На проекте Uglichi не было проблем с количеством заявок. Обращений было много, но только малая часть из них доходила до квалификации. Автостратегия обучалась на отправках форм, тогда как бизнесу нужны были потенциальные покупатели, готовые двигаться к сделке.
Мы подключили моделируемые конверсии Sales Ninja, чтобы переориентировать оптимизацию на качественные обращений. Рассказываем, какую роль в этом играет ML-рематчер и как планируем развивать подход через обучение моделей на всей воронке продаж.
#Клиент
Uglichi — проект жилого курорта на берегу Волги. На территории 150 гектаров развивается коттеджный посёлок с общественными пространствами и инфраструктурой для загородной жизни. Концепция объединяет частные дома, отдых у воды, спортивные активности и сообщество резидентов. О проекте Uglichi.
Такое предложение предполагает вдумчивый выбор. Потенциальному покупателю нужно оценить расположение, архитектуру, инфраструктуру и сам формат жизни за городом. Его интерес может появиться задолго до готовности оставить заявку.
#Проблема: автостратегия училась на формах, а бизнесу нужны были квалифицированные лиды
Основная проблема проявлялась по воронке. Дешёвые обращения почти не переходили в SQL — лиды, квалифицированные отделом продаж, — и встречи. Рекламные кампании приносили заполненные формы, но этого было недостаточно для решения задачи бизнеса.
При оптимизации на отправку формы алгоритм получает положительный сигнал каждый раз, когда пользователь оставляет контакты. Однако два таких обращения могут иметь совершенно разную ценность. Один человек только интересуется предложением и не готов продолжать разговор. Другой подходит по условиям, обсуждает конкретный участок и договаривается о просмотре.
*Для цели «отправка формы» оба события считаются конверсией. *
Именно с этой задачей Uglichi пришли к Sales Ninja: научить алгоритм находить пользователей, которые с большей вероятностью станут квалифицированными лидами и продолжат движение к сделке.
#Решение: моделируемые конверсии с ориентиром на качество лидов
Мы подключили моделируемые конверсии Sales Ninja и выбрали целью обучения SQL — лид, прошедший квалификацию отдела продаж. Это позволило дать автостратегии Директа ориентир на качественные обращения.
На сайт устанавливается пиксель Sales Ninja. Далее модель обучается на данных проекта и поведении пользователей: анализирует визиты и реальные конверсии, ищет закономерности, связанные с достижением выбранной цели. После обучения она оценивает новые визиты и формирует виртуальные конверсии, которые передаются в Яндекс Метрику и используются автостратегией Директа для обучения.
Представим двух пользователей, которые оставили заявки. После общения с менеджером один не прошёл квалификацию, а второй подтвердил предметный интерес и согласился на встречу. Модель ищет различия в их поведении на сайте и определяет признаки, связанные с достижением SQL. Эти закономерности становятся ориентиром для автостратегии: она учится привлекать пользователей, которые с большей вероятностью пройдут квалификацию и в дальнейшем дойдут до покупки.
Моделируемые конверсии помогают использовать такие закономерности раньше — ещё во время новых визитов, когда их фактический результат пока неизвестен. Не нужно ждать завершения каждой сделки, чтобы оценить потенциальную ценность визита. При этом виртуальная конверсия остаётся прогнозом: эффект работы оценивается по реальным SQL, встречам и дальнейшим результатам продаж.
Дополнительно мы подключили минус-цель — статус «Нецелевой» из внешней системы. Обращения с таким статусом становились для модели Sales Ninja отрицательными примерами: она училась распознавать поведение нецелевых посетителей и снижать оценку визитов с похожими признаками. Так модель учитывала оба исхода — достижение SQL и нецелевое обращение. Это помогало формировать более точный сигнал для автостратегии Директа и направлять рекламу на аудиторию с большей вероятностью квалификации и последующей покупки.
#ML-рематчер: возвращаем в обучение сведения о качестве обращений
Чтобы реклама могла учитывать качество лидов, результат работы отдела продаж нужно связать с визитами пользователей.
Здесь возникает отдельная проблема. При передаче событий из CRM или коллтрекинга в Метрику часть конверсий может не сопоставиться с нужными посещениями. Например, менеджер квалифицировал лид, но идентификаторы переданы не полностью или у пользователя было несколько визитов, и связь оказалась неоднозначной.
В таком случае бизнес знает, что обращение оказалось качественным, а рекламная система может не получить соответствующий сигнал. Для задачи Uglichi это особенно существенно: сведения о квалификации и встречах как раз помогают отличить перспективные обращения от остальных.
Чтобы сократить такие потери, мы используем ML-рематчер Sales Ninja. Он сопоставляет результаты из внешних систем с сессиями на сайте. Точная связь имеет приоритет. Если её нет, модель сравнивает подходящие визиты по доступным идентификаторам, времени и рекламному контексту.
Восстановленная связь помогает передать событие в Метрику с идентификатором соответствующего визита. Так сведения о дальнейшей квалификации обращения могут использоваться в аналитике и обучении моделей.
#Результаты

#Что дальше
Следующая точка роста для Uglichi — моделируемые конверсии, обученные на всей воронке. Планируем расширить подход от отдельных целевых событий до последовательности этапов, учитывая их взаимосвязи и ценность для бизнеса.
В качестве рабочей схемы рассматриваем такой путь:
Обращение → квалифицированный лид (SQL) → запись на просмотр → состоявшийся просмотр → бронирование → сделка.
Обучение на всей воронке позволит учитывать, как развивается интерес потенциального покупателя. Квалифицированное обращение, состоявшийся просмотр и бронирование отражают разную степень готовности к покупке. Связи между этими событиями помогают оценивать, насколько ранние действия предсказывают дальнейший результат.
Вторая точка роста — оптимизация рекламных кампаний в VK на моделируемых конверсиях по всей воронке. Планируем использовать тот же подход: формировать виртуальные конверсии с учётом вероятности продвижения пользователя от обращения до сделки и использовать их для обучения рекламных алгоритмов VK.
