ecompurchase 0.82
Пользователь почти купил дорогой товар
общая аудитория 30 дней
→ставка выше + товарный оффер
Сегмент не теряется среди всех посетителей: его можно вернуть быстрее и вести сразу на товар, корзину или консультацию.
ML-ретаргетинг
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.
Проблема обычного ретаргетинга
Ретаргетинг по всем клиентам смешивает горячий спрос, случайные визиты и шум
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.
бюджет
Догоняете всех подряд
Бюджет уходит не только в спрос, но и в случайные визиты, старый интерес и низкую вероятность покупки.
ставки
Горячие и холодные получают одну цену
Горячий пользователь не получает приоритет, слабая аудитория не ограничивается.
качество
Боты и плохие визиты портят аудитории
Без антибот-сигналов ретаргетинг продолжает покупать показы тем, кто не принесет выручку.
креатив
Один оффер для разных намерений
Выбор категории, почти покупка и случайный визит требуют разных сообщений.
LTV
Не различается будущая ценность
Высокий чек, повторные покупки и маржа теряются внутри общего списка.
управление
Сегменты нельзя нормально связать с действиями
Непонятно, где повышать ставку, где прогревать, а где исключать.
На пальцах
ML-ретаргетинг срезает лишний охват, но сохраняет большую часть покупок
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.
Обычный ретаргетинг
Покупаем всю аудиторию
Вместе с горячими пользователями вы снова покупаете случайные визиты, старый интерес, ботов и низкоценные сегменты.
ML-ретаргетинг
Концентрируемся на покупающих сегментах
Модель находит сегменты, где вероятность покупки и будущая ценность выше. Бюджет уходит туда, где больше выручки на показ.
Как работает ML-ретаргетинг
Модель превращает поведение в решения для рекламы
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.
Что происходит с пользователем
Один ретаргетинг превращается в несколько решений
В обычном сценарии все посетители падают в одну аудиторию. В ML-сценарии каждый визит получает score: вероятность покупки, ожидаемая ценность и риск. По этому score выбирается действие.
посетители
A
Вернулся к товару
3 визита, корзина, высокая маржа
B
Сравнивает категорию
смотрит подборки, читает условия
C
Похож на дорогого клиента
высокий чек, повторные покупки
D
Плохой визит из РСЯ
короткая сессия, риск фрода
ML
purchase
LTV
risk
решения
+ставка
Усилить
быстро вернуть на товар, корзину или форму
контент
Прогреть
показать подборку, отзывы, выгоды и сравнение
LTV
Отдельный приоритет
не резать закупку по первому CPA
минус
Ограничить
убрать из ретаргетинга и обучения
Главный продукт
Аудиторные сегменты Sales Ninja — основа ML-ретаргетинга
Аудиторные сегменты дают рекламной команде не абстрактный ML, а готовые группы пользователей: по теплоте, ценности, вероятности покупки, LTV, товарному интересу и риску плохого трафика. Эти сегменты можно передавать в рекламные кабинеты, Метрику, VK, Tag Manager и сценарии сайта.
01
Собираем признаки
Источник, кампания, устройство, глубина, товарный интерес, возвраты, формы, корзина, CRM-исходы и качество трафика.
02
Считаем вероятность
Модель оценивает покупку, квал-лид, чек, LTV, риск спама, невыкупа или низкой ценности.
03
Формируем сегменты
Горячие, теплые, премиальные, чувствительные к цене, рискованные, похожие на квал-лидов или похожие на невыкупы.
04
Передаем в контур
Сегменты используются в ретаргетинге, Метрике, Директе, VK, Tag Manager и персонализации сайта.
почему это лучше
Бюджет начинает работать по намерению и ценности
Горячих пользователей можно возвращать быстрее. Дорогие сегменты вести отдельным оффером. Сомнительный трафик ограничивать. Тёплые аудитории прогревать без переплаты за каждый показ.
ставкапо вероятности
креативпо намерению
исключенияпо риску
Что это позволяет делать
Для каждого сегмента — свой сценарий ретаргетинга
Сегмент
Что понимаем
Что делаем в рекламе
Куда ведем
Горячие
Высокая вероятность покупки или квал-лида
Усилить ставку, сократить окно возврата, показать прямой оффер
Карточка, корзина, форма заявки
Теплые
Интерес к категории есть, но намерение еще не дозрело
Прогреть преимуществами, подборками, отзывами и мягким CTA
Категория, квиз, подборка
Высокий LTV
Похожи на будущих дорогих клиентов
Дать отдельный приоритет и не резать закупку по первому CPA
Премиальный оффер, консультация
Рискованные
Похожи на ботов, фрод, спам или невыкупы
Ограничить, исключить или отделить от обучающих событий
Исключения и чистка аудиторий
Практические сценарии
Как это выглядит в реальных рекламных задачах
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.
B2Blead 0.71
Пользователь читает кейсы и условия
догон баннером
→прогрев на форму заявки
Вместо прямой продажи показываем аргументы: кейсы, калькулятор, консультацию, демо или отраслевое предложение.
LTVvalue x3.4
Модель видит будущую ценность выше средней
обычный CPA
→отдельная аудитория и оффер
Таких пользователей нельзя оценивать только по первой покупке: они дороже в привлечении, но лучше по выручке и марже.
РСЯrisk high
Визит похож на некачественный трафик
попадает в ретаргетинг
→исключение и минус-сигнал
Плохой трафик не возвращается повторно и не засоряет аудитории, на которых потом учится реклама.
Остальные продукты кратко
Что еще усиливает ML-ретаргетинг
Сегменты отвечают за аудиторию. Остальные продукты добавляют обучающие конверсии, чистоту трафика, товарные сигналы и персональные сценарии.
Аудиторные сегменты
Главный слой ML-ретаргетинга: теплота, ценность, намерение, LTV и риск для каждого пользователя.
→
Моделируемые конверсии
Дают автостратегиям больше качественных сигналов, когда реальных покупок или лидов мало.
→
Антибот и антифрод
Отсекает некачественные клики, подозрительные визиты и трафик, который не должен попадать в ретаргетинг.
→
LTV-оптимизация
Помогает ретаргетировать не просто лиды, а пользователей с высокой будущей выручкой и маржой.
→
Smart Feed
Улучшает товарные сигналы, чтобы ретаргетинг вел пользователя к релевантным категориям и офферам.
→
Персонализация сайта
Использует сегменты на сайте: разные блоки, офферы и сценарии для разных уровней готовности.
→
FAQ
Коротко про умный ретаргетинг
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. 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.