Машинное обучение в инфлюенс-маркетинге: как ML-алгоритмы Яндекс Директа подбирают Telegram-каналы
Инфлюенс-маркетинг (продвижение через блогеров и авторов тематических каналов) долгое время оставался исключением из правил цифровой рекламы. В то время как рекомендации в поиске и рекламных сетях годами совершенствовались алгоритмами машинного обучения (Machine Learning, ML — методы построения самообучающихся математических моделей для анализа данных), закупка постов в мессенджерах опиралась на ручной выбор медиабайеров. Специалисты вручную анализировали сотни Telegram-каналов, опираясь на личную насмотренность и субъективную интуицию.
С ростом объема рекламных бюджетов ручное медиапланирование стало сдерживающим фактором. По данным Яндекс Директа — системы автоматизированного размещения рекламы, — Telegram превратился в ключевую инфлюенс-площадку с ежемесячным охватом в десятки миллионов россиян. Управлять масштабными посевами в тысячах каналов одновременно вручную стало невозможно. Однако прямой перенос рекомендательных алгоритмов из поисковой рекламы оказался неэффективен: мессенджеры потребовали принципиально новой архитектуры ML-моделей.
Смена единицы анализа: от пользователя к сообществу
В классической контекстной рекламе ключевая пара для алгоритмического подбора — это «пользователь — объявление». Система знает обезличенную историю поиска конкретного человека, его интересы и предыдущие клики, подбирая персональный рекламный баннер.
В мессенджерах рекламный пост публикуется на канале и становится виден сразу всем его читателям. Персональный таргетинг на отдельного человека технически недоступен. Единицей воздействия становится сообщество, а ключевой парой для сопоставления в ML-модели — «канал — объявление».
Для описания аудитории канала система строит агрегированный профиль на основе обезличенных данных тех пользователей, которые активно взаимодействуют с публикациями площадки (пол, возраст, регион проживания, уровень дохода и другие сигналы). Это позволяет алгоритму отсекать неактивные аккаунты и оценивать реальный живой состав читателей.
Двухшаговая модель прогнозирования эффективности (pCTR)
В традиционной интернет-рекламе модель решает базовую задачу: кликнет ли пользователь после показа. В Telegram между фактом наличия подписчиков и кликом появляется обязательный промежуточный этап — фактический просмотр поста. Наличие у канала 100 тысяч подписчиков вовсе не означает, что публикацию увидят все 100 тысяч человек: часть аудитории отключает уведомления или не заходит в мессенджер ежедневно.
Для точного прогноза кликабельности (pCTR, predicted click-through rate — прогнозируемая доля кликов от общего числа подписчиков) используется гибридная двухшаговая архитектура:
- Модель оценки вовлеченности (ERR): предсказывает Engagement Rate by Reach — долю подписчиков, которые реально увидят публикацию на основе темпов набора просмотров у последних постов канала.
- Модель вероятности клика (CTR): предсказывает вероятный переход по ссылке среди тех пользователей, которые фактически просмотрели пост.
Итоговый прогноз рассчитывается как произведение двух показателей:
pCTR = ERR × CTR
Если публикацию увидят только 20% аудитории канала, а из них перейдет 5%, итоговый результат будет радикально отличаться от поверхностного расчета по общему числу подписчиков. Именно этот разрыв между размером аудитории и реальным охватом традиционные рекламные модели долгое время не учитывали.
Гибридная архитектура: нейросети и CatBoost
Для выстраивания точных предсказаний Яндекс использует комбинацию нейросетевых моделей и градиентного бустинга (CatBoost — алгоритм машинного обучения на деревьях решений, эффективно работающий с табличными признаками):
- Нейросети анализируют тексты рекламных объявлений и свежие публикации канала, определяя тематику, стилистику автора и смысловую релевантность контента;
- CatBoost объединяет семантические сигналы нейросетей с числовыми параметрами канала: динамикой набора просмотров, частотой постов, исторической конверсией и ценовыми ставками.
Такой гибридный подход позволяет системе эффективно справляться с ситуацией «холодного старта» (cold start), когда у нового канала еще нет накопленной статистики по прошлым рекламным кампаниям. В этом случае первичный прогноз строится на основе семантического анализа контента и статистических параметров площадки, а по мере накопления данных роль поведенческих сигналов возрастает.
Почему поверхностное совпадение тематик больше не гарантирует запуск
При ручном подборе байер ориентируется на очевидные визуальные признаки: например, разместить рекламу IT-сервиса в каналы про технологии. Однако ML-модель может заблокировать такую связку, если зафиксирует аномалии в динамике просмотров, высокую долю неактивной аудитории или несоответствие ценовой ставки (CPV — стоимости одного просмотра) ожидаемой конверсии.
Дополнительно в автоматизированной инфраструктуре работает модуль Brand Safety (контроль безопасности контекста бренда). Алгоритмы автоматически модерируют содержание канала на предмет недопустимого контента, защиты от накруток ботами и соблюдения юридических требований (включая учет маркировки рекламы и автоматическую передачу данных в ЕРИР).
Практические выводы для рекламодателей и администраторов каналов
Автоматизация инфлюенс-маркетинга через ML-алгоритмы Яндекс Директа меняет роли всех участников рекламного рынка:
- Для рекламодателей: подбор каналов становится измеримым процессом на данных. Система автоматически отбирает площадки с минимальной прогнозируемой стоимостью целевого действия, снижая ручные операционные затраты на коммуникацию с администраторами и оформление документов;
- Для администраторов каналов: ключом к привлечению рекламодателей становится не искусственная накрутка подписчиков, а регулярная выкладка качественного контента, высокая вовлеченность аудитории (ERR) и прозрачная динамика просмотров.
При этом алгоритмы не вытесняют полностью эксклюзивный спецпроектный инфлюенс-маркетинг: крупные имиджевые амбассадорские интеграции продолжают разрабатываться в ручном режиме. Однако в кампаниях, где важны масштаб, скорость запуска и измеримая окупаемость вложений, математические модели машинного обучения становятся главным стандартом эффективности.