораздо ближе к реальному покупателю, чем к посетителю, который случайно открыл страницу и сразу ушёл.
Длительное посещение, возвращения и отправка формы встречаются у обеих групп лидов. В сравнении со всем потоком посетителей эти признаки могут хорошо выделять будущих квалов. Но внутри группы оставивших заявку они уже гораздо хуже объясняют, кому можно продать.
В этом смысле автостратегия Директа решает широкую задачу: предсказать выбранную конверсию среди доступного трафика. Специализированная модель качества получает более узкий вопрос: почему один обратившийся человек прошёл квалификацию, а другой с очень похожим поведением — нет?
Конкретная архитектура моделей Яндекс Директа не раскрыта полностью. Этот разбор — объяснение статистической трудности, а не утверждение, что рекламные платформы вообще не учитывают неконвертировавших пользователей. При достаточном количестве корректных данных оптимизация по квалам способна улучшать качество. Трудность возникает, когда редкие различия между квалами и неквалами теряются на фоне гораздо более заметного различия между лидами и остальными посетителями.
Общие признаки заявки и различия по качеству
Ещё одна причина передавать явные отрицательные исходы: отсутствие события «квал» неоднозначно. Человек мог оказаться нецелевым, менеджер мог ещё не дозвониться, а интеграция — не доставить обновление. Для обучения эти ситуации имеют разный смысл.
#Минус-цели показывают модели, где похожесть обманчива
В Sales Ninja квал и неквал можно сделать двумя явно заданными полюсами обучения. Положительная цель сообщает, какой результат нужно усиливать. Минус-цель показывает нежелательный исход: подтверждённый неквал, спам или другой отказ, значимый для конкретной воронки.
Минус-цели здесь работают внутри моделей Sales Ninja: они влияют на оценку визита и на сигнал, который получает Директ. Это содержательнее, чем просто убрать плохую заявку из списка конверсий. Удалённая заявка перестаёт быть успехом. Явно размеченная минус-цель дополнительно помогает модели разобраться, какие признаки привлекательной на первый взгляд сессии связаны с некачественным результатом.
Модель получает возможность меньше опираться на поведение, общее для квалов и неквалов, и искать различия, которые объясняют качество. Именно такой смысл минус-целей описан в документации Sales Ninja.
Здесь нужна аккуратная квалификация. «Ещё не обработан» — не отрицательный исход. «Не ответил на первый звонок» тоже не обязательно означает неквала. Если объявить минус-целью всех, кто пока не дошёл до следующего этапа, модель начнёт учиться на скорости работы менеджеров и задержке обновлений.
Поэтому цели стоит связывать с устойчивыми критериями бизнеса: неподходящий запрос, отсутствие необходимого бюджета, неверный тип клиента, подтверждённый спам. Некачественный лид может быть настоящим человеком; антибот полезен против искусственного трафика, но не заменяет оценку коммерческой пригодности заявки.
#Моделируемые конверсии для Директа возвращают качество в быстрый цикл
Явные квалы и неквалы улучшают исходные данные. Однако ждать появления нового статуса в CRM рекламной кампании всё равно приходится. Моделируемые конверсии Sales Ninja помогают сократить эту задержку: модель оценивает вероятность будущего целевого результата по доступным данным визита и передаёт дополнительный обучающий сигнал раньше самого результата.
Для Яндекс Директа это дополнительная цель Метрики, которую подключают к оптимизации кампании. Смысл в том, чтобы дать автостратегии частую обратную связь, связанную с квалификацией или более глубоким этапом воронки. Тогда системе легче учиться на качестве, даже когда подтверждённых офлайн-конверсий мало.
Такой сигнал отличается от правила «провёл на сайте две минуты — засчитываем конверсию». Время, просмотры и действия оцениваются в контексте накопленных исходов. Активная сессия, похожая на подтверждённые неквалы, должна получать меньшую ценность, чем сессия с признаками полезного для бизнеса результата.
Прогноз остаётся прогнозом. Реальные статусы из CRM нужны для обучения, калибровки и проверки модели; виртуальные события передаются отдельно. Эффект оценивают по реальным квалам, сделкам и их стоимости. Увеличение числа модельных сигналов само по себе не означает, что продажи выросли.
#Как модель расставляет приоритеты между похожими посетителями
Для закупки рекламы имеет значение не только точная вероятность результата, но и порядок предпочтения: кому при ограниченном бюджете стоит отдавать приоритет.
Для этого модель расставляет посетителей по ожидаемому качеству или ценности. Потенциальный квалифицированный клиент должен получать более высокий приоритет, чем человек с признаками нецелевой заявки, даже если оба активно изучали сайт. Общей вовлечённости для высокого приоритета недостаточно.
Например, на сайте корпоративного ПО частное лицо может подробно читать инструкции и заполнять форму ради консультации. Представитель подходящей компании тоже изучает материалы, но интересуется внедрением и корпоративными условиями. У обоих высокий интерес; для бизнеса ценность обращений различается. Модель должна учиться на исходах таких обращений, чтобы обнаруживать полезные различия в доступных данных.
Минус-цели задают нежелательные результаты. Расстановка приоритетов по качеству посетителей помогает учитывать эти результаты при выборе трафика. Моделируемые конверсии передают полученную оценку в быстрый цикл рекламного обучения. Вместе они позволяют точнее сформулировать, какую именно аудиторию мы хотим привлекать.
При этом более качественного посетителя нельзя покупать по любой ставке. Ожидаемая ценность должна соотноситься с расходами и реальной экономикой воронки.
#Умные корректировки и минус-площадки в Яндекс Директе
Обучающий сигнал — один рычаг. Второй — условия, в которых автостратегия покупает трафик. В Sales Ninja для этого есть ML-стратегии Директа: умные корректировки и исключение неэффективных площадок.
При выборе квалифицированного лида как бизнес-цели корректировки можно рассчитывать с учётом квалов. Это помогает направлять расходы в сегменты с более полезным результатом, даже если по обычным заявкам картина выглядит иначе.
Важны и пересечения сегментов. Один посетитель одновременно относится к региону, устройству, возрастной группе и времени показа. Независимые решения по каждой таблице легко дают перекос: после исключения неэффективной части аудитории оставшийся трафик с того же устройства уже может выглядеть хорошо. Поэтому корректировки нужно рассматривать совместно и пересматривать по мере изменения состава трафика.
Та же логика относится к площадкам РСЯ. Площадка может давать дешёвые заявки и почти не приносить квалов. Если оценивать только отправленные формы, она кажется полезной. При оптимизации по квалификации становится виден расход, который не возвращается нужным результатом, — и появляется основание для исключения.
При этом несколько кликов без квала ещё не доказывают плохое качество площадки. Для решения важны достаточность данных, расход и задержка квалификации. Стратегия должна отличать устойчивый источник потерь от площадки, чьи лиды пока просто не успели обработать.
Обучающий сигнал и настройки кампании учитывают одну бизнес-цель
#Откуда берутся данные о квалах и неквалах
Для такой оптимизации недостаточно знать, что человек нажал кнопку. Нужно связать визит с дальнейшей судьбой заявки.
У Sales Ninja есть интеграции с CRM, коллтрекингом и аналитическими сервисами. Среди источников — amoCRM, Битрикс24, RetailCRM, Calltouch, UIS, Smartis, Rick.ai и Roistat. Из подключённых систем можно выбирать нужные статусы и события, чтобы подтягивать квалы и неквалы в цели проекта. Конкретный набор полей зависит от интеграции. Каталог интеграций.
Результаты обработки заявок становятся частью обратной связи для моделей и стратегий. Поэтому важно не только подключить CRM, но и договориться, что именно считается квалификацией, когда исход становится окончательным и насколько полно он связывается с исходным трафиком.
Начать стоит с проверки цели в автостратегии Директа, передачи офлайн-конверсий из CRM и задержки появления статусов в Метрике. Затем сравнить стоимость квалов по поисковым запросам, автотаргетингу, аудиториям и площадкам РСЯ. Отдельно проверить, известны ли подтверждённые причины неквалов: без них трудно понять, чем плохая заявка отличается от пока не обработанной.
Некачественные лиды часто оказываются закономерным результатом хорошо работающей оптимизации по слишком раннему событию. Исправление начинается с того, чтобы качество меняло следующие решения рекламы: кого считать перспективным, какой сигнал передавать в обучение и на какой трафик расходовать бюджет.
Тогда дешёвая заявка, по которой нельзя продать, перестаёт подтверждать алгоритму, что он всё сделал правильно.
