Рекомендательные системы в рекламе: как алгоритмы перестраивают таргетинг
Публичные дискуссии вокруг применения искусственного интеллекта в рекламе чаще всего вращаются вокруг генеративных сервисов: автоматического создания текстов объявлений, генерации изображений баннеров и вырезания фона на карточках товаров. Однако ключевой сдвиг в экономике AdTech-платформ происходит в менее заметной, но фундаментальной области — внедрении предиктивных рекомендательных систем.
Современная рекламная платформа переходит от традиционного таргетинга по списку ключевых слов и социально-демографических анкет к вычислению вероятности конверсии в реальном времени. Алгоритмы площадок объединяют тысячи нелинейных сигналов — поисковую историю, поведение в мобильных приложениях, транзакционные данные и контекст текущей сессии, — чтобы прогнозировать намерение покупки еще до того, как человек сформулирует поисковый запрос.
Фокус индустрии: GenAI против рекомендательных архитектур
Важно отделять креативный генеративный слой от рекомендательного движка аукциона. Генеративный ИИ выполняет операционную задачу: увеличивает количество вариантов заголовков, визуалов и форматов объявлений. Рекомендательная же система выполняет стратегическую функцию: она определяет, кому именно, в какой момент, на какой площадке и по какой оптимальной ставке показать конкретную комбинацию креатива.
Когда рекламные гиганты публикуют отчёты о росте эффективности кампаний, за этим обычно стоит синхронная работа обоих слоев, где рекомендации играют решающую роль. Генерация сотни новых картинку-баннеров не приносит результата, если алгоритм ранжирования не умеет точно сопоставлять их с микро-сегментами аудитории с высокой готовностью к покупке.
Анатомия рекламного решения: от Discovery до атрибуции
В упрощенном виде архитектура автоматической рекламной системы включает пять последовательных этапов, формирующих замкнутый контур обучения:
- Discovery (Поиск кандидатов): алгоритм отбирает из миллионного массива пользователей тех, чье текущее поведение совпадает с паттернами потенциальных покупателей продукта.
- Ranking (Ранжирование): модель взвешивает пару «пользователь — объявление» и определяет порядок показа среди доступных рекламных креативов.
- Smart Bidding (Интеллектуальные ставки): система рассчитывает оптимальную ставку для участия в аукционе с учетом вероятности достижения целевого действия (покупки, регистрации или звонка).
- Creative Selection (Подбор ассетов): динамическая сборка объявления из имеющихся заголовков, изображений и посадочных страниц под специфику текущего экрана и устройства.
- Measurement & Attribution (Измерение и атрибуция): фиксация результата и передача обратной связи в модель для последующего обучения.
Критически важным элементом этого контура является качество сигнала обратной связи. Если рекламодатель настраивает передачу в систему любых кликов или факт открытия формы вместо реальных продаж, рекомендательный движок начнет оптимизировать показ под категорию людей, склонных кликать по баннерам, а не совершать коммерческие покупки.
Опыт Google Performance Max: официальные механики и реальные данные
Примером упреждающего рекомендательного подхода является тип кампаний Performance Max в Google Ads, предназначенный для привлечения продаж и целевых лидов на всех сервисах экосистемы (Поиск, YouTube, КМС, Gmail, Maps). Рекламодатель не задает жесткие таргетинги, а передает системе бизнес-цели, бюджет, ценность конверсий, готовые креативные ассеты и сигналы аудитории (Audience Signals).
Официальная документация Google указывает, что Smart Bidding совместно с атрибуцией на основе данных анализирует совокупность аукционов в реальном времени. В справке компании приводится зафиксированный показатель: неритейл-рекламодатели, задействовавшие кампании Performance Max, получили в среднем на 27% больше конверсий или их ценности при аналогичном уровне CPA/ROAS.
Этот результат достигается за счет автоматического расширения охвата (Final URL expansion). Если функция включена, рекомендательная система может самостоятельно определить более релевантную посадочную страницу на сайте рекламодателя под конкретный пользовательский запрос и сгенерировать под нее текстовые заголовки.
Ограничения автоматизации: Final URL expansion и контроль релевантности
Полное делегирование управления рекомендательному алгоритму несет в себе операционные и бренд-риски. Если автоматическая система не ограничена жесткими правилами, она может вести платный трафик на нецелевые страницы сайта (раздел вакансий, технические инструкции, статьи из FAQ) или генерировать несогласованное видео с товаром, которого нет на выбранной посадочной странице.
Для сохранения релевантности и предотвращения нецелевых трат маркетологи обязаны настраивать защитные фильтры:
- Исключения URL (URL Exclusions): явный запрет системе направлять рекламируемый трафик на сервисные разделы, блог и архивы.
- Минус-слова и исключения брендов: запуск фильтров, блокирующих показы по нерелевантным или чужим брендам.
- Товарные фильтры (Product Filters): ограничение ассортиментной матрицы в фиде, если рекламируются только определенные категории товаров.
- Офлайн-конверсии и передача ценности: передача в рекламный кабинет финальных статусов из CRM, чтобы алгоритм не обучался на «мусорных» заявках.
Метрики Amazon и контраст генеративного слоя
Официальные материалы Amazon Ads позволяют наглядно проиллюстрировать разницу между эффективностью генерации креатива и рекомендательной системой. По данным платформы, использование инструмента генерации фонов на базе ИИ в формате Sponsored Brands дало прирост ROAS (окупаемости расходов на рекламу) в среднем на 10,3% по сравнению с обычными карточками товаров. Рекламодатели, задействовавшие такие креативные решения, смогли рекламировать в 5 раз больше товаров и использовать в 2 раза больше изображений.
Этот пример показывает: улучшение самого объявления (картинки или текста) дает ощутимый прирост привлекательности, но именно рекомендательный аукцион решает, оправданы ли затраты на показ этого изображения конкретному пользователю.
Протокол проверки и измерения инкрементального эффекта
Главная опасность при работе с высокоавтоматизированными рекомендательными системами — смешение естественного спроса с результатами работы алгоритма. Если рекомендательная модель начинает показы пользователям, которые и так собирались сделать покупку, отчёт рекламного кабинета покажет высокий прирост конверсий, хотя реальный финансовый эффект (инкрементальность) может оказаться близким к нулю.
Для честной проверки эффективности алгоритмов используется регулярный протокол тестирования:
- Определение базовой бизнес-метрики: маржинальная прибыль, количество подтвержденных заказов или стоимость привлечения квалифицированного клиента (CPL/CPA из CRM), а не промежуточные показы и клики.
- Проведение Holdout-тестов: выделение контрольной группы пользователей или географических регионов, которым реклама нового типа не демонстрируется.
- Фиксация окна атрибуции: учет временного лага между первичным показом объявления и финальным оформлением заказа.
- Контроль брендового трафика: отделение кампаний по поиску своего имени от автоматических рекомендательных охватов.
Стратегический вывод для рекламодателей
Автоматизация таргетинга и развертывание рекомендательных моделей не освобождают маркетологов от управления рекламой. Напротив, смещение роли алгоритмов меняет задачи специалиста: вместо ручного перебора ключевых фраз и ставок ключевыми компетенциями становятся подготовка чистого массива данных для обучения моделей, разметка ценности целевых действий, настройка системных ограничений и сквозной контроль инкрементальной прибыльности.