Привлечение пользователей в «Бидиз» (Bidease): как алгоритмы находят тех, кто платит

Разговор о машинном обучении в программатик-рекламе — это разговор не столько о технологиях, сколько о деньгах: что покупать, где покупать и сколько за это платить. Для платформ машинное обучение давно стало стандартом: у многих есть собственные модели, алгоритмы и инструменты автоматизации. Но реальная ценность технологии определяется не сложностью архитектуры и не количеством нейросетей в системе.

Ценность формируется проще: дает ли платформа нужный результат конкретному рекламодателю и как быстро этот результат достигается.

На практике это два ключевых вопроса:

• Какова стоимость целевого действия, важного именно для этого продукта?
• Сколько таких действий можно получить в рамках заданного бюджета?

Почему машинное обучение — это прежде всего про финансовую эффективность

Типичная ситуация. Рекламодатель приходит в программатик-платформу с задачей продвижения мобильного приложения. Цель — привлекать пользователей, которые регулярно совершают покупки внутри продукта.

У рекламодателя имеются:

• четкая юнит-экономика,
• фиксированный бюджет,
• конкретные ключевые показатели эффективности.

На бумаге все прозрачно. На практике начинается реальность аукционной закупки.

«Бидиз» (Bidease) покупает трафик на открытом рынке через аукционы — и это сразу задает два важных условия:

• рекламодатель (клиент платформы) конкурирует с другими участниками рынка, нацеленными на ту же аудиторию, — за каждый релевантный показ;
• самые выгодные аукционные возможности «разбираются» первыми.

Именно здесь машинное обучение перестает быть модным термином и становится рабочим инструментом. Его задача — при фиксированном бюджете максимизировать количество целевых событий и удерживать кампанию в рамках ключевых показателей эффективности.

Что происходит за миллисекунды до показа

Роль машинного обучения видна на самой механике закупки трафика.

Каждую секунду платформа получает тысячи запросов на показ рекламы. По каждому из них система мгновенно оценивает релевантность пользователя и вероятность целевого события по сотням параметров — причем важен не объем сигналов, а то, насколько они коррелируют с конверсией, — и принимает решение:

• участвовать в аукционе или пропустить его;
• какую ставку сделать;
• какой креатив показать.

Оценить такой объем факторов вручную невозможно в принципе. Эту работу берут на себя предиктивные модели.

Пять предиктивных моделей «Бидиз» ( Bidease )

В перформанс-кампаниях на привлечение пользователей (User Acquisition) платформа «Бидиз» (Bidease) использует различные типы моделей и подходов к предиктивной логике, включая пять наиболее распространенных архитектур. Каждая решает свою задачу, обучается на своих данных и отвечает за конкретный этап оптимизации.

Важно: это не пять независимых алгоритмов, между которыми система «переключается», — они работают в связке.

Широкая нейросетевая модель: быстрый старт без потери бюджета

Первая задача при запуске кампании — преодолеть эффект холодного старта.

Когда новая кампания только выходит в аукцион, у платформы еще нет достаточной статистики именно по этому рекламодателю: в каких источниках, у каких пользователей и при каких условиях целевое событие действительно происходит. Если ждать, пока такие данные накопятся естественным образом, часть бюджета неизбежно уйдет на тестирование и выявление этих зависимостей.

Широкая нейросетевая модель решает эту проблему: она обучается на большом массиве обезличенных исторических данных платформы и использует накопленные закономерности рынка, чтобы принимать сильные решения уже с первых показов.

Нейросетевая модель помогает системе понять:

• какие типы инвентаря чаще дают результат для схожих задач;
• какие поведенческие и контекстные сигналы коррелируют с высокой вероятностью конверсии;
• где есть потенциал для масштабирования — еще до появления глубокой статистики по конкретной кампании.

Дополнительное преимущество обеспечивает передача в платформу неатрибуцированных сигналов из трекера за несколько дней до запуска. Это не заменяет обучение на данных кампании, но помогает быстрее адаптировать стартовую стратегию и сократить объем бюджета, который используется в период тестирования.

С точки зрения экономики кампании это критично: чем раньше система начинает отличать перспективные аукционы от слабых, тем быстрее бюджет работает на ключевые показатели — а не на поиск рабочих связок.

Модель оптимизации на целевое событие: точность там, где это важно

По мере накопления атрибуцированных событий все активнее включается модель оптимизации на целевое событие.

Ее задача — оптимизировать закупку под конкретную бизнес-цель рекламодателя. В зависимости от задачи это может быть не только установка приложения, но и более глубокое событие по воронке — то, которое клиент считает действительно ключевым.

В отличие от широкой нейросетевой модели, здесь система опирается на реальные данные конкретной кампании. Это позволяет точнее оценивать, какие показы и какие пользователи с большей вероятностью приведут к нужному действию.

Модель особенно важна, когда между установкой и ценным для бизнеса результатом есть заметный разрыв. Если приложению нужны не просто установки, а пользователи, которые доходят до регистрации и совершают первую покупку, — оптимизация только на верхний уровень воронки быстро перестает быть достаточной.

Модель оптимизации по стоимости действия: баланс между качеством и ценой или как выдерживать экономику кампании при росте объемов

Во многих перформанс-задачах важен не только факт конверсии, но и стоимость. Именно здесь в работу включается модель оптимизации по цене за действие.

Она помогает системе находить баланс между вероятностью целевой конверсии и ценой, по которой этот результат можно купить в аукционе. По сути, модель отвечает на практический вопрос: как можно получить нужное событие по экономически приемлемой стоимости?

Для этого модель учитывает не только финальное событие, но и все промежуточные сигналы внутри воронки после установки. Это особенно полезно, когда целевое действие происходит не сразу и данных по нему пока недостаточно. Более ранние события помогают системе быстрее оценивать качество трафика — не дожидаясь, пока накопится статистика по самой «нижней» конверсии.

На практике это дает два эффекта:

• ускоряет обучение кампании;
• удерживает стоимость результата в рамках заданного показателя.

Например, в кампании для тревел-сервиса «Островок!» обучение нескольких моделей с контролем CPA (стоимость целевого действия) на событии «бронирование» позволило снизить стоимость целевого действия вдвое и удерживать спрос стабильным на протяжении полугода — несмотря на выраженную сезонность рынка путешествий.

Модель оптимизации по окупаемости расходов: от конверсий — к выручке

Когда рекламодатель передает в платформу данные о выручке, в работу включается модель оптимизации по окупаемости рекламных расходов.

Ее задача — оптимизировать не просто количество конверсий, а финальную отдачу от закупки. Ключевой принцип здесь прост: разные пользователи при одинаковой стоимости привлечения приносят совершенно разную ценность. Один совершит разовую покупку, другой несколько транзакций, третий станет постоянным клиентом с высоким доходом для бизнеса.

Модель учитывает эту разницу и смещает закупку в сторону более ценных пользователей — а не конверсий по необходимой цене. Это особенно важно для продуктов из электронной коммерции, финансовых технологий, игр и подписочных сервисов, где качество пользователя зачастую имеет более весомую роль, чем объём установок.

Именно на этом уровне машинное обучение напрямую влияет на финансовую эффективность: система оптимизирует кампанию не под «много событий», а под максимальный вклад в выручку и возврат на рекламные расходы.

Так, в кампании для «Яндекс Маркета» смещение фокуса с количества установок на качество аудитории за четыре месяца удвоило число первых покупок и увеличило повторные заказы — при одновременном снижении CPI (стоимость установки приложения), CAC (стоимость привлечения клиента) и ДРР (доля рекламных расходов). Это и есть оптимизация под выручку, а не под «много установок».

Модель поиска похожей аудитории: быстрое масштабирование без потери качества

Эта модель находит новую аудиторию, похожую на уже существующих ценных пользователей рекламодателя.

В качестве обучающей выборки выступают пользователи, которые совершили нужное действие: зарегистрировались, оформили покупку или показали высокую пожизненную ценность. На основе их поведенческих и контекстных паттернов система ищет похожие сегменты — те, до которых рекламодатель еще не добрался или которые недостаточно активно охватывает.

Это позволяет не только расширять охват, но и делать масштабирование управляемым: система находит новых пользователей с высокой вероятностью ценного действия — независимо от того, в каком инвентаре они находятся.

Как модели работают вместе

Рынок подвержен эффекту насыщения. Когда рекламодатели действуют схожим образом, используют одни и те же источники и стратегии, первыми заканчиваются самые очевидные аукционные возможности.

Поэтому в «Бидиз» (Bidease) результат достигается не за счет одной «лучшей» модели, а за счет их сочетания:

• чтобы снизить зависимость от стандартных источников эффективности;
• чтобы сохранить устойчивость к изменениям рынка;
• чтобы находить качественные альтернативы при приемлемой стоимости привлечения.

Это не линейная схема и не ручное переключение «одна модель вместо другой». На практике при закупке трафика сигналы от разных моделей дополняют друг друга, а система постоянно сравнивает их вклад в результат и адаптирует стратегию под текущую ситуацию на рынке.

Пример такой связки — технология «Автопилот»: комплекс из моделей прогнозирования, балансировщиков трафика и инструментов управления бюджетом. Как такая связка удерживает эффективность в условиях высокой нагрузки, хорошо видно на кейсе «Национальной Лотереи» в высокий новогодний сезон. Несмотря на резкий рост конкуренции в аукционе и стоимости закупки, система сохранила окупаемость: ROMI (возврат на маркетинговые инвестиции) вырос на 20% при кратном увеличении объема целевых действий и двукратном росте повторных покупок.

Почему «не мешать алгоритмам» — это про эффективность, а не про потерю контроля

Самая распространенная ошибка на старте кампании — попытка одновременно получить максимальную эффективность, быстро нарастить объем и при этом жестко ограничить пространство для поиска оптимальных решений.

Это похоже на запрос построить самый быстрый маршрут в навигаторе, запретив ему половину дорог.

Алгоритмы оптимизируют только то, что влияет на целевое действие. Если заранее закрыть часть рынка ручными ограничениями, шанс найти качественную и доступную аудиторию резко снижается.

При этом у системы всегда есть встроенный предохранитель — бюджет. Если дневной лимит кампании составляет 100 000 рублей, больше потрачено не будет. Задача машинного обучения каждый день тратить эти 100 000 рублей эффективнее, чем вчера.

Машинное обучение в «Бидиз» (Bidease) — это логичная система

Если собрать все вместе, картина выглядит так:

• Ценность — покупать нужное событие максимально эффективно при заданном бюджете.
• Механика — широкая нейросетевая модель обеспечивает сильный старт, модели на атрибуцированных данных повышают точность и управляемость.
• Баланс — система постоянно перераспределяет бюджет между моделями, креативами и источниками в режиме реального времени.
• Условие эффективности — дать системе пространство для поиска на старте и не ограничивать её избыточными рамками в ходе рекламной кампании.

По сути это не магия и не «черный ящик», а практичный инструмент, который конвертирует рекламный бюджет в измеримый результат с управляемой экономикой. Пять взаимодополняющих моделей работают в связке, адаптируются к аукционной среде и берут на себя тысячи решений в секунду — чтобы каждый рубль бюджета работал на ключевые показатели, а не на поиск ответов вручную.

Это первый материал серии про машинное обучение в «Бидиз» (Bidease). В следующих разберем, как алгоритмы возвращают тех, кто уже знаком с продуктом, и как работают на охват и узнаваемость бренда.