ML-ретаргетинг: умный ретаргетинг по вероятности покупки

Обычный ретаргетинг догоняет почти всех. ML-ретаргетинг сначала считает вероятность покупки, ценность и риск трафика, а потом усиливает тех, где выше шанс окупаемой покупки.

Аудиторные сегменты →

Ретаргетинг покупает слишком много лишнего

Посетитель, который трижды возвращался к дорогому товару, и пользователь, который случайно открыл страницу из РСЯ, часто попадают в одну аудиторию. ML-ретаргетинг нужен, чтобы разделить их до закупки и не платить одинаково за разную ценность.

Догоняете всех подряд

Бюджет уходит не только в спрос, но и в случайные визиты, старый интерес и низкую вероятность покупки.

Горячие и холодные получают одну цену

Горячий пользователь не получает приоритет, слабая аудитория не ограничивается.

Боты и плохие визиты портят аудитории

Без антибот-сигналов ретаргетинг продолжает покупать показы тем, кто не принесет выручку.

Один оффер для разных намерений

Выбор категории, почти покупка и случайный визит требуют разных сообщений.

Не различается будущая ценность

Высокий чек, повторные покупки и маржа теряются внутри общего списка.

Сегменты нельзя нормально связать с действиями

Непонятно, где повышать ставку, где прогревать, а где исключать.

Бюджет начинает работать по намерению и ценности

Цифры ниже — не обещание результата, а понятная механика: в ретаргетинге ценность распределена неравномерно. Небольшая часть аудитории часто даёт основную выручку, а широкий догон всех посетителей раздувает ДРР.

Было

Покупаем всех посетителей, одинаковые ставки и креативы

Все посетители за 30 дней

Стало

Отдельные сегменты по теплоте, ценности, риску и следующему лучшему действию

Горячие70% бюджета

Тёплые20% бюджета

Ценные5% бюджета

Рискованные5% бюджета

Как работает модель

Sales Ninja собирает признаки визита, CRM-исходы, покупки, источники, товарный интерес, повторные касания, антибот-сигналы и маржинальность. На выходе появляются аудитории для усиления, прогрева, персонализации и исключений.

Собираем признаки

Источник, кампания, устройство, глубина, товарный интерес, возвраты, формы, корзина, CRM-исходы и качество трафика.

сайтCRMкорзина

Считаем вероятность

Модель оценивает покупку, квал-лид, чек, LTV, риск спама, невыкупа или низкой ценности.

покупкаLTVриск

Формируем сегменты

Горячие, теплые, премиальные, чувствительные к цене, рискованные, похожие на квал-лидов или похожие на невыкупы.

горячиетеплыериск

Передаем в контур

Сегменты используются в ретаргетинге, Метрике, Директе, VK, Tag Manager и персонализации сайта.

ДиректVKсайт

Сценарии применения

ML-ретаргетинг полезен не сам по себе, а как слой решений: кому поднять приоритет, кого прогреть, кому показать товарный оффер, а кого убрать из дорогого контура.

ecom · purchase 0.82

Пользователь почти купил дорогой товар

Сегмент не теряется среди всех посетителей: его можно вернуть быстрее и вести сразу на товар, корзину или консультацию.

B2B · lead 0.71

Пользователь читает кейсы и условия

Вместо прямой продажи показываем аргументы: кейсы, калькулятор, консультацию, демо или отраслевое предложение.

LTV · value x3.4

Модель видит будущую ценность выше средней

Таких пользователей нельзя оценивать только по первой покупке: они дороже в привлечении, но лучше по выручке и марже.

РСЯ · risk high

Визит похож на некачественный трафик

Плохой трафик не возвращается повторно и не засоряет аудитории, на которых потом учится реклама.

Что делать с сегментами

Для каждого сегмента появляется понятное рекламное действие: ставка, сообщение, канал и роль в обучении.

Сегмент

Цель

Ставки

Сообщение и оффер

Каналы

Обучение и аудитории

Горячие

Высокая вероятность покупки или квал-лида

Высокие

Усилить ставку, сократить окно возврата, показать прямой оффер

Карточка, корзина, форма заявки

Включать в обучение и look-alike

Теплые

Интерес к категории есть, но намерение еще не дозрело

Средние

Прогреть преимуществами, подборками, отзывами и мягким CTA

Категория, квиз, подборка

Включать частично с ограничениями

Высокий LTV

Похожи на будущих дорогих клиентов

Выше средних

Дать отдельный приоритет и не резать закупку по первому CPA

Премиальный оффер, консультация

Приоритет в обучении и look-alike

Рискованные

Похожи на ботов, фрод, спам или невыкупы

Низкие / 0

Ограничить, исключить или отделить от обучающих событий

Исключения и чистка аудиторий

Не включать в обучение, исключать

Связанные продукты Sales Ninja

Сегменты отвечают за аудиторию. Остальные продукты добавляют обучающие конверсии, чистоту трафика, товарные сигналы и персональные сценарии.

главный слой

Аудиторные сегменты

Главный слой ML-ретаргетинга: теплота, ценность, намерение, LTV и риск для каждого пользователя.

обучение

Моделируемые конверсии

Дают автостратегиям больше качественных сигналов, когда реальных покупок или лидов мало.

чистота

Антибот и антифрод

Отсекает некачественные клики, подозрительные визиты и трафик, который не должен попадать в ретаргетинг.

ценность

LTV-оптимизация

Помогает ретаргетировать не просто лиды, а пользователей с высокой будущей выручкой и маржой.

товары

Smart Feed

Улучшает товарные сигналы, чтобы ретаргетинг вел пользователя к релевантным категориям и офферам.

сайт

Персонализация сайта

Использует сегменты на сайте: разные блоки, офферы и сценарии для разных уровней готовности.

Коротко про умный ретаргетинг

Ответы на вопросы, которые обычно появляются перед запуском ML-сегментов в рекламном контуре и на сайте.

Что такое ML-ретаргетинг и чем он отличается от обычного?

Обычный ретаргетинг строит аудитории по факту: был на сайте, смотрел товар, бросил корзину. ML-ретаргетинг строит аудитории по прогнозу — вероятность покупки, ожидаемый чек, риск спама или невыкупа. На вход модель берёт десятки признаков, а на выходе отдаёт готовые сегменты в Метрику и Директ. Ставка и креатив подстраиваются под ценность пользователя, а не под факт визита.

Какие именно сегменты получает рекламный кабинет?

Стандартный набор — горячие, тёплые, холодные, премиальные, чувствительные к цене, рискованные, похожие на квал-лидов, похожие на невыкупы и похожие на ботов. Состав сегментов подбирается под бизнес: в e-com добавляются ценностные срезы по марже, в B2B — срезы по воронке продаж, в недвижимости — по стадии выбора квартиры.

Где это работает — в Директе, VK или Google?

Основной кейс — Яндекс Метрика и Директ: сегменты приезжают как обычные аудитории Метрики и используются в корректировках, ретаргетинге, на Поиске и в РСЯ. Также подключаем VK Рекламу, Google Ads и TikTok Ads. Сегменты везде передаются автоматически — вручную ничего выгружать не нужно.

Можно ли использовать ML-сегменты для обучения автостратегий, а не только для ретаргетинга?

Да — и это сильнее всего работает в связке с моделируемыми конверсиями. Сегменты влияют на корректировки и аудиторный таргетинг, а моделируемые конверсии — на обучение «Максимума конверсий» и ДРР-оптимизации. Чаще всего клиенты подключают и то, и другое.

Что нужно для подключения?

Технически — установить скрипт Sales Ninja на сайт и подключить доступ к Яндекс Метрике. Если есть CRM (amoCRM, Битрикс, Smartis) или коллтрекинг (Calltouch, UIS) — подключаем источник, чтобы модель использовала CRM-исходы и качество звонков. Если есть Rick.ai или Roistat — подключаем сквозную аналитику для атрибуции и выручки. Без CRM тоже работает: сегменты будут строиться на поведении на сайте.

Сколько времени модель обучается?

Базовые сегменты по теплоте доступны уже на первой неделе. Ценностные срезы (премиум, чувствительные к цене, похожие на квал-лидов) обычно стабилизируются за 2–4 недели на типичном e-commerce-трафике. Для B2B и недвижимости (длинный цикл) полная калибровка занимает 4–8 недель.

Это совместимо с антиботом и борьбой со скликом в РСЯ?

Да. Адаптивный антибот и ML-ретаргетинг — взаимодополняющие продукты. Антибот отсекает ботный клик ещё до того, как он дошёл до сайта; ML-сегменты дополнительно изолируют «похожих на ботов» пользователей и уводят их из ретаргетинга, чтобы автостратегия не училась на шуме РСЯ.

Можно ли использовать сегменты прямо на сайте, а не только в рекламе?

Да. Сегменты доступны в Tag Manager и через JS-API — горячему пользователю можно показать один баннер, тёплому — другой, чувствительному к цене — промо. Полная механика — на странице персонализаций и правил.

Чем это лучше look-a-like от Метрики или Директа?

Look-a-like строится от факта (купил, оставил заявку). Это полезно, но даёт грубое разделение и не умеет внутри ретаргетинга отличить «почти готов» от «случайный визит». ML-ретаргетинг работает на вероятности и ценности, а не только на факте. Лучше всего комбинировать: look-a-like от покупателей плюс ML-сегменты внутри ретаргетинга.

Что делать, если у нас совсем мало конверсий?

Базовые сегменты по теплоте работают и без больших объёмов — модель опирается на поведение, а не только на конверсии. Для ценностных срезов в этом случае подключают универсальную моделируемую конверсию — это даёт плотный обучающий сигнал даже на старте, и уже через 1–2 недели становится возможным строить премиум-сегменты и ценностный ретаргетинг.

Расскажите о задаче —
соберём решение
под ваш бизнес.

Знакомство, аудит вводных и план первых шагов. Без продающих скриптов, без давления и без обязательств с вашей стороны.

Пишет живой менеджер, не бот
NDA по умолчанию,
ничего не уйдёт наружу
Никаких почтовых цепочек и спама

Ответим в течение 1 рабочего дняОбычно быстрее