Что такое виртуальные конверсии в Яндекс.Директе — и почему автостратегии без них работают вполсилы
Виртуальные конверсии — это способ дать автостратегии Директа больше данных для обучения, чем она может собрать самостоятельно. Дополнительный слой поведенческих сигналов, который помогает алгоритму точнее понимать кто из пользователей с наибольшей вероятностью станет клиентом. Звучит просто, но за этим стоит решение четырёх структурных проблем, с которыми рано или поздно сталкивается любая рекламная кампания в Директе — и которые стандартными инструментами не решаются.
Как работают автостратегии?
Контекстная реклама сегодня держится не столько на креативах или ручной настройке, сколько на алгоритмах. Автостратегии анализируют, какие показы в прошлом завершились покупкой или заявкой — и на этой базе строят прогноз: если вероятность целевого действия высока, система повышает ставку в аукционе, если низка — снижает. Под капотом это градиентный бустинг или нейросеть, которая обучается на истории кампании: кто кликнул, с какого устройства, в какое время, по какому запросу, как вёл себя на сайте — и что из этого закончилось конверсией.
Большинство маркетологов воспринимают автостратегию как чёрный ящик: задал цель, выставил бюджет — дальше само. Но это статистическая модель. И как любая статистическая модель — она ровно настолько хороша, насколько хороши данные, на которых обучалась. Больше данных — точнее портрет аудитории. Разнообразнее данные — тоньше сегментация. Свежее данные — быстрее реакция на изменения рынка.
Всё это означает одно: качество работы автостратегии прямо пропорционально качеству и объёму обучающих данных. И именно из этого тезиса вырастают четыре структурных проблемы, с которыми рано или поздно сталкивается любой маркетолог.
Проблема первая — алгоритму не хватает данных
Яндекс рекомендует минимум 10 конверсий в неделю на кампанию для устойчивого обучения. В идеале — 20–50. Ниже этого порога статистическая база недостаточна: модель не успевает накопить репрезентативную выборку, портрет аудитории формируется на случайных единичных событиях, а не на устойчивых паттернах. Результат — нестабильная работа и систематическое недобирание эффективности.
Представьте маркетолога, который ведёт кампанию для застройщика. Продажи квартир — несколько в месяц. Реальных конверсий в неделю — единицы. Автостратегия обучается на этих единицах, строит по ним портрет покупателя — и ищет похожих. Только вот портрет получается настолько бедным, что алгоритм фактически работает наугад.
В нишах с высоким средним чеком конверсионный поток разреженный по определению. В корпоративном B2B цикл сделки растянут на недели и месяцы. В ecom дорогие позиции накапливают статистику в разы медленнее чем массовый ассортимент. Это структурная данность рынка — и никакие манипуляции с настройками кабинета этого не изменят. Автостратегия в таких условиях работает в режиме хронического голодания.
Проблема вторая — плато эффективности
Эта проблема коварнее первой — потому что снаружи выглядит как успех. Конверсий хватает, кампании настроены, алгоритм обучился. CPL вышел на комфортный уровень — и остановился. Неделя за неделей одни и те же цифры. Всё работает. Просто не улучшается.
Любая автостратегия рано или поздно выходит на плато — и уровень этого плато напрямую зависит от объёма конверсий, которые она получает еженедельно. Алгоритм обучился на доступной выборке, построил портрет целевой аудитории — и сошёлся к локальному оптимуму. Дальше на тех же данных он не двинется. Можно менять ставки, чистить семантику, тестировать креативы — потолок останется там же. Потому что он определяется не настройками, а объёмом и разнообразием обучающего сигнала.
Проблема третья — неравномерная оптимизация по сегментам
Автостратегия распределяет обучающий сигнал пропорционально частоте реальных конверсий. Там, где конверсий много — алгоритм обучается хорошо. Там, где их мало — сегмент постепенно выпадает из оптимизации.
Это проявляется везде:
География. Кампания «на всю Россию» де-факто превращается в кампанию на Москву и Санкт-Петербург. Остальные регионы пессимизируются — не потому, что там нет спроса, а потому что алгоритму просто не хватает данных оттуда.
Товарный каталог. В ecom автостратегия смещается в сторону популярных товаров. Дорогие позиции, узкие категории, новинки — постепенно выпадают из активной оптимизации.
Семантика. Широкие высокочастотные запросы накапливают конверсии быстро. Узкие низкочастотные — медленно. Алгоритм уходит туда, где ему легче — даже если именно узкие запросы приводят наиболее качественный трафик.
Проблема четвёртая — оптимизация по неправильной точке воронки
Большинство рекламодателей оптимизируются по лиду — по первичной заявке или звонку. Логика понятна: конверсий достаточно, автостратегия обучается, кампания работает стабильно. Зачем что-то менять?
Но автостратегия оптимизируется ровно под то, на что настроена цель — и не смотрит дальше. Тот, кто оставил заявку из любопытства и тот кто готов купить прямо сейчас для алгоритма неразличимы. Оба — конверсия. В результате система ищет не тех кто купит — а тех кого проще всего привести к заявке. Дешёвый трафик с низкой конверсией в продажу: выглядит хорошо в отчёте по CPL и плохо — в отчёте по выручке.
Логичное решение — оптимизироваться по квалифицированному лиду или покупке. Но здесь маркетолог упирается в следующую стену.
Квалификация лида происходит не мгновенно. Менеджер позвонил, пообщался, внёс статус в CRM — и только после этого данные передаются в Яндекс.Метрику. В нишах с длинным циклом сделки между первым касанием и финальной квалификацией может пройти несколько недель. А Директ атрибутирует конверсии в течение 21 дня с момента клика.
В итоге ловушка захлопывается с двух сторон: оптимизироваться по лиду — значит получать дешёвые заявки низкого качества. Оптимизироваться по квалифицированному лиду — значит терять большую часть данных из-за окна атрибуции. Оба пути ведут к одному результату: автостратегия работает с неполной и искажённой картиной реальности.
Что такое виртуальные конверсии?
Виртуальная конверсия — это обучающий сигнал для автостратегии, сгенерированный предиктивной моделью на основе поведения пользователя на сайте.
Работает это так. Предиктивная модель устанавливается на сайт через пиксель и начинает анализировать каждый визит в реальном времени: глубину взаимодействия, навигационные паттерны, микроконверсии, контекст визита, историю взаимодействий. На основе этих данных модель рассчитывает вероятность того, что конкретный визит закончится реальной конверсией.
Визиты получают соответствующий вес — чем выше вероятность, тем весомее сигнал. Эти взвешенные события фиксируются как виртуальные конверсии и передаются в Яндекс.Метрику в качестве отдельной цели. Именно на эту цель начинает обучаться автостратегия Директа. Объём виртуальных конверсий в 3–5 раз превышает количество реальных — кампания, которая получала 10 конверсий в неделю начинает обучаться на 30–50 событиях
Что это меняет на практике?
Возьмём того же маркетолога застройщика из первого примера. Реальных продаж — несколько в месяц. Автостратегия голодает. После подключения виртуальных конверсий алгоритм начинает получать 30–50 обучающих событий в неделю вместо единиц. Портрет покупателя перестаёт строиться на случайной выборке — и кампания наконец начинает двигаться.
Для кампании, которая упёрлась в плато — это второй слой данных. Представьте интернет-магазин электроники: конверсий достаточно, CPL стабильный — но уже полгода не снижается ни на рубль. Предиктивная модель фиксирует поведенческие сигналы, которые раньше просто не попадали в обучение: как пользователь изучает каталог, на каких страницах задерживается, возвращается ли. Алгоритм начинает точнее находить тех кто купит — и CPL который полгода стоял на месте наконец начинает снижаться.
Для кампании с неравномерным распределением конверсий — виртуальные конверсии генерируются пропорционально реальному поведенческому интересу по всем сегментам. Алгоритм начинает видеть спрос там где раньше просто не хватало данных. Кампания на всю Россию перестаёт де-факто работать только на Москву и Санкт-Петербург.
И наконец — оптимизация по квалифицированному лиду становится возможной даже при длинном цикле сделки. Предиктивная модель оценивает вероятность того, что пользователь дойдёт до покупки прямо в момент визита — без ожидания квалификации менеджером и без зависимости от окна атрибуции в 21 день. Алгоритм получает сигнал немедленно — и начинает оптимизироваться под тех кто купит, а не под тех кто просто оставит заявку.
Отвечаем на главные возражения
Когда маркетолог впервые слышит про виртуальные конверсии — первая реакция предсказуема: «это накрутка», «Яндекс забанит», «аналитика испортится». Разберём каждый страх отдельно.
Это не накрутка. Виртуальная конверсия не создаёт иллюзию результата которого нет. Она не попадает в отчёт о продажах, не учитывается в выручке, не влияет на оплату агентству и не искажает финансовую аналитику. Она существует только внутри обучающего контура автостратегии — и нужна ровно одному участнику процесса: алгоритму Яндекса, которому не хватает данных. Мы не рисуем результат которого нет — мы передаём алгоритму более полную картину поведения пользователей на сайте.
Это не бидер. Бидер вмешивается в аукцион Директа и управляет ставками в реальном времени в обход автостратегии. Sales Ninja работает иначе: мы не трогаем аукцион, не меняем ставки и не конкурируем с автостратегией. Мы работаем на уровне входа — на составе обучающей выборки. Автостратегия остаётся автостратегией. Меняется только качество данных на которых она учится.
Яндекс не забанит. Виртуальные конверсии передаются в Яндекс.Метрику как обычные цели — технически это ничем не отличается от любой другой пользовательской цели, которую настраивает маркетолог. Никаких скрытых вмешательств в платформу нет.
Итог
Автостратегии Директа — мощный инструмент, но не стоит его идеализировать. Во всех четырех случаях проблема находится не в настройках кампании — а на уровне обучающей выборки. И стандартными инструментами рекламного кабинета до этого уровня не дотянуться.
Виртуальные конверсии решают проблему именно там где она существует. Расширяют обучающую выборку количественно и качественно. Дают алгоритму сигналы, которые он не может собрать сам — о поведении пользователей до финальной конверсии, по всей географии кампании, по всей глубине воронки. Автостратегия остаётся автостратегией. Меняется только то на чём она учится. Но именно это — единственное что имеет значение.