Представители «Яндекс Маркета» и 
Bidease рассказали Sostav, как ML-подход помог сместить фокус с количества установок на качество аудитории и привлекать пользователей, которые действительно покупают и возвращаются. За четыре месяца кампании командам удалось удвоить число первых покупок и увеличить повторные заказы, одновременно снизив стоимость привлечения в условиях роста конкуренции на рынке.
Мобильный маркетинг сейчас — постоянная борьба за внимание потребителя, растущие ставки и изменение стратегий. Рекламодатели сталкиваются с вызовами:
- Рост стоимости мобильного трафика: установки и конверсии по воронке дорожают. Бренды соперничают за ограниченный объем аудитории.
- Сложности с точностью таргетинга: privacy-ограничения, разрывы в трекинге, отсутствие единого окна атрибуции — все это снижает эффективность привычных настроек.
Смещение фокуса рынка: бренды хотят привлекать ценных пользователей, которые делают покупки и возвращаются за следующим заказом. А не тех, кто скачивает приложение «ради выгодного промокода».
В таких реалиях важно управлять не просто трафиком, а качеством аудитории. Переходить от «недорогой установки» к «покупающему пользователю». В этом кейсе расскажем, как это удалось сделать командам «Яндекс Маркета» и Bidease.
О клиенте
«Яндекс Маркет» — один из крупных маркетплейсов страны. Платформа объединяет 161 тыс. продавцов и миллионы покупателей.
О платформе
Bidease — программатик-DSP с доступом к миллионам мобильных приложений через рекламные биржи. Платформа специализируется на перформанс-закупках с прозрачной аналитикой и оптимизацией под реальные бизнес-KPI, а также решает задачи медийных кампаний.
Цель
Команды «Яндекс Маркета» и Bidease не гнались за количеством установок. Цель — повысить эффективность и окупаемость перформанс-маркетинга.
Работали над:
- Привлечением пользователей, которые действительно покупают.
- Оптимизацией ДРР и удержанием CPI/CAC в рамках KPI.
- Поиском эффективных и масштабируемых источников для DSP-кампаний.
Гео: Россия.
Источник: Bidease.
Платформы: iOS, Android.
Трекер: Adjust.
Период РК, описанный в кейсе: с июня по сентябрь 2025 года (включительно).
Решение
Стратегия закупки трафика включала три элемента:
- Сбор максимального количества данных через широкий запуск кампании в режиме автопилота.
- Поэтапное обучение алгоритмов под реальные бизнес-цели.
- Динамическое управление ставками на основе ML-оценки качества каждого показа.
Процесс обучения алгоритмов
Шаг 1: широкий запуск или «нулевой слой данных» (три-четыре недели). Команда проекта запустила кампанию без ограничений по таргетингу в режиме автопилота. Цель — быстро собрать массив пользовательских сигналов. Алгоритм учился понимать разницу между пользователями, которые:
- просто кликают по рекламе;
- скачивают приложение;
- делают первую покупку;
- повторно приходят в приложение за заказами.
Эти данные стали фундаментом для дальнейшего обучения.
Шаг 2: оптимизация на установку (около двух недель). На этом этапе ML-модель определяла:
- источники качественных установок;
- креативы с высокой вовлеченностью (СTR, CR в установку, CR в покупку);
- паттерны поведения пользователей в первые секунды после скачивания.
В результате анализа информации алгоритм отсеивал низкоценный трафик, снижая CPI с ростом объемов установок.
Шаг 3: оптимизация на первую покупку (около двух недель). Модель переключилась на более глубокое действие по воронке продаж.
Анализировались:
- глубина просмотра видео;
- тип устройства;
- особенности поведения после установки (просмотр ленты, добавление в корзину и так далее);
- временные паттерны: от клика до покупки.
Алгоритмы начали понимать, какие пользователи с большей вероятностью будут покупать товары, а не просто устанавливать приложение. Это позволило улучшить CPO.
Шаг 4: оптимизация на повторные покупки (около двух недель и далее постоянное переобучение). Финальный этап — прогноз вероятности второго и следующих заказов.
В работу включились:
- адаптивные look-alike-модели;
- ML-кластеры по поведенческим признакам;
- весовые коэффициенты событий на платформе.
Этот слой оптимизации вывел кампанию на новый уровень: была привлечена по-настоящему лояльная аудитория и улучшен ДРР.
Система принимала множество решений за доли секунды: выкупать рекламный показ или пропускать, по какой ставке входить в аукцион, какую вероятность совершения целевого действия присвоить пользователю, какой креатив показать.
Команды «Яндекс Маркета» и Bidease выполняли роль «человеческого фильтра» на ключевых этапах. Анализировали отчеты по площадкам и сегментам и сверяли информацию с внутренней BI клиента. Такой контроль позволял быстро отсеивать подозрительные источники и поддерживать качество трафика.
В разрезе креативов команда Bidease регулярно обновляла подходы. Команда «Яндекс Маркета» оперативно разрабатывала новые видео, опираясь на гипотезы и наблюдения Bidease о том, какие решения сработают эффективнее.
Трудности проекта
Трудность 1 — SKAdNetwork на iOS.
Apple ограничила отслеживание через 24-часовое постбэк-окно.
Как решали
ML-модель обучалась ежедневно на всех доступных данных: как атрибуцированных, так и неатрибуцированных от «Яндекс Маркета». Алгоритмы видели полную картину взаимодействия пользователей и строили прогнозы. Это позволило моделировать влияние на покупки до 30-го дня через синтез SKAN и внутренних событий.
Трудность 2 — высокий сезон (Back-to-School)
Аукцион активизировался: конкуренты и другие рекламодатели увеличили бюджеты, закупки стали сложнее и дороже.
Как решали
ML-модель быстро реагировала на изменения рынка и оптимизировала ставки. Она могла закупать показы даже по прежней цене или с небольшим увеличением, всегда ориентируясь на заданные бизнес-цели. С набором статистически значимых данных в новых условиях рынка ее точность возрастала.
Креативная составляющая
Каждое взаимодействие пользователя с рекламным сообщением было дополнительным сигналом для ML. Креативы стали не просто инструментом привлечения, а «топливом» для алгоритмов.
На старте кампании тестировались разные креативные форматы и подходы: надо было понять, какие из них дают хорошие результаты и ценные сигналы для обучения ML. В тест вошли брендформанс-видео, сравнительные ролики, обзоры с нестандартным монтажом, UGC и распаковки. Весомый отклик и стабильные результаты показали распаковки, обзоры и UGC. Эти ролики регулярно входили в топ перформящих креативов во всех товарных категориях и были масштабированы.
Усилить их эффект помогли полноэкранные Interstitial-форматы.
Результат:
- Высокая концентрация внимания пользователя без отвлекающего контента.
- Качественная передача ценности продукта (длинные видео доступно объясняли выгоду).
- Больше сигналов для алгоритмов (просмотры, вовлеченность).
Среди статистически значимой выборки креативов данное видео обеспечило конверсию в покупку в 1,6 раза выше остальных.
Диана Филина, директор по клиентскому опыту Bidease:
Совместно с командой «Яндекс Маркета» мы прошли большой путь — от первых тестов до стабильной масштабной закупки. В процессе мы сталкивались с естественными для перформанс-рекламы вызовами: сложностью атрибуции, высокой конкуренцией в аукционе, разными моделями оптимизации. Но именно благодаря открытой коммуникации и постоянной работе с данными нам удалось выстроить эффективную стратегию закупки, которая приносит рост не только по установкам, но и по количеству пользователей, активных в приложении.
Результаты
За четыре месяца кампании клиент получил двукратный рост первых покупок* и увеличение в 3,3 раза повторных покупок** при снижении CPO. Закупка велась в рамках KPI по всем ключевым метрикам, и по каждой удалось добиться улучшения в условиях удорожания рынка.
На Android:
- CPI — снижение на 28%;
- CAC — снижение на 34%;
- ДРР (в когорте 0-го дня) — снижение на 30%.
На iOS:
- CPI — снижение на 14,5%;
- CAC — снижение на 17%;
- ДРР (в когорте 0-го дня) — снижение на 14,6%.
Иван Беляев, ex-менеджер по мобильному маркетингу «Яндекс Маркет»:
Рынок сейчас очень подвижный: ставки растут, старые подходы перестают работать. Поэтому мы сразу смотрим не на факт установки, а на то, кто реально останется с продуктом. Формально задача простая — привлекать покупателей, а не случайный трафик, но на практике это несколько сложнее. ML-подход помогает быстро отделять пользователей с краткосрочным интересом от действительно ценных, а совместная работа команд «Яндекс Маркета» и Bidease позволяет превращать эти сигналы в первые и последующие покупки.
Что в итоге
- Широкий запуск рекламных кампаний в режиме автопилота обеспечил оптимальный старт и позволил оперативно собрать статистически значимые данные для корректной работы моделей.
- Многоуровневое обучение алгоритмов существенно повысило качество закупаемого трафика и стабильность оптимизационных процессов.
- Полноэкранные видеокреативы стали значимым источником дополнительных сигналов для машинного обучения, усилили влияние креатива на эффективность кампаний.
- Прозрачное и тесное взаимодействие команд «Яндекс Маркета» и Bidease позволило выстроить баланс между автоматизацией и экспертным контролем. Алгоритмы получали свободу для обучения на реальных пользовательских данных, а команды — возможность оперативно влиять на стратегию: корректировать подходы, обновлять креативные решения и своевременно исключать малоэффективные или подозрительные источники трафика.
Этот кейс демонстрирует, как синергия команд «Яндекс Маркета» и Bidease, опора на данные и ML-подход позволили создать единую перформанс-стратегию и достичь целей.