Ретаргетинг в «Бидиз» (Bidease): как алгоритмы монетизируют существующую аудиторию

Эксперты «Бидиз» ( Bidease ) рассказали, как платформа монетизирует уже сформированную базу пользователей: какие аудитории подходят для повторных касаний и по каким сигналам система решает, участвовать ли в конкретном аукционе. В материале разобраны бизнес-сценарии ретаргетинга и этапы предиктивной логики платформы — от оценки намерения пользователя до контроля частоты показов.

У любого приложения со временем накапливается ценный актив — база пользователей, которые уже установили продукт или хотя бы раз им воспользовались. Ключевой вопрос в том, как превратить ее в источник более частых покупок и растущего LTV (пожизненная ценность клиента), не создавая избыточного давления рекламой.

Именно эту задачу решает in-app-ретаргетинг (возврат пользователей через рекламу в мобильных приложениях). Он больше не сводится к механике «показать баннер всем, кто давно не открывал приложение». Эффективная кампания должна определить, какого пользователя имеет смысл возвращать, в какой момент контакт сработает, какое сообщение будет релевантно и сколько можно заплатить за конкретный показ, чтобы рационально использовать маркетинговый бюджет.

По данным AppsFlyer, в 2025 году мировой объем инвестиций в повторное вовлечение пользователей достиг $31,3 млрд — на 37% больше год к году. Его доля в совокупных бюджетах на мобильный маркетинг выросла с 25% до 29%. Это означает, что ретаргетинг перестает рассматриваться как второстепенное направление и переходит на уровень самостоятельной системы управления результатом.

Почему «старый» ретаргетинг перестает работать

У ретаргетинга есть парадокс: бренд уже «знает» пользователя, но это не значит, что повторный контакт автоматически приводит к целевому действию.

Почему так происходит? Пользователь мог не открывать приложение два дня из-за отсутствия повода, а мог уйти к конкуренту. Он мог положить товар в корзину и отвлечься, а мог уже оформить заказ через другой канал. Наконец, активному покупателю не всегда нужен дополнительный стимул вернуться: иногда повторная коммуникация лишь создает лишнюю частоту и ухудшает пользовательский опыт.

Поэтому неэффективность «старого» ретаргетинга обычно связана не с отсутствием охвата, а с ошибками в принятии решений:

• Одна коммуникация применяется к пользователям с разным уровнем намерения.
• Показы происходят слишком поздно, слишком рано или в нерелевантном контексте.
• Креатив не соответствует стадии воронки: пользователю с товаром в корзине показывают общий баннер, а регулярному покупателю — скидку на уже приобретенный товар.

Дополнительное давление для брендов создает выгорание мобильной аудитории. Один и тот же пользователь видит десятки рекламных сообщений в разных приложениях, а его наличие в CRM-системе (система управления взаимоотношениями с клиентами) само по себе не объясняет, почему человек перестал «выходить на связь». Поэтому ретаргетинг должен строиться на динамике поведения: давности последнего действия, плотности визитов, интересе к категории, истории транзакций и, главное, вероятности следующего шага.

Как технологии «Бидиз» (Bidease) решают задачу ретаргетинга изнутри

Ретаргетинг в DSP (платформа для автоматизированной закупки рекламы) — это серия решений, принимаемых на уровне отдельного рекламного запроса. Когда пользователь из целевой базы открывает стороннее мобильное приложение (не приложение рекламодателя) с доступным рекламным местом, платформа получает возможность участвовать в аукционе. Но делать ставку в каждом аукционе нерационально: показ должен окупаться. «Бидиз» (Bidease) оценивает поступающие запросы по сотням поведенческих признаков, отбирая только показы с прогнозируемой отдачей, и применяет отдельные модели оптимизации под целевые события и другие post-install-метрики (метрики после установки).

Нейросети, обученные на всей экосистеме

При ретаргетинге через программатик-платформы у брендов часто возникает одна и та же проблема: системе нужно время, чтобы понять, каких пользователей стоит возвращать в приложение. В начале кампании, пока данных мало и алгоритм только учится, точность прогнозов ниже — а значит, и результаты скромнее. Этот этап обычно и называют холодным стартом.

У «Бидиз» (Bidease) ретаргетинг работает иначе. Платформа использует нейросетевую модель, которая уже обучена на большом объеме исторических данных. Это значит, что ей не нужно начинать с нуля и тратить время на «раскачку»: уже на старте кампании она лучше понимает, каких пользователей имеет смысл возвращать, когда им стоит показать рекламу и как сделать это точнее.

Нейросетевая модель устроена сложнее стандартных алгоритмов и способна улавливать более тонкие связи, зависимости и изменения в поведении пользователя. Она учитывает расширенный набор параметров для каждого контакта из базы рекламодателя: количество посещений за определенный период, плотность этих посещений во времени, динамику активности и другие поведенческие сигналы. За счет этого платформа более корректно понимает не только то, кто в целом подходит для повторного касания, но и в какой момент пользователь с большей вероятностью готов откликнуться на показ.

Дальше система использует не только нейросетевую модель, но и модели, обученные на свежих данных конкретного рекламодателя. По мере накопления информации платформа прицельно подстраивается под задачи определенного клиента и улучшает качество закупки. В итоге ретаргетинг работает не только быстрее на старте, но и становится эффективнее в ходе кампании.

Так, в кампании для «Спортмастера» нейросетевой подход позволил обрабатывать кратно больше данных и точнее улавливать поведенческие зависимости. В ретаргетинге это помогло удерживать стоимость оформленного заказа в рамках ключевых метрик эффективности, а в отдельные месяцы — снижать долю рекламных расходов вдвое.

Четыре сценария работы с базой

В «Бидиз» (Bidease) логика повторных касаний может строиться вокруг нескольких бизнес-задач, а не единственного сегмента «ушедшие пользователи».

Такая сегментация меняет сам подход к ключевым метрикам эффективности. Для ретаргетинга важны стоимость возвращенного пользователя и дальнейшая активность. Для брошенной корзины — конверсия в заказ и инкрементальная выручка. Для активной базы — частота покупок, маржинальность повторных заказов и вклад в LTV (пожизненная ценность клиента).

Основа для этого — корректно переданные сегменты и in-app-события (действия пользователя внутри приложения). В кампании платформа фокусируется на пользователях, у которых приложение уже установлено; для ретаргетинга могут использоваться следующие аудитории:

• Статичные списки. Такой вариант подходит для разовых коммуникаций с заранее сформированным сегментом — например, с участниками промоакции или пользователями определенной когорты.
• Автообновляемые аудитории. Сегменты формируются в MMP (сервис мобильной аналитики и атрибуции) и передаются в платформу в режиме, близком к реальному времени — по принципу AppsFlyer Audiences. По мере того как пользователь совершает целевые события или, наоборот, перестает быть релевантным сценарию, состав аудитории обновляется автоматически.
• Аудитории на основе NAD (неатрибуцированные данные). По механике они похожи на автообновляемые сегменты и опираются на обезличенные рекламные идентификаторы, однако формируются на стороне «Бидиз» (Bidease) по заданным рекламодателем условиям. Это позволяет строить аудитории без подключения дополнительных платных функций MMP. При этом возможности алгоритма зависят от глубины доступной истории событий. Если рекламодатель начал передавать данные по неатрибутированным событиям только две недели назад, платформа не сможет выделить пользователей, не заходивших в приложение 30+ дней: соответствующих исторических данных в системе еще нет.

Чем детальней настроена передача событий из сервиса мобильной аналитики: от установки и сессии до просмотра карточки товара, покупки или другого целевого действия; тем точнее платформа может различать «состояние» пользователя в воронке.

На практике система машинного обучения «Бидиз» (Bidease) проходит пять стадий предиктивной логики.

1) Насколько конкретный пользователь близок к необходимому целевому действию

Один из слоев — оценка намерения, или Intent Score. Алгоритм учитывает не абстрактный факт присутствия пользователя в ретаргетинговой базе рекламодателя, а поведенческие признаки, которые могут указывать на готовность к действию:

• Давность последнего визита, просмотра, добавления в корзину или покупки.
• Количество посещений за период и интервалы между ними.
• Динамику активности: пользователь возвращается часто, снижает активность или уже выпал из сценария.
• Интерес к отдельным товарам и категориям.
• Историю покупок и ранее совершенных целевых действий.
• Технический и медиаконтекст рекламного запроса.

Важно, что алгоритмы не подменяют маркетинговую стратегию. Они не решают, что для бизнеса ценнее: заказ, подписка, оформленный кредит или повторная покупка. Эту цель задает рекламодатель через событийную схему и ключевые метрики эффективности, а система определяет вероятность достижения выбранной цели для каждого показа.

2) Стоит ли покупать именно этот показ

Еще один слой — прогноз вероятности конверсии. Когда вероятность отклика низкая, участвовать в аукционе нецелесообразно: даже недорогие показы, которые не приводят к целевому действию, расходуют бюджет и снижают общую эффективность кампании.

Если прогноз высок, система рассчитывает ставку. Это и есть динамический bidding: стоимость показа не фиксируется на уровне всего аудиторного сегмента, а зависит от предполагаемой отдачи конкретного рекламного запроса. Чем выше ожидаемая ценность контакта для заданной ключевой метрики эффективности, тем конкурентнее может быть ставка.

Так бюджет не распределяется равномерно по всем доступным профилям в списке рекламодателя. Он концентрируется в перспективных точках воронки.

3) Когда обращаться к пользователю

Даже релевантный оффер не сработает, если показать его не вовремя. Пользователь, который пять минут назад добавил товар в корзину, и пользователь, который покупал в этой категории месяц назад, требуют разных сценариев.

Алгоритмическая задача здесь — оценить оптимальный момент контакта с учетом свежести события, скорости изменения интереса и последующей реакции на рекламу. Это помогает не только найти момент с более высокой вероятностью конверсии, но и не выкупать показы, когда дополнительное касание скорее всего не даст эффекта.

Для наглядности — небольшая шпаргалка по выбору окна неактивности в зависимости от вертикали. В e-commerce (электронная торговля) и ритейле отправной точкой служит цикл покупки. Для товаров быстрого спроса уместны короткие окна неактивности, тогда как для дорогостоящих товаров с длительным периодом выбора — более длинные. При этом важно учитывать специфику конкретного продукта: даже внутри одной категории поведенческие паттерны и цикл принятия решения могут различаться.

4) Что показать

Креатив в ретаргетинге — не финальный этап уже принятого решения, а один из его начальных параметров. Если пользователь проявлял интерес к определенной категории, показывать ему общее предложении бренда может быть менее эффективно, чем персонализированный оффер, товар из каталога или напоминание о выгоде.

«Бидиз» (Bidease) использует нативные баннеры, полноэкранные баннеры и видео, видео с механикой вознаграждения, интерактивные креативы с геймификацией и их комбинации. Набор форматов расширяет доступный инвентарь: если кампания подготовлена только под статичный баннер, она не участвует в аукционах, где видеоразмещение принесло бы измеримый бизнес-результат.

Следовательно, больше форматов в рамках одной кампании — это не самоцель, а больше возможностей для системы сопоставить задачу кампании, контекст показа и сообщение.

Например, в кейсе «Додо Пиццы» аудиторию разделили по давности последней покупки. Наиболее отзывчивым оказался сегмент пользователей, совершивших покупку более 30 дней назад: перенос бюджета на него обеспечил максимальный объем повторных заказов. В креативной части самым вовлекающим форматом стало вертикальное видео со средним CTR (click-through rate, кликабельность) около 22%.

5) С какой частотой показывать рекламу

Контроль частоты — необходимая часть экономики ретаргетинга. Без него кампания легко начинает выкупать показы у самой доступной части базы: тех, кого можно застать в приложениях чаще остальных. Это создает иллюзию охвата, но повышает риск выгорания и неоправданного расхода на пользователей без дополнительного потенциала.

Поэтому решение должно учитывать не только вероятность конверсии, но и историю уже состоявшихся рекламных контактов. Для этого на старте задается разумное ограничение, например, максимальное число показов одному пользователю в сутки. Дальше система подстраивает частоту по реакции: наращивает контакт там, где он еще влияет на конверсию, и снижает, когда очередной показ уже не добавляет ценности. Нужную частоту показывает не цифра, выбранная заранее, а измеримый эффект каждого следующего касания.

Ретаргетинг как инструмент управления ценностью клиента

В 2026 году ретаргетинг работает в связке с привлечением и повышает отдачу от уже оплаченного трафика: помогает поддержать клиента на этапе выбора, вернуть его после паузы, стимулировать следующую покупку или предложить релевантный продукт с учетом его сценария взаимодействия с приложением.

Логика «Бидиз» (Bidease) строится на автоматизации решений на уровне каждого рекламного показа. Для performance-команд брендов (команд, отвечающих за платное привлечение и его окупаемость) польза такого подхода заключается не в самом использовании искусственного интеллекта, а в возможности связать ретаргетинг с конкретными бизнес-задачами и управлять кампанией не через усредненные сегменты, а с учетом прогнозируемой ценности каждого контакта со своим пользователем.

Это второй материал серии о работе алгоритмов в «Бидиз» (Bidease). В первом мы разбирали привлечение новых платящих пользователей. В следующем покажем, как алгоритмы работают на охват и узнаваемость бренда.