Радио 
Согласно отраслевым данным, в 2025 году общая выручка программатик‑продуктов в России выросла на 11,7% и превысила 56,3 млрд рублей — после роста на 21% годом ранее. Темп роста рынка продолжает замедляться: программатик вступил в фазу зрелости, общее число продуктов достигло 69, а конкуренция за эффективный инвентарь усилилась. Чем больше инструментов сегментации появляется у рекламодателей, тем выше риск перепутать техническую возможность добавить фильтр с реальным повышением эффективности. Менеджер по развитию бизнеса Buzzoola Марат Рахматуллин (входит в МТС Ads) рассмотрел экономические и технологические механизмы, которые влияют на рост стоимости размещения при чрезмерном сужении таргетинга.
Что значит «слишком узкий» таргетинг
Критерий «слишком узкого» таргетинга определяется не абсолютным объемом сегмента, а соотношением размера аудитории, рекламного бюджета, периода размещения, целевой частоты и плановых KPI. Один и тот же сегмент может быть достаточным для кампании с ограниченным бюджетом и избыточно узким — для масштабной закупки с длительным горизонтом открутки.
Рассмотрим два сценария с идентичным сегментом объемом 200 тыс. пользователей. В первом — условная кампания с бюджетом 300 тыс. рублей. Доступного инвентаря достаточно: система обеспечивает требуемый объем показов по приемлемому CPM (Cost Per Mille; стоимость одной тысячи показов рекламного объявления), охват и частота остаются в плановых пределах. Во втором — тот же сегмент, но бюджет 3 млн рублей. В этом случае уже пул доступных уникальных пользователей может исчерпываться: показы начинают распределяться по кругу на одну и ту же аудиторию, частота неконтролируемо растет, а стоимость каждого дополнительного контакта увеличивается вследствие дефицита инвентаря. Один и тот же сегмент может быть достаточным для небольшой кампании и слишком узким для крупной.
Таким образом, «слишком узкий» — это не количественная характеристика, а точка, при которой объема доступного инвентаря перестает хватать для выполнения плана по охвату, частоте и конверсиям без пропорционального роста стоимости результата.
Где возникает переплата: экономика рекламного аукциона
Механизм удорожания при сверхсужении аудитории строится на последовательной цепочке эффектов, каждый из которых усиливает предыдущий.
Рост числа фильтров сокращает объем доступных показов. Каждый дополнительный таргетинговый критерий отсекает часть инвентаря. Возраст 25−34, доход «выше среднего», интерес к фитнесу, iOS, Москва — на каждом шаге пул доступных показов уменьшается. 65% рекламодателей фиксируют рост цен на программатик, и одна из ключевых причин — перегрев аукциона из‑за конкуренции за ограниченный инвентарь.
Сокращение показов ограничивает свободу ценовой оптимизации. При недостаточном объеме подходящих поверхностей система лишается возможности отбирать наиболее дешевый инвентарь. Оптимизация по стоимости показа становится невозможной не из-за ограничений алгоритма, а из-за физического дефицита доступных вариантов.
Дефицит инвентаря провоцирует рост аукционной конкуренции. Рекламодатели с сопоставимыми настройками таргетинга конкурируют за один и тот же ограниченный пул. В результате аукционная ставка разгоняется: чем меньше доступного инвентаря, тем меньше возможностей выбирать более выгодные показы и тем выше может становиться средняя стоимость закупки.
Ограниченный пул быстрее выгорает. Небольшая аудитория получает рекламные контакты с высокой периодичностью. Частота растет, CTR (Click-Through Rate; показатель кликабельности, который выражается в процентах и равен отношению числа кликов по объявлению к общему числу его показов) снижается в результате эффектов баннерной слепоты и усталости от рекламы, а CPM продолжает увеличиваться, поскольку свободный инвентарь исчерпан. Согласно отраслевым данным, при частоте выше семи показов в неделю на одного пользователя CTR падает на 40%, а цена клика растет на 25%. Баннерная слепота давно перестала быть «баннерной» — это общая рекламная усталость, вызванная информационной перегрузкой и повторяющимися контактами. Возникает ситуация, при которой рекламодатель платит больше за каждый последующий контакт с аудиторией, который менее эффективен, чем предыдущие.
В нишевом B2B-таргетинге повышенный CPM — устоявшаяся норма. Однако рост стоимости при сверхсужении имеет иную природу: это не плата за качество контакта, а плата за дефицит инвентаря. Рекламодатель оплачивает не «более точный показ», а ограниченность выбора, создавшуюся в результате собственных настроек.
Почему алгоритмам необходим достаточный объем пространства для оптимизации
Таргетинг должен задавать разумные границы аудитории, а уже внутри них алгоритму нужно оставлять достаточный пул инвентаря и данных для оптимизации. Чем больше подходящих вариантов показов доступно алгоритму, тем легче ему найти выгодные связки — кому показать рекламу, какой контент дать и в какой момент, чтобы получить результат с меньшими затратами.
При минимальном наборе жестких ограничений система получает свободу выбора на основе дополнительных сигналов: контекста страницы, поведенческих паттернов пользователя, времени суток, типа устройства, истории взаимодействий и иных параметров реального времени. ML‑модели агрегируют и анализируют десятки факторов для каждого потенциального показа, перераспределяя бюджет в пользу наиболее эффективных комбинаций. При слишком жестких ограничениях системе сложнее сравнивать разные комбинации показов, собирать статистику и перераспределять бюджет в пользу наиболее эффективных вариантов.
Особую значимость этот фактор приобретает на этапе запуска кампании. В индустрии принято сначала запускать рекламу на широкую, но подходящую аудиторию — так алгоритмы быстрее учатся и выходят на хорошие результаты. Если сразу сильно сузить сегмент, кампания будет долго набирать обороты, а при слишком узкой аудитории может вообще не показать нужных результатов. Например, клиенту из бьюти-сферы было важно по итогам рекламной кампании получить CTR не менее 1%. Клиент хотел размещаться на тематических площадках, однако в итоге размещение было проведено на широком списке сайтов, благодаря чему получили CTR 1,2%.
Поведение пользователя и контекст — например, что он прямо сейчас читает про ипотеку — лучше показывают, заинтересован ли он в продукте, чем просто возраст и доход. Поэтому лучше ориентироваться на реальные намерения — человек явно ищет кредит, — а не на общие характеристики вроде «мужчина 30−40 лет с высоким доходом», который может вообще не планировать брать кредит.
Как найти баланс и не платить за «точность ради точности»
При оценке очередного фильтра мы смотрим, как он влияет на доступный инвентарь, CPM, охват, частоту показов и стоимость бизнес-результата. Если фильтр сокращает охват и повышает CPM, но не улучшает CPA/CPL, его точность не приносит бизнесу ценности.
Практический чек-лист
Начинайте с обязательных бизнес-ограничений, а не со всех доступных признаков. Гео, возраст, язык — если они критичны. Все остальное — кандидаты на тест, а не на включение по умолчанию.
Добавляйте фильтр только если есть гипотеза, какой именно KPI он должен улучшить. «Так точнее» — не гипотеза. Фильтр должен снизить CPA / повысить конверсию без критического роста CPM и потери охвата.
Смотрите не только CTR, но и на CPM, охваты, частоту показов, CPA (модель оплаты, при которой рекламодатель платит за конкретные целевые действия пользователей), конверсии. Считайте не только CTR, но и стоимость реального перехода (CPC), а также стоимость реального лида (CPL) — то есть во сколько рекламодателю фактически обходится клик и получение заявки. Рост CTR на узкой аудитории при двукратном росте CPM и падении охвата — это не победа, а перерасход.
Проводите A/B-тест «узкий сегмент vs. более широкий релевантный». Часто более широкая аудитория с алгоритмической оптимизацией дает дешевле результат, чем вручную суженная.
Используйте контекст, first-party и поведенческие сигналы вместо статичных признаков. Поведенческие и first-party сигналы могут дополнять демографию и в ряде задач лучше отражать актуальный интерес пользователя.
Сохраняйте узкие настройки там, где они действительно продиктованы продуктом. Ретаргетинг, локальность, нишевый B2B, ограничения по доступности товара или услуги — здесь сужение оправдано и работает.
Итоги
Задача таргетинга — не описать идеального клиента максимально подробно, а помочь купить достаточное количество качественных контактов по приемлемой цене. Хороший таргетинг заканчивается там, где следующий фильтр уже не улучшает бизнес-результат, а только делает аудиторию меньше и дороже. Между тем рынок продолжает внушать иллюзию точности. Каждый сезон появляются новые параметры сегментации, новые источники данных, новые модели look‑alike — и у каждого рекламируется способность «сузить аудиторию до идеального покупателя». Технические возможности растут быстрее, чем способность бизнеса корректно оценить их экономический эффект. В результате рекламодатель оказывается в ловушке: он платит за точность, которую не может конвертировать в результат, потому что точность достигается за счет дефицита инвентаря, а не за счет качества подбора аудитории.
Парадокс в том, что сама индустрия программатика движется в противоположном направлении — от ручного сужения к алгоритмической оптимизации. Платформы вкладывают ресурсы в ML‑модели, которые умеют находить релевантного пользователя по контексту и поведению в реальном времени, а не по жестко заданной демографии. Рекламодателю, который продолжает наслаивать фильтры вручную, все сложнее получать отдачу — не потому, что его сегмент «плохой», а потому, что он лишает алгоритм пространства для маневра.