Радио 
В 2026 году в мобильном маркетинге закупка все сильнее опирается на ML (Machine Learning; машинное обучение), ретаргетинг превращается в инструмент управления ценностью уже накопленной аудитории, а бизнес требует связать медиазатраты с реальным финансовым результатом. При этом бренды, обладая значительными данными, нередко не используют весь потенциал информации о пользователях при закупке мобильной рекламы. В результате рекламодатель одновременно переплачивает за контакт с теми, кого мог вернуть сам, и недостаточно активно работает с теми, кому платный контакт действительно нужен. Один из способов решения проблемы — связка first-party данных, CDP (Customer Data Platform; платформа клиентских данных) и ML-скоринга. О том, как это работает, Sostav рассказал руководитель направления Mindbox Ads Капитон Смирнов.
Что мы знаем о пользователе
В мобильном приложении бренд способен видеть довольно подробную последовательность действий пользователя: входы, просмотры товаров, корзину, покупки, частоту сессий и реакции на собственные коммуникации. При этом рекламная платформа получает только ту часть данных, которая необходима для закупки и оптимизации рекламы, что создает слепую зону вокруг одного из наиболее дешевых способов вернуть пользователя — пуш-коммуникаций. По данным исследования Go Mobile, до 73% пользователей готовы отключить пуши из-за спама или отсутствия полезной информации. При этом 55% опрошенных отмечают, что персонализация пушей сильнее всего мотивирует их совершить покупку.
Таким образом, аудитория мобильных приложений делится на пользователей, доступных для коммуникации через пуш-уведомления, и тех, кто этот канал закрыл. Однако рекламные системы не видят этой разницы. Рекламные системы требуют лишь идентификатор устройства для таргетинга. Статусы подписок на пуш-уведомления для них бесполезны, так как сами системы их не отправляют. Хотя теоретически передача этих данных возможна, она сопряжена с необходимостью разработки на стороне приложения и длительными обновлениями в App Store или Google Play, что долго и, как правило, не в приоритете.
Зачем платить за пользователя, которого можно вернуть бесплатно
Если пользователь доступен через триггерные пуши, одинаково агрессивно покупать его через ретаргетинг необязательно. Допустим, у приложения остается 30−40% аудитории, которая разрешила пуш-уведомления. Если эту информацию не передавать в контур управления рекламой, подписанный пользователь продолжает попадать в ретаргетинговые сегменты вместе со всеми остальными. Сам по себе показ рекламы такому человеку не обязательно бесполезен. Проблема начинается, когда рекламодатель не знает, нужен ли этот показ.
Пользователь положил товар в корзину и ушел. Бренд отправляет ему пуш. Через несколько минут тот открывает другое приложение, видит ретаргетинговый баннер, кликает и завершает покупку. В стандартной отчетности платная реклама выполнила свою задачу: есть клик, конверсия и понятная атрибуция. Но произошла бы покупка без рекламного контакта? Если да, рекламодатель только что заплатил за собственную конверсию. На фоне макроэкономической турбулентности этот вопрос в индустрии чувствуется острее. Рекламодателям уже недостаточно хорошего CPA (Cost Per Action; стоимость целевого действия) в отчете: они хотят понимать, какой вклад конкретного показа действительно был инкрементальным. На этом фоне в центре внимания оказываются данные на уровне отдельных показов, post-view и post-click атрибуция и связь медиазакупки с бизнес-метриками.
Безусловного отключения рекламы для всех, кто подписан на пуши, быть не должно. Эффективная стратегия предполагает последовательность: сначала отправляется пуш-уведомление, и только при отсутствии реакции активируются платные рекламные каналы. Основное преимущество такого подхода — предотвращение каннибализации. Часто конверсия могла бы произойти бесплатно после пуш-уведомления, но клиент переходит по платной рекламе из-за сиюминутного удобства. В результате платный канал получает заслугу за конверсию, которую он фактически не инициировал, что приводит к неоправданным затратам.
Этот принцип применим не только к пуш-уведомлениям, но и к другим каналам коммуникации. Перед подключением платной рекламы бренд может использовать доступные собственные каналы — email, пуш-уведомления или сообщения в мессенджерах. SMS также остается частью коммуникационного микса, но из-за более высокой стоимости его использование не всегда выгоднее рекламного контакта. Поэтому набор и очередность каналов зависят от стоимости контакта, доступности пользователя и эффективности каждого инструмента. В результате ретаргетинг подключается там, где собственные каналы уже не сработали или использование платной рекламы оказывается экономически оправданнее очередного прямого контакта.
Как first-party данные улучшают рекламу
В этой точке first-party данные становятся способом решить, кому вообще стоит покупать рекламу. Медиапланирование давно движется к собственным данным, а CDP позволяют объединять информацию из разных источников в единый профиль и использовать ее для ML-сегментации. По оценке Fortune Business Insights, мировой рынок CDP достиг 3,28 млрд долларов в 2025 году и может вырасти до 17,03 млрд долларов к 2034 году при среднегодовом темпе роста 19,6%. По экспертным оценкам, российский рынок в 2025 году мог достигнуть 7 млрд рублей.
Система может учитывать недавние заказы, намерение, статус лояльности и рассчитанную моделью аудиторию в момент взаимодействия. Например, компании Braze и Databricks развивают zero-copy подход, при котором сегменты можно активировать в маркетинговой платформе, не копируя чувствительные клиентские профили из основного хранилища компании. В том же направлении развивает свои инструменты и Mindbox: платформа использует единый клиентский профиль, поведенческие данные и модели для персонализации взаимодействия с клиентом и принятия решений в момент контакта.
ML-модели способны эффективно определить вероятность покупки и сегменты для рекламного ретаргетинга, обучаясь на основе глубокого анализа данных. Без погружения в технические детали можно представить это следующим образом: модель выявляет паттерны поведения, которые коррелируют с высокой вероятностью покупки. Например, если пользователь пришел из определенного источника трафика, внимательно изучил пять изображений одного товара и просмотрел несколько аналогичных позиций, модель может расценить его как высокопотенциального покупателя. И наоборот, если пользователь бегло просмотрел по одной фотографии в различных категориях, его вероятность скорой покупки значительно ниже.
На основе этих прогнозов модель не только определяет, кто с наибольшей вероятностью совершит покупку, но и сегментирует аудиторию. Это позволяет направленно возвращать рекламой тех пользователей, чье поведение указывает на высокую готовность к покупке. В результате вместо большого ретаргетингового сегмента «был в приложении, но не купил» появляется несколько групп с разной вероятностью конверсии. Одному пользователю достаточно пуша, другого имеет смысл вернуть платной рекламой, третьему — реклама сейчас не нужна вообще.
Для многих российских рекламодателей first-party data пока остается своего рода голубым океаном: данные о клиентах уже накоплены в CRM, программах лояльности и истории продаж, но их потенциал для управления рекламой используется далеко не полностью. Так, рекламодатель получает возможность точнее управлять распределением бюджета: учитывать вероятность покупки без дополнительного рекламного контакта и направлять инвестиции прежде всего на аудиторию, где реклама способна дать дополнительный эффект.
Меняем оптику
Еще несколько лет назад мобильные закупки было удобно оценивать через верхние уровни воронки. В 2026 году дешевый инсталл сам по себе уже мало о чем говорит. Если пользователь установил приложение, ничего не купил и быстро перестал им пользоваться, низкая цена установки не делает кампанию эффективной. Сегодня участники рынка в числе базовых задач мобильного баинга называют оптимизацию кампаний по прогнозному LTV (Lifetime Value; пожизненная ценность), Retention (возвращаемость), вероятности подписки, повторным покупкам и Payback Period (срок окупаемости).
Использование first-party данных в сочетании с ML-скорингом позволяет значительно увеличить LTV за счет целевой и продуманной коммуникации. Реклама показывается тем пользователям, которым действительно требуется дополнительный стимул для совершения покупки. Благодаря анализу first-party данных, мы получаем глубокое понимание поведения каждого пользователя: мы знаем, в каких каналах он присутствует и насколько эффективно мы можем до него достучаться. Одновременно ML-модель определяет индивидуальную вероятность покупки для каждого клиента.
В этом смысле скоринг оказывается продолжением более общего сдвига в мобайле, для которого характерен переход к более жесткой оптимизации на фоне удорожания привлечения, когда рекламодатели стремятся «выжимать максимум» из доступных каналов. Важно отметить, что скоринг работает в любом сегменте, где есть достаточно данных для обучения модели. Практический порог — около 150 тыс. визитов в месяц в рамках сегмента (речь именно о визитах, а не о покупателях). Поэтому такой подход в первую очередь интересен крупным игрокам: e‑com, ретейлу, финтеху, сервисам доставки и другим продуктам, где мобильное приложение — регулярная точка контакта, а пользователь генерирует много событий. На небольших проектах, особенно где покупки редки и приложение почти не используется, строить сложную систему скоринга вокруг приложения нецелесообразно.
Практические рекомендации
На практике начинать с перестройки всей мобильной закупки не стоит.
Первый этап — аудит. Необходимо понять, какие события уже собираются в приложении, где хранится статус подписки на коммуникации, насколько корректно склеиваются пользовательские идентификаторы, какие аудитории передаются рекламным системам и какая доля платных конверсий могла пересекаться с собственными каналами.
Следом идет интеграция приложения, CDP и рекламных каналов. Для мобильных пушей интеграция обычно требует API (Application Programming Interface; набор правил и протоколов, которые позволяют разным программам обмениваться данными и функциями) или SDK (Software Development Kit; готовый набор инструментов для разработки). Наличие готового последнего решения снижает объем собственной разработки и дальнейшие расходы на поддержку.
Третий этап — пилот. На части аудитории модель рассчитывает вероятность покупки и меняет логику подключения платных каналов, а контрольная группа продолжает жить по старым правилам. Внедрять скоринг нужно с заранее определенной целью: снижение ДРР, увеличение общего дохода или снижение стоимости привлечения клиента.
Только после пилота имеет смысл масштабировать систему.
Промежуточные итоги
Сегодня эффективность мобильной рекламы во многом определяется способностью рекламодателя использовать собственные данные для точечного управления контактом с пользователем. Связка first-party данных, CDP и ML-скоринга позволяет разделить единую ретаргетинговую аудиторию на группы с разной вероятностью конверсии и разной доступностью через бесплатные каналы. Это позволяет сокращать закупку показов, которые с высокой вероятностью не создают дополнительной конверсии. Такой подход меняет экономику ретаргетинга.
Для внедрения не требуется мгновенная перестройка всей мобильной закупки. Достаточно последовательно пройти этапы: аудит данных и текущих аудиторий, интеграция приложения с CDP и рекламными каналами, пилот на части трафика с четкой бизнес-целью и последующее масштабирование. В итоге first-party скоринг превращает ретаргетинг из инструмента массового «дожима» в систему управления инкрементальностью, где реклама подключается только после того, как собственные каналы исчерпали свой потенциал.